СИСТЕМИ ШТУЧНОГО ІНТЕЛЕКТУ 28.04.2014 18:59

1. ОСНОВНІ ВИМОГИ ТА РЕКОМЕНДАЦІЇ ДО НАПИСАННЯ ДОМАШНЬОЇ РОБОТИ

 

Дана навчальна дисципліна є теоретичною основою сукупності знань та вмінь, що формують економічний профіль фахівця в області систем штучного інтелекту. Вивчення дисципліни передбачає виконання домашнього завдання. Мета виконання завдання полягає в формуванні знань про методологію створення та функціонування систем штучного інтелекту.

Завданнями виконання домашньої роботи є:

-       оволодіння теоретичними знаннями щодо створення систем штучного інтелекту;

-        набуття практичних умінь і навичок розробкисистем штучного інтелекту для вирішення економічних задач.

У результаті виконання роботи з навчальної дисципліни студент повинен знати:

- особливості проектування та практичної розробки систем штучного інтелекту управління економічної інформації;

- методи та етапи розробки систем штучного інтелекту  в економічному та фінансовому управлінні;

- особливості проектування основних етапів та основних компонентів систем штучного інтелекту; 

- методи виведення на фреймових та мережних структурах, також заснованих на прецедентах;

- методи узагальнення знань в інтелектуальних системах;

- принципи побудови систем розмовного спілкування та розпізнання образів;

- інструментальні засоби для проектування інтелектуальних систем та мов логічного візуального програмування,

- основні технології інтелектуального програмування ;

- технології об'єктно-орієнтованого програмування систем штучного інтелекту;

- особливості систем штучного інтелекту на робочих станціях.

вміти:

- ідентифікувати, адаптувати і супроводжувати  найбільш розповсюджені системи штучного інтелекту;

-  володіти навичками розробки деяких елементів засобів штучного інтелекту;

- вивчити підходи і методи, що застосовуються в штучному інтелекті, та навчитись розроблювати деякі моделі для інтелектуальних систем;

- використовувати методи виведення, засновані на прецедентах, на фреймових та мережних структурах;

- проектувати інструментальні програмні засоби опрацювання семантичних мереж;

- проектувати методи та стратегії виведення у продукційних системах;

- застосовувати та аналізувати способи виведення на різних моделях знань;

- проектувати елементи систем придбання знань;

- проектувати елементи інтелектуального інтерфейсу для систем штучного інтелекту;

- розробляти основні компоненти дорадчих систем;

- застосовувати інструментальні засоби придбання знань;

- проектування інструментальних програмних засобів підтримки класифікаційних структур;

- моделювати природномовну систему знань;

- розробляти концептуальні моделі проблемних галузей.

- вивчити методи добування і розповсюдження знань в економіко-організаційних системах та набути уміння будувати схеми цих процесів для реальних об'єктів ринкової економіки;

- навчитися оцінювати, адаптувати та супроводжувати дорадчі системи, які можуть використовуватися в сучасних бізнесових структурах;

- ознайомитись з досвідом використання інтелектуальних агентів в економіці і підприємництві та набути навички їх вбудовувати в технологічний процес оброблення інформації в інформаційних системах.

 

 

 

1.1. Вимоги до розкриття інформації в домашній роботі

Домашня робота передбачає відповіді на запропоновані питання з прикладами практичного застосування. Після виконання домашньої роботи студент повинен оформити звіт про виконану роботу.

Виконується домашня робота згідно варіанту. Номер варіанту визначається згідно номера в списку студентів за алфавітом.

Час, необхідний на виконання домашньої роботи – 8 годин.

 

1.2. Структура та зміст домашній роботи

 

Домашня робота включає: титульний листок, зміст, теоретичну частину, практичну частину, список використаної літератури, за необхідності додатки.

