Основные понятия искусственного интеллекта

Термин «интеллект» (intelligence) происходит от латинского слова intellectus, что означает ум, рассудок, разум; мыслительные способности человека.

Искусственный интеллект (ИИ)(artificial intelligence) – область научного знания, объединяющая различные направления, занимающиеся исследованиями принципов и закономерностей мыслительной деятельности и моделированием задач, которые традиционно относят к интеллектуальным.

Искусственный интеллект – свойство автоматизированных систем брать на себя отдельные функции интеллекта человека (например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий).

Интеллектуальная информационная система (ИИС) (иногда называют системой, основанных на знаниях – СОЗ) – это один из видов автоматизированных информационных систем, которая представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естественном языке.

Такие системы имеют многокомпонентную и многосвязную структуру, ядром которой являются базы знаний (БЗ) и подсистемы извлечения знаний, формирования цели, вывода на знаниях, диалогового общения, обработки внешней и внутренней информации, обучения и самообучения, контроля и диагностики. Пользователь может формировать или корректировать основные и вспомогательные БЗ системы.

Система может функционировать как автономно по заложенному при настройке критерию цели, так и по заданию пользователя. В последнем случае задание формируется в естественной форме (речь, текст, графика), предварительно обрабатывается подсистемой диалогового общения, и взаимодействие с пользователем осуществляется в интерактивном режиме, который предполагает не только ввод задания, но и выдачу подтверждений о понимании задания или запросов на уточнение непонятных моментов. Подсистема диалогового общения использует собственную БЗ, содержащую правила анализа и синтеза естественно-языковой или графической информации из проблемной области, средство преобразования неформализованного задания в формализованное на внутреннем языке системы.

Подсистема формирования цели обрабатывает формализованное задание и определяет возможность или невозможность его выполнения при существующих в данный момент ресурсах системы и состояний ее компонентов. Если система не может выполнить сформулированное задание, то она формирует сообщение с объяснениями отказа и предложением скорректировать задание.

Основная БЗ должна содержать формализованное описание среды, которую должна изменить система, чтобы выполнить задание. Знания о среде формируются подсистемой извлечения знаний, дополнительные знания о проблеме – подсистемой обучения и самообучения. Таким образом, в основной Б3 создается полная модель среды.

Обработка цели, знаний о среде и проблеме осуществляется подсистемой вывода на знаниях (машина логического вывода), которая выполняет поиск решения, для чего использует собственную БЗ, содержащую правила интерпретации знаний. Процесс поиска решения является итерационным, и на каждом шаге осуществляется коррекция модели среды с целью проверки правильности решений.

Подсистемы обработки внешней и внутренней информации выполняют анализ текущих изменений информации, для получения которой могут быть использованы различные устройства, связывающие систему со средой (внешние источники информации), а также определяющие ее состояние (датчики состояний). Их набор определяется проблемной ориентацией системы. Интегрированная информация используется в подсистеме извлечения знаний, контроля и диагностики.

Рассмотренная обобщенная структура интеллектуальной системы является универсальной и предназначена для решения разных проблем. Реализация перечисленных подсистем зависит от методов представления знаний в БЗ и проблемной ориентации системы. Источниками знаний являются описания сущностей, представленные с использованием определенной формальной модели знаний, приемлемой для аппаратно-программных реализаций.

БЗ и БД рассматриваются как разные уровни представления информации. Знания по виду можно разделить на декларативные и процедурные.

Декларативные знания состоят из множества описаний состояний и условий переходов между ними, которые носят синтаксический (символьный) характер и не содержат в явном виде описания исполняющих процедур.

Процедурные знания включают исходные состояния и явные описания процедур, обрабатывающих исходные знания. Это позволяет не хранить все состояния БЗ, требуемые при выводе и принятии решений.

По характеру представления знания могут быть структурными или параметрическими.

Структурное представление знаний характеризует отношения фактов или объектов. Структура знаний может изменяться, за счет чего производится их конкретизация при описании заданной проблемной области.

Параметрическое представление знаний характеризуется фиксированной структурой и изменяемыми параметрами в фактах или объектах. Конкретизация знаний под задачу производится настройкой параметров.

