Главная Случайная страница


Категории:

ДомЗдоровьеЗоологияИнформатикаИскусствоИскусствоКомпьютерыКулинарияМаркетингМатематикаМедицинаМенеджментОбразованиеПедагогикаПитомцыПрограммированиеПроизводствоПромышленностьПсихологияРазноеРелигияСоциологияСпортСтатистикаТранспортФизикаФилософияФинансыХимияХоббиЭкологияЭкономикаЭлектроника






Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?

Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?

К искусственному интеллекту принято относить ряд алгоритмов и программных систем отличительным свойством которых является то, что они могут решать задачи так как это делал бы размышляющий над этими задачами человек

Создание систем ИИ имеют двоякий аспект:

1) Теоритический. Ученые пытались ответить на вопрос: «может ли машина мыслить» и желали создать разумную ЭВМ. Сейчас это направление трансформировалось в изучение функциональных возможностей человеческого мозга по обработке информации.

2) Практический аспект. Связан с разработкой ЭВМ способных:

· Взять на себя всю рутинную часть интеллектуальной деятельности человека;

· По возможности заменить его присутствие во вредной для него среде(низкие высокие температуры, загазованность, радиация);

· Взаимодействовать с пользователем привычным для его образом(пользователь дает задание на естественном языке в виде текста графики или речи и получает ответ в том же виде);

· Обучатся решению новых задач(традиционно обучение ЭВМ состоит в написании программистом программ решающих новые задачи и ввод этих программ в ЭВМ, она настолько обучен сколько и каких программ находятся в ее распоряжении);

Охарактеризуйте область искусственного интеллекта. Почему математика и игры стали первыми и оказались хорошими областями приложения методов ИИ? Какие еще области относятся к искусственному интеллекту?

Область ИИ обладает двумя характерными особенностями:

1) В ней используется информация в символьной форме: буквы, слова, знаки, рисунки. Это отличает область ИИ от областей в которых традиционно компьютеры обрабатывают данные в числовую форму.

2) В ней предполагается наличие выбора, то есть «не существует алгоритма» означает по сути, что нужно сделать выбор между различными вариантами в условиях неопределенности.

Традиционно к искусственному интеллекту относились следующие области:

1. Восприятие и распознавание образов;

2. Математика и автоматическое доказательство теорем.

3. Игры.

4. Решение задач.

5. Понимание естественного языка.

В ИИ особое значение придается символьной, а не числовой информации. Соответственно и первыми областями, в которых работали исследователи ИИ, стала математика и различные игры. Обе эти сферы оказались хорошими областями приложения методов ИИ в силу того, что связанные с ним задачи и проблемы хорошо формализованы, а, кроме того, сами эти области являются примерами высших достижений человеческого разума.

Фреймы: определение, структура. Для какого типа знаний подходит фреймовое представление?

В области искусственного интеллекта термин «фреймы» относится к специальному методу представления общих концепций и ситуаций. Знания о конкретном объекте можно представить в виде набора признаков. А знания о сложной ситуации, кроме того, должны еще содержать возможные действия, а также условия, определяющие, когда эти действия должны выполняться. Фрейм является сетью узлов и отношений, организованных иерархически, где верхние узлы представляют общие понятия, а нижние узлы более частные случаи этих понятий. В отличие от семантической сети в системе, основанной на фреймах, понятие в каждом узле определяется набором атрибутов, называемых слотами. Каждый слот может быть связан с процедурами, которые выполняются, когда информация в слотах (значения атрибутов) меняется. С каждым слотом можно связать произвольное число процедур. Следующие три процедуры наиболее часто связываются со слотами:

1 «если - добавлено» Выполняется, когда новая инфа помещается в слот.

2 «если - удалено» когда инфа удаляется из слота.

3 «если - нужно» Когда запрашивается инфа из слота, а он пустой.

Системы, основанные на фреймах, хороши в тех предметных областях, где важную роль играют форма и содержание данных, например, интерпретация визуальной информации или понимание речи. Достоинство таких систем заключается в том, что те элементы, которые традиционно используются в описании объекта или события, группируются и благодаря этому могут извлекаться и обрабатываться, как единое целое.

