2018-01-21
499
Методи побудови математичних моделей часто засновані на неточною, але в об'єктивній інформації про об'єкт. Проте можливі ситуації, коли при побудові моделей вирішальне значення мають відомості, отримані від експерта, звичайно якісного характеру. Вони відображають змістовні особливості досліджуваного об'єкта і формулюються на природній мові. Опис об'єкта в такому випадку носить нечіткий характер.
Наприклад:
У булевої алгебри 1 являє істину, а 0 - брехня. І це має місце і в нечіткій логіці, але, крім того використовуються також всі дробу між 0 і 1, щоб вказати на часткову істинність [2, 5 - 11]. Так запис «μ (високий (Х)) = 0,75» говорить про те, що припущення «Х - високий» в деякому сенсі на три чверті істинно, а на одну чверть брехливо.
Для комбінування нецелочисленное значень істинності у нечіткій логіці визначаються еквіваленти логічних операцій:
μ1 І μ2 = min (μ1, μ2);
μ1 АБО μ2 = max (μ1, μ2);
НЕ μ1 = 1 - μ1.
Таким чином, уривчасті відомості можна комбінувати на основі строгих і узгоджених методів.
Слабким моментом у застосуванні нечіткої логіки є відображення (функція приналежності). Припустимо, вік Х - 40 років. Наскільки істинно припущення, що Х - старий. Дорівнює чи ця величина 0,5, оскільки Х прожив приблизно півжиття, або величини 0,4 і 0,6 більш реалістичні. Необхідно вирішити, яку функцію краще використовувати для відображення віку в інтервал від 0 до 1.
Чим, наприклад, крива краще, ніж лінійна залежність. Для переваги однієї форми функції іншої немає об'єктивних обгрунтувань, тому в реальній задачі будуть присутні десятки і сотні подібних функцій, кожна з яких до певної міри є довільною. Значить в системах, заснованих на нечіткій логіці, необхідно передбачити кошти, що дозволяють модифікувати функції приналежності.
Ще однією проблемою є проблема зважування окремих відомостей. Припустимо, наприклад, що ми маємо в своєму розпорядженні деякою сукупністю нечітких правил:
Правило 1: ЯКЩО нитка Х горить повільно І при горінні нитки Х утворюється твердий кулька бурого кольору ТО нитка Х - капронова;
Правило 2: ЯКЩО нитка Х поза полум'я гасне І при горінні нитки Х відчувається запах сургучу ТО нитка Х - капронова.
Висновок
У висновку хочеться сказати, що було дуже небагато top-down обговорення питань подання знань та дослідження в даній області is a well aged quiltwork. Є добре відомі проблеми, такі як «sdivading activation,«(завдання навігації в мережі вузлів)»категоризація» (це пов'язано з вибірковим спадкуванням; наприклад всюдихід можна вважати спеціалізацією (особливим випадком) автомобіля, але він успадковує лише деякі характеристики) і «класифікація». Наприклад помідор можна вважати як фруктом, так і овочем.
У галузі штучного інтелекту, рішення завдань може бути спрощено правильним вибором методу представлення знань. Певний метод може зробити будь-яку галузь знань легко представимо. Наприклад діагностична експертна система Міцін використовувала схему подання знань засновану на правилах. Неправильний вибірметоду подання утрудняє обробку. В якості аналогії можна взяти обчислення в індо-арабською чи римської запису. Ділення в стовпчик простіше в першому випадку і складніше в другому. Аналогічно, не існує такого способу подання, який можна було б використовувати у всіх завданнях, або зробити всі завдання однаково простими.
62.Штучний інтелект. Поняття про штучний інтелект. Основні напрями досліджень в галузі штучного інтелекту. Загальна структура інтелектуальної системи. Експертні системи. – для МАГІСТРІВ
Шту́чний інтеле́кт (англ. Artificial intelligence, AI) — розділ комп'ютерної лінгвістики та інформатики, що займається формалізацією проблем та завдань, які нагадують завдання, виконувані людиною. При цьому, у більшості випадківалгоритм розв'язання завдання невідомий наперед. Точного визначення цієї науки немає, оскільки у філософії не розв'язане питання про природу і статус людського інтелекту. Немає і точного критерію досягнення комп'ютером «розумності», хоча перед штучним інтелектом було запропоновано низку гіпотез, наприклад, тест Тюринга або гіпотеза Ньюела-Саймона. Нині існує багато підходів як до розуміння задач штучного інтелекту, так і до створення інтелектуальних систем.
