какие системы искусственного интеллекта сии входят в состав систем основанных на языках

Какие системы искусственного интеллекта сии входят в состав систем основанных на языках

А.В. ГАВРИЛОВ СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1. ПРИКЛАДНЫЕ СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1. Логический и нейрокибернетический подходы к созданию систем ИИ

С самого начала исследований в области моделирования процесса мышления (конец 40-х годов) выделились два до недавнего времени практически независимых направления: логическое и нейрокибернетическое.
Первое было основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые применяет человек для решения каких-либо задач. В дальнейшем с появлением концепций «экспертных систем» (ЭС) (в начале 80-х годов) это направление вылилось в научно-технологическое направление информатики «инженерия знаний», занимающееся созданием т.н. «систем, основанных на знаниях» (Knowledge Based Systems). Именно с этим направлением обычно ассоциируется термин «искусственный интеллект» (ИИ).

Логическое направление можно рассматривать как моделирование мышления на уровне сознания или вербального мышления. Его достоинствами являются:

• возможность относительно легкого понимания работы системы;
• легкость отображения процесса рассуждений системы на ее интерфейс с пользователем на естественном языке или каком-либо формальном языке;
• достижимость однозначности поведения системы в одинаковых ситуациях.
Недостатками этого подхода являются: • трудность и неестественность реализации нечетких знаков (образов);
• трудность (или даже невозможность) реализации адекватного поведения в условиях неопределенности (недостаточности знаний, зашумленности данных, не точно поставленной цели и т.п.);
• трудность и неэффективность распараллеливания процесса решения задач.

Нейрокибернетическое направление можно рассматривать как моделирование мышления на подсознательном уровне (моделирование интуиции, творческого воображения, инсайта). Его достоинства – это отсутствие недостатков, свойственных логическому направлению, а недостатки – отсутствие его достоинств. Кроме того, в нейрокибернетическом направлении привлекает возможность (быть может, иллюзорная), задав базовые весьма простые алгоритмы адаптации и особенности структуры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети.

Еще одним достоинством в случае аппаратной реализации нейронной сети является ее живучесть, т.е. способность сохранять приемлемую эффективность решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации.

1.2. Интеллектуальные роботы

Интеллектуальные роботы (иногда говорят «интеллектные» или роботы с искусственным интеллектом) явились развитием простейших программируемых промышленных роботов, которые появились в 60-х годах. Тогда же были заложены основы современных и будущих интеллектуальных роботов в исследованиях, связанных с координацией программирования роботовманипуляторов и технического зрения на основе телевизионной камеры, планирования поведения мобильных роботов, общения с роботом на естественном языке.

Эксперименты с первыми интеллектуальными роботами проводились в конце 60-х – начале 70-х годов в Стэндфордском университете, Стэндфордском исследовательском институте (Калифорния), Массачусетском технологическом институте (Массачусетс), Эдинбургском университете (Великобритания), в Электротехнической лаборатории (Япония).

Типичный интеллектуальный робот состоит из одной или двух рук (манипуляторов) и одной или двух телевизионных камер, размещенных на неподвижной тумбе либо на перемещающейся тележке.

На рис. 1 показана обобщенная структура информационной системы интеллектуального робота. Здесь надо иметь в виду, что на подсистему восприятия поступает большой объем разнотипной информации от датчиков различ10 ных типов: зрительных, слуховых, тактильных, температурных, лазерных или ультразвуковых дальномеров и других более специализированных.

Под синтаксисом понимается структура в пространстве и во времени этой разнотипной информации. Под семантикой – результат ее восприятия как множества возможных типовых ситуаций или образов, требующих какой-либо дальнейшей обработки. Под миром понимается описание окружения робота как результат работы его подсистемы восприятия.

Под действием понимается достаточно сложный двигательный акт, например, перемещение детали из входного бункера в шпиндель станка и ее закрепление там, в отличие от движения как результата срабатывания какой-либо одной степени свободы робота, например, вращение робота вокруг вертикальной оси на заданный угол.