Титульний листок включає міністерство, назву вищого навчального закладу, назву кафедри, на якій вона виконувалась, повна назва теми роботи, прізвище та ініціали студента, курс, група, факультет, де він навчається, прізвище, ініціали, вчене звання наукового керівника, рік, і місце виконання роботи.

Зміст: назви заголовків усіх розділів у тій послідовності, в якій вони подані в роботі, із зазначенням номерів сторінок.

Теоретична частина включає висвітлення всього спектру питань, що стосується теми дослідження і обов’язково має базуватись на літературних джерелах, наукових доробках та розробках, бути змістовною, лаконічною, суттєвою та відповідати поставленому завданню, містити посилання на джерела зі списку літератури.

Практична частина роботи повинна містити алгоритм вирішення задач з деталізованим описом послідовності дій, розкриттям висновків та припущень, побудовою графіків та таблиць, необхідних для проведення розрахунків в процесі рішення задачі.

Список використаної літератури включає літературні джерела, використані при написані роботи. Укладаючи його, необхідно додержуватися вимог державного стандарту. Кожний бібліографічний запис треба починати з нового рядка, літературу слід розташовувати в алфавітному порядку авторів та назв праць, спочатку видання українською мовою, потім – іноземними. Бібліографічні записи в «Списку …» повинні мати порядкову нумерацію. У тексті роботи слід давати у квадратних дужках посилання на номери списку. Якщо необхідно вказати номер сторінки, її ставлять через кому після номера видання. Наприклад:

1. Глибовець М. М., Олецький О. В. Штучний інтелект.– К.: Видавничий дім «КМ Академія», 2002.– 366 с.

2. Дж. фон Нейман. Теория самовоспроизводящихся автоматов.– М.: Мир, 1971.– 382 с.

 

1.3. Оформлення домашньої роботи

 

Домашня робота починається з титульного аркушу, який є першою сторінкою роботи.

Скорочення слів у роботі не допускається (крім загальноприйнятих). В роботі повинні бути посилання на літературні джерела, використаний цифровий матеріал.

Заголовки структурних частин курсової роботи "ЗМІСТ", "ВСТУП". "ТЕОРЕТИЧНА ЧАСТИНА", "ПРАКТИЧНА ЧАСТИНА" "СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ", “ДОДАТКИ" пишуться великими літерами симетрично до тексту.

Заголовки підрозділів пишуться маленькими літерами, крім першої великої з абзацного відступу. Крапку в кінці заголовка не ставлять. Якщо заголовки складаються з двох або більше речень, їх розділяють крапкою. Заголовки пунктів пишуть маленькими літерами (крім першої великої) з абзацного відступу. Кожну структурну частину домашньої роботи треба починати з нової сторінки.

Нумерація сторінок, розділів, підрозділів, пунктів, підпунктів, малюнків, таблиць, формул подається арабськими цифрами без №.

Першою сторінкою домашньої роботи є титульний аркуш, який включають до загальної нумерації сторінок домашньої роботи. На ньому номер сторінок не ставлять. На наступних сторінках номер проставляють у правому верхньому куті сторінки без крапки в кінці.

Зміст, список використаної літератури не нумерують.

Підрозділи нумерують у межах кожного розділу. Номер підрозділу складається з номера розділу i порядкового номера підрозділу. Наприклад "2.3 ” (третій підрозділ другого розділу). Потім у тому ж рядку пишуть  заголовок підрозділу.

Пункти нумерують у межах кожного підрозділу. Номер пункту складається з порядкових номерів розділу, підрозділу, пункту, між якими ставлять крапку. Наприклад "1.3.2" (другий пункт третього підрозділу першого розділу).

Ілюстрації (схеми, графіки) i таблиці необхідно подавати в домашній роботі безпосередньо після тексту, де вони згадані вперше, або на наступній сторінці.

Ілюстрації позначають словом "Рис. ” i нумерують послідовно в межах розділу. Номер ілюстрації повинен складатися з номера розділу i номера ілюстрації, між якими ставиться крапка. Наприклад "Рис 1.2." (другий рисунок першого розділу). Номер ілюстрації, її назва i пояснювальні підписи розмішують послідовно під ілюстрацією.

