Примеры отношений:

род-вид («компьютер» – «персональный компьютер»)

целое-часть («компьютер» – «память»)

понятие-пример («компьютер» – «конкретный компьютер . . . »)

Основные операции: сопоставление с образцом, поиск, замена, взятие копии

Примеры семантических сетей:

Будут позже (на сегодняшней лекции).

Достоинства:

• знания хорошо структурированы, структура понятна человеку.

Недостатки:

• при большом объеме сети очень долго выполняются все операции,

• при большом объеме сети она трудно обозрима.

Фреймы

Знания, необходимые для решения задач и организации взаимодействия с пользователем, – фреймы.

Фрейм-понятие – отношение/действие + связанные этим отношением/участвующие в этом действии объекты.

Фрейм-пример – конкретный экземпляр отношения/действия + конкретные объекты (связанные этим отношением/участвующие в этом действии).

Система знаний – совокупность фреймов-понятий и фреймов-примеров.

База знаний – система знаний в компьютерном представлении.

Фрейм: ИМЯ - отношение/действие

СЛОТЫ - объекты или другие фреймы

С каждым слотом может быть связана такая информация:

УСЛОВИЕ НА ЗАПОЛНЕНИЕ (тип, «по умолчанию», связь с другими слотами)

АССОЦИИРОВАННЫЕ ПРОЦЕДУРЫ (действия, выполняемые, например, при заполнении этого слота)

Основные операции: поиск фрейма/слота, замена значения слота, взятие копии фрейма-понятия

Примеры:

Фрейм-понятие «Перемещать»

ПЕРЕМЕЩАТЬ (кто?, что?, откуда?, куда?, когда?, . . .)

Условия: кто? – человек, робот, . . .

откуда? – место

. . .

Фрейм-пример

ПЕРЕМЕЩАТЬ (Саша, Саша, Главное_Здание_МГУ, Факультет_ВМК, вчера в 15-30, . . .)

Фрейм-понятие «Персональный_компьютер»

ПЕРСОНАЛЬНЫЙ_КОМПЬЮТЕР (фирма-производитель?, процессор?, память?, . . .)

Фрейм-пример

ПЕРСОНАЛЬНЫЙ_КОМПЬЮТЕР (ASUS, Intel Celeron, 512Мб, . . .)

Достоинства:

• знания хорошо структурированы, структура понятна человеку.

Недостатки:

• при большом количестве фреймов долго выполняются все операции,

• при большом количестве фреймов знания трудно обозримы.

Продукции

Знания, необходимые для решения задач и организации взаимодействия с пользователем, – продукции (продукционные правила).

Продукция – правило вида: p:  (где: p – предусловие,  - антецедент,  - консеквент).

Система знаний – система продукционных правил + стратегия выбора правил.

База знаний – система знаний в компьютерном представлении.

Основные операции: вывод (применение правила, определение правила-преемника и т.д.)

Примеры:

True: T > 200C & P > 5 кПа  открыть клапан № 3

True: Х - башня  Х имеет_часть У1 & У1 есть КРЫША & . . .

Достоинства:

• простая и ясная нотация.

Недостатки:

• при большом количестве правил вывод идет очень долго,

• при большом количестве правил их совокупность трудно обозрима.

4.Сложности формирования БЗ (на примерах):

Пример: Формирование описания объекта на основе знаний «здравого смысла»

При описании АРКИ одного из объектов Мира Кубиков с помощью семантических сетей мы будем использовать: 1)объекты/понятия: арка, блок, пирамида (пирам), многогранник (мног);

2)отношения: целое-часть (1), род-вид (2), поддерживает (3) и некоторые другие.

Рассматривается проекция трехмерных объектов на плоскость.

В описание не включается очевидный факт – работа с Кубиками ведется на плоскости (table).

Достаточно естественный вариант АРКИ: может быть описан так:

Другой возможный вариант АРКИ: имеет другое описание:

Если в БЗ будет указано, что блок и пирам –

частные случаи объекта мног → можно дать обобщенное описание АРКИ:

В этом описании не учтен «вырожденный» случай арки (см. ниже). Для того, чтобы исключить такой объект, следует указать, что блоки основания АРКИ не соприкасаются.

Не очень понятно, следует ли считать АРКОЙ объект, изображенный на следующем рисунке («феномен кучи»). Можно заменить в описании отношение не соприкасаются (4)

отношением расстояние между блоками > δ (5).

Отметим, что этот пример можно рассматривать не только в контексте описания (и его формализации) ПО человеком, но и в контексте обучения системы ИИ.

Пример: Использование в качестве источника информации о ПО энциклопедических источников

Некоторые словарные статьи из «Толкового словаря Ожегова» (http://www.ozhegov.ru/):

АВТОБУС: многоместный автомобиль для перевозки пассажиров

АВТОМОБИЛЬ: транспортное средство на колесном ”реже полугусеничном или другом” ходу с собственным двигателем для перевозок по безрельсовым путям

…

МАШИНА: == автомобиль. Служебная, личная м. Гараж для машины.

…

ТРАМВАЙ: городская наземная электрическая железная дорога, а также ее вагон или поезд.

…

ТРОЛЛЕЙБУС: многоместная электрическая транспортная машина, идущая по безрельсовым путям.

…

РОТОР: вращающаяся часть в машинах.

Верно ли такое формальное описание объекта «ротор» (логические методы представления знаний):

Ротор (x) ↔ Часть (x, y) & Машина (y) & Вращается (x) ?

Вероятно, нет. Так как, если Машина не работает, то Ротор не Вращается.