Недостаток логических моделей

При обработке знаний возникает проблема, связанная с различной природой процесса рассуждений в исчислении предикатов и ходом рассуждений, основанных на здравом смысле. Например, когда доказано, что А->С, то С остается истинным и в случае появления любого дополнительного факта В, т.е. А & В -> С. Исчисление предикатов "монотонно", и отсюда следует, что любые умозаключения аддитивны и нет необходимости в их пересмотре. Совершенно ясно, что такая монотонность неприемлема в реальном мире. В реальной жизни мы часто вынуждены изменять умозаключение или отказываться от него при появлении новых фактов. О формальных системах, для которых следует это предусмотреть, говорят, что они "немонотонны". Из-за монотонности исчисления предикатов логические модели отошли на второй план, уступив место продукционным системам и системам, основанным на фреймах, при описании предметных областей из реального мира.

11. Нечеткие множества. Основные понятия. Действия над нечеткими множествами.

В обычной теории множеств существует несколько способов задания множества. Одним из них является задание с помощью характеристической функции, определяемой следующим образом. Пусть V — так называемое универсальное множество, из элементов которого образованы все остальные множества, рассматриваемые в данном классе задач, например множество всех целых чисел, множество всех гладких функций и т.д. Характеристическая функцня множества A U — это функция Ix(х). значения которой указывают, является ли xЄU элементом множества А:

(1)

Особенностью этой функпни является бинарный характер ее значений. Множество А определяется как совокупность объектов, имеющих некоторое обшее свойство, наличие или отсутствие которого у любого элемента х задается характеристической функцией (1). Причем относительно природы объекта не делается никаких предположений.

Задание некоторого множества в этом случае эквивалентно заданию его характеристической функции, поэтому все операции над множествами можно выразить через действия над их характеристическими функциями.

Основные операции объединения, пересечения и разности двух подмножеств А и В из U с характеристическими функционалами IA(x) и IB(x) соответственно определяются следующим образом для каждого хЄU:

Однако такие понятия, как множество "больших" или "малых величин", уже не являются множествами в классическом смысле, так как не определены границы их степеней малости, которые позволили бы провести классификационную процедуру (1) и четко отнести каждый объект к определенному классу. Большинство классов реальных объектов и процессов относятся именно к такому нечетко определенному типу. Поэтому возникает необходимость введения понятия о нечетком подмножестве как о классе с непрерывной градацией степеней принадлежности.

Понятие нечеткого множества - эта попытка математической формализации нечеткой информации для построения математических моделей. В основе этого понятия лежит представление о том, что составляющие данное множество элементы, обладающие общим свойством, могут обладать этим свойством в различной степени и следовательно, принадлежать к данному множеству с различной степенью. При таком подходе высказывания типа "такой-то элемент принадлежит данному множеству" теряют смысл, поскольку необходимо указать "насколько сильно'" или с какой степенью конкретный элемент удовлетворяет свойствам данного множества.

С точки зрения характеристической функции, нечеткие множества есть естественное обобщение обычных множеств, когда мы отказываемся от бинарного характера этой функции и предполагаем, что она может принимать любые значения на отрезке [0.1]. Причем 0 и 1 представляют собой соответственно низшую и высшую степень принадлежности элемента к определенному множеству. В теории нечетких множеств характеристическая функция называется функцией принадлежности,задающая для всех элементов степень наличия у них некоторого свойства, по которому они относятся к множеству А, а ее значение (х) — степенью принадлежности элемента х нечеткому множества A, т.е. численное значение функции принадлежности характеризует степень принадлежности элемента некоторому нечеткому множеству, являющемуся в выражении естественного языка некоторой, как правило, элементарной характеристикой явления (степени эффективности режима, уровня квалификации специалиста и т.д.).

Более строго, нечеткам множеством (fuzzy set) А называется совокупность пар А={<х, А(х)>|хЄU}, где | А — фунытя принадлежности, т.е. А : U ->[0,1].

