Системы искусственного интеллекта (ИИ)

7.1. Понятие систем ИИ, направления использования и развития [3,4]

Интеллект – это ум, рассудок, разум, мыслительные способности человека.

Следовательно, понятие интеллекта присуще только мыслящему существу, которым является человек. Интеллектом человека называют способность мозга решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

Искусственный (машинный) интеллект – свойство автоматизированных систем брать на себя от­дельные функции интеллекта человека.

Искусственный интеллект (ИИ) как научное направление, связанное с попыткой формализовать мышление человека, описав мышление в виде совокупности операций, правил и процедур (Платон, Аристотель, Декарт, Лейбниц, Буль).

В настоящее время, искусственный интеллект (ИИ) – это одно из направлений информатики, цель которого разработка программно-аппаратных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Основные направления использования систем ИИ:

Ø Представление знаний и разработка систем основанных на знаниях.

Ø Разработка естественно-языковых интерфейсов и машинный перевод.

Ø Создание интеллектуальных роботов.

Ø Распознавание образов.

Ø Проектирование компьютеров новой архитектуры.

Ø Игры и машинное творчество.

Ø Разработка и применение генетических алгоритмов.

Ø Создание систем распознавания и синтеза речи и др.

Качественный скачок в развитии ИИ произошел при возникновении и развитии кибернетики, независимо оттого, что в СССР, официально, кибернетика была объявлена как лженаука.

Исследования по ИИ в 60–70-х годах привели к возникновению двух самостоятельных научных направлений [3]:

· моделирование результатов интеллектуальной деятельности (машинный интеллект),

· моделирование биологических систем (искусственный разум).

В первом направлении ИИ рассматривается как продукт интеллектуальной деятельности человека и его стремятся воспроизвести средствами современной техники, т. е. ЭВМ. Пример использования - современная робототехника.

Во втором направлении рассматриваются нейрофизиологические и психологические механизмы интеллектуальной деятельности (разумного поведения человека). Эти механизмы воспроизводятся с помощью технических средств в интересах создания максимального совпадения работы устройств с поведением человека в определенных установленных пределах (искусственный разум).

7.2.Математические модели исследования ИИ.

Естественным результатом явилось то, что подходы к реализации научных направлений в исследовании ИИ получили практическую поддержку. В частности наибольшую поддержку получило направление интеллектуальной деятельности человека, так как в сравнении с машинным интеллектом искусственный разум стремится воспроизвести более широкий спектр явлений разумной деятельности человека. Так как в основе математического аппарата, описывающего подобные процессы, по-прежнему доминирует моделирование, то реализация искусственного разума осуществляется по двум вариантам [3]:

· моделирование биологических систем,

· эвристическое программирование и моделирование.

Эвристическое программирование исследует уровень организации поведения, называемый операционным, когда поведение рассматривается как последовательность мыслительных операций, выполнение которых дает положительный результат решения задачи. В основе эвристического моделирования лежит совокупность поведенческих актов – функций поведения (поведенческих функций).

Моделирование биологических систем, в свою очередь, получило два направления [4]:

· нейрокибернетика,

· «кибернетика черного ящика».

Идея нейрокибернетики: «Единственный объект, способный мыслить, – это человеческий мозг, поэтому «мыслящее» устройство должно каким-то образом воспроизводить его структуру». Следовательно, нейрокибернетика ориентирована на аппаратное моделирование структур, подоб­ных структуре мозга. Основой человеческого мозга является большое количество связанных между собой взаимодействующих нервных клеток – нейронов. Каждый нейрон имеет примерно 100–1000 входов (дендритов или синапсов - однонаправленных входных связей, соединенных с выходами других нейронов) и выход (аксон), с которого сигнал возбуждения передается на синапсы других нейронов (рис.7.1). Таким образом, один нейрон взаимодействует с множеством других, образуя тем самым нейронные сети.

.....

С.

и. Ячейка Аксон

н нейрона

а.

п.

с .....

