Системы искусственного интеллекта

Размещено на http://www.allbest.ru/

Министерство образования и науки Российской Федерации

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

«ОРЕНБУРГСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ»

Факультет информационных технологий

Кафедра информатики

Расчётное графическое задание

Реферат

Системы искусственного интеллекта

ГОУ ОГУ 2004.65.8008.0 Р

Руководитель работы

преподаватель кафедры

_______________ В.А. Садова

"___"__декабря 2011 г.

Исполнитель студент группы

11ЭК(б) ЭПОэ-1

_____ С.А Богряков ;

"___"_декабря 2011 г.

Оренбург 2011

СОДЕРЖАНИЕ

Введение

1. История развития искусственного интеллекта

2. Экспертные системы

2.1 Типы экспертных систем

2.2 Назначение и особенности экспертных систем

2.3 Знания и их представление

2.4 Инструменты построения экспертных систем

2.5 Структура идеальной экспертной системы

2.6 Способы описания знаний

3. Продукционные модели

3.1 Управление системой продукции

3.2 Преимущества и недостатки продукционной системы

4. Семантические сети

5. Фреймы

Заключение

Опрос по данной теме

Список использованной литературы

ВВЕДЕНИЕ

Активно развивающейся областью использования компьютеров является создание баз знаний и их применение в различных областях науки и техники. База знаний представляет собой семантическую модель, предназначенную для представления в ЭВМ знаний, накопленных человеком в определенной предметной области. Основные функции базы знаний:

1. Создание, загрузка;

2. Актуализация, поддержание в достоверном состоянии;

3. Расширение, включение новых знаний;

4. Обработка, формирование знаний, соответствующих текущей ситуации.

Для выполнения указанных функций разрабатываются соответствующие программные средства. Совокупность этих программных средств и баз знаний принято называть искусственным интеллектом.

Искусственный интеллект в настоящее время находит применение в таких областях, как планирование и оперативное управление производством, выработка оптимальной стратегии поведения в соответствии со сложившейся ситуацией, экспертные системы и т. д.

Искусственный интеллект -- это одно из направлений информатики, цель которого разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Искусственный интеллект - самое молодое научное направление. Появление его было подготовлено развитием мощности вычислительных машин.

Искусственный интеллект занимает исключительное положение. Это связано со следующим:

часть функций программирования в настоящее время оказалось возможным передать машине. При этом общение с машиной происходит на языке, близком к разговорному. Для этого в ЭВМ закладывают огромную базу знаний, способы решения, процедуры синтеза, программы, а также средства общения, позволяющие пользователю легко общаться с ЭВМ.

В связи с внедрением ЭВМ во все сферы человеческой жизни становится возможным переход к безбумажной технологии обработки информации.

Если раньше производство ориентировалось на обязательное участие человека, то в настоящее время находят применение безлюдные технологии, основанные на роботизации и автоматизации системы управления.

Интеллектуальные системы в настоящее время начинают занимать ведущее положение в проектировании образцов изделий. Часть изделий невозможно спроектировать без их участия.

В настоящее время к системам искусственного интеллекта относят следующие системы:

1) Экспертные системы. Первые системы, которые нашли широкое применение. Их элементы используются в системах проектирования, диагностики, управления и играх. Основаны на вводе знаний высококвалифицированных специалистов (экспертов) в ЭВМ и разработке специальной системы по их использованию.

Системы естественно - языкового общения (подразумевается письменная речь). Данные системы позволяют производить обработку связанных текстов по какой - либо тематике на естественном языке.

Системы речевого общения. Состоят из двух частей:

системы восприятия речи

системы воспроизведения речи.

Системы обработки визуальной информации. Находят применение в обработке аэрокосмических снимков, данных, поступающих с датчиков, роботов и автоматизированных систем.

Системы машинного перевода. Подразумеваются естественные языки человеческого общения.

Системы автоматического проектирования. Без этих систем не может обойтись ни одно крупное машиностроительное предприятие.