Функция принадлежности — это не вероятность, т.к. нам неизвестно статистическое распределение, нет повторяемости экспериментов. Значения функции принадлежности могут быть взяты только из априорных знаний, интуиции (опыта), опроса экспертов.

Если в классической теории множеств понятие характеристической функции играет второстепенную роль, то для нечетких множеств функция принадлежности становится единственно возможным средством их описания.

Нечеткая логика

В обычной (традиионной Аристотелевой) логике существуют только две оценки. Если элемент принадлежит множеству, то 1. если не принадлежит, то 0. Например: есть множество шоколадных конфет. В обычной логике они могут быть либо вкусными, либо нет. т.е. высказывание «Шоколадная конфета вкусная» является либо истинным, либо ложным. А предположим, что конфета - так себе, но невкусной ее все же не назовешь. Как быть? Человек говорит себе так: эта конфета скорее вкусная, чем нет. В этом случае высказывание «Шоколадная конфета вкусная» не может быть абсолютно истинным со значением равным 1. а истинность этого высказывания может быть, например. 0.7.

Нечеткая логика - это разновидность непрерывной логики, в которой логическое формулы могут принимать истинностные значения между 0 и 1. В отличие от вероятностей, которые определяются в статистическом смысле, истинностное значение это некоторое произвольное субъективное значение, не имеющее никакого статистического смысла. Нечеткая логика позволяет приблизить работу компьютеров к мышлению человека.

Этап 1. Идентификация

Определяются задачи, которые подлежат решению. Планируется ход разработки прототипа экспертной системы, определяются: нужные ресурсы (время, люди, ЭВМ и т.д.), источники знаний (книги, дополнительные специалисты, методики), имеющиеся аналогичные экспертные системы, цели (распространение опыта, автоматизация рутинных действий и др.), классы решаемых задач и т.д. Этап идентификации – это знакомство и обучение коллектива разработчиков. Средняя длительность 1-2 недели.

На этом же этапе разработки экспертных систем проходит извлечение знаний. Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы экспертной системы, с использованием различных способов: анализ текстов, диалоги, экспертные игры, лекции, дискуссии, интервью, наблюдение и другие. Извлечение знаний – это получение инженером по знаниям более полного представления о предметной области и методах принятия решения в ней. Средняя длительность 1-3 месяца.

Этап 2. Концептуализация

Выявляется структура полученных знаний о предметной области. Определяются: терминология, перечень главных понятий и их атрибутов, структура входной и выходной информации, стратегия принятия решений и т.д. Концептуализация – это разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы либо текста, которое отражает главные концепции и взаимосвязи между понятиями предметной области. Средняя длительность этапа 2-4 недели.

Этап 3. Формализация

На этапе формализации все ключевые понятия и отношения, выявленные на этапе концептуализации, выражаются на некотором формальном языке, предложенном (выбранном) инженером по знаниям. Здесь он определяет, подходят ли имеющиеся инструментальные средства для решения рассматриваемой проблемы или необходим выбор другого инструментария, или требуются оригинальные разработки. Средняя длительность 1-2 месяца.

Этап 4. Реализация

Создается прототип экспертной системы, включающий базу знаний и другие подсистемы. На данном этапе применяются следующие инструментальные средства: программирование на обычных языках (Паскаль, Си и др.), программирование на специализированных языках, применяемых в задачах искусственного интеллекта (LISP, FRL, SmallTalk и др.) и др. Четвертый этап разработки экспертных систем в какой-то степени является ключевым, так как здесь происходит создание программного комплекса, демонстрирующего жизнеспособность подхода в целом. Средняя длительность 1-2 месяца.

Этап 5. Тестирование

Прототип проверяется на удобство и адекватность интерфейсов ввода-вывода, эффективность стратегии управления, качество проверочных примеров, корректность базы знаний. Тестирование – это выявление ошибок в выбранном подходе, выявление ошибок в реализации прототипа, а также выработка рекомендаций по доводке системы до промышленного варианта.

Текстологические методы

Группа текстологических методов объединяет методы извлечения знаний, основанные на изучении специальных текстов из учебников, монографий, статей, методик и других носителей профессиональных знаний.