ы

Рис.7.1. Модель нейрона

Искусственная нейронная сеть – это класс аналитических моделей, построенных на (гипотетических) принципах обучения мыслящих существ и функционирования мозга и позволяющих прогнозировать значения некоторых переменных в новых наблюдениях по данным других наблюдений (для этих же или других переменных) после прохождения этапа так называемого обучения на имеющихся данных [4].

Первые нейронные сети были созданы американскими учеными в 1956-1965 годах. Постепенно в 70-80 годах количество работ по нейросетям стало снижаться, поскольку первые ре­зультаты оказались слишком неутешительны. Авторы объясняли неудачи малой памятью и низким бы­стродействием существующих в то время ЭВМ.

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

Расчет подобных моделей стал возможным лишь с появлением транспьютеров и транспьютерной технологии.

Транспьютеры – параллельные компьютеры с большим количеством процессоров.

Транспьютерная технология – один из новых подходов к аппаратной реализации нейронных сетей, которые моделируют иерархическую структуру мозга человека.

В настоящее время используются три подхода к созданию нейросетей:

Ø Аппаратный – создание специальных компьютеров, нейрочипов, плат расширений, наборов микросхем, реализующих все необходимые алгоритмы.

Ø Программный – создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры.

Ø Гибридный – комбинация первых двух. Часть вычислений выполняют специальные платы расширения (сопроцессоры), часть – программные средства.

7.3. Использование ИИ в экономике. Управление знаниями [4]

Практическое применение в экономике искусственного интеллекта сводится, в основном, к использованию в СУБД корпоративных информационных систем интеллектуального анализа и обработки данных, управления знаниями в процессе создания и работы с базами знаний, в том числе при разработке и практическом использовании различного вида экспертных систем (систем поддержки принятия решений).

Важнейшим ресурсом современного предприятия, способным значительно повлиять на повышение его конкурентоспособности, инвестиционной привлекательности и капитализации, являются корпоративные знания.

Под корпоративными знаниями понимается различная деловая информация, которую необходимо иметь для поддержки бизнес-процессов предприятия на высоком конкурентоспособном уровне, а также для быстрого реагирования на динамику рынка.

Знания имеют следующие особенности:

имеют отношения к данным и информации, но не всегда с ними связаны;

дефицитны, их непросто добывать;

всегда связаны с каким-то контекстом, существуют в его рамках;

генерируются только людьми;

трудны в восприятии;

динамичны; любые знания обладают своей скоростью передачи и восприятия;

для успешного восприятия требуют четких границ их понимания;

могут быть очень дороги, цена при этом не фиксирована;

обладают сроком и целью использования.

Управление знаниями (Knowledge Management) – технологический процесс работы с информационными ресурсами для обеспечения доступа к знаниям, их объединения и генерации нового знания с целью наращивания эффективности и потенциала деятельности коллектива людей. Это качественно иной уровень работы с корпоративными знаниями. Современные технологии управления знаниями объединяют в себе: Интернет-технологии, технологии интеграции корпоративных приложений, их оперативного анализа и хранилищ данных, а также поисковые технологии. Так как большинство корпоративных знаний скрыто в умах сотрудников, решение задачи управления знаниями возможно лишь в тесном контакте между специалистами самых различных сфер деятельности предприятия и специалистами по информационным технологиям. В рамках управления знаниями реализуются функции создания (выявления и формализации), распространения (обучения и обмена) и эффективного использования знаний. Эти функции формируют корпоративную систему управления знаниями.

Создание системы управления корпоративными знаниями включает в себя несколько составляющих:

исследование с целью анализа существующей культуры управления знаниями, отношение и понимание этого вопроса со стороны всех сотрудников;

разработка стратегии по внедрению культуры управления знаниями по ряду направлений: как собирать знания, создавать новые знания, делиться имеющимися знаниями, использовать имеющуюся информацию, опыт;

разработка и внедрение необходимой информационной системы управления знаниями, состоящей из нескольких баз данных и баз знаний;

обучение сотрудников.

