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

Текст из файла (страница 3)

При способе фиксации событий объяснения составляются из кратких текстов на естественном языке, которые хранятся вместе с правилами и фактами. Эти тексты предварительно помещаются в программу и инициируются в том случае, когда задан вопрос по соответствующей ситуации и необходимо их представление. Несмотря на некоторое преимущества, связанные с возможностью формирования удобных и простых для восприятия объяснений, этот способ имеет два важных ограничения, препятствующих широкому применению: объяснения должны исправляться каждый раз, когда меняется БЗ; объяснение может быть адаптировано к индивидуальному пользователю только с большим трудом. Кроме того, очень часто пользователя интересует именно ход рассуждения, цепочка логических выводов, приведших к заключению.

Способ трассировки рассуждений при объяснении предусматривает пересечение дерева целей для ответа на вопросы. СО может объяснять, как было получено заключение. Это достигается путем прохождения подцелей, которые были удовлетворены при движении к цели.

В последнее время получает распространение новый вид объяснения, называемый обоснованием выводов, которое, не учитывая способа комбинации выводов, дает описание системы путем выявления причин сделанных выводов. Одним из способов является проверка или оценка правильности и реализуемости на основе прогнозирования последствий и развития ситуаций в случае использования этих решений, а также выявление возможных узких мест. Во многих предметных областях, связанных с производственным процессом, основой для принятия управляющих решений и выработки обоснованных рекомендаций является оценка ситуаций, складывающихся во внешней среде, определение и прогнозирование ее наиболее важных свойств на основе интерпретации имеющихся данных.

Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций и при текущих данных. При обосновании решений и прогнозировании в этих системах часто используется либо имитационная, либо параметрическая динамическая модель, в которой значения параметров подгоняются под данную ситуацию. Выводимые из этой модели следствия составляют основу для прогноза.

Производственные системы ИИ с возможностями обоснования решений и прогнозирования на базе имитационного моделирования, прежде всего, необходимы при решении задач оперативно – диспетчерского управления производством, планирования, управления процессами в реальном времени.

4. Проектирование ПСИИ

4.1. Этапы проектирования и стадии существования ПСИИ

Проектирование производственных систем искусственного интеллекта – это итеративный и эволюционный процесс, в котором участвуют несколько специалистов: эксперт, обладающий знаниями о предметной области и желающий помочь работе по созданию системы, а также специалисты в области ИИ – инженеры знаний, аналитики и программисты. В зависимости от объема и трудоемкости работ группа может состоять из трех – шести человек.

При оценке проблемной области на этапе проектирования ПСИИ необходимо учитывать следующие факторы: легкость сбора данных, представимость данных, оправданность затрат на разработку ПСИИ, наличие экспертов, наличие необходимых ресурсов (ЭВМ, программистов, программного обеспечения и т.д.).

После анализа проблемной области и определения целесообразности внедрения интеллектуальной системы в этой сфере приступают к проектированию системы.

Существуют различные взгляды на определение числа этапов проектирования ПСИИ. Это зависит от многих факторов, в частности от характера функций будущей системы, области использования, наличия развитых инструментальных средств. Однако многие этапы и содержание работ являются общими и необходимыми для ПСИИ практически всех типов. Ниже приведен перечень таких этапов и их составляющих:

1. Описание проблемной области: определение проблемной области, показывающее важность проблемы для всей организации; определение проблемных экспертов, желающих передать знания базе знаний; подготовка и объявление плана развития.

2. Персонал: определение группы проектировщиков и соответствующих заданий; назначение квалифицированного руководителя проекта; установление и проведение в жизнь твердой линии управления.

3. Принятие проекта: проведение организационного заседания; обсуждение основного подхода к проблеме; подготовка специального плана развития; подготовка к монтажу необходимых технических средств и инструментария.

4. Прототип системы: развитие системного прототипа: тестирование; получение дополнительной информации о проблемной области по результатам тестирования.

5. Развитие полной системы: расширение базы знаний прототипа; оценивание структуры интерфейса пользователя: объединение средств обучения пользователей и документации

6. Верификация системы: вовлечение в процесс проверки экспертов и потенциальных пользователей: обеспечение функционирования системы в соответствии с проектом.

7. Интеграция системы: выполнение полной системы, как планировалось; обеспечение совместимости и взаимодействия системы с уже действующими.

8. Поддержка системы: обеспечение непрерывной поддержки системы; модернизация БЗ в случае поступления новой информации; сохранение ответственности за систему.