Среди методов извлечения знаний эта группа является наименее разработанной, по ней практически нет никакой библиографии

Задачу извлечения знаний из текстов можно сформулировать как задачу понимания и выделения смысла текста. Сам текст на естественном языке является лишь проводником смысла, а замысел и знания автора лежат во вторичной структуре (смысловой структуре или макроструктуре текста), настраиваемой над естественным текстом.

При этом можно выделить две такие смысловые структуры:

М1 – смысл, который пытался заложить автор, это его модель мира, и М2 – смысл, который постигает читатель, в данном случае инженер по знаниям в процессе интерпретации I. При этом Т – это словесное одеяние М1 то есть результат вербализации V.

Сложность процесса заключается в принципиальной невозможности совпадения знаний, образующих М1 и М2, из-за того, что М1 образуется за счет всей совокупности представлений, потребностей, интересов и опыта автора, лишь малая часть которых находит отражение в тексте Т. Соответственно, и М2 образуется в процессе интерпретации текста Т за счет привлечения всей совокупности научного и человеческого багажа читателя. Таким образом, два инженера по знаниям извлекут из одного Т две различные модели М1, и М2.

Оптические обманы

Многие оптические обманы, которые вводят в заблуждение людей, абсолютно не воздействуют на компьютерный анализ того же самого изображения. Например, линии А и В на рисунке 7 одной и той же длины, но, А кажется более длинной. Однако, компьютер не сделал бы эту ошибку. Но, верна и противоположная ситуация: компьютер может быть введен в заблуждение изображениями, которые люди могут правитьно интерпретировать. Например, если смотреть на длинную прямую дорогу, то кажется, что она сужается и исчезает, превратившись в точку: то есть объект выглядит тем меньше, чем дальше он находится. Мы привыкли к этому- эффекту* и мало об этом думаем. Однако, в несовершенных системах технического зрения, компьютер, вероятно, будет думать, что отдаленные объекты просто маленькие.

Таким образом, для компьютера и человека наборы оптических обманов различны. Более того, многие свойства, которые мы считаем само собой разумеющимися, должны явно программироваться для того, чтобы компьютер смог правильно интерпретировать изображение.

Промышленный робот

В области робототехники, основные усилия прилагались к созданию и улучшению промышленных сборочных роботов. Поскольку эти роботы используются в управляемой среде (среде специально созданной и поддерживаемой человеком), то они могут быть существенно менее разумными, чем автономные роботы. В настоящем и обозримом будущем промышленные роботы могут исполнять только те задачи, на решение которых они были явно запрограммированы. Есть два способа обучения робота новым навыкам: 1) их можно обучить, используя обучающий терминал или 2) они могут быть запрограммированы, с использованием языка управления роботом.

Обучающий терминал

Наиболее общий метод программирования робота состоит в том, чтобы решить новую задачу с помощью обучающего терминала. Обучающий терминал это ручной пульт управления, который позволяет оператору приводить в движение различные суставы робота. (Это подобно пультам управления, которые используются для игрушек-моделей автомобилей, лодочек и самолетов.)

Обучающий терминал связан с роботом через компьютер, управляющий роботом. Если необходимо научить робота выполнять определенное действие, то обучающий терминал позволяет направлять движение робота по траектории, которая обеспечивает выполнение задачи. Каждое движение любого сустава компьютер сразу же записывает как новое положение. После того, как задание выполнено - обучение заканчивается и теперь робот может выполнять эту работу самостоятельно, без дальнейшей помощи.

Обучающий терминал - превосходный метод для обучения робота простым задачам типа сварки и покраски. Но когда работа становится более сложной и синхронизация движений становится более важной, или же, если робот должен распознавать и отвечать различным образом в различных возможных ситуациях, то обучающий терминал быстро теряет свою эффективность. По этой причине были разработаны языки управления роботами.

ЯУР

Язык управления роботами (ЯУР) - компьютерный язык, который позволяет разрабатывать программы управления роботом. В дополнение к обычному перечню команд, таких как операторы циклов или условные операторы, язык также включает команды управления движением робота. Команды управления движениями отличают ЯУР от множества других универсальных языков программирования. ЯУР имеет встроенную базу данных, которая содержит пространственную информацию относительно каждого перемещения, которое робот может выполнить.