Корпоративная система управления знаниями решает вопросы создания на предприятии единого информационного пространства, организации групповой работы сотрудников для приобретения, представления и обмена знаниями, предоставления доступа к единой корпоративной базе знаний и создает условия для эффективного использования знаний сотрудников в общих интересах.

На сегодняшний день, наряду с созданием специализированных программ по управлению знаниями, многие разработчики включают соответствующую компоненту (модуль) в разрабатываемые ими комплексные системы управления. Так, например, в системе «Галактика» используется компонента системы управления знаниями «Галактика – ZOOM». Эта система объединяет три современные технологии:

технологию системы сбора информации;

технологию классической поисковой системы;

технологию «добычи» знаний из неструктурированных (текстовых) данных – интеллектуальной обработки информации и генерации новых знаний на основе анализа тематических ассоциаций.

7.4. Понятие и назначение экспертной системы [3,4]

Решение специальных задач требует специальных знаний. Однако не каждая компания может себе позволить держать в своем штате экспертов по всем связанным с ее работой проблемам или даже при­глашать их каждый раз, когда проблема возникла.

Главная идея использования технологии экспертных систем заключается в том, чтобы получить от эксперта его знания и, загрузив их в память компьютера, использовать всякий раз, когда в этом возник­нет необходимость.

Экспертная система – это система искусственного интеллекта, которая включает в себя базу зна­ний с набором правил и механизмом вывода, позволяющую на основании этих правил и предостав­ляемых пользователем фактов распознавать ситуацию, ставить диагноз, формулировать решения или давать рекомендации для выбора действия.

Экспертная система представляет собой программный комплекс, содержащий теоретические и практические знания специалистов из определенной предметной области, обеспечивающий консультациями менее квалифицированных пользователей и способный давать им рекомендации по проблемам в этой области с высокой степенью надежности.

ЭС используются для решения неформализованных задач. К неформализованным относят те задачи, которые обладают одной из следующих характеристик:

задачи не могут быть заданы в числовой форме;

цели не могут быть выражены в терминах точно определенной целевой функции;

неоднозначностью, неполнотой и противоречивостью исходных данных о проблемной области и решаемой задаче;

не существует алгоритмического решения задач;

алгоритмическое решение существует, но его нельзя использовать из-за ограниченности ресурсов (время, память).

Наиболее широкое применение ЭС нашли в медицине (диагностика), в технике (отыскание отказов оборудования), в экономике, химии, геологии и других областях. Первые системы такого рода (MYCIN и DEN­DRAL) были созданы в конце 70-х годов. В настоящее время в мире насчитывается несколько тысяч промышленных ЭС, которые дают советы:

при управлении сложными диспетчерскими пультами (например, в сетях распределения электроэнергии);

при постановке медицинских диагнозов;

при поиске отказов в технических средствах;

по проектированию интегральных микросхем;

по управлению перевозками;

по прогнозу военных действий;

по формированию портфеля инвестиций, оценке финансовых рынков;

по налогообложению.

ЭС моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. Это существенно отличает ЭС от систем математического моделирования или компьютерной анимации.

ЭС, помимо выполнения вычислительных операций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некотором специальном языке и хранятся в базе знаний, отдельно от собственно программного кода, который и формирует выводы и соображения.

ЭС отличаются от систем обработки данных тем, что в них используется в основном символьный (а не числовой) способ представления информации. Одной из основных характеристик экспертной системы является ее производительность, т.е. скорость получения результата и его достоверность (надежность).

7.5. Структура и функции экспертной системы [4]

Основными функциями экспертных систем являются:

1. Приобретение знаний – это передача потенциального опыта решения проблемы конкретной ЭС и преобразование его в вид, который позволяет использовать эти знания при дальнейшей работе данной ЭС и разработке новых ЭС. Передача знаний выполняется в процессе достаточно длительных и пространных собеседований между специалистом по проектированию экспертной системы (инженером по знаниям) и экспертами в определенной предметной области, способными достаточно четко сформулировать имеющийся у них опыт.

