Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 2)

Конец 50х-60е – логическая парадигма (моделирование левополушарных механизмов)

Была построена GPS (Newell, Shaw, Simon)

1958г – LISP (McCarthy)

70е – Prolog

70е годы – отказались от парадигмы универсальных решений; упор на системы, основанные на знаниях (ЭС); ориентировка на решение определенного класса задач на уровне эксперта.

Для плохо формализованных слабо структурированных задач:

F (x) → ext

x X_доп

Модели (средства) представления знаний:

1. Логические МПЗ (ИППП) → неклассические логики

Дедукция → абдукция + индукция + аналогии + аргументация

1. Продукционные МПЗ (90% всех систем)

С помощью правил продукции «если <УП>, то <результат, k>»

1975г – OPS5 (написан на LISP): правила продукции + фреймы; плохо представляются структурированные знания (поэтому использовались фреймы)

1965г – Dendral (спектрограммы)

1969г – Macsima

70е годы – системы Hearsai I → Hearsai II – агент-коммуникатор (идея классной доски); Mycin → ЕMycin → Teirasias Prospection (полезные ископаемые, используется байесовский метод) → Kas

1. Модели представления структурированных знаний

Семантические сети и фреймы (M. Minsky)

< имя фрейма, <слот>>

<имя слота, тело, комметарий>

1. Интегрированные (объектно-ориентированные) МПЗ

85г – CLIPS(COOL)

1948г – Н.Виннер «Кибернетика»

1955г – «Логик-теоретик», Newell, Simon, Shaw

1955-56г – J. McCarthy → AI

1956г – школа-семинар – официально озвучили термин AI

1957г – универсальный решатель задач GPS

1971-74г – Prolog

Начало 70х – новые исследования в ИИ (ЭС) и представлении знаний, работы по анализу естественного языка и машинного обучения, машинное зрение и тп.

1975г – Minsky предложил Frame

Середина 70х – ЭС – Dendral и Mycin

Конец 70х – первые коммерческие ЭС: XCon для фирмы Dec (3000 правил, позволила комплектовать 10 типов компьютеров)

У стройство: дисковод

Т ип: Е1203 фрейм

…

1980г - создание американской ассоциации ИИ (AAAI)

• Середина 80х – бум по поводу успехов ЭС

• Prospector

• Folio

• Willard

• Empty и Shell (пустые ЭС и системные оболочки)

• LISP и Prolog машины для разработки ЭС

Конец 80х – проблемы:

1. сложность поддержки массивных БЗ,

2. негибкость,

3. высокая стоимость разработки,

4. трудности работы с противоречиями,

5. невозможность обмена знаниями между ЭС,

6. необучаемость,

7. проблема извлечения и структурирования знаний.

Появилось направление «Инженерия Знаний» (Knowledge Engineering)

Статические ЭС

Интерфейс с внешними программными средствами

Ядро ЭС

Пользователь

Блок приобретения и накопления знаний

Блок объяснения результата

Интерфейс пользователя

ЛПР Э (КЕ)

БД(РП) Решатель БЗ

1. ф

   этапы

   ормирование знаний → полнота, неопределенность

2. принятие решений

1997г – Deep Blue vs Каспаров

Конец 1999-2000е – коммерческие ИС:

• Звук в текст (распознавание речи > 100 тыс слов+дикторский текст, распознавание голосовых сообщений <1000 слов+ «зашумленные» данные)

• Автоматизированное реферирование текста (Semantic Web)

• СППР (финансы, банковская сфера)

• Множественные ЭС

• Системы-помощники (Help Desk Support Systems)

• Интегрированные и динамические ЭС

Динамические ЭС:

С татическая ЭС Блок моделирования

1. Генерация исходной информации

2. Прогнозы при нескольких вариантах решения

3. Прогнозы последствий принимаемых решений

Интерфейс с внешним объектом

Датчики Контроллеры

Rethink

GDA

NeurOnline (моделирование нейронных сетей)

G 2

Основные преимущества ЭС:

1. Расширение сферы решаемых задач на трудно формализуемые и слабо структурированные

2. Тиражирование уникальных знаний экспертов

3. Устранение недостатков современного программирования

4. Объединение технологии ИИ и современного программирования

5. Широкая доступность ЭС

6. Робастность ЭС (по мере ухудшения исходных данных уменьшается качество ответа, но система не отказывается найти его)

7. Устойчивость работы

8. Быстрый отклик системы, возможность объяснения результата

9. Используются как интеллектуальный доступ к информации и в качестве учителя

Классификация ЭС как приложений

1. По типу приложения

   1. взаимозависимость с внешними программыми средствами (ЭТ, СУБД, датчики, контроллеры)