При написанні домашньої роботи студент повинен давати посилання на літературні джерела, матеріали або окремі результати, які використовувались в домашній роботі. Посилатися слід на нові видання публікацій. Посилання в тексті курсової роботи на джерела слід зазначити порядковим номером за переліком посилань, виділених двома квадратними дужками. Наприклад: “ ... у працях [1; 7]..."  Посилання на цитати має відповідати бібліографічному опису джерел за порядковим номером.

Джерела (список) слід розміщувати за алфавітом прізвищ перших авторів або заголовків в хронологічному порядку. Відомості про джерела, які включені до списку, необхідно давати згідно з вимогами державного стандарту з обов'язковим наведенням прізвищ та ініціалів авторів, назв праць, видавництв, року видання.

Текст домашньої роботи розміщуються на одній стороні аркуша формату A-4. Шрифт Times new roman, кегель 14, вирівнювання по ширині сторінки. При цьому поля мають бути таких розмірів: зліва 30мм, справа 10мм, зверху i знизу 20 мм.

Обсяг роботи – 40 сторінок, з них 25-30 сторінок – теоретична частина, 10 сторінок практична частина, машинопису без урахування додатків і списку літератури.

Домашня робота виконується українською мовою.

На першій сторінці студент ставить свій підпис i дату виконання роботи.

 

1.4. Здача та захист домашньої роботи

У встановлений кафедрою строк студент захищає домашню роботу, процедура захисту складається з короткої доповіді автора. Після цього йому задаються запитання по суті роботи i виставляється оцінка; "Відмінно", "Добре", "Задовільно". Домашня робота передається на кафедру для зберігання. Якщо за результатами захисту одержано оцінку "Незадовільно", студент не допускається до складання іспитів.

 

 

2. ПРОГРАМА КУРСУ

 

2.1. Історичний та філософський аспекти проблеми штучного інтелекту. Історія та інноваційні напрями розвитку штучного інтелекту. Штучні нейронні мережі.

Історія та інноваційні напрями розвитку штучного інтелекту. Соціальні результати інтелектуалізації комп’ютерних технологій.

Поняття штучних нейронних мереж. Тест Тюринга і фактичний діалог. Інтелектуальні роботи

 

 

2.2. Представлення знань в системах штучного інтелекту. Моделі подання знань. Спроба моделювання людського мозку

Моделі знань на основі продукцій. Семантичні мережі. Фрейми. Об'єктно-орієнтована модель знань.

Висновки в умовах ненадійних або неповних знань Нечіткі множини і нечітка логіка. Приклади використання нечіткої логіки. Конекціоністський підхід як спроба моделювання людського мозку. Одношарова та багатошарова нейронна мережа. Радіально-базисні нейронні мережі.

Мережі Хопфілда із зворотними зв'язками. Статичні мережі. Навчання нейронної мережі

Алгоритм навчання Кохонена. Алгоритм навчання Коші.

 

3. МЕТОДИЧНІ РЕКОМЕНДАЦІЇ ДО ДОМАШНЬОЇ РОБОТИ

 

Інноваційні напрями розвитку штучного інтелекту. Штучні нейронні мережі.

Предметна область ШІ складається з реальних або абстрактних об’єктів — сутностей. Сутності предметної області знаходяться у визначених відношеннях (асоціаціях) одна до одної, які також можна розглядати як сутності і включати в предметну область. Між сутностями спостерігаються різні відношення подоби. Сукупність подібних сутностей складає клас сутностей, що є новою сутністю предметної області.

Для вирішення інтелектуальних задач необхідно використати знання з конкретної предметної області, подані в певній стандартній формі і створити програму їхньої обробки.