2. Представление знаний – это процедура отыскания методов формального описания полезной информации с целью ее последующей передачи пользователю.

3. Управление процессом поиска решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться – важная часть процесса функционирования экспертной системы. Такие знания получили наименование метазнаний – т.е. знаний о знаниях.

4. Разъяснение принятого решения. Способность системы объяснить методику принятия решения иногда называют прозрачностью системы. Под этим понимается, насколько просто персоналу выяснить, что делает программа и почему. Эту характеристику системы следует рассматривать в совокупности с режимом управления, поскольку последовательность этапов принятия решения тесно связана с заданной стратегией поведения.

Структура экспертной системы зависит от ее назначения и решаемых задач. Обобщенную структуру современной экспертной системы можно представить в виде основных компонент (рис. 7.2). Следует учесть, что реальные экспертные системы могут иметь более сложную структуру, однако перечисленные основные компоненты присутствуют в любой действительно экспертной системе, поскольку являют собой негласный канон на структуру современной экспертной системы.

Рис. 7.2. Обобщенная структура экспертной системы

Определение и взаимодействие компонентов ЭС и людей, имеющих к ней непосредственное отношение, может быть описано следующим образом.

Эксперт – это специалист предметной области, способный принимать экспертные решения и формулирующий знания о предметной области для ввода их в базу знаний.

Инженер по знаниям (инженер-аналитик, инженер-когнитолог) – это специалист в области искусственного интеллекта, отвечающий за структуру и наполнение базы знаний.

Пользователь – это также специалист в данной предметной области, но его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.

База знаний – это совокупность знаний о предметной области, организованных в соответствии с принятой моделью представления знаний.

Решатель или подсистема логического вывода (интерпретатор, машина вывода, дедуктивная машина, блок логического вывода) – это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний. Решатель формирует последовательность правил, которая приводит к решению задачи, используя исходные данные из рабочей памяти и базы знаний. Различают прямую и обратную цепочку рассуждений. Прямая цепочка рассуждений ведет от данных к гипоте­зам, обратная – является попыткой найти данные для доказательства или опровержения некоторой гипотезы.

Редактор базы знаний – это программа, предназначенная для ввода в базу знаний новых знаний о предметной области и их представления в ней.

Подсистема объяснений – это программа, которая позволяет пользователю получить ответы на вопросы: «Как была получена та или иная рекомендация?», «Почему система приняла такое решение?» и др. Это повышает доверие пользователя к полученному результату.

Взаимодействие пользователя с ЭС осуществляется через интерфейс пользователя на близком к естественному или профессиональному языку предметной области непроцедурном языке.

Интерфейс пользователя – это комплекс программно-технических средств, обеспечивающих взаимодействие пользователя с ЭС как на стадии ввода информации, так и при получении результатов (в процессе приобретения знаний и объяснения результатов работы).

Это взаимодействие обычно включает несколько функций:

1. Обработка данных, полученных с клавиатуры или других устройств ввода и отображение вводимых и выводимых данных на мониторе.

2. Поддержка диалога между пользователем и системой.

Диалог – это общая форма консультации с экспертной системой. Консультация должна завершаться ясным утверждением, выдаваемым системой, и объяснением последовательности вывода, приведшей к этому утверждению.

3. Распознавание ситуации непонимания между пользователем и системой.

Система должна реагировать соответствующим образом на эту ситуацию. Например, не должно произойти сбоя системы, если пользователь вводит не тот ответ, который ожидается или когда он задает бессмысленный вопрос.

4. Обеспечение "дружественности" по отношению к пользователю.

Система пользовательского интерфейса должна быть "дружелюбной" к пользователю. Например, последовательность меню, показывающая задачи, которые пользователь может выбрать, является необходимой чертой экспертной системы.

Промышленные прикладные ЭС могут быть существенно сложнее рассмотренной выше упрощенной схемы, и дополнительно включать базы и банки данных, интерфейсы обмена данными с различными пакетами прикладных программ, электронными библиотеками и т.д.