1.3. Интеллектуальный доступ к данным

В настоящее время растет количество информации, хранимой в электронном виде. Компьютерные сети представляют пользователям огромные массивы информации, причем со временем экспоненциально растет как количество этой информации, так и число людей, получивших к ней доступ, благодаря сети Internet.

Появилось также огромное количество поисковых систем, облегчающих доступ к ней. Как правило, они используют ту или иную модификацию поиска по ключевым словам. Большое количество информации хранится в реляционных таблицах различных типов, к которым доступ осуществляется посредством специальных языков типа SQL.

Для того, чтобы избавиться от неудобств, связанных с ограниченностью языка SQL и сложностью поиска информации по ключевым словам в локальных и распределенных в Internet базах данных, разрабатываются средства доступа к данным на естественном языке.

Применительно к локальной базе данных комплекс из таких средств и самой БД может быть назван интеллектуальным банком данных. Его обобщенная структура показана на рис. 2.

База знаний содержит знания о языке общения, а также о предметной области, необходимые для понимания запроса к базе данных. Лингвистический процессор должен обеспечивать синтаксический, семантический анализ и прагматический анализ запроса (вопроса) на естественном языке. В идеале он должен реализовывать «активный диалог» с пользователем, в ходе которого инициатива должна переходить от пользователя к системе и обратно с целью уточнения вопроса.

Примером программного обеспечения для доступа к базам данных на естественном языке является пакет InBase, разработанный в Российском научноисследовательском институте искусственного интеллекта (Москва – Новосибирск).

1.4. Интеллектуальные системы обработки текстовой информации

В настоящее время все чаще появляются прикладные программы для автоматизации офисной деятельности, претендующие на право называться интеллектуальными, т.е. использующими методы искусственного интеллекта. На исследования в области искусственного интеллекта с целью создания таких программ ведущие компании, производящие ПО, в частности Microsoft, тратят миллионы и миллиарды долларов.

Этот класс прикладных систем искусственного интеллекта можно разде- лить на следующие типы программ:

• текстовые редакторы со встроенными средствами проверки орфографии и стилистики (например, всем известная программа Word фирмы Microsoft);
• программы-переводчики (например, Stylus и ПРОМТ фирмы ПРОМТ);
• программы для распознавания и ввода печатных и рукописных документов (программные продукты GuniForm и FineReader российских фирм Cognitive Technologies и ABBYY, соответственно);
• программы для поиска информации в электронных документах по смыслу, в том числе, в Internet (например, программный продукт «Следопыт» российской фирмы MediaLingua);
• программы для реферирования текстовых документов (например, TextAnalist фирмы «Микросистемы»).
• программы для обработки и классификации по смыслу электронной почты (например, программа MLExpert фирмы MediaLingua).

Те или иные из перечисленных выше типов программ встраиваются в современные системы документооборота (например, ЕВФРАТ фирмы Cognitive Technologies).

1.5. Экспертные системы

Экспертные системы – это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.

Обычно экспертные системы рассматриваются с точки зрения их применения в двух аспектах: для решения каких задач они могут быть использованы и в какой области деятельности. Эти два аспекта накладывают свой отпечаток на архитектуру разрабатываемой экспертной системы. Можно выделить следующие основные классы задач, решаемых экспертными системами:

• диагностика;
• прогнозирование;
• идентификация;
• управление;
• проектирование;
• мониторинг.

Наиболее широко встречающиеся области деятельности, где используются экспертные системы:

• медицина;
• вычислительная техника;
• военное дело;
• микроэлектроника;
• радиоэлектроника;
• юриспруденция;
• экономика;
• экология;
• геология (поиск полезных ископаемых);
• математика.

