Лекции 1 Кохов

Экспертные системы.

Введение.

Интеллект – способность учиться, приобретать, модифицировать и пополнять знания в целях решения задач.

Интеллект (сл. Ожегова С.И.) – мыслительная способность, умственное начало, ум человека, определяющие его деятельность.

John McCarthy (автор языка LISP) ввел термин “искусственный интеллект”.

Задачи ИИ:

• Оперирование символьными конструкциями.

• Недетерминизм в процессе поиска решений.

• Доказательство теорем в символьном виде (ппф_и  ппф_к) (Newell A., Show Y., Simon H.)

General Problem Solver (GPS) – универсальный решатель задач

• Игровые задачи (шахматы (10¹²⁰ вариантов), шашки (10⁵⁰), “15”,…)

• Понимание естественного языка (ЕЯ)

Пример: Студент Петров в 14ч. на лекции в МЭИ. Но система не сможет ответить где был студент в 13.55. Скорее всего около кабинета, но этот контекст знаем мы, а не система.

Архитип. Фраза “Показать кузькину мать”. Иностранцы не поймут. Как научить компьютер это понимать?

Семиотика

Def. AI

1. Область информатики, связанная с разработкой интеллектуальных систем, т.е. систем, обладающих возможностью традиционно связываться с человеческим разумом. (Barr A., Feigenbaum E., 1981)

2. Область Computer Science, занимающаяся автоматизацией поведения. (Luger G.)

(AI  Computer Science)

Интеллектуальная система – система, позволяющая моделировать определенные свойства человеческого разума. (Финн В.К.)

Специфика интеллекта

1. Способность выделять существенное в имеющейся информации (знаниях).

1. Способность к целеполаганию и планированию действий.

“Цель  план  действие”, “Цель  средства  результат”.

1. Способность к отбору знаний.

Понятия – из треугольника Frege.

Суждения – некоторые конструкции, имеющие статус истины, которые берем из понятий.

Умозаключения – рассуждения, которые имеют некоторый посыл и заключение (с некоторым коэффициентом уверенности).

1. Способность рассуждать (извлекать следствия из имеющихся знаний).

1. Способность к аргументированному принятию решений.

2. Способность к рефлексии.

3. Наличие познавательного любопытства.

4. Способность и потребность находить объяснения (Отвечать на вопрос “Почему?”).

5. Способность к синтезу познавательных процедур (образующих эвристики решаемых задач)

KAT = (Ax, H, R_Д, R_пр) – квази-аксиоматическая теория.

Ax – аксиомы,

H – гипотезы,

R_Д – правила вывода (строгие),

R_пр – правила вывода (правдоподобные).

1. Способность к обучению и использованию памяти.

2. Способность к рационализации идей.

3. Способность к созданию целостной картины относительно нашей области рассуждений (проблемной/предметной области).

4. Способность к адаптации в условиях изменения жизненных ситуаций и знаний  корректировка теории и поведения.

ИИ (ИС) – системы, которые реализуют часть этих свойств (по Финну).

ИС = Решатель задач + Информационная среда (БД, БЗ) + интеллектуальный интерфейс.

Горячие точки в “ИИ”

(Д.А. Поспелов; Г.С. Осипов)

1. Переход от вывода к аргументации.

Перход от достоверного вывода к правдоподобному. От вывода к аргументации. Дедукция => Индукция + Аналогии + Абдукция (+ Аргументация)

1. Проблема объяснения (обоснования).

Классическая схема объяснений:

Для ответа на вопрос “Почему?”,

Системы поднимается на уровень выше (R).

Для ответа на вопрос “Как?”,

Системы опускается на уровень ниже.

(F1&F2->Ci)

1. Поиск релевантных знаний.

KAT = <T_дост, T_правд>

T_дост – Ax, R_{дост. вывода}

T_правд – H, R_{правд. вывода}

1. Понимание текста.

   1. Сопоставление: текст  рисунок (образ)

Треугольник Frege

Переход от треугольника Frege к четырехугольнику Поспелова.

1. Синтез текста.

1. Когнитивная графика.

   1. Chernoff (формирование “лиц”).

Перебираются параметры, и выдается лицо. Если румяное, улыбающееся  все хорошо.

1. Если предметная область (ПО) новая, то выделяются факторы, чтобы навести понятийный порядок. Факторы – базовые понятия. Далее связи между факторами.

Связи можно взвешивать. Можно, также, разбить на несколько множеств, далее проверяя на сильную, среднюю, слабую связность.

1. Мультиагентные системы.

(Роевой интеллект – пчел, муравьев).