1. ИСТОРИЯ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Идея создания искусственного подобия человеческого разума для решения сложных задач и моделирования мыслительной способности витала в воздухе с древнейших времен. Впервые ее выразил Р. Луллий (ок.1235-ок.1315), который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий.

В XVIII в. Г. Лейбниц (1646- 1716) и Р.Декарт (1596- 1650) независимо друг от друга развили эту идею, предложив универсальные языки классификации всех наук. Эти идеи легли в основу теоретических разработок в области создания искусственного интеллекта.

Развитие искусственного интеллекта как научного направления стало возможным только после создания ЭВМ. Это произошло в 40-х гг. XX в. В это же время Н.Винер (1894 - 1964) создал свои основополагающие работы по новой науке -- кибернетике.

Термин искусственный интеллект (artificial intelligence) предложен в 1956 г. на семинаре с аналогичным названием в Станфордском университете (США). Семинар был посвящен разработке логических, а не вычислительных задач. Вскоре после признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику "черного ящика". И только в настоящее время стали заметны тенденции к объединению этих частей вновь в единое целое.

Основную идею нейрокибернетики можно сформулировать следующим образом: единственный объект, способный мыслить, -- это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить его структуру.

В основу кибернетики "черного ящика" лег принцип, противоположный нейрокибернетике. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.

Это направление искусственного интеллекта было ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров. В 1956 -1963 гг. велись интенсивные поиски моделей и алгоритма человеческого мышления и разработка первых программ.

В конце 50-х гг. родилась модель лабиринтного поиска. Этот подход представляет задачу как некоторый граф, отражающий пространство состояний, и в этом графе проводится поиск оптимального пути от входных данных к результирующим.

Начало 60-х гг.--эпоха эвристического программирования. Эвристическое программирование -- разработка стратегии действий на основе известных, заранее заданных эвристик (правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска).

В 1963 - 1970 гг. к решению задач стали подключать методы математической логики. На основе метода резолюций, позволившего автоматически доказывать теоремы при наличии набора исходных аксиом, в 1973 г. создается язык Пролог.

Среди наиболее значимых результатов, полученных отечественными учеными, следует отметить алгоритм "Кора" М. Бонгарда, моделирующий деятельность человеческого мозга при распознавании образов (60-е гг.).

Существенный прорыв в практических приложениях искусственного интеллекта произошел в середине 70-х гг., когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы. Пришел новый подход к решению задач искусственного интеллекта -- представление знаний.

Начиная с середины 80-х гг. происходит коммерциализация искусственного интеллекта. Растут ежегодные капиталовложения, создаются промышленные экспертные системы. Растет интерес к самообучающимся системам.

искусственный интеллект экспертный семантический фрейм

2. ЭКСПЕРТНЫЕ СИСТЕМЫ

Экспертные системы составляют самую существенную часть систем искусственного интеллекта. Экспертная система обычно определяется как программа ЭВМ, моделирующая действия эксперта человека при решении задач в узкой предметной области: составление базы знаний и накопления их. Создание систем базы данных - это попытка задать представление логических связей между данными. Выполняемая экспертом обработка знаний строится на базе огромных запасов информации, представленных в самой различной форме. При этом часть информации может быть неполной.

2.1 ТИПЫ ЭКСПЕРТНЫХ СИСТЕМ

По функциональному назначению экспертные системы можно разделить на следующие типы:

Мощные экспертные системы, рассчитанные на узкий круг пользователей (системы управления сложным технологическим оборудованием, экспертные системы ПВО). Такие системы обычно работают в реальном масштабе времени и являются очень дорогими.

Экспертные системы, рассчитанные на широкий круг пользователей. К ним можно отнести системы медицинской диагностики, сложные обучающие системы. База знаний этих систем стоит недешево, так как содержит уникальные знания, полученные от специалистов экспертов.