Одна з класифікацій виділяє два підходи до розробки штучного інтелекту:
§ нисхідний, семіотичний — створення символьних систем, що моделюють високорівневі психічні процеси: мислення,судження, мову, емоції, творчість і т. д.;
§ висхідний, біологічний — вивчення нейронних мереж і еволюційні обчислення, що моделюють інтелектуальну поведінку на основі менших «неінтелектуальних» елементів.
Ця наука пов'язана з психологією, нейрофізіологією, трансгуманізмом та іншими. Як і всі комп'ютерні науки, вона використовує математичний апарат. Особливе значення для неї мають філософія і робототехніка.
Штучний інтелект — дуже молода область досліджень, започаткована 1956 року. Її історичний шлях нагадує синусоїду, кожен «зліт» якої ініціювався деякою новою ідеєю. На сьогодні її розвиток перебуває на «спаді», поступаючись застосуванню вже досягнутих результатів в інших областях науки, промисловості, бізнесі та навіть повсякденному житті.
[ред.]Підходи і напрямки
[ред.] Підходи до розуміння проблеми
Єдиної відповіді на питання чим займається штучний інтелект (ШІ), не існує. Майже кожен автор, який пише книгу про штучний інтелект, відштовхується від якогось визначення, розглядаючи в його світлі досягнення цієї науки. Зазвичай ці визначення зводяться до наступних:
§ штучний інтелект вивчає методи розв'язання задач, які потребують людського розуміння. Грубо кажучи мова іде про те, щоб навчити ШІ розв'язувати тести інтелекту. Це передбачає розвиток способів розв'язання задач за аналогією, методівдедукції та індукції, накопичення базових знань і вміння їх використовувати.
§ штучний інтелект вивчає методи розв'язання задач, для яких не існує способів розв'язання або вони не коректні (через обмеження в часі, пам'яті тощо). Завдяки такому визначенню інтелектуальні алгоритми часто використовуються для розв'язання NP-повних задач, наприклад, задачі комівояжера.
§ штучний інтелект займається моделюванням людської вищої нервової діяльності.
§ штучний інтелект — це системи, які можуть оперувати з знаннями, а найголовніше — навчатися. В першу чергу мова ведеться про те, щоби визнати клас експертних систем (назва походить від того, що вони спроможні замінити «на посту» людей-експертів) інтелектуальними системами.
§ Останній підхід, що почав розвиватися з 1990-х років, називається агентно-орієнтованим підходом. Даний підхід акцентує увагу на тих методах і алгоритмах, які допоможутьінтелектуальному агенту виживати в довкіллі під час виконання свого завдання. Тому тут значно краще вивчаються алгоритми пошуку і прийняття рішення.
[ред.] Непопулярні підходи
Найзагальніший підхід полягає в тому, що штучний інтелект матиме змогу поводити себе як людський в нормальних ситуаціях. Ця ідея являє собою узагальнений підхід тесту Тюрінга, який стверджує, що машина стане розумною тоді, коли буде спроможна підтримувати діалог зі звичайною людиною, а та не зможе зрозуміти, що розмовляє з машиною (діалогведеться переписуванням).
Письменники-фантасти часто пропонують ще один підхід: штучний інтелект виникає тоді, коли машина буде відчувати і творити. Так, наприклад, хазяїн Ендрю Мартіна з «Двохсотлітньої людини» Айзека Азімова починає ставитись до нього як до людини тоді, коли той створив іграшку за власним проектом. А Дейта з «Зоряного шляху», будучи спроможним до спілкування та навчання, мріє отримати емоції та інтуїцію.
[ред.] Підходи до вивчення
Існують різні підходи до створення систем штучного інтелекту. У наш час можна виділити 4 досить різних підходи:
1. Логічний підхід. Основою для вивчення логічного підходу слугує алгебра логіки. Кожен програміст знайомий з нею з тих пір, коли він вивчав оператор IF. Свого подальшого розвитку алгебра логіки отримала у вигляді числення предикатів — в якому вона розширена за рахунок введення предметних символів, відношень між ними. Крім цього, кожна така машина має блок генерації цілі, і система виводу намагається довести дану ціль як теорему. Якщо ціль досягнута, то послідовність використаних правил дозволить отримати ланцюжок дій, необхідних для реалізації поставленої цілі (таку систему ще називають експертною системою). Потужність такої системи визначається можливостями генератора цілей і машинного доведення теорем. Для того щоб досягти кращої виразності логічний підхід використовує новий напрям, його назва — нечітка логіка. Головною відмінністю цього напряму є те, що істинність вислову може приймати окрім значень так/ні (1/0) ще й проміжне значення — не знаю (0.5), пацієнт швидше за все живий, ніж мертвий (0.75), пацієнт швидше за все мертвий, ніж живий (0.25). Такий підхід подібніший до мислення людини, оскільки вона рідко відповідає так або ні.