9. Документация: подготовка полной документации системы; подготовка руководства для пользователя; организация консультаций пользователям.

Этапы создания ПСИИ не являются четко очерченными, подробно регламентированными. Между некоторыми из них трудно провести временную и содержательную границу. Они в какой-то степени описывают процесс проектирования ПСИИ.

Стадии существования ПСИИ соответствуют уровню готовности системы, завершенности ее функциональных возможностей, реализуемых инструментарием. Определяют следующие стадии существования ПСИИ: демонстрационный; исследовательский прототип; действующий прототип; промышленная система; коммерческая система.

4.2. Предметная область и работа с экспертами

Предметную область можно определить как сферу человеческой деятельности, выделенную и описанную согласно установленным критериям. В описываемое понятие должны входить сведения об ее элементах, явлениях, отношениях и процессах, отражающих различные аспекты этой деятельности. В описании предметной области должны присутствовать характеристики возможных воздействий окружающей среды на элементы и явления предметной области, а также обратные воздействия этих элементов и явлений на среду. Работа по изучению и анализу предметной области при проектировании ПСИИ оказывает решающее влияние на эффективность ее работы.

Специфика ПО может оказывать существенное влияние на характер функционирования проектируемой ПСИИ, выбор метода представления знаний, способов рассуждения о знаниях и т.д. В то же время можно привести примеры, когда системы ИИ, ориентированные на использование в определенной проблемной среде, подходили для проблематики совершенно на другой области.

Как правило, ПСИИ создаются совместно со специалистами – инженерами, которые передают свои знания о процессах и объектах, поясняют схему рассуждений по выбору решений конкретных задач, приводят неформализуемые факторы, которые необходимо учитывать. Процесс работы с экспертами или специалистом состоит в извлечении знаний или, более корректно, приобретении знаний. Процесс этот сложный, трудоемкий, содержит факторы технического, психологического, производственного и социального характера. Большую роль в данном процессе играет инженер знаний. В течение долгого времени он работает с экспертом, определяя задачи, выявляя наиболее важные понятия, определяя и формулируя правила отношений между понятиями. Инженер знаний должен хорошо знать предметную область, владеть методами формализации и представления знаний, другим инструментарием ИИ, быть психологом, быстро ориентироваться в различных ситуациях. Трудным моментом в работе инженера знаний является оказание помощи эксперту при попытках структуризовать предметные знания, определить и формализовать предметные концепции.

Эксперт должен желать и быть в состоянии помочь в изучении предметной области. Он должен осознавать, что ПСИИ призваны помочь им в практической деятельности, а не вытеснять их.

Приобретение знаний для ПСИИ может осуществляться различными путями, каждый из которых предусматривает перенос знаний для решения задач от источника в программу. Такими источниками являются: эксперт, эмпирические данные, результаты исследования, литературные источники.

Практический опыт решения задачи приобретения знаний привел к развитию методов и программных средств, призванных упростить процесс приобретения знаний. Эти средства и методы для приобретения знаний могут быть разделены на три категории: редакторы и интерфейсы для формирования баз знаний, средства для объяснения различных аспектов работы, средства для модификации баз знаний.

5. Инструментальные средства для разработки ПСИИ

5.1. Программные средства

Исследования и эксперименты в области искусственного интеллекта породили самостоятельную подобласть, которую можно отнести к обеспечивающей. Усилия здесь направлены на создание специализированных технических и программных средств, ориентированных на разработку и эксплуатацию систем ИИ

Программные средства разработки и реализации систем ИИ можно разделить на следующие группы: универсальные языки программирования, универсальные языки представления знаний и оболочки.

ПСИИ представляют собой программный комплекс (или техническое устройство, в которое зашита программа), позволяющий решать задачи на уровне человека-оператора. Любую программу можно написать на машинно-ориентированном языке (ассемблере) или на универсальном языке высокого уровня. Процесс программирования ПСИИ на специализированных средствах занимает в 2-3 раза меньше времени, чем на универсальных средствах, однако эффективность ПСИИ при этом ниже. Еще одним фактором, существенным для выбора инструментальных программных средств при разработке ПСИИ, является потенциальная возможность взаимодействия с программными средствами, используемыми на различных уровнях иерархии интегрированных АСУП.

Оптимальное решение задачи выбора: первый прототип реализуется на специализированных средствах, и в случае достаточной эффективности этих средств на них могут быть написаны действующий прототип, и даже промышленная система. Однако в большинстве случаев прототип следует “переписать” на традиционных средствах.