Экспертные системы с небольшим числом правил и сравнительно недорогие. Эти системы рассчитаны на массового потребителя (системы, облегчающие поиск неисправностей в аппаратуре). Применение таких систем позволяет обойтись без высококвалифицированного персонала, уменьшить время поиска и устранения неисправностей. Базу знаний такой системы можно дополнять и изменять, не прибегая к помощи разработчиков системы. В них обычно используются знания из различных справочных пособий и технической документации.

Простые экспертные системы индивидуального использования. Часто изготавливаются самостоятельно. Применяются в ситуациях, чтобы облегчить повседневную работу. Пользователь, организовав правила в некоторую базу знаний, создает на ее основе свою экспертную систему. Такие системы находят применение в юриспруденции, коммерческой деятельности, ремонте несложной аппаратуре.

2.2 НАЗНАЧЕНИЕ И ОСОБЕННОСТИ ЭКСПЕРТНЫХ СИСТЕМ

Знания специалистов в конкретной области можно разделить на формализованные (точные) и неформализованные (неточные).

Неформализованные знания являются результатом обобщения многолетнего опыта работы и интуиции специалистов. Они обычно представляют собой многообразие эвристических приемов и правил, не отражаемых в книгах.

Традиционно программирование в качестве основы для разработки программ используют алгоритм, то есть формализованные знания. Экспертные системы обладают следующими особенностями:

Алгоритм решения неизвестен заранее. Он строится самой экспертной системой в процессе решения.

Ясность получаемых решений, то есть способность экспертной системы объяснять получаемое решение.

Способность экспертной системы к анализу и объяснению своих действий.

Способность приобретения новых знаний от пользователя - эксперта, незнающего программирования.

Обеспечения дружественного естественного языка при общении с пользователем, благодаря которому экспертная система позволяет не только решать поставленные задачи, но и обучать решению соответствующих задач.

2.3 ЗНАНИЯ И ИХ ПРЕДСТАВЛЕНИЕ

При изучении интеллектуальных систем традиционно возникает вопрос -- что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ.

Данные - это отдельные факты, характеризующие объекты, процессы явления в предметной области, а также их свойства.

При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:

данные как результат измерений и наблюдений;

данные на материальных носителях информации (таблицы, протоколы, справочники):

модели (структуры) данных в виде диаграмм, графиков, функций;

данные в компьютере на языке описания данных;

базы данных на машинных носителях.

Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Они получаются эмпирическим путем.

Знания - это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

При обработке на ЭВМ знания трансформируются аналогично данным:

знания в памяти человека как результат мышления;

материальные носители знаний (учебники, методические пособия);

поле знаний -- условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы);

базы знаний.

Если рассматривать знания с точки зрения решения задач, их удобно разделить на две большие категории: факты и эвристику.

Факты - это хорошо известные для данной предметной области обстоятельства, освещенные в учебниках и литературе.

Эвристика основывается на опыте специалиста. Сюда входят способы комплектования знаний, способы удаления бесполезных знаний, способы использования нечеткой информации.

Знания, кроме того, можно разбить на факты и правила. В данном случае под фактами понимаются значения типа: “А это “А” - определение”. Они хранятся в базах данных. Под правилами подразумеваются знания типа: “Если…, то ….”. Кроме них существуют так называемые метазнания (знания о знаниях). Это понятие необходимо для управления базой знаний, логическим выводом и обучением. Знания обычно имеют классификацию, характерную не только для фактов, но и для правил. Обобщая знания, используемые в науке, их можно представить в следующей последовательности:

Процедурные (закрытые).

Конечный автомат.

Программа.

Скрипт (сценарий).

Сематическая сеть.

Фрейм (прототип).

Графы.

Формальная спецификация.

Исчисления предикатов.

Теоремы, правила записи.

Продукционные системы.

Предложения на естественном языке.

Декларативные (открытые).

Скрипт - описание стереотипного сценария с участием определенных объектов. Обладает большими возможностями для описания динамических аспектов знаний.