Класифікація проблемних середовищ ШІ може бути зроблена за такими вимірами:

• середовище, яке повністю або частково спостерігається;
• детерміноване або стохастичне середовище;
• епізодичне або послідовне середовище;
• статичне або динамічне середовище;
• дискретне або неперервне середовище;
• одноагентне середовище (коли в середовищі діє тільки один агент) або мультиагентне середовище (коли діють два агенти і більше).

Крім того, предметні області можна характеризувати такими аспектами: числом і складністю сутностей; їхніх атрибутів і значень атрибутів; зв’язністю сутностей та їхніх атрибутів; повнотою знань; точністю знань (знання точні або правдоподібні; правдоподібність знань подається певним числом або висловленням).

Задачі, що вирішуються інтелектуальними системами у проблемній області, класифікують:

1)                 за ступенем зв’язності правил: зв’язні (задачі, що не вдається розбити на незалежні задачі) та малозв’язні (задачі, що вдається розбити на деяку кількість незалежних підзадач);

2)                 з точки зору розробника: статичні (якщо процес вирішення задачі не змінює вихідні дані про поточний стан предметної області) і динамічні (якщо процес вирішення задачі змінює вихідні дані про поточний стан предметної області);

3)                 за класом вирішуваних задач:

- задачі розширення — задачі, у процесі вирішення яких здійснюється тільки збільшення інформації про предметну область, що не призводить ні до зміни раніше виведених даних, ані до вибору іншого стану області. Типовою задачею цього класу є задача класифікації.

- задачі довизначення — задачі з неповною або неточною інформацією про реальну предметну область, мета вирішення яких — вибір з множини альтернативних поточних станів предметної області того стану, який є адекватним вихідним даним.

Л. Заде ввів термін — «м’які обчислення» (soft computing). М’які обчислення це синтез методів (нечіткі системи + нейросистеми + генетичні алгоритми + імовірнісні обчислення (мережі довіри Байеса)).

- задачі перетворення — задачі, які здійснюють зміни вихідної або виведеної раніше інформації про предметну область, що є наслідком змін або реального світу, або його моделі.

Слід відмітити, що жодна з наявних систем штучного інтелекту, які працюють у перелічених галузях, не може реалізовувати зазначені вище функції інтелектуальної системи в достатньому обсязі. Тому про них краще казати як про інтелектуалізовані системи, які мають деякі риси, що наближають їх до справді інтелектуальних систем.

 

Представлення знань в системах штучного інтелекту. Моделі подання знань. Класифікація знань поділяється:

І. Декларативні (факти, відомості описового характеру),

процедурні (інформація про способи розв’язання типових задач) і

метазнання («знання про знання», стратегії управління вибором і застосування процедурних знань).

ІІ. Залежно від ступеня їх достовірності:

ІІІ. З погляду ступеня можливої формалізації розрізняють три групи евристичних методів подання знань:

цілком формалізовані — алгоритми;

неформалізовані на цьому рівні розвитку науки — евризми;

частково формалізовані, частково неформалізовані — евроритми.

ІV. Залежно від джерела знань виділяються апріорні (визначається й закладається в БЗ до початку функціонування інтелектуальної системи) і накопичувальні знання.

V. За характером подавання знання можуть бути структурними або параметричними.

У БЗ інтелектуальної системи прийнято виділяти екстенсиональну та інтенсиональну частини.

Екстенсиональна частина БЗ — сукупність усіх очевидних фактів.

Інтенсиональна частина БЗ — сукупність усіх правил виведення та процедур, за допомогою яких з наявних фактів можна виводити нові твердження.

У БЗ виділяють інтенсиональне і екстенсиональне знання. Якщо є кінцева безліч атрибутів  і кінцева безліч відносин , то схемою або інтенсионалом відносини (1,2,...,m) називається набір пар вигляду

 

де DOM (A_j) — домен атрибута А, тобто безліч можливих значень атрибута.

Екстенсионал відносини  — це безліч фактів

 

де  — факти відносин, що зазвичай задаються у вигляді сукупності пар «атрибут-значення».