7.6. Режимы работы и классификация ЭС [3,4]

ЭС может работать в двух режимах: приобретения знаний и реше­ния задач (режим консультации, или режим ис­пользования).

1. Режим приобретения знаний

В этом режиме общение с ЭС осуществляет экс­перт при посредничестве инженера по знаниям (инженера-когнитолога, аналитика). Хорошо зная требования ЭС к организации знаний, инженер по знаниям получает знания от эксперта и, в соответствии с определенными правилами, загружает их в базу знаний экспертной системы.

2. Режим решения задач

В этом режиме общение с ЭС осуществляет ко­нечный пользователь, которого интересует результат и способ его получения. В этом режиме база знаний позволяет ЭС самостоятельно (без эксперта) решать задачи из проблемной области.

Класс «Экспертные системы» сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Например, часто используется следующая классификация:

1.По решаемой задаче:

ЭС интерпретации данных (Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными – определение типа самолета, определение психологических свойств личности).

ЭС диагностики (Под диагностикой понимается процесс обнаружения отклонений в некоторой системе - неисправность оборудования в технических системах, или заболевания живых организмов, или всевозможные природные аномалии).

ЭС мониторинга (Мониторинг – непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы).

ЭС проектирования. (Проектирование - это подготовка спецификаций на создание объектов в виде необходимых документов – чертеж, пояснительная записка и т.д). Основные проблемы здесь – получение четкого структурного описания знаний об объекте.

ЭС прогнозирования - предсказание последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

ЭС планирования - нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

ЭС обучения - использование компьютера для обучения какой-либо дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации.

ЭС управления - осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.

ЭС поддержки принятия решений – обеспечивают выбор альтернативы из множества вариантов.

2. По связи с реальным временем:

Квазидинамические ЭС - интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Динамические ЭС - работают в сопряжении с датчиком объектов в режиме реального времени с непрерывной интерпретацией поступающих в систему данных и учетом изменений в окружающей среде.

Статические ЭС - разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются в заданном интервале.

3. По типу используемых ЭВМ:

ЭС на суперЭВМ;

ЭС на ЭВМ средней производительности;

ЭС на символьных процессорах;

ЭС на мини- и супермини-ЭВМ;

ЭС на персональных компьютерах и рабочих станциях.

4. По степени интеграции с другими программами:

Автономные ЭС - работают непосредственно в режиме консультаций с пользователем для специфически «экспертных» задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т.д.).

Гибридные ЭС - представляют программный комплекс, использующий стандартные пакеты прикладных программ (например, пакеты математической статистики или линейного программирования, электронные таблицы или системы управления базами данных) и средства манипулирования знаниями.

7.7. Понятие системы поддержки принятия решений [3,4]

Система поддержки принятия решений (СППР) – это информационная система, созданная в целях интерактивной поддержки деятельности руководителя (лица, принимающего решения – ЛПР) в процессе принятия решений.

Использование СППР позволяет ЛПР:

осуществлять быстрый доступ к информации, накопленной в компьютере или в компьютерной сети;

осуществлять оптимизацию или интерактивную имитацию, основанную на математических или эвристических моделях;

находить в базах данных принятые ранее решения в ситуациях, подобных исследуемым;

использовать знания лучших в своей области специалистов, включенные в базы знаний экспертных систем;

представлять результаты в наиболее подходящей форме и т.д.

В рамках информационного подхода СППР относят к классу авто­матизированных информационных систем, основное назначение кото­рых – «улучшить деятельность работников умственного труда в организациях путем применения информационной технологии». Основными компонентами СППР (рис.7.4) являются: база данных (БД), база моделей (БМ), программная среда управления (включающая СУБД и систему управления базами моделей – СУБМ) и интер­фейс «пользователь-система» (система управления интерфейсом).

Рис. 7.4. Основные компоненты СППР

База моделей – обеспечивает проведение анализа в СППР для описания или оптимизации какого-либо объекта или процесса. Модели, при помощи определенных алгоритмов способствуют нахождению информации, полезной для принятия правильных решений. Например, модель линейного программирования дает возможность определить наиболее выгодную производственную программу выпуска нескольких видов продукции при заданных ограничениях на ресурсы.

