Лекции по экспертным системам (Лекции по экспертным системам)

Посмотреть архив целиком

99




Contents

Введение 3

«Горячие точки» ИИ (Д.А. Поспелов, Г.С. Осипов) 6

Основные этапы развития ИС (ЭС) 7

Классификация ЭС как приложений 11

Методы обработки плохоопределенной информации в ИС (ЭС) 12

Теоретико-вероятностные методы оперирования с неопределенностью 13

Байесовские сети доверия (Bayesian belief networks) 16

Метод субъективных коэффициентов уверенности (субъективных вероятностей) 17

Теория свидетельств Демпстера-Шефера 18

Правило объединения свидетельств 20

Вероятностная логика 21

Поиск решения в условиях неопределенности с использованием деревьев решения (ДР) 22

Методы обработки неопределенности в GURU 24

Использование нечетких переменных 26

Обработка неопределенности лингвистического характера 27

Конструирование ЭС (СОЗ) 32

Структура современных инструментальных средств для разработки ЭС 34

Классификация инструментальных средств конструирования ЭС 35

Тенденции развития инструментальных средств конструирования ЭС 37

Приобретение знаний 38

Средства приобретения знаний 41

Методы психосемантики 42







Введение

AI (Artificial Intelligence): McCarthy, LISP – первый символьный язык.

1956г. – Дармутский конгресс (школа-семинар) по ИИ – термин AI появился официально.

Критерии задач (по McCarthy):

  • Обработка символьных данных;

  • Большие поисковые пространства и недетерминизм в процессе поиска решения.

Примеры творческих задач:

  • Доказательство теорем в формальных теориях (ИППП)

GPS (General Problem Solver), Newell, Shaw, Sinar.

  • Игровые задачи с большими поисковыми пространствами(шашки, шахматы)

Deep Thought, 1987г.

Deep Blue, 1997г.

Deep Fritz, 2003г.

  • Естественный язык

Архетипический текст

Контекст

Текст

Тх

Тх U Cntx







Таких кругов много








Интеллект – это:

  • Мыслительная способность, умственное начало у человека, определяющее его деятельность (© словать Ожегова);

  • (лат.) ум; интеллектуальный, умственный, т.е. все относящееся до познания;

  • Способность учиться, приобретать, адаптировать, модифицировать и пополнять знания в целях решения задач.


Знания – это:

  • Совокупность сведений, познания в какой-либо области;

  • Проверенный практический результат познания действительности, верное ее отражение в мышлении человека;

  • Адекватное отображение реального мира в мышлении человека, которое позволяет объективно рассуждать и действовать в этом мире;

  • Обоснованные истинные убеждения.


Данные – это отдельные факты, характеризующие объекты, процессы, явления в некоторой конкретной области.


Основные отличия знаний от данных:

  1. Интерпретируемость знаний

Понятия – базовые конструкции.

Суждения – конструкции на основе понятий

Умозаключения: Если <Условие применимости>, То <Результат>, cf

(cf – коэффициент уверенности)


Семиотика – наука о знаках

  • Синтактика (выражение)

  • Семантика (содержание, смысл)

  • Прагматика (целеполагание)


Frege:

Концепт (смысл)

Фрейм



Прагматика

(ввел Поспелов)



Образ (денатат)

Имя (десигнат)











Система, основанная на данных:

Решение = Данные + Алгоритм

Система, основанная на знаниях:

Решение = Знания + Вывод + Обоснование


  1. Структурируемость

Данные, как правило, слабо структурированные или вообще не структурируемые.

ISA (isa): A isa B A ⊆ B

Part of: A Pof B A B


  1. Ситуативность (динамичность)

Введем отношение «быть рядом»

  1. Рефлексивность ara

  2. Симметричность – arb => bra

  3. Транзитивность – arb & brc => arc

Знания ситуативны


  1. Наличие статуса истинности и шкалирование

Данные достоверны (как правило)

Знания правдоподобны

Приведем пример шкалы «Красивый человек»

Антипод

Идеал




Некрасивый

(Квазимодо)

50%

Красивый

(Аполлон)





Ж

М

0



разрыв



  1. Активность знаний (на основании одних знаний можем получать новую информацию)

Данные пассивны, знания активны.


Логики знаний (веры, убеждений, мнений и тп) – belief – обычно строятся на основе модальных логик.


Нормальная модальная логика

□ – L (знаю); ◊ – M (возможно)

◊ ≡ ­⌐□­⌐

р ≡ ⌐­□⌐­р

  1. Множество всех теорем логических высказываний

  2. Схема аксиом дистрибутивности (К-схема)

K: L(p q) (Lp Lq)

  1. Modus ponens

Нормальная модальная система

(К-система)

  1. Модальные правила необходимости

_____________________________________________

  1. Схема аксиомы знаний

T: Lpp («если что-то известно, то это верно»)

  1. Схема аксиомы позитивной интроспекции

4: LpLLp («ничего не забывает»)

_____________________________________________

  1. Схема аксиомы негативной интроспекции

5: MpLMp или ­L­pL­L­p («сомнения в рассуждениях»)


Логики КТ4 (или S4) – нет сомнений, КТ45 (или S5) – есть сомнения.

