Дерево решений и направления вывода в прикладных системах ИИ.

Общая неформальная структура систем продукций: <S,G>, где S(state) – начальная ситуация, G(goal) – цель, цель кот надо выяснить(какая-то инф-ция, кот есть в правой части правил). Реш-ие задачи- это некот. путь от S к G, кот соответствуют правилам перехода R. Бывают различные варианты работы ЭС: 1. надо найти хотя бы один такой путь; 2. найти все пути и выбрать наилучший по заданным критериям(кроме правил, задан некот критерий сравнения)/ Напр-р: длина пути или кол-во исходных данных.

БД – хранилище фактической информации о ходе решения задачи. БЗ – хранилище долговременной инф-и о правилах обработки данных в задан. задаче.

Напр-р: БД: {А,В,С}

БЗ: 1) {F,B}→Z; 2) {D,C}→F; 3) A→D; 4) {B,D}→X; 5) E→D

Исх. данные- это только те данные, кот есть в лев. Части, система не может их вычислить. Глобальные цели- то, что в прав. частях, а в лев. не встречаются (Z,X). Целями экспертизы м.б. глобальные и промежуточные цели.

Смысл логического вывода: выведение из фактов новой инфы. Процесс применения правил порождает цепочку вывода. Сущ-ет 2 осн-х способа ее порождения:

1) Прямой вывод – если истинна лев. часть, то истинна пр.ч. +картинка

На 1’ом шаге применимо только 3’е правило → БД: { A,B,C,D}. На 2ом шаге сработает второе правило → БД: { A,B,C,D,F}.

Просматриваем сверху вниз: применяется 1ое правило → БД: { A,B,C,D,F,Z}. Те правила, кот применились, повторно не использ. Примен-ся 4ое правило → БД: { A,B,C,D,F,Z,X}.

На 2ом шаге мы могли еще применить 4ое правило → БД: { A,B,C,D,X}, затем 2ое → {A,B,C,D,X,F}. Затем 1ое → {A,B,C,D,F,Z,X}, т.е. пришли к тому же самому.

При добавлении фактов мех-зм разрешения конфликтов роли не играет, т.к. все равно приходим к тому же самому результату.

При исследовании прямого вывода обычно применяют дерево реш-й, кот имеют вид:

2) Обратный вывод: рисуют И\Или граф, кот. показывает как целевая задача разбивается на подзадачи.

Цель – Z; необходимо узнать истинна ли она.

Элементы в квадратах - д.б. обязательно истинно. D – вершина ИЛИ-графа.

Направление вывода выбирается из соотношения кол-ва глобальных целей и исх. данных. Если глобальных целей существенно меньше, чем мно-во исх.данных, то выбирается обратный вывод, и наоборот.

Общие определения И/Или-графа: 1)заключительные вершины всегда разрешимы 2) вершина типа ИЛИ разрешима тогда, когда разрешима хотя бы одна, следующая за ней вер-на 3) вершина И разрешима, если разрешимы все следующие за ней вершины.

Системы, работающ в прямом направлении вывода снизу вверх (БД- это низ) назыв Bottom-up(восходящие), а методы – методы поиска в пространстве состояний.

Системы. Работающ. В обратном направлении(от цели к факту) – top-down(нисходящие), а методы – редукция задач(декомпозиция).

Поиск по графам – методы возврата назад с сохранением инф-и.

Двусторонний поиск- система начинает работать в прямом напр. и пополняет БД, но происходит холостая операция (нет больше таких правил, кот-е пополнят БД) и цель еще не достигнута, система переходит в обр. режим поиска. Пр. система Prospector (геология) – use двустор. вывод. Сперва раб. в прямом режиме, затем в обр. – из частично подтвержденных целей выбир-ся одна – с макс. достов-тью, затем снова прямой. Рез-т работы – выдача всех подтвержденных гипотез.

Прикладные системы искусственного интеллекта: классификация и основные характеристики.

В современном мире прогресс производительности программиста достигается только в тех случаях, когда часть интеллектуальной нагрузки берут на себя компьютеры. Одним из способов в этой области, является "искусственный интеллект". Искусственный интеллект - обычно толкуется, как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий. Мы можем перефразировать определение интеллекта как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Задачи прикладных систем: распространение компьютерных подходов на творческие задачи. Прикл. Системы ИИ – системы, кот. решают творческие з-чу не хуже специалиста.

[[ Основная задача ИИ – дать способность человеку творчески мыслить, принимать решение в той или иной ситуации. При этом пользователь не должен понять с кем работает с человеком или программой.

В задаче имитации человеческой деятельности выделяют 2 задачи: имитация структуры мозга (Апар.Обесп: 15-20 млд. нейронов, связей сотни триллионов, в технике существуют 200-250 тыс. микропроцессоров, реализующих до 10 млн. связей – нейронокомпьютеры, они в решении этой задачи много не дали), Прогр.Обесп.(здесь упор не делается на АО, а с помощью обычных компов, делая программы пытающиеся заставить машину думать).

Логика является фундаментом для прикладных систем ИИ.

ЭС – экспертные системы – имитируют узкого специалиста в какой-либо области. Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. Программные средства, базирующиеся на технологии экспертных систем, получили значительное распространение в мире. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Область применения: советчик по разработке, советчик-проводник по сложн. системам. Пимер: SIRA – предсказание неисправности трубопровода, в Австрии, MONSANTO – химическая безопасность.

Обучающие системы – задают вопросы, проверяют знания человека, и дают те знания, которыми он не владеет.

Системы распознавания речи – отстают от ИИ. Здесь проблематика в том, что не могут распознавать слитную речь.

Системы распознавания образов. Образное восприятие мира — одно из загадочных свойств живого мозга, позволяющее разобраться в бесконечном потоке воспринимаемой информации и сохранять ориентацию. В целом проблема распознавания образов состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и различными — на все объекты различных образов. В качестве объектов обучения могут быть либо картинки, либо другие визуальные изображения (буквы), либо различные явления внешнего мира, например звуки, состояния организма при медицинском диагнозе, состояние технического объекта в системах управления и др . Решение проблемы обучения распознаванию образов важно прежде всего потому, что оно открывает возможность автоматизировать многие процессы, которые до сих пор связывали лишь с деятельностью живого мозга.

Классификация:

1) ЭС – имитируют узкого специалиста в к-л области. Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных для эксперта-человека, получают результаты, не уступающие по качеству и эф-ти решениям, получаемым экспертом. Программные средства, базирующиеся на технологии ЭС, получили значительное распространение в мире. ЭС способны пополнять свои знания в ходе взаимодействия с экспертом.

a) Статические

b)Динамические (При изменении окр. Среды изменяется БЗ).

2) Системы распознавания. В основном решаются нейронными сетями. «Руки заняты»: пишущая машинка, диспетчеры аэропортов.

a) Изображений

b) Звуков (речи). Проблематика в том, что не могут распознавать слитную речь.

3) Обучающие системы – ЭС, но з-ча не тиражировать знания, а контролировать. Задают вопросы, проверяют знания человека, и дают те знания которыми он не владеет

4) Автоматизированные системы прогр-ния. Не решен вопрос контроля качества.

Компетентность:

1) ЭС – самые успешные. Обл-ти прим-ния: диагностика, консуль-ция, ремонт. Дебаты: порождают ли ЭС новые знания или нет.

2) Уровень компетентности одинаковый (a и b). Картинку они могут распознать и разделить на элементы, если эти элементы известны.

Системы искусственного интеллекта/интеллектуальные информационные системы