Примеры широко известных и эффективно используемых (или использо- ванных в свое время) экспертных систем:
DENDRAL – ЭС для распознавания структуры сложных органических молекул по результатам их спектрального анализа (считается первой в мире экспертной системой); MOLGEN – ЭС для выработке гипотез о структуре ДНК на основе экспериментов с ферментами;
XCON – ЭС для конфигурирования (проектирования) вычислительных комплексов VAX 11 в корпорации DEC в соответствии с заказом покупателя;
MYCIN – ЭС диагностики кишечных заболеваний;
PUFF – ЭС диагностики легочных заболеваний;
MACSYMA – ЭС для символьных преобразований алгебраических выражений;
YES/MVS – ЭС для управления многозадачной операционной системой MVS больших ЭВМ корпорации IBM;
DART – ЭС для диагностики больших НМД корпорации IBM;
PROSPECTOR – ЭС для консультаций при поиске залежей полезных ископаемых;
POMME – ЭС для выдачи рекомендаций по уходу за яблоневым садом; набор экспертных систем для управления планированием, запуском и полетом космических аппаратов типа «челнок»;
AIRPLANE – экспертная система для помощи летчику при посадке на авианосец;
14 ЭСПЛАН – ЭС для планирования производства на Бакинском нефтепе- рерабатывающем заводе;
МОДИС – ЭС диагностики различных форм гипертонии;
МИДАС – ЭС для идентификации и устранения аварийных ситуаций в энергосистемах;
NetWizard – ЭС для проектирования локальных систем.

Источник

Какие системы искусственного интеллекта сии входят в состав систем основанных на языках

Нечёткая логика и теория нечётких множеств — раздел математики, являющийся обобщением классической логики и теории множеств. Понятие нечёткой логики было впервые введено профессором Лютфи Заде в 1965 году. В этой статье понятие множества было расширено допущением, что функция принадлежности элемента к множеству может принимать любые значения в интервале [0. 1], а не только 0 или 1. Такие множества были названы нечёткими. Также автором были предложены различные логические операции над нечёткими множествами и предложено понятие лингвистической переменной, в качестве значений которой выступают нечёткие множества.

Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети Маккалока и Питтса. Впоследствии, после разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

Интеллектуальный агент — программа, самостоятельно выполняющая задание, указанное пользователем компьютера, в течение длительных промежутков времени. Интеллектуальные агенты используются для содействия оператору или сбора информации. Одним из примеров заданий, выполняемых агентами, может служить задача постоянного поиска и сбора необходимой информации в Интернете. Компьютерные вирусы, боты, поисковые роботы — всё это также можно отнести к интеллектуальным агентам. Хотя такие агенты имеют строгий алгоритм, «интеллектуальность» в этом контексте понимается как способность приспосабливаться и обучаться.

Экспертная система (ЭС, expert system) — компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Генетический алгоритм (англ. genetic algorithm ) — это эвристический алгоритм поиска, используемый для решения задач оптимизации и моделирования путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, напоминающих биологическую эволюцию. Является разновидностью эволюционных вычислений. Отличительной особенностью генетического алгоритма является акцент на использование оператора «скрещивания», который производит операцию рекомбинации решений-кандидатов, роль которой аналогична роли скрещивания в живой природе.

Символьное моделирование мыслительных процессов

Анализируя историю ИИ, можно выделить такое обширное направление как моделирование рассуждений. Долгие годы развитие этой науки двигалось именно по этому пути, и теперь это одна из самых развитых областей в современном ИИ. Моделирование рассуждений подразумевает создание символьных систем, на входе которых поставлена некая задача, а на выходе требуется её решение. Как правило, предлагаемая задача уже формализована, то есть переведена в математическую форму, но либо не имеет алгоритма решения, либо он слишком сложен, трудоёмок и т. п. В это направление входят: доказательство теорем, принятие решений и теория игр, планирование и диспетчеризация, прогнозирование.

Работа с естественными языками

Немаловажным направлением является обработка естественного языка, в рамках которого проводится анализ возможностей понимания, обработки и генерации текстов на «человеческом» языке. В частности, здесь ещё не решена проблема машинного перевода текстов с одного языка на другой. В современном мире большую роль играет разработка методов информационного поиска. По своей природе, оригинальный тест Тьюринга связан с этим направлением.

