Навчання та самонавчання (machine learning)

Ця галузь штучного інтелекту сьогодні активно розвивається. Містить моделі, методи та алгоритми, що орієнтовані на автоматичне накопичення та формування знань на підставі аналізу та узагальнення даних [Гаєк, Гавранек, 1983; Гладун, 1994; Фінн, 1991]. Цей напрямок складається з навчання за прикладами (індуктивне навчання) та використовує традиційні підходи з теорії розпізнавання образів.

Останнім часом з цим напрямом дуже тісно межують нові системи, що стрімко розвиваються: аналізу даних (data mining) та пошуку закономірностей у базах даних (knowledge discovery).

2.6. Розпізнавання образів (pattern recognition)

Традиційно вважається, що саме цей напрям виник від початкових витоків штучного інтелекту, однак в теперішній час він практично виділився окрему самостійну науку. Її основним підходом є опис класів об’єктів через певні значення визначних ознак. У відповідність кожному об’єкту ставиться матриця ознак, за якою відбувається його розпізнавання. Процедура розпізнавання використовує здебільшого спеціальні математичні процедури та функції, що розподіляють об’єкти на класи. Цей напрям є близьким до машинного навчання та тісно пов’язаний з нейрокібернетикою [Довідник зі ШІ, 1990].

3. Дані та знання

Під час вивчення інтелектуальних систем зазвичай виникає питання – що є знаннями і у чому полягає їх відмінність від звичайних даних, що їх ЕОМ обробляє вже протягом не одного десятиліття. Для того, щоб отримати відповідь, проаналізуймо декілька робочих визначень.

Дані — це окремі факти, що характеризують окремі факти, процеси та явища предметної області, а також їх властивості.

Трансформація даних в процесі їх обробки ЕОМ відбувається в декілька умовних етапів:

D1 — дані як результат вимірювань та спостережень;

D2 — дані на матеріальних носіях інформації (таблиці, протоколи, довідники);

D3 — моделі (структури) даних у вигляді діаграм, графіків, функцій;

D4 — дані в комп’ютері на мові опису даних;

D5 — бази даних на машинних носіях інформації

Знання ґрунтуються на даних, що отримані емпіричним шляхом. Вони є результатом розумової діяльності людини, яка спрямована на узагальнення отриманого в процесі практичної діяльності досвіду.

Знання — це отримані в результаті практичної діяльності та професійного досвіду закономірності предметної області (принципи, зв’язки, закони), що дозволяють спеціалістам ставити та вирішувати задачі в цій галузі.

Під час обробки на ЕОМ знання трансформуються аналогічно даним.

Z1 — знання в пам’яті людини як результат мислення;

Z2 — матеріальні носії знань (підручники, методичні посібники);

Z3 — поле знань — умовний опис основних об’єктів предметної області, а також атрибутів та закономірностей, що їх пов’язують;

Z4 — знання, що описані мовами представлення (продукційні мови, семантичні мережі, фрейми – див. далі);

Z5 — база знань на машинних носіях інформації.

Широко використовується також наступне визначення знань: Знання — це добре структуровані дані, або дані про дані, або метадані.

Існує безліч способів визначити поняття. Одним з найбільш уживаних є спосіб, що ґрунтується на ідеї інтенсіоналу.

Інтенсіонал поняття — це визначення його через співвідношення з поняттям більш високого рівня абстракції із зазначенням його специфічних властивостей. Інтенсіонали формулюють знання про об’єкти. Інший спосіб визначає поняття шляхом співвідношення його з поняттями більш низького рівня абстракції або шляхом перелічення фактів, що стосуються об’єкту, який має бути визначений. Цей спосіб є визначенням за даними, або екстенсіоналом поняття.

Приклад 1.1.

Поняття «персональний комп’ютер». Його інтенсіоналом є: "Персональний комп’ютер — це дружня ЕОМ, яку можна придбати менше, ніж за $2000-3000 та встановити на стіл".

Екстенсіоналом цього поняття є: «Персональний комп’ютер — це Mac, IBM PC, Sinkler...»

Для зберігання даних використовують бази даних - їм притаманний великий обсяг та відносно невелика питома вартість інформації. Для зберігання знань застосовують бази знань – попри доволі невеликий обсяг, вартість інформаційних масивів є винятково високою. База знань — це основа будь-якої інтелектуальної системи. Знання можна класифікувати за наступними категоріями:

• Поверхові — знання про видимі, наочні взаємозв’язки між окремими подіями та фактами предметної області.

• Глибинні — абстракції, аналогії, схеми, що відбивають структуру та природу процесів, що відбуваються в предметній області. Ці знання пояснюють явища і можуть бути використані для прогнозування поведінки об’єктів.

Приклад 1.2.

Поверхові знання: "Якщо натиснути кнопку дзвінка - пролунає звук. Якщо непокоїть головний біль - слід випити аспірин".

Глибинні знання: "Принципова електрична схема дзвінка та проведення. Знання фізіологів та лікарів високої кваліфікації про причини, види головного болю, та про методи його лікування".

Сучасні експертні системи працюють переважно з поверховими знаннями. Це пояснюється відсутністю на даний момент методик, що дозволили би виявляти глибинні структури знань та працювати з ними.

Крім вищезгаданих, в підручниках зі ШІ знання традиційно поділяють на процедурні та декларативні. Історично процедурні, тобто “розчинені” в алгоритмах, знання є первинними. Вони керували даними. Для їх зміни потрібно було змінювати програми. Однак, в процесі розвитку штучного інтелекту пріоритет даних поступово змінювався, дедалі більша частина знань була зосереджена в структурах даних (таблиці, списки, абстрактні типи даних), тобто роль декларативних знань ставала більш значною.

Сьогодні знання набули суто декларативної форми, тобто знаннями вважаються речення, які записані наближеними до природних та зрозумілими для неспеціалістів мовами представлення знань.

4. Моделі представлення знань

Існують десятки моделей (або мов) Существуют десятки моделей (или языков) представления знаний для различ­ных предметных областей. Большинство из них может быть сведено к следую­щим классам:

• продукционные модели;

• семантические сети;

• фреймы;

• формальные логические модели.