В СППР база моделей содержит следующие виды моделей:

Стратегические модели, которые используются на высших уровнях управления для установки целей организации, объемов ресурсов, необходимых для их реализации, а также политики при­обретения и использования этих ресурсов.

Тактические модели - используются на среднем уровне управления для распределе­ния и контроля имеющихся ресурсов. Их применяют в финансовом планировании, планирова­нии требований к работникам, планировании увеличения продаж, построении схем компоновки предприятий.

Оперативные модели - используются на низших уровнях управления. Возможные применения этих моделей – ведение дебиторских счетов и кредитных расчетов, календарное производственное планирование, управление запасами и т.д. Оперативные модели обычно используют для расче­тов внутрифирменные данные.

Математические модели, состоящие из совокупности модельных блоков, модулей и процедур, реализующих математические методы. В них могут входить процедуры линейного программи­рования, статистического анализа временных рядов, регрессионного анализа и т.п. – от про­стейших процедур до сложных ППП.

Система управления базой моделей (СУБМ) должна обладать следующими возможностями: созда­вать новые модели или изменять существующие, поддерживать и обновлять параметры моделей, ма­нипулировать моделями.

Система управления интерфейсом обеспечивает эффективность и гибкость СППР. Интерфейс определяет:

Язык пользователя – действия, которые производит пользователь в отношении системы путем ис­пользования клавиатуры, «мыши», электронных карандашей, голосовых команд и т.д.

Язык сообщений компьютера – это то, что пользователь видит на экране дисплея, данные, полученные на принтере, звуковые выходные сигналы и т.п.

Знания пользователя – это то, что пользователь должен знать, работая с системой. Это не только план действий в голове пользователя, но и учебники, инструкции, справочные данные, в том числе и выдаваемые компьютером.

В рамках «интеллектуальных систем» СППР, основанные на зна­ниях, отличаются от экспертных систем их существенным различием и целевом использовании: СППР предназначена оказать помощь пользователю в решении сто­ящей перед ним проблемы, а ЭС – заменить человека при решении част­ной проблемы принятия решения.

Традиционно в качестве областей применения СППР выделяют: микроэкономику, макроэкономику, офисную деятельность, оценку и распространение технологий, юриспруденцию, медицину и другие приложения.

При создании СППР могут использоваться два подхода:

1. Нормативный подход, в котором решение разрабатывается с точки зрения его рациональности на основе научного подхода к управлению и исследованию операций.

2. Дескриптивный подход, основанный на традициях искусственного интеллекта и методологии экспертных систем.

7.8. Средства создания систем ИИ [4]

Используемые для разработки систем ИИ инструментальные средства можно разделить на следующие типы:

универсальные языки программирования высокого уровня;

специализированные языки: языки ИИ (языки логического программирования) и языки представления знаний;

средства автоматизированного создания ЭС (инструментальные системы и среды);

системы-оболочки (оболочки ЭС, «пустые» ЭС).

Универсальные языки программирования высокого уровня, такие как С, С++, Pascal, Fortran, Basic, SmallTalk и др., ориентированны в основном на численные алгоритмы и слабо подходят для работы с символьными и логическими данными. Поэтому создание систем ИИ на основе этих языков требует большой работы программистов. Однако большим достоинством этих языков является высокая эффективность, а также возможность включать интеллектуальные подсистемы в крупные программные комплексы общего назначения.

Языки искусственного интеллекта содержат собственные средства представления знаний (в соответствии с определенной моделью) и поддержки логического вывода. Универсальность этих языков меньшая, нежели традиционных языков программирования, но это компенсируется богатыми возможностями по работе с символьными и логическими данными. Такими языками являются:

Язык LISP – язык обработки списков – был разработан в начале 60-х годов и многие годы был наиболее популярным базовым языком реализации систем ИИ.