Семантическая сеть - граф, объединяющий программы, скрипты и связи между ними. Имеет много общего с реляционными базами данных.

2.4 ИНСТРУМЕНТЫ ПОСТРОЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ

В настоящее время существует очень много средств для построения экспертных систем. Они отличаются:

Способом представления знаний.

Механизмами получения решений.

Интерфейсами общения с пользователями.

Размерами разрабатываемых баз знаний.

Используемым оборудованием и его стоимостью.

Из средств, которые сейчас нашли применение, можно создать классификацию:

Символьные языки, ориентированные на создание экспертных систем и систем искусственного интеллекта (LISP, SMALLTALK). Содержит минимальные специальные средства для создания экспертных систем. С помощью них можно проводить обычное программирование.

Языки инженерных знаний (языки высокого уровня, ориентированные на построение экспертных систем: PROLOG, OPS -5). Данные языки включают в себя, кроме способов представления знаний, встроенный механизм поиска и вывода. Требует привлечения инженера по знаниям и программиста.

Системы автоматической разработки экспертных систем, ориентированные на знания: ART, TIMM. Содержит несколько разнородных средств представления знаний, богатый набор организации интерфейсов, встроенный механизм вывода.

Оболочки экспертных систем: EMYCIN, ЭКСПЕРТ. Они составляют 50 - 60% всех экспертных систем. Трудозатраты по созданию на них конкретных систем минимальны, так как они представляют собой пустую экспертную систему. Необходимо, чтобы область знаний подходила к данной оболочке.

2.5 СТРУКТУРА ИДЕАЛЬНОЙ ЭКСПЕРТНОЙ СИСТЕМЫ

База знаний включает в себя правила и общие факты.

Механизм логического вывода включает в себя рабочую память и механизм логического вывода.

Рабочая память (база данных) используется для хранения промежуточных результатов.

Экспертная система работает в двух режимах:

Режим приобретения знаний (определение, модификация, дополнение).

Режим решения задач. Используются пользователем экспертные системы. В этом режиме данные о задаче обрабатываются пользовательским интерфейсом и после соответствующей кодировки передаются в блоки экспертной системы.

Результаты обработки полученных данных поступают в модуль советов и объяснений и после перекодировки на язык, близкий к естественному, выдаются в виде советов, объяснений и замечаний. Если ответ не понятен пользователю, он может потребовать от экспертной системы объяснения его получения.

В разработке экспертной системы участвуют представители следующих специальностей:

эксперт - специалист в конкретной предметной области

инженер по знаниям - специалист по разработке экспертных систем

программист - специалист по разработке инструментальных средств создания экспертной системы.

Эксперт определяет соответствующий круг знаний, обеспечивает их полноту и правильность введения экспертной системы.

Инженер по знаниям выявляет совместно с экспертом структурированность знаний, выбор инструментального средства, программирует стандартные функции, которые будут использоваться в правилах экспертной системы.

Программист разрабатывает инструментальные средства, содержащие все компоненты создания экспертных систем. Осуществляет сопряжение экспертных систем с пользователем. В использовании экспертных систем участвуют специалисты:

1. Конечный пользователь, имеет возможность только использования экспертных систем.

2. Клерк, может добавлять, модифицировать базу знаний экспертной системы.

2.6 СПОСОБЫ ОПИСАНИЯ ЗНАНИЙ

При разработке экспертных систем наибольшее применение нашли следующие способы описания знаний:

логические модели

сетевые модели

продукционные модели

фреймовые модели

Логические модели. В основе их описания лежит формальная система с четырьмя элементами:

М=< Т, Р, А, В > ,

где Т - множество базовых элементов различной природы с соответствующими процедурами,

Р - множество синтаксических правил. С их помощью из элементов Т образуют синтаксически правильные совокупности. Процедура П(Р) определяет, является ли эта совокупность правильной.