Подання знань — це спосіб формального виразу знань про наочну галузь (ПРГ) у комп’ютерній формі, що інтерпретується. Відповідні формалізми, які забезпечують вказане уявлення, є моделями подання знань.

Моделлю знань називаємо фіксовану систему формалізмів (понять і правил), відповідно до яких інтелектуальна система подає знання в своїй пам’яті та здійснює операції над ними.

Логічні моделі реалізуються засобами логіки предикатів. У цьому разі знання про наочну галузь подаються у вигляді сукупності логічних формул. Тотожні перетворення формул дають змогу одержувати нові знання.

Якщо умови виконуються, то кажуть, що система задовольняє вимогам формальної теорії. Її так і називають — формальною системою (ФС). Система, побудована на основі формальної теорії, називається також аксіоматичною системою.

Формальна система задається четвіркою:

 

де Т — множина базових елементів;

Р — множина синтаксичних правил;

А — множина аксіом;

R — множина правил висновку.

Множина синтаксичних правил Р дозволяє будувати з базових елементів Т синтаксично правильні сукупності базових елементів. Такі сукупності називають правильно побудованими формулами (ППФ).

Людський мозок містить понад 100 мільярдів обчислювальних елементів, які називають нейронами. Перевищуючи за кількістю число зірок у Чумацькому Шляху галактики, ці нейрони пов’язані сотнями трильйонів нервових ниток, що мають назву синапси. Ця мережа нейронів відповідає за всі явища, які ми називаємо думками, емоціями, пізнанням, а також і за здійснення сенсомоторних та автономних функцій. Кожен нейрон має багато якостей, загальних з іншими елементами тіла, але його унікальною здатністю є прийом, обробка і передача електрохімічних сигналів нервовими шляхами, які утворюють комунікаційну систему мозку.

Нейрон є основним будівельним блоком нервової системи. Він є клітиною, подібною до всіх інших клітин тіла, проте певні істотні відмінності дають змогу йому виконувати всі обчислювальні функції і функції зв’язку усередині мозку.

Множина вхідних сигналів, позначених x₁, x₂,., x_n, надходить на штучний нейрон. Ці вхідні сигнали, що в сукупності позначаються вектором X, відповідають сигналам, що приходять у синапси біологічного нейрона. Кожен сигнал множиться на відповідну вагу w₁, w₂,., w_n, і надходить на блок — суматор, що підсумовує , позначена вага  відповідає «силі» одного біологічного синаптичного зв’язку. Множина вагів у сукупності позначається вектором W. Суматор відповідає тілу біологічного елемента, складає зважені входи, ство­рюючи вихід, який ми називатимемо NET. У векторних позначеннях це може бути компактно записано таким чином: NET = XW. Вихідний сигнал нейрона y визначається шляхом пропущення рівня збудження net через нелінійну функцію активаціїF:

y = F(NET – q_i),

де q _i — деякий постійний зсув (аналог порога нейрона).

 

Рис.  Штучний нейрон

Нейрон складається із зваженого суматора і нелінійного елемента. Функціонування нейрона визначається формулами:

, ,

де х_i — вхідні сигнали, сукупність всіх вхідних сигналів нейрона утворює вектор X;

w_i — вагові коефіцієнти, сукупність вагових коефіцієнтів утворює вектор вагів W;

NET — зважена сума вхідних сигналів, значення NET передається на нелінійний елемент;

— пороговий рівень цього нейрона;

F — нелінійна функція, названа функцією активації.

 

 

4. ЗАВДАННЯ ДО ДОМАШНЬОЇ РОБОТИ

Теоретична частина (за варіантами):

Варіант 1

1. Охарактеризуйте тенденції і перспективи розвитку систем штучного інтелекту, призначених для розв’язання задач розпізнавання образів.

2. Подання задач у просторі станів.

3. Правила і приклади використання рекурсії в мові логічного програмування Пролог.