Рассмотрим наиболее известные и широко применяемые программные средства искусственного интеллекта.

Язык программирования Лисп. Самое популярное средство для программирования систем ИИ. Создан в 60-х годах американским ученым Дж. Маккарти и его учениками. Наиболее известными диалектами этого языка являются InterLisp, QLisp, CommonLisp. На языке Лисп написаны многие ЭС (Mycin, Internist, Kee), системы естественно-языкового общения (Margie, Shrdlu, Дилос), интеллектуальные ОС (Flex).

Популярность Лиспа объясняется тем, что он с помощью довольно простых конструкций позволяет писать сложные и изящные системы обработки символьной информации. Правда все Лисп - системы имеют низкую вычислительную эффективность.

Существенной особенностью языка Лисп является то, что здесь ”данные” и ”программы” внешне ничем не отличаются друг от друга. Это дает возможность писать на Лиспе программы манипулирующие не только ”данными”, но и ”программами”. Именно данное свойство позволяет Лиспу стать изящным средством программирования систем ИИ.

Язык программирования FRL (Frame Representation Language). Относится к классу фрейм - ориентированных языков. Фрейм в FRL – это совокупность поименованных, ассоциативных списков, содержащая до пяти уровней подструктур. Подструктурами фреймов могут быть слоты, аспекты, данные, комментарии и сообщения.

Важным свойством FRL является наличие в нем встроенного механизма ”наследования свойств”. Т.е. все понятия предметной области в БЗ организовываются в виде иерархической классификационной системы, где каждое общее (родовое) понятие связывается с более конкретным (видом). Применяется механизм наследования свойств.

На сегодняшний день большинство FRL - систем написаны на Лиспе.

Язык программирования Пролог. Наиболее известные Пролог – системы: MProlog, CProlog, Prolog-2, Arity Prolog, Turbo Prolog, Strawberry Prolog. Пролог все чаще в последнее время стал привлекаться к разработке ЭС. Математической основой этого языка являются исчисление предикатов преимущественно первого порядка, метод резолюций Робинсона, теория рекурсивных функций. За счет наличия большого набора встроенных предикатов язык Пролог можно отнести к универсальным языкам программирования и даже к языкам системного программирования. Важнейшей особенностью языка является наличие реляционной базы данных.

Язык программирования OPS. Язык относится к числу продукционных. Являясь универсальным языком, он в первую очередь предназначен для разработки систем ИИ, и, в частности экспертных систем. Архитектура языка OPS типична для продукционных систем: база правил, рабочая память и механизм вывода. Отличительные черты семейства языков OPS: программное управление стратегией вывода решений, развитая структура данных и принципиальная эффективность реализации.

Язык программирования Рефал (рекурсивных функций алгоритмический язык). Это машинно-независимый алгоритмический язык, ориентированный на так называемые ”символьные преобразования”: перевод с одного языка на другой, алгебраические выкладки и т.п. Рефал – универсальный метаязык для преобразования объектов языковой природы. Важнейшим приложением Рефала является его использование в качестве метаязыка для построения системных макрокоманд и специализированных языков. В качестве конкретных областей применения Рефала в разработке ПСИИ следует отметить, в частности, создание специализированных языков общения с ЭВМ, автоматическую генерацию программ, перенос программ на языки высокого уровня и их адаптацию при переходе от одного типа ЭВМ к другому.

Проблема выбора программных инструментальных средств вызывает бурные дискуссии между сторонниками специализированных языков ИИ и традиционных языков высокого уровня. Над решением данной проблемы работает целый ряд компаний, специализирующихся на ИИ и коммерческих ЭС, а также большинство крупных фирм по производству ЭВМ.

5.2. Технические средства

Одним из важных факторов, стимулирующих развитие систем ИИ и их внедрение на производстве, является техническая база, на которой они могут быть реализованы.

Производственные системы ИИ создаются сегодня практически на всем диапазоне средств вычислительной техники: от больших ЭВМ до персональных компьютеров и Лисп – машин.

Реализованные на базе Лисп – процессоров ЭВМ, наиболее часто называют первыми специализированными машинами, использующими концепции искусственного интеллекта

Такими машинами являются ЭВМ типов Series III фирмы Lisp Machine, LM-2 от Symbolics

К числу факторов, сдерживающих распространение систем ИИ, относят такие недостатки первых Лисп – процессоров, как значительные габаритные размеры и высокая стоимость, а также отсутствие возможности программирования на языках типа Фортран.

Характеристики

Список файлов реферата