А - подмножество множества Р, называемых аксиомами. Процедура П(А) дает ответ на вопрос о принадлежности к множеству А.

В - множество правил вывода. Применяя их к элементам А, можно получить новые синтаксически правильные совокупности, к которым можно применить эти правила снова. Процедура П(В) определяет для каждой синтаксически правильной совокупности, является ли она выводимой. Наиболее приемлем данный тип моделей для знаний типа геометрии.

В данной системе множество А вводится в базу знаний. В базу знаний вводятся также правила вывода. Используя данные базы знаний и условия поставленной задачи, можно определить, является ли поставленная задача синтаксически правильной совокупностью, то есть является ли она выводимой из данной базы знаний.

Сетевые модели. К сетевым моделям относятся знания, формально задаваемые в следующем виде:

H= < I, C₁, C₂, …..C_n, G >,

где I - множество единиц информации,

C₁,……C_n - множество типов связи между информационными единицами,

G - задание связи из данного набора.

В зависимости от типа связи семантические сети подразделяют на:

классифицирующие,

функциональные,

сценарии.

В классифицирующие сети вводят различные иерархические отношения между единицами информации. Такие отношения используются в биологии. Функциональные сети описывают процедуры вывода одних информационных единиц через другие. В сценариях используют казуальные отношения, то есть типа средства - результат, орудие - действие.

Продукционные модели. Данный тип модели является промежуточным между логическими и сетевыми моделями. Из логических моделей здесь заимствована идея правил вывода, которая называется продукцией, из сетевых - описание знаний в виде семантической сети. Данный тип представления знаний является сейчас наиболее широко используемым. При работе продукционные модели в результате применения правил вывода происходит трансформация семантической сети за счет смены фрагментов и исключения добавления элементов.

Фреймовые модели. Во фреймовых моделях жестко фиксируется структура представления информации, называемая протофреймом. Протофрейм - структурная единица информации, из которой порождаются другие типы информации. Он состоит из:

Имя фрейма

Имя слота ( значение слота)

.

.

.

Имя слота ( значение слота ).

3. ПРОДУКЦИОННЫЕ МОДЕЛИ

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием -- действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

При использовании продукционной модели база знании состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения -- к данным). Данные -- это исходные факты, на основании которых запускается машина вывода -- программа, перебирающая правила из базы.

Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5; "оболочки" или "пустые" ЭС -- EXSYS, ЭКСПЕРТ; инструментальные системы ПИЭС и СПЭИС и др.), а также промышленных ЭС на его основе - ФИАКР и др.

В общем виде продукция может быть представлена выражением следующего вида:

i ; Q ; P ; A => B ; N ,

где I - имя продукции. В качестве имени может выступать порядковый номер или выражение из символов, отражающее суть данной продукции.

Q - элемент, характеризующий сферу применения. Он позволяет разделить знания на области, что экономит время поиска нужных знаний.

А => В - основной элемент продукции, называемый ядром.

Р - условие применения ядра продукции. Обычно Р представляется логическим выражениям. Если выражение Р - ложно, то ядро не может быть исполнено.

N - описание постусловия продукции. Здесь описываются действия и процедуры, которые необходимо выполнить после реализации.

Все продукции объединяют в систему. В системе продукций должны быть специальные процедуры управления продукциями, с помощью которых производится выбор продукции и актуализация имеющихся продукций.

3.1 УПРАВЛЕНИЕ СИСТЕМОЙ ПРОДУКЦИИ

Обычно условия применимости выполняются сразу для нескольких продукций. В этом случае возникают проблемы выбора конкретной продукции для реализации. Возможно два пути решения данной проблемы: централизованный и децентрализованный.

При централизованном методе решение об актуализации принимается специальной системой управления. При децентрализованном - определяются складывающиеся в данный момент ситуации. Рассмотрим несколько стратегий управления выбором продукции:

1. Принцип “стопки книг”. Основная идея состоит в том, что наиболее часто используемая продукция является наиболее полезной. Готовые продукции образуют “стопку”, в которой порядок определяется наибольшей частотой ее использования в прошлом. Подобный принцип управления удобен при оценке исполнения. Его целесообразно применять при относительной неуязвимости продукции друг от друга.

