Введение в интеллектуальные информационные технологии

В основе стратегии интеллектуальных технологий лежит понятие парадигмы - концептуального представления на суть проблемы или задачи и принцип ее решения.

 

Центральная парадигма интеллектуальных технологий - это обра­ботка знаний.

 

Системы, ядром которых является база знаний или модель предметной области, описанная на языке сверхвысокого уровня, прибли­женном к естественному языку, называют интеллектуальными.

 

Чаще всего интеллектуальные системы (ИС) применяются для решения сложных задач, связанных с использованием слабо формализованных знаний специалистов - практиков, а также с логической обработкой информации. Например, поддержка принятия решения в сложных ситуациях, анализ визуальной информации, управление в электрических цепях электрооборудования и сетях распределения электроэнергии; поиск неисправностей в электронных устройствах, диагностика отка­зов контрольно - измерительного оборудования и т. д.

 

Типичными примерами ИС являются:

· экспертные системы (ЭС)

· искусственные нейронные сети (ИНС),

берущие на себя решение вопросов извлечения и структурирования знаний, а также технологические аспекты разработки систем, основанных на знаниях.

 

Экспертные системы – это быстро прогрессирующее направление в области искусственного интеллекта. Современные ЭС представляют собой сложные программные комплексы, аккумулирую­щие знания специалистов в конкретных предметных областях и распростра­няющие этот эмпирический опыт для консультирования менее квалифици­рованных пользователей.

Парадигма ЭС предполагает следующие объекты, а также этапы разработки и функционирования ИС:

· формализация знаний – преобразование экспертом проблемного знания в форму, предписанную выбранной моделью представления знаний;

· формирование базы знаний (БЗ) – вложение формализованных знаний в программную систему;

· дедукция – решение задачи логического вывода на основе БЗ.

 

Основные факторы, влияющие на целесообразность и эффективность раз­работки ЭС:

· нехватка специалистов, затрачивающих значительное время для оказания помощи другим;

· выполнение небольшой задачи требует многочисленного коллектива спе­циалистов, поскольку ни один из них не обладает достаточным знанием;

· сниженная производительность, поскольку задача требует полного ана­лиза сложного набора условий, а обычный специалист не в состоянии просмотреть за отведенное время все эти условия;

· большое расхождение между решениями самых хороших и самых плохих исполнителей;

· большое расхождение между решениями самых хороших и самых плохих исполнителей;

· наличие экспертов, готовых поделиться своим опытом.

Сравнительные свойства прикладных задач для их решения ЭС приведены в таблице 1.

 

Таблица 1.

Критерии применимости ЭС

Применимы ЭС Неприменимы ЭС
Не могут быть построены строгие алгоритмы или процедуры, но существуют эвристические методы решения.   Имеются эффективные алгоритми-ческие методы.
Есть эксперты, которые способны решить задачу. Отсутствуют эксперты или их чис-ло недостаточно.
По своему характеру задачи отно-сятся к области диагностики, интерпретации или прогнозиро-вания Задачи носят вычислительный характер.
Доступные данные “зашумленны”. Известны точные факты и строгие процедуры.
Задачи решаются методом фор-мальных рассуждений. Задачи решаются процедурными методами, с помощью аналогии или интуитивно.
Знания статичны, неизменны. Знания динамичны меняются со временем.

 

Недостатки экспертных систем перед человеком-экспертом:

· экспертная система может быть не пригодна для применения пользователем, если у него нет опыта работы с такими системами;

· вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений;

· существует проблема приведения знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию;

· человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.

Достоинства экспертных систем перед человеком- экспертом:

· у них нет предубеждений, они не делают поспешных выводов;

· введенные в машину знания сохраняются, человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются;

· эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей.

 

Главное отличие ЭС от других программных средств - это наличие базы знаний, в которой знания хранятся в форме, понятной специали­стам предметной области, и могут быть изменены и дополнены также в по­нятной форме. Это и есть языки представления знаний (ЯПЗ).

 

В России в исследования и разработку ЭС большой вклад внесли работы Д. А. Поспелова (основателя Российской ассоциации искусственного ин­теллекта и его первого президента), Э. В. Попова, В. Ф. Хорошевского, В. Л. Стефанюка, Г. С. Осипова, В. К. Финна, В. Л. Вагина, В. И. Городец­кого и многих других.