Модель знаний является представлением системы знаний с помощью определенного математического аппарата (формализма) для корректного формального описания и построения процедуры решения задачи.

При построении интеллектуальных систем используются семантическая, фреймовая и формально-логическая модели знаний.

В моделях знаний принятие решений осуществляется путем вывода заключений с использованием определенным образом формализованных знаний о проблемной области.

Математические методы и модели искусственного интеллекта

Искусственный интеллект реализуется на базе четырех подходов: логического, эволюционного, имитационного и структурного.

Основой логического подхода служит булева алгебра и ее логические операторы, в первую очередь, оператор IF (если). Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, а правила логического вывода – как отношения между ними.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошие результаты достигаются при сравнительно небольшом размере базы знаний. Примером практической реализации логических методов являются деревья решений и нечеткая логика. В отличие от традиционной математики, требующей на каждом шаге моделирования точных и однозначных формулировок закономерностей, нечеткая логика предполагает, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0..1], а не только 0 или 1. Этот подход более точно отражает функционирование мышления человека, который редко отвечает на поставленные вопросы только «да» или «нет».

Самоорганизация – процесс самопроизвольного (спонтанного) увеличения порядка, или организации в системе, происходящий под действием внешней среды. Выделяют следующие принципы самоорганизации математических моделей:

неокончательных решений – сохранение достаточной свободы выбора нескольких лучших решений на каждом шаге самоорганизации;

внешнего дополнения позволяет синтезировать истинную модель объекта, скрытую в зашумленных экспериментальных данных, с учетом основанных на новой информации внешних критериях;

массовой селекции позволяет сформировать наиболее целесообразный путь постепенного усложнения самоорганизующейся модели, с тем, чтобы критерий ее качества проходил через свой минимум.

Для возникновения самоорганизации необходимо иметь исходную структуру, механизм случайных ее мутаций и критерии отбора. Мутация оценивается с точки зрения полезности для улучшения качества системы. При построении таких систем ИИ задается только исходная организация, список переменных и критерии качества, формализующие цель оптимизации и правила, по которым модель может изменяться (самоорганизовываться или эволюционировать).

Самоорганизующиеся модели служат, в основном, для прогнозирования поведения и структуры систем различной природы. В процессе построения моделей участие человека сведено к минимуму.

Понятие эволюции связано с возможностью изменения собственной структуры (количества элементов, направленности и интенсивности связей между ними) путем настраивания ее оптимальным образом в каждый конкретный момент времени в зависимости от поставленных задач. В процессе эволюции в условиях сложной и меняющейся среды приобретаются принципиально новые качества, позволяющие переходить на следующую ступень развития.

Эволюционное моделирование представляет собой универсальный способ построения прогнозов состояний системы в условиях задания их предыстории. Общая схема алгоритма эволюции включает:

задание исходной организации системы;

случайные мутации;

отбор для дальнейшего развития той организации, которая является лучшей в рамках некоторого критерия.

Поиск оптимальной структуры происходит в большей степени случайно и нецеленаправленно, что затягивает процесс, но обеспечивает наилучшее приспособление к изменяющимся условиям.

Под структурным подходом подразумевается построение систем ИИ путем моделирования структуры человеческого мозга. Нейросетевое моделирование применяется в различных областях – бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, классификации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов – формальных нейронов, которые функционируют независимо друг от друга и связаны между собой однонаправленными каналами передачи информации.

Искусственные нейронные сети (ИНС) – это математические модели и их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей. Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать простыми функциями, вся сложность мозга, гибкость его функционирования и другие важнейшие качества определяются связями между нейронами. ИНС позволяет воспроизводить сложные, нелинейныепо своей природе, зависимости.

Как правило, искусственная нейронная сеть используется когда неизвестны виды связей между входами и выходами. Для того чтобы сеть можно было применять в дальнейшем, ее надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них.

Для моделей, построенных по аналогии с человеческим мозгом, характерны простое распараллеливание алгоритмов и связанная с этим высокая производительность, не слишком высокая выразительность представленных результатов, не способствующая извлечению новых знаний о моделируемой среде. Основное использование этих моделей – прогнозирование.

Дата добавления: 2014-11-20