М і н і с т е р с т в о о с в і т и і н а у к и У к р а ї н и
Н а ц і о н а л ь н и й у н і в е р с и т е т “Львівськаполітехніка”
Кафедра „ІСМ”
/>
Курсова робота
на тему: „Проблематика штучного інтелекту”
з дисципліни: Системи штучного інтелекту
Виконав:
ст. гр. ФЛ-44
Водарський Я.Є.
Прийняв:
Марковець О.В.
Львів-2007
Зміст курсової роботи
Вступ 3
1.1. Інтуїтивне розуміння поняття “інтелект” 4
1.2. Деякі визначення та їх критика 7
2.1 Основні проблемні середовища штучного інтелекту 8
2.2 Проблема винятків 9
2.3 Проблема неточних і неповних знань 11
2.4 Деякі проблеми виведення 12
3.1Деякі інтелектуальні задачі 13
3.2Тест Тьюринга і фатичний діалог 17
3.3Метод комп’ютерної реалізації фатичного діалогу 183.4 Групові залежності. Проблемні сфери. 203.5 Принцип віртуальної семантичної сітки. 21
4.1 Продукційні правила 22
4.2 Компонент виведення 22
4.3 Нечітке виведення 22
5. Фрейми 24
6.1 Семантичні мережі 25
6.2 Різні способи задання семантичних мереж: перевагиі недоліки 27
7. Нейронні мережі 30
8. Генетичні алгоритми 32
Висновок 34
Використана література 35
Вступ
Основним завдвннямцієї курсової роботи є знаходження і розкриття суттєвих проблемнихсередовищ штучного інтелекту, з якими ми стикаємося при розвязанніінтелектуальних задач.
Можна стверджувати, що“штучний” інтелект у тому чи іншому розумінні повинен наближатися до інтелектуприродного і у ряді випадків використовуватися замість нього; так само, як,наприклад, штучні нирки працюють замість природних. Чим більше буде ситуацій, уяких штучні інтелектуальні системи зможуть замінити людей, тим більшінтелектуальними будуть вважатися ці системи.
Центральні задачі ШІполягають в тому, щоб зробити ОМ більш корисними і щоб зрозуміти принципи, щолежать в основі інтелекту. Оскільки одна із задач полягає в тому, щоб зробитиОМ більш корисними, вченим і інженерам, що спеціалізуються в обчислювальнійтехніці, необхідно знати, яким чином ШІ може допомогти їм в розв«язкуважких проблем.
Досліджувана темастає все більш актуальною, оскільки область застосування систем штучногоінтелекту поширюється в різних галузях і включає: доведення теорем; ігри;розпізнавання образів; прийняття рішень; адаптивне програмування; створеннямашинної музики; обробка даних природною мовою; мережі, що навчаються(нейромережі); вербальні концептуальні навчання та ін.
1.1.Інтуїтивне розуміння поняття “інтелект”
З давніх-давен людині булинеобхідні помічники для полегшення виконання тих чи інших операцій. Буливинайдені різноманітні механізми, машини і т.п. Поява електронно-обчислювальнихмашин дала змогу автоматизувати виконання трудомістких розрахункових робіт.Згодом стало ясно, що ці машини можна використовувати не тільки для обчислень,але й для керування різними пристроями, складними автоматизованимивиробництвами тощо. Широкого поширення набули роботи — програмно керованіпристрої, здатні безпосередньо взаємодіяти з фізичним світом та виконувати вньому певні дії [Крин]. Такі роботи широко використовуються у виробництві.
Природня мова на сучасномуетапі малопридатна для цього через свою складність та неоднозначність. Один ізшляхів вирішення цієї задачі є формулювання інструкцій мовою, зрозумілоювиконавцю, тобто написання програм. Програмування полягає у перекладі інструкцій,написаних мовою, близької до природної, на мову, яку здатна сприйнятиобчислювальна система. Відомі складності сучасного програмування, пов’язані знеобхідністю надмірної алгоритмізації, тобто детального ретельного розписуванняінструкцій з урахуванням усіх можливих ситуацій. З цієї ситуації існує єдинийвихід — підвищення рівня “розумності”, інтелектуальності сучасних комп’ютерівта роботів. Постає питання, що розуміється під такими поняттями, як“інтелектуалізація”, „штучний інтелект“?
Можна стверджувати, що“штучний” інтелект у тому чи іншому розумінні повинен наближатися до інтелектуприродного і у ряді випадків використовуватися замість нього; так само, як,наприклад, штучні нирки працюють замість природних. Чим більше буде ситуацій, уяких штучні інтелектуальні системи зможуть замінити людей, тим більшінтелектуальними будуть вважатися ці системи.
Навряд чи є сенспротиставляти поняття штучного інтелекту і інтелекту взагалі. Тому слідспробувати визначити поняття інтелекту, незалежно від його походження.
Людина вважаєтьсяінтелектуальною “від природи”, і цей інтелект був вироблений на протязімільйонів років еволюції. Людина вміє вирішувати багато інтелектуальних задач.Кожна людина вважає, що вона розуміє значення слова “інтелект”, але якщо попроситидати визначення цього слова, в переважній більшості чіткої відповіді не буде. Ідійсно, дати визначення поняття інтелекту, яке б задовольняло всіх, очевидно,неможливо. Далі будуть проаналізовані деякі спроби визначення цього поняття таїх критика. Але відсутність чіткого визначення не заважає оцінюватиінтелектуальність на інтуїтивному рівні. Можна навести як мінімум два методитакої оцінки: метод експертних оцінок іметод тестування [Посп ].