Язык CLOS (Common LISP Object System)- объектно-ориентированная версия языка LISP.

Язык SNOBOL (StriNg-Oriented symBOlic Language),созданный для обработки строк, в рамках которого впервые появилась и была реализована в достаточно полной мере концепция поиска по образцу.

Язык РЕФАЛ – был создан в Институте прикладной математики АН СССР. В его основу положено понятие рекурсивной функции, определенной на множестве произвольных символьных выражений. Базовой структурой данного языка являются списки, но не односвязные как в LISP, а двунаправленные. Обработка символов ближе к продукционному формализму. При этом активно используется концепция поиска по образцу, характерная для SNOBOL. Таким образом, РЕФАЛ вобрал в себя лучшие черты наиболее интересных языков обработки символьной информации 60-х годов. В настоящее время можно говорить о языке РЕФАЛ второго и даже третьего поколении.

Язык PROLOG появился в начале 70-х годов и составил конкуренцию языку LISP при реализации систем, ориентированных на знания. Однако популярность PROLOG стал приобретать позже, когда благодаря усилиям математиков был обоснован логический базис этого языка, а также в силу того, что в японском проекте вычислительных систем V поколения PROLOG был выбран в качестве базового для машин вывода. В настоящее время PROLOG завоевал признание и на американском континенте, хотя уступает в популярности LISP и даже специальным продукционным языкам, которые широко используются при создании ЭС.

Языки представления знаний. Среди первых языков, сыгравших заметную роль в программной поддержке систем представления знаний, явно выделяются: KRL (Knowledge Representation Language)и FRL (Frame Representation Language).

В последующем (80-е годы) был разработан язык OPS5 (Official Production System, version 5), который претендовал на роль языка-стандарта в области представления знаний для ЭС.

Средства автоматизированного создания ЭС – это программные системы и многофункциональные среды для создания ЭС. Они допускают использование нескольких моделей представления знаний, способов логического вывода и видов интерфейса и содержат вспомогательные средства создания ЭС.

Многофункциональная среда – это среда программирования, поддерживающая несколько парадигм.

Система LOOPS была первой многофункциональной средой ИИ, которая допускала использование двух типов представления знаний: базирующегося на системе правил и объектно-ориентированного программирования.

На основе архитектуры LOOPS во второй половине 1980-х годов было разработано несколько коммерческих программных продуктов, из которых наибольшую известность получили KEE (Knowledge Engineering Environment) – среда инженерии, в основе которой лежат фреймы, а также система ART – многофункциональная среда, поддерживающая технологию проектирования систем, основанных на правилах. Новая версия КЕЕ, известная под названием КАРРА-РС, обладает еще более широким набором стилей для комбинирования правил, объектов и процедур.

Многофункциональная среда – язык CLIPS (С Language Integrated Production System) был разработан в середине 1980-х годов и во многом сходен с языками, созданными на базе LISP, в частности OPS5 и ART. Первая версия CLIPS представляла собой, по сути, интерпретатор порождающих правил. Процедурный язык и объектно-ориентированное расширение COOL (C Object Oriented Language) многофункциональной среды CLIPS были включены в этот программный продукт только в 1990-х годах. Существующая в настоящее время версия может эксплуатироваться на платформах UNIX, DOS, Windows и Macintosh.

Системы-оболочки (оболочки ЭС) создаются, как правило, на основе какой-нибудь ЭС, достаточно хорошо зарекомендовавшей себя на практике. При создании оболочки из системы-прототипа удаляются компоненты, слишком специфичные для области ее непосредственного применения, и оставляются те, которые не имеют узкой специализации.

Системы-оболочки являются наиболее простым средством формализации (автоформализации) экспертных знаний, практически не требующие участия посредников в лице инженера по знаниям или программиста при их использовании. Инженер по знаниям только помогает эксперту выбрать наиболее подходящую для его проблемной области оболочку.

В качестве примера таких систем-оболочек можно привести системы EMYCIN, 1stCLASS, EXSYS, GURU, Hugin и др.

Дата добавления: 2014-12-27