Накопление и использование знаний

Согласно мнению многих учёных, важным свойством интеллекта является способность к обучению. Таким образом, на первый план выходит инженерия знаний, объединяющая задачи получения знаний из простой информации, их систематизации и использования. Достижения в этой области затрагивают почти все остальные направления исследований ИИ. Здесь также нельзя не отметить две важные подобласти. Первая из них — машинное обучение — касается процесса самостоятельного получения знаний интеллектуальной системой в процессе её работы. Второе связано с созданием экспертных систем — программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов. Многие задачи успешно решаются с помощью биологического моделирования (см. след. пункт). Особо стоит упомянуть компьютерное зрение, которое связано ещё и с робототехникой.

Биологическое моделирование искусственного интеллекта

Отличается от понимания искусственного интеллекта по Джону Маккарти, когда исходят из положения о том, что искусственные системы не обязаны повторять в своей структуре и функционировании структуру и протекающие в ней процессы, присущие биологическим системам, сторонники данного подхода считают, что феномены человеческого поведения, его способность к обучению и адаптации, есть следствие именно биологической структуры и особенностей ее функционирования.

Сюда можно отнести несколько направлений. Нейронные сети используются для решения нечётких и сложных проблем, таких как распознавание геометрических фигур или кластеризация объектов. Генетический подход основан на идее, что некий алгоритм может стать более эффективным, если позаимствует лучшие характеристики у других алгоритмов («родителей»). Относительно новый подход, где ставится задача создания автономной программы — агента, взаимодействующего с внешней средой, называется агентным подходом.

Источник

Понятие: «Система искусственного интеллекта», место СИИ в классификации информационных систем

Существует много различных подходов к классификации информационных систем. Сразу вполне закономерно возникают вопросы о том:

1. Чем обусловлено различие этих классификаций?

2. Какова классификация этих классификаций?

3. Каким образом выбрать ту классификацию, которая нам больше всего подходит в данном случае?

Попробуем ответить на эти вопросы.

Различия между этими классификациями определяются теми критериями, по которым производится классификация, например:

– по степени структурированности решаемых задач;

– по автоматизируемым функциям;

– по степени автоматизации реализуемых функций;

– по сфере применения и характеру использования информации, в частности, по уровням управления.

Изветсно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).

Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны. Поэтому решение нестандартной задачи представляет собой проблему.

Само понятие «стандартности» задачи относительно, относительна сама «неизвестность«: т.е. алгоритм может быть известен одним и неизвестен другим, или информация о нем может быть недоступной в определенный момент или период времени, и доступной – в другой. Поэтому для одних задача может быть стандартной, а для других нет. Нахождение или разработка алгоритма решения переводит задачу из разряда нестандартных в стандартные.

В математике и кибернетике задача считается решенной, если известен алгоритм ее решения. Тогда процесс ее фактического решения превращается в рутинную работу, которую могут в точности выполнить человек, вычислительная машина или робот, под управлением программы реализующей данный алгоритм, не имеющие ни малейшего представления о смысле самой задачи.

Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации. Считается, что эта работа является творческой, существенно неформализуемой и требует участия человека с его «естественным» опытом и интеллектом.

Здесь необходимо отметить, что существует технология решения изобретательских задач (ТРИЗ), в которой сделана попытка, по мнению многих специалистов, довольно успешная, позволяющая в какой-то степени формализовать процедуру решения творческих задач.

Интеллектуальными считаются задачи, связанные с разработкой алгоритмов решения ранее нерешенных задач определенного типа.

Отличительной особенностью и одним из основных источников эффективности алгоритмов является то, что они сводят решение сложной задачи к определенной последовательности достаточно простых или даже элементарных для решения задач. В результате нерешаемая задача становится решаемой. Исходная информация поступает на вход алгоритма, на каждом шаге она преобразуется и в таком виде передается на следующий шаг, в результате чего на выходе алгоритма получается информация, представляющая собой решение задачи.