1. Реактивные (на простых правилах “если .. то ..”, как у рептилии). Хорошо  лежи, хочешь есть  ищи пищу.

2. Когнитивные (лимбическая система, есть некоторые знания, которыми могут оперировать).

3. Интеллектуальные агенты (то, что рептилиям уже не свойственно, способен ставить цель, вести переговоры, входить в сообщество).

1. Семантические сети. Фреймы  Онтологии предметной/проблемной области.

(структурное описание предметной области).

1. Работа с метазнаниями (знаниями о знаниях).

2. Soft Computing

Нечеткая логика (Заде) + нейронные сети + эволюционная модель (генетические алгоритмы)

Основные отличия данных от знаний.

Данные (Ожегов) – сведения, необходимые для какого-либо вывода, решения, основания для чего-либо.

Знания – проверенный практикой результат познания действительности, верное ее отражение в мышлении человека.

Данные – отдельные факты, характеризующие объекты, процессы, явления предметной области, а также, их свойства.

Знания – закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, и, позволяющие специалистам ставить и решать задачу в этой предметной области.

1. Данные – пассивны. Знания – активны.

Системы, основанные на данных (СОД): Решение = данные + алгоритм.

СОЗ: Решение = знания + поиск вывода (рассуждения) + обоснования.

1. Интерпретируемость знаний.

Для знания обязательно 3 составляющих – треугольник Frege.

1. Структурируемость знаний (данные не структурированы или плохо структурированы).

Отношение ISA, моделирует состояние:

класс – подкласс

множество – подмножество

род – вид

A ISA B  Ext(A)  Ext(B)

Ext(A) – экстенсионал, в данном случае – денотат.

Например: PC ISA Компьютер (Ext(PC)  Ext(Компьютер)

Отношение Part of (часть - целое)

A Part of B  A  B

Например: Голова Part of Человек

1. Ситуативность знаний. (Динамичность).

Отношение “быть рядом”.

a r b  b r a ?

Относительно горы муравей рядом.

Относительно муравья – он далеко от горы.

Данные – не ситуативные.

1. Наличие статуса истинности.

Данные достоверны. Знания правдоподобны.

(5’) Шкалируемость знаний

Иногда надо работать с черно-белыми шкалами  появляется точка разрыва.

Логика знаний.

- традиц. модальность («необходимость»).

 p  p – возможность

1. Множество всех теорем AB (логических высказываний).

2. Схема аксиом дистрибутивности (K - схема).

 - L

K: L(p q) (Lp Lq)

Если необходимо, что p влечёт q, то необходимость p влечёт необходимость q.

1. Modus Ponnens

p: p q

q

1. Модальное правило необходимости.

p

 p

- M L

1. Схема аксиомы знаний.

“То что известно, то верно”.

T: Lp p

1. Схема аксиом позитивной интроспекции.

4: Lp LLp

Если что-то известно, то известно, что это известно.

1. Схема аксиом негативной интроспекции.

5: Mp LMp L p p

Если возможно какое-то p, то известно, что это возможно.

Логика KT4 (S4) в 7 нет, Логика KT45 (S5) – для моделирования сомнений, рассуждений.

1. Левополушарное мышление – рациональное (вычислитель). Дедукция.

Или класс. аргументация. arg₊ - arg_-

1. ПП – творческое (образное, рассуждатель)

Индукция, абдукция, аналогия. расстановка весов субъективна. Преценденты (ситуация, которая имела место в прошлом) case based reasoning

1. Common sense reasoning

Рассуждение на основе здравого смысла.

1. Belief – вера, убеждение. КАТ – Финн В.К. (Ax, Rдост.выв., H, Rправд.выв.)

Ретроспектива развития ИИ

бионический подход	информационный подход
построение моделей человеческих органов; попытка моделирования сетчатки глаза, распознавания образов. Perseptron(Персептрон) Rosenblat, Minsky, Papert 1 Data Mining Σ х ИИ Бионическое (коллекционное) Символьное (логич., инф.) х 1   n n 	y ? Не важно как устроена, важно чтобы решение получалось такое же, какое получает человек.

Эволюц. модерниз. ψ(x)=1 →

Prolog – семиотические модели. Интарированные модели.

Эволюционная модель = НС + НЛ + ГА.

НС – нейронные сети, НЛ – нечеткая логика. ГА – генетические алгоритмы.

смешанный подход

Soft computing: нейронные сети + нечеткие алгоритмы+генетические алгоритмы

1956 г. Дартлизская школа по ИИ.

Развитие ИИ

Симв.

(логич.)