2. Під структурним підходом ми розуміємо спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Головною моделюючою структурною одиницею в перцептронах (як і в більшості інших варіантах моделювання мозку) є нейрон. Пізніше виникли й інші моделі, відоміші під назвою нейронні мережі (НМ) і їхні реалізації — нейрокомп’ютери. Ці моделі відрізняються за будовою окремих нейронів, за топологією зв'язків між ними і алгоритмами навчання. Серед найвідоміших в наш час[ Коли? ] варіантів НМ можна назвати НМ зі зворотнім розповсюдженням помилки, сітки Кохонена, сітки Хопфілда, стохастичні нейрони сітки. У ширшому розумінні цей підхід відомий як Конективізм. Відмінності між логічним та структурним підходом не стільки принципові, як це здається на перший погляд. Алгоритми спрощення і вербалізації нейронних мереж перетворюють моделі структурного підходу в явні логічні моделі.[1] З іншої сторони, ще в 1943 році Маккалок і Піттспоказали, що нейронна сітка може реалізувати будь-яку функцію алгебри логіки[2].
3. Еволюційний підхід. Під час побудови системи ШІ за даним методом основну увагу зосереджують на побудові початкової моделі, і правилам, за якими вона може змінюватися (еволюціонувати). Причому модель може бути створена за найрізноманітнішими методами, це може бути і НМ, і набір логічних правил, і будь-яка інша модель. Після цього ми вмикаємо комп'ютер і він, на основі перевірки моделей відбирає найкращі з них, і за цими моделями за найрізноманітнішими правилами генеруються нові моделі. Серед еволюційних алгоритмів класичним вважається генетичний алгоритм.
4. Імітаційний підхід. Цей підхід є класичним для кібернетики з одним із її базових понять чорний ящик. Об'єкт, поведінка якого імітується, якраз і являє собою «чорний ящик». Для нас не важливо, які моделі в нього всередині і як він функціонує, головне, щоби наша модель в аналогічних ситуаціях поводила себе без змін. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, без поділу на елементарні операції і формального опису дій. Часто ця властивість економить багато часу об'єктові, особливо на початку його життя.
У рамках гібридних інтелектуальних систем намагаються об'єднати ці напрямки. Експертні правила висновків можуть генеруватися нейронними мережами, а породжуючі правила отримують з допомогою статистичного вивчення. Багатообіцяючий новий підхід, який ще називають підсилення інтелекту, розглядають досягнення ШІ в процесі еволюційної розробки як поточний ефект підсилення людського інтелекту технологіями.
[ред.] Напрямки досліджень
Аналізуючи історію ШІ, можна виділити такий обширний напрям як моделювання міркувань. Багато років розвиток цієї науки просувався саме цим шляхом, і зараз це одна з найрозвиненіших областей в сучасному ШІ. Моделювання міркувань має на увазі створення символьних систем, на вході яких поставлена деяка задача, а на виході очікується її розв'язок. Як правило, запропонована задача уже формалізована, тобто переведена в математичну форму, але або не має алгоритму розв'язання, або цей алгоритм за складний, трудомісткий і т. д. В цей напрям входять: доведення теорем, прийняття рішень і [теорія ігор], планування і диспетчеризація, прогнозування.
Таким чином, на перший план виходить інженерія знань, яка об'єднує задачі отримання знань з простої інформації, їх систематизацію і використання. Досягнення в цій області зачіпають майже всі інші напрями дослідження ШІ. Тут також необхідно відмітити дві важливі підобласті. Перша з них — машинне навчання — стосується процесу самостійного отримання знань інтелектуальною системою в процесі її роботи. Друга пов'язана з створенням експертних систем — програм, які використовують спеціалізовані бази знань для отримання достовірних висновків щодо довільної проблеми.