Алгоритм может быть исполнен такой системой, которая способна реализовать элементарные операции на различных шагах этого алгоритма.

Существует ряд задач, таких, как распознавание образов и идентификация, прогнозирование, принятие решений по управлению, для которых разбиение процесса поиска решения на отдельные элементарные шаги, а значит и разработка алгоритма, весьма затруднительны.

Из этих рассуждений вытекает следующее определение интеллекта: интеллект представляет собой универсальный алгоритма, способный разрабатывать алгоритмы решения конкретных задач.

С этой точки зрения профессия программиста является одной из самых творческих и интеллектуальных, т.к. продуктом деятельности программиста являются алгоритмы реализованные на некотором языке программирования (программы).

Исходя из вышесказанного можно сделать вывод о том, что в нашем случае наиболее подходит классификацией ИС, основанная на критерии, позволяющем оценить «степень интеллектуальности ИС», т.е. на критерии «степени структурированности решаемых задач» (рисунок 5).

Рисунок 5. Классификация информационных систем
по степени структурированности решаемых задач

Данная классификация не претендует на исчерпывающий характер.

Искусственный интеллект — один из разделов информатики, в рамках которого ставятся и решаются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (творческими).
Термин «искусственный интеллект» ( artificial intelligence ) предложен в 1956 году на семинаре с аналогичным названием, который состоялся в США и был посвящен решению логических задач.

Современные интеллектуальные информационные технологии — технологии обра­ ботки информации и решения задач с помощью вычислительных машин, опира­ ющиеся на достижения в области искусственного интеллекта. Результаты исследований по искусственному интеллекту используются в интеллек­ туальных системах (ИС) — технических или программных системах, способных решать задачи, считающиеся творческими, принадлежащие конкретной предмет­ ной области, знания о которой хранятся в памяти интеллектуальной системы. Системы искусственного интеллекта состоят из трех основных блоков: базы зна­ний, решателя и интеллектуального интерфейса. Типичным представителем сис­ тем искусственного интеллекта являются экспертные системы.

ПРИМЕЧАНИЕ
Решатель — система, способная благодаря встроенной в нее общей стратегии нахождения решения (например, путем логического вывода) находить решение задач. Интеллектуальный интерфейс — интерфейс, в который включены средства, позволяющие человеку вести обще­ ние с ЭВМ, не используя для ввода специальные программы.

В целом системы искусственного интеллекта ориентированы на решение большого и очень важного класса задач, называемых неформализуемыми (трудно форма­ лизуемыми), к которым относят задачи, обладающие одной или несколькими из следующих особенностей (свойств): алгоритмическое решение задачи неизвест­ но (хотя, возможно, и существует) или не может быть использовано из-за ограни­ ченности ресурсов ЭВМ; задача не может быть определена (задана) в числовой форме (требуется символьное представление); цели решения задачи не могут быть выражены в терминах точно определенной целевой функции; большая размерность пространства решения; динамически изменяющиеся данные и знания. Как пра­вило, трудно формализуемые задачи обладают неполнотой, неоднозначностью и/или противоречивостью исходных данных и знаний о предметной области.
В исследованиях по искусственному интеллекту можно выделить два основных направления:

1. Программно-прагматическое («не имеет значения, как устроено «мыслящее» устройство, главное, чтобы на заданные входные воздействия оно реагирова ло, как человеческий мозг») — занимается созданием программ, с помощью которых можно решать те задачи, решение которых до этого считалось исключи тельно прерогативой человека. Сюда относятся распознающие и игровые программы, программы для решения логических задач, поиска, классификации и т. п. Это направление ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров.

Существенный прорыв в практических приложениях искусственного интеллекта произошел в середине 70-х годов, когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспер­ тов. В США появились первые коммерческие системы, основанные на знаниях, — экспертные системы. Сформировался новый подход к решению интеллектуаль ных задач — представление и использование знаний.

Источник

• ← какие системы имплантов бывают
• какие системы искусственного интеллекта сии входят в состав систем эвристического поиска →