Шпора (Шпоры к первому коллоквиуму), страница 10

. .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 будемиспользовать: 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:блок13арка1блок31пирамДругой возможный вариант АРКИ:имеет другое описание:блок13арка1блок31блокЕсли в БЗ будет указано, что блок и пирам –частные случаи объекта мног →можно дать обобщенное описание АРКИ:блокмног2132арка1блок31блокпираммногВ этом описании не учтен «вырожденный» случай арки (см.

ниже). Для того, чтобы исключитьтакой объект, следует указать, что блоки основания АРКИ не соприкасаются.блок1арка134блок31многНе 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).блок1арка153блок31многОтметим, что этот пример можно рассматривать не только в контексте описания (и егоформализации) ПО человеком, но и в контексте обучения системы ИИ.Пример: Использование в качестве источника информации о ПО энциклопедическихисточниковНекоторые словарные статьи из «Толкового словаря Ожегова» (http://www.ozhegov.ru/):АВТОБУС: многоместный автомобиль для перевозки пассажировАВТОМОБИЛЬ: транспортное средство на колесном ”реже полугусеничном или другом” ходу ссобственным 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 безрельсовымпутям.…РОТОР: вращающаяся часть в машинах.Верно ли такое формальное описание объекта «ротор» (логические методы представлениязнаний):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 прикаких условиях их можно менять (в том числе, с учетом проблемы полномочий: автоматическоеизменение, изменения после получения подтверждения от пользователя, изменениепользователем).С использованием метазнаний в экспертных системах мы познакомимся в соответствующемразделе.В данном разделе мы рассматриваем метазнания как средство разрешения конфликта междуналичными знаниями системы ИИ (содержанием базы знаний) и входной информацией.Примеры конфликтов:- не удается завершить анализ текста условия задачи, т.к. в нем встретилось незнакомое системеИИ слово;- не удается продолжить планирование решения, т.к.

ни один оператор к очередной вершинедерева поиска неприменим;- новый факт формально противоречит одному из ранее известных.Разрешение конфликта (на примере появления во входном тексте слова, которое не входит всловарь системы ИИ):- поиск возможных причин (незнакомое слово – это либо действительно новое слово, либослово с орфографической ошибкой);- их динамическое (в текущем сеансе общения с известным пользователем: один частодопускает клавиатурные ошибки, другой любит использовать необычные/редкие слова)упорядочение;- выбор наилучшего способа устранения конфликта (заменить букву, вставить пропущенныйпробел и т.п.);- необходимая временная коррекция базы знаний (например, временное снятие запрета напоявление незнакомых слов) или изменение входных данных (исправлениеорфографической ошибки);- обучение (факультативно), например, запись в словарь системы нового слова.Вспомним, что в модуль проверки правописания текстового процессора при появлениинезнакомого системе слова прелагает: пропустить это слово, исправить ошибку (выбрав вариант,предлагаемый системой, либо, предложив свой вариант исправления) или добавить слово всловарь системы.1.Обучение, обучающие выборкиОбучение (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 решениязадачи 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 терминыГенеральная совокупность – вся изучаемая выборочным методом статистическая совокупностьобъектов и/или явлений, имеющих общие качественные признаки или количественныепеременныеВыборка (выборочная совокупность) – часть объектов из генеральной совокупности, отобранныхдля изучения, с тем чтобы сделать заключение о всей генеральной совокупности. Для того, чтобызаключение, полученное путем изучения выборки, можно было распространить на всюгенеральную совокупность выборка должна обладать свойством репрезентативности.Репрезентативность (представительность) – свойство выборки отражать характеристикиизучаемой генеральной совокупности.Репрезентативная выборка – выборка, имеющая такое же распределение относительныххарактеристик, что и генеральная совокупность.Ошибки выборки – отклонение статистической структуры выборки от структурысоответствующей генеральной совокупности.Произвольная выборка – эмпирическая выборка, не имеющая вероятностного обоснования,складывающаяся на основе случая, причем выбор каждого случая не влияет на любой другойслучай.Источник – www.glossary.ru.2.Символьное обучение (обучение в ПРОСТРАНСТВЕ ПОНЯТИЙ)Основные операции в пространстве понятий: обобщение, специализация.Индуктивное обучение как поиск в пространстве понятийПример: 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 примерамобучающей выборки.Пусть, далее, у нас есть единственный обучающий пример – Object1 (small, red, round).Результатом обучения может стать пополнение пространства понятий таким новым частнымслучаем («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 частнымслучаем («большой красный шар»/«большой красный мяч» и т.п.). Это тоже – специализация.Можно выполнить и некоторые операции обобщения, построив и добавив в общее пространствоновые понятия:Object3 (X, red, round) – («красный шар»/«красный мяч» и т.п.)Object4 (X, Y, round)– («шар»/«мяч» и т.п.)Основные операции обобщения1.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 иерархииклассов):Colors (X, red) → Colors (X, rainbow-color)(«красный» → «цвета радуги»)Shapes (X, polyhedron) → Shapes (X, solid)(«многогранник» → «геометрическое тело»)Роль отрицательных примеров в предотвращении излишнего обобщения.В последние годы определенную популярность в работах по ИИ получил подход кмоделированию процессов обучения/развития на основе так называемых генетическихалгоритмов.3.Понятие о генетических алгоритмах(Использован материал бывшего доступным в 2002 году сайта:http://www.ai.tsi.lv/ru/index.htm, Борисов А.Н.

Курс: Генетические алгоритмы, 2002)Генетические алгоритмы (ГА) - это стохастические, эвристические оптимизационныеметоды, впервые предложенные Джоном Генри Холландом в книге «Адаптация в естественныхи искусственных системах» (1975). Они основываются на идее эволюции с помощьюестественного отбора, выдвинутой Дарвином.ГА работают с совокупностью "особей" - популяцией, каждая из которых представляетвозможное решение данной проблемы.

Каждая особь оценивается мерой ее"приспособленности" согласно тому, насколько "хорошо" соответствующее ей решениезадачи. В природе это эквивалентно оценке того, насколько эффективен организм приконкуренции за ресурсы. Наиболее приспособленные особи получают возможность"воспроизводить" потомство с помощью "перекрестного скрещивания" с другими особямипопуляции.

Это приводит к появлению новых особей, которые сочетают в себе некоторыехарактеристики, наследуемые ими от родителей. Наименее приспособленные особи с меньшейвероятностью смогут воспроизвести потомков, так что те свойства, которыми они обладали,будут постепенно исчезать из популяции в процессе эволюции. Иногда происходят мутации,или спонтанные изменения в генах.Таким образом, из поколения в поколение, хорошие характеристики распространяютсяпо всей популяции.