изолированные \ интегрированные

1. возможность модификации

закрытая \ открытая

1. переносимость&масштабируемость

непереносимые \ переносимые

немасштабируемые \ масштабируемые

1. по архитектуре

ориентированные на централизованную архитектуру (или отдельные копии ОС на компьютерах, или на одну ОС по всем компьютерам) \ ЭС

1. По типу проблемной области

Тип проблемной области = f (тип предметной области, тип решаемой задачи)

1. Тип предметной области

   1. Характеристика предметной области

Статическая \ динамическая

1. Способ описания элементов БД

Фиксированный состав \ изменяемый состав

1. Способ организации БЗ

Неструктурированная \ структурированная

продукционные правила и тп. сети, фреймы, антологии

1. Тип решаемых задач

   1. Форма

Замкнутая \ открытая

1. Класс решаемых задач

• Задачи анализа: интерпретация, диагностика, мониторинг

• Задачи синтеза: планирование, проектирование

• Комбинированные задачи: управление, обучение

1. Тип используемых утверждений

Частные(специальные) \ обобщенные

Конкретный случай возможно использование конструкции типа предикатов

1. Отношение к реальному времени

С РВ \ не СРВ

1. Псевдо РВ (время не критично, ограничено некоторыми рамками)

2. Мягкое РВ (> 1 cек) (подавляющее большинство систем)

3. Жесткое РВ (< 0.5-1 сек)

Статические проблемные области = статическая предметная область + фиксированный состав элементов в БД + неструктурированная БЗ + решаются статические задачи анализа в замкнутой форме + используются частные утверждения + нет РВ. → статическая ЭС

Динамические проблемные области = динамическая предметная область + структурированная БЗ + изменяющийся состав элементов в БД + открытая форма задачи + обобщенные утверждения + РВ → динамическая ЭС

1. По стадии существования

Концепция прототипирования (ЭС проходит ряд стадий):

1. Демонстрационная стадия (демонстрационный прототип) (~0,5-1 год) – несколько десятков правил

2. Рабочий прототип (действующая версия, решает все задачи + краевые) (~1-2 года) – сотни обобщающих правил

3. Промышленная система (доработали интерфейс, оптимизация продукции) (~2 года)

4. Коммерческая система (более дружественный интерфейс, обобщение системы, маркетинг) (~1-3 года)

1. По типу используемой вычислительной системы

   1. ПК (в основном обучающие)

   2. Рабочие станции (основные системы)

   3. суперЭВМ

   4. специальные компьютеры (LISP, Prolog машины)

Методы обработки плохоопределенной информации в ИС (ЭС)

Природа неопределенности:

• Неопределенность в исходной информации (данных)

Фактор с некоторым коэффициентом уверенности

• Неопределенность в имеющихся знаниях

p_i : (f_i → R_i, k_i)

• Неопределенность в задании цели

Например цель задана качественно, а не количественно

Задача оптимизации

F (x) → ext

x X^k

p _i : (c_i → R_i, k_i)

условие результат

k(R_i) = f(k_i, k(c_i)) – если исходные данные недостоверны.

Наиболее часто используются

1. Модель maxmin (наиболее осторожная, но не гибкая)

2. Вероятностная модель (теория вероятности)

Теоретико-вероятностные методы оперирования с неопределенностью

1. Схема Байеса

pi = (ci → Ri, ki)

Ei – свидетельство Hi – гипотеза P(H|E) = P(E|H) =

Условная вероятность

Формула Байеса

P(H|E) = def

P(E) = P(E|H)P(H) + P(E|⌐H)P(⌐H)

Модифицированная схема Байеса:

Апостериорный шанс отношение правдоподобия априорный шанс

R(H|E) O(H)

Шанс справедливости гипотезы Н:

Отношение правдоподобия:

P(H)=

O(H|E)=R(H|E) O(H) – модифицированная схема Байеса

P(H|E)=

Если R(H|E) = 1, свидетельство нейтральное (P(E|H) = P(E| )

Если R(H|E) < 1, в качестве свидетельства используется контрсвидетельство, т.е. Е противоречит гипотезе.

Если R(H|E)>1, Е – свидетельство.

P(H|E)

R(H|E)

∆₁ – отбросить Н

∆₃ – принять Н как достоверную

∆₂ – P(H|E) – степень правдоподобия

Ряд свидетельств {E_i}, i=1..n, используется для ряда гипотез {H_j}, j=1..n

P(H|E₁..E_n) – случай зависимости от многих свидетельств

В случае независимости свидетельств E_i справедливо:

O(H|E₁..E_n) = R(H|E₁) … R(H|E_n) O(H)

P(H|E₁..E_n) = , т.е. схема Байеса применима

Определение важности свидетельства E_i:

Характеристики

Список файлов лекций