ЯУР не предназначен для замены обучающего терминала, а скорее дополняет его. Следовательно, ЯУР должен иметь возможность связи с обучающим терминалом. Типичный метод обучения состоит в том, что, используя обучающий терминал, роботу передается необходимая пространственная информация, а затем используется ЯУР для составления предписания, как робот должен применять эту информацию. В общем случае, каждому отдельному положению приписывают символьное имя, по которому программа сможет обращаться к нему.

31. Основные термины, используемые в методах поиска. «Слепые» методы поиска.

Поиск в глубину

Поиск в глубину исследует кардій возможный путь до саомго конца прежде чем перейдет к другому пути, если цель не обнаружена.Поиск в глубину может весьма слабо работать в тех. Ситуаціях, корда не обходимо исследовать осбо сложную задачу, не имеющую решения.

Метод поиска в ширину

Противоположность поиску в глубину. Поиск в ширину проверяет каждый узел на том же уровне прежде чем он перейдете следующему уроню.Недостатки поиска в ширину проявляються, когда цель располжена на нескольько уровней глубже .В этом случае поиск в ширину прилагает существенное услиие чтоб ы найти решение.Вообще програміст выбирает между поиском в ширину и глубину делая предположение относительно того где наиболее вероятно положение цели. Слепые методы поиска ищут решение полагаясь исключительно на перемещение от одного узла к другому,без использовния предположений полученных на основе обучения.

Что такое система искусственного интеллекта. В чем состоят теоретический и практический аспекты создания систем искусственного интеллекта?

К искусственному интеллекту принято относить ряд алгоритмов и программных систем отличительным свойством которых является то, что они могут решать задачи так как это делал бы размышляющий над этими задачами человек

Создание систем ИИ имеют двоякий аспект:

1) Теоритический. Ученые пытались ответить на вопрос: «может ли машина мыслить» и желали создать разумную ЭВМ. Сейчас это направление трансформировалось в изучение функциональных возможностей человеческого мозга по обработке информации.

2) Практический аспект. Связан с разработкой ЭВМ способных:

· Взять на себя всю рутинную часть интеллектуальной деятельности человека;

· По возможности заменить его присутствие во вредной для него среде(низкие высокие температуры, загазованность, радиация);

· Взаимодействовать с пользователем привычным для его образом(пользователь дает задание на естественном языке в виде текста графики или речи и получает ответ в том же виде);

· Обучатся решению новых задач(традиционно обучение ЭВМ состоит в написании программистом программ решающих новые задачи и ввод этих программ в ЭВМ, она настолько обучен сколько и каких программ находятся в ее распоряжении);

Охарактеризуйте область искусственного интеллекта. Почему математика и игры стали первыми и оказались хорошими областями приложения методов ИИ? Какие еще области относятся к искусственному интеллекту?

Область ИИ обладает двумя характерными особенностями:

1) В ней используется информация в символьной форме: буквы, слова, знаки, рисунки. Это отличает область ИИ от областей в которых традиционно компьютеры обрабатывают данные в числовую форму.

2) В ней предполагается наличие выбора, то есть «не существует алгоритма» означает по сути, что нужно сделать выбор между различными вариантами в условиях неопределенности.

Традиционно к искусственному интеллекту относились следующие области:

1. Восприятие и распознавание образов;

2. Математика и автоматическое доказательство теорем.

3. Игры.

4. Решение задач.

5. Понимание естественного языка.

В ИИ особое значение придается символьной, а не числовой информации. Соответственно и первыми областями, в которых работали исследователи ИИ, стала математика и различные игры. Обе эти сферы оказались хорошими областями приложения методов ИИ в силу того, что связанные с ним задачи и проблемы хорошо формализованы, а, кроме того, сами эти области являются примерами высших достижений человеческого разума.

Последнее изменение этой страницы: 2016-08-11

lectmania.ru. Все права принадлежат авторам данных материалов. В случае нарушения авторского права напишите нам сюда...