Великі і цікаві досягнення є в області моделювання біологічних систем. Сюди можна віднести кілька незалежних напрямків. Нейронні мережі використовуються для розв'язання нечітких і складних проблем, таких як розпізнавання геометричних фігур чи кластеризація об'єктів. Генетичний підхід заснований на ідеї, що деякий алгоритм може стати ефективнішим, якщо відбере кращі характеристики у інших алгоритмів («батьків»). Відносно новий підхід, де ставиться задача створення автономної програми — агента, котрий співпрацює з довкіллям, називається агентний підхід. А якщо належним чином примусити велику кількість «не дуже інтелектуальних» агентів співпрацювати разом, то можна отримати «мурашиний» інтелект.
Задачі розпізнавання об'єктів вже частково розв'язуються в рамках інших напрямків. Сюди відносяться розпізнавання символів, рукописного тексту, мови, аналіз текстів. Особливо слід згадати комп’ютерне бачення, яке пов'язане з машинним навчанням та робототехнікою.
Робот-скрипаль від Toyota Motor
У загальному, робототехніка і штучний інтелект часто асоціюються одне з одним. Інтеграцію цих двох наук, створення інтелектуальних роботів, можна вважати ще одним напрямом ШІ.
Окремо тримається машинна творчість (англ. Computational creativity), в зв'язку з тим, що природа людської творчості ще менше вивчена, ніж природа інтелекту. Тим не менше, ця область існує, і тут стоять проблеми написання комп'ютером музики, літературних творів (часто — віршів та казок), художнє мистецтво.
Нарешті, існує безліч програм штучного інтелекту, кожна з яких утворює майже самостійний напрямок. В якості прикладів можна навести програмування інтелекту в комп'ютерних іграх, нелінійному керуванні, інтелектуальні системи безпеки.
Не важко бачити, що більшість областей дослідження перетинаються. Це властиво для будь-якої науки. Але в штучному інтелекті взаємозв'язок між, задавалось би, різними напрямами виражений дуже сильно, і це пов'язано з філософським спором про сильний і слабкий ШІ.
[ред.]Моделі мозку
[ред.] Теоретичні положення
Кінцевою метою досліджень з питань «штучного інтелекту» є розкриття таємниць мислення та створення моделі мозку. Принципова можливість моделювання інтелектуальних процесів випливає з основного гносеологічногорезультату кібернетики, який полягає у тому, що будь-яку функцію мозку, будь-яку розумову діяльність, описану мовою з суворо однозначною семантикою за допомогою скінченного числа слів, в принципі можна передати електронній цифровій обчислювальній машині (ЕЦОМ). Сучасні ж наукові уявлення про природу мозку дають підстави вважати, що принаймні в суто інформаційному аспекті найістотніші закономірності мозку визначаються скінченною (хоч, може, й надзвичайно великою) системою правил.
[ред.] Практична реалізація
Штучний інтелект — технічна (в усіх сучасних випадках спроб практичної реалізаціїї — комп'ютерна) система, що має певні ознаки інтелекту, тобто здатна:
§ розпізнавати та розуміти;
§ знаходити спосіб досягнення результату та приймати рішення;
§ вчитися.
У практичному плані наявність лише неповних знань про мозок, про його функціонування не заважає будувати його наближені інформаційні моделі, моделювати на ЕЦОМ найскладніші процеси мислення, у тому числі й творчі.
1. Штучний інтелект має свою давню історію. Ще Платон, Аристотель, Сократ, Декарт, Лейбніц, Дж. Буль; а пізніше Н. Вінер прагнули описати мислення як сукупність деяких елементарних операцій, правил та процедур.
Як науковий напрямок штучний інтелект виник в середині 60 – х років XX століття. Його виникнення пов’язано з напрямком на автоматизацію людської інтелектуальної діяльності.
Історія наукових досліджень в галузях штучного інтелекту може бути поділена на чотири періоди:
• 60–ті роки – початок 70–х – дослідження в галузі “загального інтелекту ”, спроби моделювати загальні інтелектуальні процеси, властиві людині: вільний діалог, розв’язування різних задач, доведення теорем, теорія ігор, створення віршів та музики;
• 70–ті роки – дослідження і розробки підходів до формального представлення знань та висновків, спроби звести інтелектуальну діяльність до формальних перетворень символів, рядків;
• з кінця 70-х – розробки систем в предметних галузях, які мають прикладне практичне значення (експертні системи);
• 90-ті роки – фронтальні роботи по створенню ЕОМ 5-го покоління, які володіли інтелектуальними можливостями.
Наведемо деякі визначення штучного інтелекту:
1. Штучний інтелект – умовне позначення кібернетичних систем, які моделюють деякі сторони інтелектуальної діяльності людини: логічне та аналітичне мислення.