2. Принцип наиболее длинного условия. Принцип заключается в выборе той продукции, у которой наиболее длинное условие выполнения ядра. Он опирается на соображения здравого смысла. Частные правила, относящиеся к узкому классу ситуаций важнее общих правил. Принцип целесообразно применять в случаях, когда знания и продукции хорошо структурированы и заданы соотношения “ частное - общее ”.

Принцип метапродукции. Основан на идее ввода в систему продукции управления продукциями, задача которых организовать выбор продукции из фронта готовых к актуализации.

Принцип “классной доски”. При реализации этого принципа в экспериментальной системе выделяют специальное рабочее поле - аналог классной доски. На этой доске параллельно выполняются процессы, находящие информацию, запускающую их, туда же они заносят результаты своей работы, которые могут быть полезны для других процессов. Однозначного выбора продукции часто не бывает, поэтому принцип “классной доски” может комбинироваться с другими методами, например, с принципом метапродукции.

Принцип приоритетного выбора. Связан с введением статистических и динамических приоритетов на продукции. Статистические приоритеты формируются заранее, а динамические в процессе работы.

Логический метод выбора. При этом методе существуют два типа управления системой продукции: прямой и обратный. В прямом случае поиск идет от левых частей продукции, то есть проверки условий А и их актуализации с последующим выбором (восходящий тип). Во втором случае поиск осуществляется по заключению продукции (нисходящий тип).

Управление по именам. В этом случае продукциям задают специмена, которые обеспечивают сужение фронта готовой продукции.

3.2 ПРЕИМУЩЕСТВА И НЕДОСТАТКИ ПРОДУКЦИОННЫХ СИСТЕМ

Популярность продукционных моделей определяется следующими факторами:

Подавляющая часть человеческих знаний может быть представлена в виде продукций.

Системы продукции являются модульными. Удаление или добавление продукций приводит к изменению остальных продукций.

При необходимости системы продукций могут реализовывать сложные алгоритмы.

Наличие в продукциях указания на сферу применения позволяет эффективно реализовать память, сокращая время поиска необходимой информации.

Объединение систем продукций с сетевыми представлениями позволяет создавать мощные экспериментальные системы.

Параллельность и асинхронность работы системы продукций делает их наиболее подходящими для ЭВМ новой архитектуры (наличие нескольких процессоров).

Продукционные модели имеют два недостатка: при большом числе продукций (> 1000) проверка непротиворечивости становится сложнее; неоднозначность выбора из фронта готовой продукции.

4. СЕМАНТИЧЕСКИЕ СЕТИ

Термин семантическая означает смысловая, а сама семантика -- это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.

Семантическая сеть -- это ориентированный граф, вершины которого -- понятия, а дуги -- отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения -- это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

* класс -- элемент класса;

* свойство -- значение;

* пример элемента класса.

Можно ввести несколько классификаций семантических сетей. Например, по количеству типов отношений:

однородные (с единственным типом отношений);

неоднородные (с различными типами отношений).

По типам отношений:

бинарные (в которых отношения связывают два объекта);

n-арные (в которых есть специальные отношения, связывающие более двух понятий). Наиболее часто в семантических сетях используются следующие отношения:

связи типа "часть-целое" ("класс-подкласс", "элемент-множество" и т.п.);

функциональные связи (определяемые обычно глаголами "производит", "влияет"...);

количественные (больше, меньше, равно...);

пространственные (далеко от, близко от, за, под, над ...);

временные (раньше, позже, в течение...);

атрибутивные связи ( иметь свойство, иметь значение ...);

логические связи (и, или, не) и др.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

Основное преимущество этой модели -- в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели -- сложность поиска вывода на семантической сети.