4. Охарактеризуйте індуктивний метод виведення.

5. Охарактеризуйте методи навчання нейронних мереж.

 

Варіант 2

1. Охарактеризуйте тенденції і перспективи розвитку систем штучного інтелекту, призначених для моделювання ігор.

2. Визначте сутність проблеми розпізнавання мовлення.

3. Правила і приклади використання хвостової рекурсії в мові логічного програмування Пролог.

4. Охарактеризуйте традуктивний метод виведення.

5. У чому полягає сутність методу зворотного поширення помилки?

 

Варіант 3

1. Охарактеризуйте тенденції і перспективи розвитку експертних систем.

2. Наведіть порівняльну характеристику понять: інформація, дані, факти, знання, метазнання.

3. Дерева в мові логічного програмування Пролог: опис і приклади роботи.

4. Охарактеризуйте методи виведення на основі фактів.

5. Зміна ваг синапсів за правилом навчання Хебба.

 

Варіант 4

1. Охарактеризуйте тенденції і перспективи розвитку систем штучного інтелекту, призначених для обробки та розпізнавання зображень.

2. Наведіть порівняльну характеристику понять: база даних і база знань.

3. Списки в мові логічного програмування Пролог: опис і приклади роботи.

4. Розпізнавання образів: моделі навчання.

5. Мережа Кохонена.

 

Варіант 5

1. Охарактеризуйте інструментальні засоби розробки систем штучного інтелекту.

2. Екстенсіональні та інтенсіональні знання.

3. Динамічні бази даних у мові логічного програмування Пролог: опис і приклади роботи.

4. Критерії оцінювання якості навчання.

5. Вигляд матриці ваг синапсів у моделі Хопфілда.

 

Варіант 6

1. Методи оцінки інтелектуальних здібностей, спільне та відмінність.

2. Огляд програмних продуктів з використанням нейромереж.

3. Формалізація знань експерта у вигляді, придатному для занесення до бази знань.

4. Демонстрація прикладів експертних систем у різних предметних областях.

5. Етапи розробки експертних систем. Концептуалізація. Формалізація і реалізація. Тестування.

 

Варіант 7

1. Системи та методи штучного інтелекту в економіці.

2. Опис можливостей, переваг та недоліків, сфер застосування програмних продуктів з використанням нейромереж.

3. Бази знань, що включають до свого складу факти та правила. Роль фреймових структур у розумінні текстів.

4. Основні проблеми застосування інтелектуальних тестів для оцінки штучного інтелекту.

5. Індуктивне узагальнення за допомогою дерев розв’язків.

 

Варіант 8

1. Вплив сприйняття зовнішньої ситуації на внутрішній стан і знання інтелектуальної системи. Наведіть приклади.

2. Приклади практичних досягнень у створенні систем штучного інтелекту.

3. LISP — мова програмування для побудови систем штучного інтелекту.

4. Застосування нейромережових технологій на практиці.

5. Інтуїція в штучному інтелекті.

 

Варіант 9

1. Основні завдання, які повинна вміти виконувати інтелектуальна система.

2. Використання нейромереж у фінансах та бізнесі.

3. Основні проблеми застосування інтелектуальних тестів для оцінки штучного інтелекту.

4. Природа нечітких і неповних знань.

5. Характеристика і приклади використання фреймів.

 

Варіант 10

1. Узагальнена структура інформаційної системи інтелектуального робота.

2. Прогнозування на основі нейромереж, його переваги та недоліки.

3. Процес отримання нових знань, процес виведення нових фактів з уже існуючих, логічне виведення.

4. Характеристика і приклади використання продукційних моделей подання знань.

5. Наведіть приклади використання прямого та зворотного ланцюжка міркувань.

 

Варіант 11

1. PROLOG — мова логічного програмування.

2. Інтелектуальні тести.

3. Основні проблеми, які потрібно розв’язувати при розробці експертних систем і баз знань. Наведіть приклади.