ИИ – попытка моделирования свойств естественного интеллекта:

  1. Способность выделять существенное в имеющихся знаниях, т.е. способность упорядочивать знания (data mining & knowledge discovery)

  2. Способность к целеполаганию и планированию действий

Цель → план → алгоритм действий

  1. Способность к отбору знаний (способность выбрать посылки из БЗ для рассуждений)

  2. Способность извлекать следствия из имеющихся знаний (способность к рассуждениям как достоверным, так и правдоподобным)

  3. Способность к аргументированному принятию решений (базируется на упорядоченности знаний и способности человека рассуждать)

  4. Способность к рефлексии (оценка своих знаний и действий)

  5. Наличие познавательного любопытства

  6. Способность и потребность находить объяснения (объяснения не обязательно должны быть дедуктивными)

  7. Способность к синтезу познавательных процедур, образующих эвристику поиска решения задачи.

ДСМ-метод – это метод автоматического порождения гипотез. Формализует схему правдоподобного и достоверного вывода, называемую ДСМ-рассуждением.


ДСМ-рассуждение является синтезом познавательных процедур: индукции (гипотезы), аналогии (перенос информации из гипотез на явления) и абдукции (причины).

  1. Способность к обучению и использованию памяти

  2. Способность к рационализации идей (способность формировать понятия, которые позволяют строить рассуждения)

  3. Способность к созданию целостной картины мира относительно предмета мышления (создание приближенной теории предметной области рассуждений)

  4. Способность к адаптации в условиях изменения жизненной ситуации и знаний (способность к коррекции теории и поведения)


Интеллектуальная система (ИС) = Решатель + Информационная среда (БЗ+БД) + интеллектуальный интерфейс.


Решатель:

  1. Рассуждатель (правдоподобный)

  2. Вычислитель (достоверный)

  3. Синтезатор


Квазиаксиоматическаяя теория (КАТ) = теория правдоподобного вывода (гипотезы+правила правдоподобного вывода) + теория достоверного вывода (аксиомы + правила достоверного вывода)


«Горячие точки» ИИ (Д.А. Поспелов, Г.С. Осипов)

  1. Переход от достоверного вывода к правдоподобному (от классического вывода к аргументации)

Дедукция → индукция + абдукция + аналогии + аргументация

  1. Проблема обоснования результата

СОД: Решение = данные + алгоритм

ИИ (СОЗ): Решение = знания + вывод + обоснование

  1. Порождение объяснения

Продукционные правила: Если <условие применимости>, то <результат, k>

Why

How

F1 v F2 ci, ki

F3 & F4 cj, kj

ci & cj → R, kR

Движение вниз

how

why

kj

ki

kR

ci

cj

R

F1

F2

F3

F4


Трассировка вверх












Пример:

Человек разглядывает портрет. "Чей это портрет вы рассматриваете?" - спрашивают у него, и человек отвечает: "В семье я рос один, как перст, один. И все ж отец того, кто на портрете, - сын моего отца". Чей портрет разглядывает человек?

С – смотрящий, П – портрет, отношение Сын (х, у)

  1. Сын (Отец(С), Отец(П))

  2. х (Сын(Отец(С), х))→х=С \\ «нет братьев и сестер»

(П) = С


  1. Поиск релевантных знаний (data mining & knowledge discovery)

DM – прагматический аспект:

Хранилище → отбор данных → информация (связанные структурированные данные, которые точно имеют отношение к задаче) → знания → метод решения.

KD – когнитивный познавательный аспект:

Наблюдаемые факты → обобщенные факты → эмпирические гипотезы → теоретические законы.

  1. Понимание текста

Система ТЕКРИС: текст ↔ образ

  1. Синтез текста

Синтактика – формализуема

Семантика – частично формализуема

Прагматика - ?

Semantic Web

  1. Когнитивная графика

Когнитивные науки (связанные с познавательными процессами)

Лица Чернова (Chernoff)

  1. Мультиагентные системы


Реактивные агенты когнитивные агенты интеллектуальные агенты


Карл Саган «Драконы Эдема: рассуждения об эволюции»

Мозг 1375грамм в среднем

Homo habilis – 500 – 800 гр

Homo erectus – 750 – 1250 гр

Homo sapiens – 1100 – 2200 гр

  1. Семантические сети (СС) + антологии

  2. Формализация метазнаний (знания о знаниях)



Основные этапы развития ИС (ЭС)

ИИ


Бионический подход Информационный подход

(Нейробиологический) (символьно-логический)

Попытки моделировать человека или органы человека

(распознавание образов, символов)

Х → F → Y

Y = F(X)










α1

1

1

11

λ1






Σ

Ψ











λn

θ






αn



Ψ(х) = 1

Сейчас популярен системный подход – используются оба направления.

Soft computing («мягкие» вычисления) – нейро-сети + генетические алгоритмы + нечеткие логики → эволюционное моделирование


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 Xдоп


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 IHearsai II – агент-коммуникатор (идея классной доски); Mycin → ЕMycinTeirasias 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. McCarthyAI

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)

Устройство: дисковод

Тип: 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)


Случайные файлы

Файл
74414.rtf
ref-14926.doc
92877.rtf
45072.doc
31005-1.rtf