Для реализации семантических сетей существуют специальные сетевые языки, например NET[12] и др. Широко известны экспертные системы, использующие семантические сети в качестве языка представления знаний -- PROSPECTOR, CASNET, TORUS |8, Ю].

5. ФРЕЙМЫ

Представление знаний в форме фреймов (прообразов) впервые было разработано М. Мимским в 1975г. Фрейм относится к психологическим понятиям, касающихся нашего восприятия. По структуре он представляет собой иерархию отношений типа: “абсолютное - конкретное”. Сложные объекты представляются комбинацией нескольких фреймов, образующих фреймовую сеть. На самом верхнем уровне фрейма представлена фиксированная информация - факт, который обычно считается истинным (имя фрейма). На последующих уровнях расположено множество так называемых слотов, которые обязательно должны быть заполнены конкретными значениями и данными. В общем, фрейм - единица представления знаний, заполненная в прошлом, детали которой могут быть изменены согласно текущей ситуации. В одной системы различные фреймы могут иметь одинаковые слоты. В одном фрейме одинаковых слотов не должно быть. Некоторые слоты фрейма обычно определяются значениями по умолчанию. Фреймовые системы связаны с информационно - поисковыми сетями. Если фрейм - кандидат не соответствует текущей проблеме, то он включается в другую сеть.

Основные свойства фреймов.

1. Базовый тип. В этом типе запоминается только наиболее важные объекты данного предмета, на основании которого строятся фреймы.

2. Процесс сопоставления фреймов и объектов реальности. При сопоставлении обязательно задаются цели сопоставления. При этом:

1) в начале выбирается базовый фрейм;

2) если в каком-то слоте возникает ошибка, то этому слоту (атрибуту) присваивается новое значение;

3) если не находится подходящего фрейма из данной системы, то добавляется новый, удовлетворяющий этой системе.

3. Необходимо сохранение иерархической структуры фреймов, что позволяет использовать информацию верхних структур фреймами нижних структур.

4. Для создания сложных систем создают межфреймовые сети, для чего используют указатели различия фреймов.

Сеть фреймов.

Иерархическая структура основывается на отношениях “абстрактной конкретности”. Кроме абстрактной конкретности при построении фреймов используют отношение “часть - целое”, которые позволяют, объекты нижнего уровня показать частью объектов верхнего уровня.

IS-A - “абстрактная конкретность”

PART-OF - “часть-целое”

В отношении PART-OF нельзя использовать наследование свойств или атрибутов. Если это необходимо, используют отношение IS-A.

Описание фреймов.

Имя слота (атрибута)	Указатель наследования	Указатель атрибута слота	Значения слота	Демон
Слот 1 Слот 2 - - -

Имя фрейма - уникальное имя в сети фреймов. Имя слота - уникальное имя во фрейме.

Указатель наследования показывают какую информацию об атрибутах слота из фреймов верхнего уровня наследуют слоты с теми же именами во фреймах нижнего уровня.

Принимаемое значение указателей наследования следующие:

U - уникальное имя

S - уникальное свойство

R - наследование с установлением границ

O - игнорируется наследование

Указатель атрибутов показывает, является ли данный слот типом данных или служит указателем другого фрейма.

Значение слота должно совпадать с указанным типом данных и при этом выполняться указанный тип наследования.

Демон - процедура, автоматически запускаемая при выполнении некоторого условия. Запуск осуществляется при обращении к соответствующему слоту.

Механизм выбора реализуется через присоединительную процедуру. Данный механизм позволяет описывать иерархическую сетевую программу управления выводом.

Кроме этой процедуры используют два способа управления:

- управление с помощью демона

- управление с помощью механизма наследования

Преимущества и недостатки фреймов систем.

1) фреймовское представление позволяет описывать и управлять сложными знаниями больших объемов на основе описания концептуальных объектов;

2) в целях увеличения гибкости системы, декларитивные и процедурные знания концептуальных объектов комбинируют;

3) при решении сложных проблем используют комбинации управления выводом.