4. Класифікація систем штучного інтелекту.

5. Охарактеризуйте індуктивні методи виведення.

 

Варіант 12

1. Методи правдоподібного виведення.

2. Інтуїція в розумовій діяльності людини.

3. Поняття формального нейрона.

4. Охарактеризуйте методи навчання нейронних мереж.

5. Відмінності перцептронів з прямими та оберненими зв’язками.

 

Варіант 13

1. Переваги і недоліки методу зворотного поширення помилки.

2. Основні поняття інженерії знань.

3. Архітектура експертних систем.

4. Наведіть приклади задач, які можна розв’язати за допомогою нейронних мереж.

5. Аналіз впливу кількості вхідних нейронів на функціонування нейтронної мережі.

 

Варіант 14

1. Призначення експертних систем.

2. Компоненти штучного нейрона.

3. Правила побудови і приклади використання дерев розв’язків.

4. Наведіть приклади розв’язання задач за допомогою генетичних алгоритмів.

5. Характеристика і приклади використання фреймів.

 

Варіант 15

1. Охарактеризуйте методи виведення на основі фактів.

2. Характеристика і особливості використання атрибутивних моделей подання знань.

3. Етапи розробки експертних систем.

4. Мережа Кохонена

5. Характеристика і приклади використання семантичних мереж.

 

Варіант 16

1. Охарактеризуйте традуктивні методи виведення.

2. Пролог: правила роботи і приклади використання.

3. Поняття як елемент системи знань. Задача формування понять.

4. Наведіть порівняльну характеристику понять: база даних і база знань.

5. Охарактеризуйте підходи до розв’язання завдань планування дій.

 

Варіант 17

 

1. Метод сигнального навчання Хебба.

2. Алгоритм навчання Кохонена.

3. Алгоритм навчання Коші Хебба.

4. Процедура зворотного поширення.

5. Пастки локальних мінімумів.

 

Варіант 18

1. Метод диференціального навчання Хебба.

2. Комбінування зворотного поширення з навчанням Коші.

3. Моделювання нейронних мереж за допомогою пакета Matlab.

4. Параліч мереж.

5. Приклади асоціативного підходу до вирішення задач в штучному інтелекті.

 

Практична частина (незалежно від варіанту):

При использовании продукционной модели база знаний 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.

Пример. Имеется фрагмент базы знаний из двух правил:

П1: Если "отдых - летом" и "человек - активный", то "ехать в горы",

П2: Если "любит солнце", то "отдых летом",

Предположим, в систему поступили данные - "человек активный" и "любит "солнце"

Прямой вывод - исходя из данных, получить ответ.

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных "отдых - летом").

Шаг 2. Пробуем П2, работает, в базу поступает факт "отдых - летом".

2-й проход.

Шаг 3. Пробуем П1, работает, активируется цель "ехать в горы", которая и выступает как совет, который дает ЭС.

Обратный вывод - подтвердить выбранную цель при помощи имеющихся правил и данных.

1-й проход.

Шаг 1. Цель - "ехать в горы": пробуем П1 - данных, "отдых - летом" нет, они становятся новой целью, и ищется правило, где она в правой части.

Шаг 2. Цель "отдых - летом": правило П2 подтверждает цель и активирует ее.

2-й проход.

Шаг 3. Пробуем П1, подтверждается искомая цель.

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.

 

Завдання 1. Використовуючи продукційну модель сформувати рішення проблеми:

А) вибору місця роботи з певних кількостей вакансій пошукачем;

Б) вибору кандидата на вакантну посаду за даними резюме роботодавцем.

 

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);
• парные (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.

Пример. На рис. 1 изображена семантическая сеть. В качестве вершин понятия: Человек, Иванов, Волга. Автомобиль, Вид транспорта. Двигатель.

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

 

Завдання 2. Побудувати семантичну мережу впливу знань, здобутих у вузі студентом на його подальше професійне життя.