Современное состояние разработок в области ЭС в России можно охаракте­ризовать как стадию все возрастающего интереса среди широких слоев спе­циалистов - менеджеров, инженеров, программистов и других. Наибольшие трудности в разработке ЭС вызывает не процесс машинной реализации систем, а этап анализа знаний и проектирования базы знаний. Этим занимается специальная наука - инженерия знаний.

Другим актуальным направлением разработки ИС является создание интеллектуальных нейронных сетей (ИНС). Характер разработок в области ИНС принципиально отличается от ЭС. В основе нейронных сетей лежит преимущественно поведенческий подход к решаемой задаче: сеть «учится на примерах» и подстраивает свои параметры при помощи так называемых алгоритмов обучения через механизм обратной связи.

 

Парадигма ученика включает следующие положения и последовательность действий:

· формирования базы данных на основе обработки наблюдений и изучения опыта частных примеров;

· индуктивное обучение - изучение аппроксимирующих, вероятностных и логических механизмов получения общих выводов из частных утверждений, то есть превращение базы данных (БД) в базу знаний (БЗ) и обоснование процедуры извлечения знаний из БЗ;

· дедукция - выбор информации из БЗ на основе обоснованной или предполагаемой процедуре.

 

В рамках этой парадигмы самообучающиеся системы являются менее изученными, чем экспертные системы. Искусственные нейронные сети индуцированы биологией, так как они состоят из элементов, функциональные возможности которых аналогичны большинству элементарных функций биологического нейрона. Нейрон реализует достаточно простую передаточную функцию, позволяющую преобразовать возбуждения на входах, с учетом весов входов, в значение возбуждения на выходе нейрона. Функционально законченный фрагмент мозга имеет входной слой нейронов – рецепторов, возбуждаемых извне, и выходной слой, нейроны которого возбуждаются в зависимости от конфигурации и возбуждения нейронов входного слоя. Распределение величин возбуждения нейронов выходного слоя, чаще всего поиск нейрона, обладающего максимальной величиной возбуждения, позволяет установить соответствие между комбинацией и величинами возбуждений на входном слое. Эта зависимость определяет возможность логического вывода вида «если - то». Управление и формирование данной зависимости осуществляется весами синаптических связей нейронов, которые влияют на направление распространения возбуждения нейронов в сети, приводящие на этапе обучения к «нужным» нейронам выходного слоя. Отсюда следует, что сеть работает в двух режимах: в режиме обучения и в режиме распознавания (рабочем режиме). В режиме обучения производится формирование логических цепочек. В режиме распознавания нейронная сеть по предъявленному образу с высокой достоверностью определяет, к какому типу он относится, какие действия следует предпринять и т.д. Следовательно, под ИНС следует понимать системы, параметры, которых могут изменяться в процессе обучения или самообучения, исходя из накопленного опыта обобщающего предыдущие прецеденты на новые случаи и извлекающего существенные свойства из поступающей информации. Нейронные сети применяются для решения трудно формализуемых задач, в которых информация об объекте является неполной, неточной или нечеткой. Кроме того, связь между входными и выходными параметрами может быть настолько сложна, что моделирование в традиционном смысле становится малоэффективным, а порой просто невозможным. Примеры эффективного применения ИНС являются задачи управления, распознавания образов, анализа данных, моделирования и прогнозирования.


<== предыдущая лекция | следующая лекция ==>
Значение автоматизации. Кибернетический аспект этого процесса. | Основные сведения из истории создания ИС




Дата добавления: 2019-10-16; просмотров: 71; ЗАКАЗАТЬ НАПИСАНИЕ РАБОТЫ


Поиск по сайту:

При помощи поиска вы сможете найти нужную вам информацию, введите в поисковое поле ключевые слова и изучайте нужную вам информацию.

Поделитесь с друзьями:

Если вам понравился данный ресурс вы можете рассказать о нем друзьям. Сделать это можно через соц. кнопки выше.
helpiks.org - Хелпикс.Орг - 2014-2020 год. Материал сайта представляется для ознакомительного и учебного использования. | Поддержка
Генерация страницы за: 0.005 сек.