При описании систем, которые невозможно представить в виде фреймов, описание с помощью продукционных систем усложнено или невозможно, используют семантические фреймовые сети.

ЗАКЛЮЧЕНИЕ

Искусственный интеллект - это одно из направлений информатики, цель которого разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Основное направление искусственного интеллекта - это представление знаний и разработка систем, основанных на знаниях. Оно связано с разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.

Самую существенную часть систем искусственного интеллекта составляют экспертные системы. Экспертная система обычно определяется как программа ЭВМ, моделирующая действия эксперта человека при решении задач в узкой предметной области: составление базы знаний и накопления их.

Продукционная модель позволяет представить знания в виде предложений типа: Если (условие), то (действие). Данная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Семантическая сеть -- это ориентированный граф, вершины которого -- понятия, а дуги -- отношения между ними. Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

* класс -- элемент класса;

* свойство -- значение;

* пример элемента класса.

Фрейм - это структура знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имeeт глубокое психологическое обоснование. Под фреймом понимается абстрактный образ или ситуация. Фреймом называется также формализованная модель для отображения образа.

В качестве инструментальных средств построения экспертных систем выступают:

1. Традиционные языки программирования. Наиболее удобными считаются объектно-ориентированные языки (С++, Pascal), это связано с тем, что парадигма объектно-ориентированного программирования тесно связана с фреймовой моделью представления знаний, кроме того традиционные языки используются для создания других классов инструментальных средств искусственного интеллекта.

2. Языки искусственного интеллекта. Lisp, Prolog. Универсальность этих языков меньшая, чем у традиционных языков, но это компенсируется богатыми возможностями по работе с символьными и логическими данными, что крайне важно для задач искусственного интеллекта. На основе языков искусственного интеллекта создаются специализированные компьютеры (например, Лисп-машины).

3. "Оболочки" (shells) -- "пустые" версии существующих экспертных систем, то есть готовые экспертные системы без базы знаний. Они вообще не требуют работы программистов для создания готовой экспертной системы. Требуются только специалисты в предметной области для заполнения базы знаний. Однако если некоторая предметная область плохо укладывается в модель, используемую в некоторой оболочке, заполнить базу знаний в этом случае весьма непросто.

Сверхзадачей искусственного интеллекта является построение компьютерной интеллектуальной системы, которая обладала бы уровнем эффективности решений неформализованных задач, сравнимым с человеческим или превосходящим его.

Опрос по данной теме

Опрос №1

Слышали ли вы о искусственном интеллекте?	Всего
Варианты ответов	Да	Нет	Где-то читал
Количество ответов	10	3	5	18
Процентное соотношение	56%	16%	28%	100%

,

Опрос №2

Есть ли перспективы у искусственного интеллекта?	Всего
Варианты ответов	Да, за ним будущие	Нет	А что это?
Количество ответов	20	4	1	25
Процентное соотношение	80%	16%	4%	100%



СПИСОК ИСПОЛЬЗОВАННОЙ ЛИТЕРАТУРЫ

1. Д.Ф. Люггер. «Искусственный интеллект: стратегии и методы решения сложных проблем», - «Вильямс», 2003

2. В.В. Девятков. «Системы искусственного интеллекта».

3. Н. Нильсон. «Принципы искусственного интеллекта», - «Радио и связь», 1985

4. С. Рассел, П. Норвиг. «Искусственный интеллект. Современный подход», - 2006

5. Н. Нильсон. «Искусственный интеллект. Методы поиска решений», - «Радио и связь», 1973

6. А. Эндрю. «Искусственный интеллект», - М.: Мир, 1985

7. Квасный Р. «Искусственный интеллект», - ресурс Интернета, http://neural.narod.ru/, 2001.

8. Труды третьего международного симпозиума «Интеллектуальные системы» - Псков: 1998.

Размещено на Allbest.ru