 

 

Рис. 1. Семантическая сеть.

 

Фрейм (англ. frame - каркас или рамка) предложен М.Минским в 70-е гг. Как структура знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м² ". Из этого описания ничего нельзя убрать (например, убрав окна мы получим уже чулан, а не комнату), но в нем есть "дырки", или "слоты", - это незаполненные значения некоторых атрибутов -количество окон, цвет стен, высота потолка. покрытие пола и др.

В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.

Структуру фрейма можно представить так;

ИМЯ ФРЕЙМА :

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

- - - -

(имя N-го слота: значение N-гo слота).

Ту же запись представим в виде таблицы, дополнив двумя столбцами.

В таблице дополнительные столбцы предназначены для описания тина слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

• фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель);
• фреймы-роли (менеджер, кассир, клиент);
• фреймы-сценарии (банкротство, собрание акционеров, празднование именин);
• фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.

Пример. Например, в сети фреймов на рис. 2 понятие "ученик" наследует свойства фреймов "ребенок" и "человек", которые находятся на более высоком уровне иерархии. Так, на вопрос: "Любят ли ученики сладкое?" Следует ответ: "Да", так как этим свойством обладают все дети, что указано во фрейме "ребенок". Наследование свойств может быть частичным, так, возраст для учеников не наследуется из фрейма "ребенок", поскольку указан явно в своем собственном фрейме.

 

 

Рис. 2. Сеть фреймов

 

Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также гибкость и наглядность.

 

Завдання 3. Побудувати мережу фреймів, яка б давала відповіді на запитання: «За яких якостей особистісних та професійних людина може досягнути успіху і кар’єрі?».

 

 

5. РЕКОМЕНДОВАНА ЛІТЕРАТУРА

Основні джерела

1. Іванченко Г. Ф. Системи штучного інтелекту Навч.посібник. -К.:КНЕУ, 2011.-400 с.
2. Люгер Дж.Ф. Искусственный интеллект. - М .:Изд.дом "Вильямс, 2005. -864 с.
3. Бондарев В.Н., Аді Ф.Г. Штучний інтелект. Навчальний посібник для вузів. -Севастополь, Вид-во СевНТУ, 2002. -615 с.

Додаткові джерела

1. Глибовець М.М., Олецький О.В. Штучний інтелект. - К. : Видавничий дім "КМ Академія" , 2002 . - 366 с.
2. Девятков В. В. Системи искусственного интеллекта. - М .:Изд-во МГТУ им.Н.З.Баумана, 2001 . - 352 с.
3. Братко И. Программирование на языке Пролог для искусственного интеллекта: Пер. с англ. – М.: Мир, 1990.
4. Джонс м.Т. Программирование искусственного интеллекта в приложениях. – М.: ДМК Пресс, 2004.
5. Лорвер Ж.-Л. Системы искусственного интеллекта: Пер. с фр. – М.: Радио и связь, 1985.
6. Люгер, Дж. Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е изд.: Пер. с англ. – М.: Издательский дом «Вильямс», 2003. – 864с.
7. Месюра В.І., Ваховська Л.М. Основи проектування систем штучного інтелекту. – Вінниця: ВДТУ, 2000.
8. Нильсон Н. Проблемы искусственного интеллекта: Пер. с англ. – М.: Радио и связь, 1985.
9. Рыжиков Ю.И. Информатика. Лекции и практикум. – СПб.: КОРОНАпринт, 2000.
10. Слейгл Дж. Искусственный интеллект: Пер. с англ. – М.: Мир, 1979.
11. Уинстон П. Искусственный интеллект: Пер. с англ. – М.: Мир, 1980.
12. Хант Э. Искусственный интеллект: Пер. с англ. – М., 1978.
13. Экспертные системы. Принципы работы и примеры / Под ред. Р.Форсайта, пер. с англ. – М.: Радио и связь, 1987.