2. Штучний інтелект – здібності робота чи комп’ютера до імітації людських навиків, що використовуються при розв’язуванні задач, вивченні проблем, роздумів та самовдосконалення.
3. Штучний інтелект – науковий напрямок, пов’язаний з розробкою алгоритмів та програм для автоматизації інтелектуальної діяльності.
4. Штучний інтелект – один з напрямків інформатики, мета якого – розробка апаратно – програмних засобів, які дозволяють користувачу – непрограмісту ставити та розв’язувати свої задачі, які традиційно відносили до інтелектуальних, спілкуючись з ЕОМ на обмеженій підмножині природних мов.
Штучний інтелект поділяють на дві наукові вітки: нейрокібернетику (штучний розум) та кібернетику “чорного ящика” (машинний інтелект).
Перша вітка базується на апаратному моделюванні роботи головного мозку людини, основою якого є велика кількість (14 міліардів) пов’язаних між собою нервових клітин – нервів. Системи штучного інтелекту при цьому називаються нейтронними мережами.
Для другої вітки не суттєво, яка конструкція “ думаючого” пристрою. Головне, щоб на задані вхідні дані він реагував так само, як людський розум.
2. Окреслимо основні напрямки використання та досліджень в галузі штучного інтелекту:
• Сприйняття та розпізнавання образів. Проблеми розуміння та логічного мислення в процесі обробки візуальної та мовної інформації. (Системи перевірки правопису, системи перекладачів).
• Математика та автоматичне доведення теорем.
• Ігри. Оскільки ігри, як формальні системи, характеризуються скінченним числом ситуацій з чітко визначеними правилами, то вони з самого початку привернули до себе увагу як до полігону досліджень. (Гра в шахи)
• Розв’язування задач. В цьому випадку поняття “розв’язування” використовується в широкому смислі слова. Сюди відноситься постановка, аналіз та уява конкретних ситуацій.
• Розуміння людської мови. Тут ставиться задача аналізу та генерації текстів, їх внутрішнього представлення, вияв знань, необхідних для розуміння текстів. Висловам людської мови притаманна:
Неповнота;ü
Нечіткість;ü
Неточність;ü
Граматична некоректність;ü
Залежність від контексту;ü
Неоднозначність.ü
• Виявлення та представлення знань експертів в експертних системах.
3. Основною особливістю інтелектуальних систем є те, що вони основані на певних знаннях. Знання тут розуміються як інформація, що зберігається та формалізована у відповідності з деякими правилами. Найбільш фундаментальною та важливою проблемою є проблема представлення знань.
На сьогодні найбільш відомими є три підходи до представлення знань:
1. продукцій ні та логічні моделі;
2. семантичні мережі;
3. фрейми.
Продукційні правила – найбільш простий спосіб представлення знань. Він грунтується на представленні знань в формі правил, структурованих у відповідності до схеми “ якщо - то”. Частина правила “ якщо” називається посилкою, а “то” – висновком. Правило в загальному записується так:
Якщо а1, а2,..., аn то b.
Наприклад:
Якщо (1) у є батьком х
(2) z є братом у
То z є дядьком х
Якщо посилок нуль, тоді знання складаються лише з висновку і називається фактами.
Семантична мережа – представлення знань, що ґрунтуються на зображенні понять з допомогою вузлів і відношень між ними. Семантичні мережі можуть відображати структуру знань з всіма складностями їх взаємодії, пов’язувати в одно ціле об’єкти та їх властивості.
Наприклад: Семантична мережа “ фрукти”.
Фреймова система має всі властивості, притаманні мові представлення знань і одночасно є новий спосіб обробки інформації. Слово “ фрейм” в перекладі з англійської означає “рамка”. Фрейм є одиницею представлення знань про об’єкт, яку можна описати деякою сукупністю понять та сутностей.
Наприклад: Фрейм - людина
Клас: тварини
Структурний елемент: голова, шия, ноги, руки, тулуб
Ріст: 30 – 220 см
Вага: 1 –200 кг
Хвіст: відсутній
Фрейм аналогії: мавпа
Особливості машинного представлення даних:
1) Внутрішнє інтерпретування (забезпечується присутністю унікальних імен в кожної одиниці інформації);
2) Структурованість (виконується принцип вкладеності інформаційних одиниць одна в одну);
3) Зв’язність (існує зв’язок різного типу між відповідними одиницями);
4) Семантична метрика (дозволяє встановити ситуаційну близькість інформаційних одиниць);
5) Активність (виконання дій лише за зовнішніми причинами).