Возможное уточнение (требует привлечения информации, которой нет в источнике):

Ротор (x) ↔ (t) [Работает (y, t) & Часть (x, y) & Машина (y) → Вращается (x)]

5. Метазнания в системах искусственного интеллекта:

Метазнания – знания системы ИИ о ее собственных знаниях: как они структурированы, как и при каких условиях их можно менять (в том числе, с учетом проблемы полномочий: автоматическое изменение, изменения после получения подтверждения от пользователя, изменение пользователем).

С использованием метазнаний в экспертных системах мы познакомимся в соответствующем разделе.

В данном разделе мы рассматриваем метазнания как средство разрешения конфликта между наличными знаниями системы ИИ (содержанием базы знаний) и входной информацией.

Примеры конфликтов:

- не удается завершить анализ текста условия задачи, т.к. в нем встретилось незнакомое системе ИИ слово;

- не удается продолжить планирование решения, т.к. ни один оператор к очередной вершине дерева поиска неприменим;

- новый факт формально противоречит одному из ранее известных.

Разрешение конфликта (на примере появления во входном тексте слова, которое не входит в словарь системы ИИ):

• поиск возможных причин (незнакомое слово – это либо действительно новое слово, либо слово с орфографической ошибкой);

• их динамическое (в текущем сеансе общения с известным пользователем: один часто допускает клавиатурные ошибки, другой любит использовать необычные/редкие слова) упорядочение;

• выбор наилучшего способа устранения конфликта (заменить букву, вставить пропущенный пробел и т.п.);

• необходимая временная коррекция базы знаний (например, временное снятие запрета на появление незнакомых слов) или изменение входных данных (исправление орфографической ошибки);

• обучение (факультативно), например, запись в словарь системы нового слова.

Вспомним, что в модуль проверки правописания текстового процессора при появлении незнакомого системе слова прелагает: пропустить это слово, исправить ошибку (выбрав вариант, предлагаемый системой, либо, предложив свой вариант исправления) или добавить слово в словарь системы.

1.Обучение, обучающие выборки

Обучение (в психологии) – усвоение новых знаний.

Новые умения и навыки приобретаются путем тренировки и упражнения.

Обучение (в работах по ИИ): «любое изменение в системе, приводящее к улучшению решения задачи при ее повторном предъявлении или к решению другой задачи на основе тех же данных» - Н.Саймон.

Принцип полноты базовых знаний. Возможность/невозможность «обучения с нуля».

Проблемы полноты и репрезентативности обучающей выборки (при пополнении базы знаний).

Некоторые важные термины

Генеральная совокупность – вся изучаемая выборочным методом статистическая совокупность объектов и/или явлений, имеющих общие качественные признаки или количественные переменные

Выборка (выборочная совокупность) – часть объектов из генеральной совокупности, отобранных для изучения, с тем чтобы сделать заключение о всей генеральной совокупности. Для того, чтобы заключение, полученное путем изучения выборки, можно было распространить на всю генеральную совокупность выборка должна обладать свойством репрезентативности.

Репрезентативность (представительность) – свойство выборки отражать характеристики изучаемой генеральной совокупности.

Репрезентативная выборка – выборка, имеющая такое же распределение относительных характеристик, что и генеральная совокупность.

Ошибки выборки – отклонение статистической структуры выборки от структуры соответствующей генеральной совокупности.

Произвольная выборка – эмпирическая выборка, не имеющая вероятностного обоснования, складывающаяся на основе случая, причем выбор каждого случая не влияет на любой другой случай.

Источник – www.glossary.ru.

2.Символьное обучение (обучение в ПРОСТРАНСТВЕ ПОНЯТИЙ)

Основные операции в пространстве понятий: обобщение, специализация.

Индуктивное обучение как поиск в пространстве понятий

Пример: Пусть в пространство понятий входит некоторое абстрактное понятие:

Object (Sizes, Colors, Shapes)

и известно, что его признаки принимают такие значения:

Sizes = {large, small}; Colors = {red, blue, white, green}; Shapes = {round, polygon}

Индуктивное обучение в этом пространстве – поиск понятия, удовлетворяющего всем примерам обучающей выборки.

Пусть, далее, у нас есть единственный обучающий пример – Object1 (small, red, round).

Результатом обучения может стать пополнение пространства понятий таким новым частным случаем («маленький красный шар»/«маленький красный мяч» и т.п.). Это – специализация.

Пусть появляется второй обучающий пример – Object2 (large, red, round).

Результатом обучения может стать пополнение пространства понятий этим новым частным случаем («большой красный шар»/«большой красный мяч» и т.п.). Это тоже – специализация.

Можно выполнить и некоторые операции обобщения, построив и добавив в общее пространство новые понятия:

Object3 (X, red, round) – («красный шар»/«красный мяч» и т.п.)

Object4 (X, Y, round) – («шар»/«мяч» и т.п.)

Основные операции обобщения

1.Замена конкретного значения понятия на переменную:

Colors (X, red) & Shapes (X, cube) → Colors (X, Y) & Shapes (X, cube)

(«красный куб» ) → («куб <любого цвета>» )

2.Исключение конъюнкта:

Sizes (X, small) & Colors (X, red) & Shapes (X, cube) → Colors (X, red) & Shapes (X, cube)

(«красный куб малого размера» ) → («красный куб» )

3.Добавление дизъюнкта:

Colors (X, red) & Shapes (X, cube) → Colors (X, red) & ((Shapes (X, cube) V Shapes (X, pyramid))

(«красный куб» ) → («красный куб или красная пирамида» )

4.Замена конкретного объекта или частного понятия общим понятием (на основе иерархии классов):