При застосуванні методуекспертних оцінок рішення про ступінь інтелектуальності приймає досить великагрупа експертів (незалежно або у взаємодії між собою); відомо багатоспособів організації взаємодії між експертами.
При застосуванні методутестування пропонується розв’язати ті чи інші тестові завдання. Існує значнакількість інтелектуальних тестів, апробованих практикою, для оцінки рівнярозумових здібностей людини, що знайшли застосування в психології та психіатрії[ Айзенк, Дюк, Клайн]. Наведемо декілька прикладів.
Приклад 1.1. Вставте число,яке пропущене:
36 30 24 18 6
Приклад 1.2. Викресліть зайве слово:
лев лисиця жираф щука собака
Потрібно наголосити, щопоняття “штучний інтелект” не можна зводити лише до створення пристроїв, якіповністю або частково імітують діяльність людини. Не менш важливою є іншазадача: виявити механізми, які лежать в основі діяльності людини, щобзастосувати їх при вирішенні конкретних науково-технічних задач. І це лише одназ можливих проблем.
Отже, штучний інтелект (ШІ) — це наука про концепції, щодозволяють обчислювальним машинам (ОМ) робити такі речі, які у людей виглядаютьрозумними. Але що ж являє собою інтелект людини? Чи є у них здатністьроздумувати? Чи є здатність засвоювати і використовувати знання? Чи є здатністьоперувати і обмінюватися ідеями? Безсумнівно, всі ці здібності являють собоючастину того, що є інтелектом. Насправді дати визначення в звичайному значенніцього слова, мабуть, неможливо, тому що інтелект — це сплав багатьох навичок вобласті обробки і представлення інформації.
Центральні задачі ШІ полягають в тому, щоб зробити ОМ більш корисними і щобзрозуміти принципи, що лежать в основі інтелекту. Оскільки одна із задачполягає в тому, щоб зробити ОМ більш корисними, вченим і інженерам, щоспеціалізуються в обчислювальній техніці, необхідно знати, яким чином ШІ можедопомогти їм в розв»язку важких проблем.
Область застосування.
· Доведення теорем;
· Ігри;
· Розпізнавання образів;
· Прийняття рішень;
· Адаптивне програмування;
· Створення машинної музики;
· Обробка даних природною мовою;
· Мережі, що навчаються(нейромережі);
· Вербальні концептуальні навчання.
На початку 80-х років удослідженнях зі штучного інтелекту сформувався самостійний напрямок, що одержавназву «експертні системи» (ЕС).
Експертна система — це програмний засіб, що використовує експертнізнання для забезпечення високоефективного вирішення неформалізованих задач увузькій предметній області. Основу ЕС складає база знань (БЗ) про предметнуобласть, що накопичується в процесі побудови й експлуатації ЕС. Нагромадження йорганізація знань — найважливіша властивість усіх ЕС.
1.2.Деякі визначення та їх критика
Було зроблено чимало спробдати формальне визначення поняття інтелекту, зокрема, штучного. Очевидно,найбільш відомим є визначення предмету теорії штучного інтелекту, яке буловведене видатним дослідником у галузі штучного інтелекту Марвіном Мінським.Воно потрапило до багатьох словників та енциклопедій з невеликими змінами івідображає таку основну думку: “штучний інтелект є дисципліна, що вивчаєможливість створення програм для вирішення задач, які при вирішенні їх людиноюпотребують певних інтелектуальних зусиль”. Але і це визначення має вади.Головна з них полягала в поганій формалізації поняття “певні інтелектуальнізусилля”. “Певних інтелектуальних зусиль” вимагає, наприклад, виконання простихарифметичних операцій, але чи можна вважати інтелектуальною програму, яказдатна до виконання тільки таких операцій? Відтак у ряді книг та енциклопедійдо наведеного визначення додається поправка: «сюди не входять задачі, для якихвідома процедура їх розв’язку». Важко вважати таке формулюваннязадовільним. Розвиваючи цю думку далі, можна було б продовжити: отже, якщо я незнаю, як виконувати деяку задачу, то вона є інтелектуальною, а якщо знаю — тоні. Наступний крок — це відомі слова Л.Теслера: “Штучний інтелект — це те, чогоще не зроблено” [Мичи]. Цей парадоксальний висновок лише підкреслюєдискусійність проблеми.
Є деякі більш конструктивнівизначення інтелекту. Наприклад, в [Ендрю] наводиться одне з них: “інтелект єздатність правильно реагувати на нову ситуацію”. Там же наводиться і критикацього визначення: не завжди зрозуміло, що слід вважати новою ситуацією. Уявітьсобі, наприклад, звичайний калькулятор. Цілком імовірно, що на ньому ніколи необчислювали суму двох нулів. Тоді завдання “обчислити нуль плюс нуль” можнавважати ситуацією, новою для калькулятора. Безумовно, він з нею впорається(“правильно відреагує на нову ситуацію”), але чи можна на цій підставі вважатийого інтелектуальною системою?
2.1 Основні проблемні середовища штучного інтелекту
Виділимо декілька типівпроблемних середовищ, що найбільш часто зустрічаються.
Тип 1. Статичне проблемне середовище: статична предметнаобласть; сутності представляються як сукупність атрибутів і їхніх значень;склад сутностей незмінний; БЗ не структуровані; вирішуються статичні задачіаналізу, використовуються тільки спеціалізовані що виконуються твердження.
Тип 2. Статичне проблемне середовище: статична предметнаобласть; сутності представляються у виді атрибутів із значеннями або виродженихоб'єктами (фреймів); склад сутностей незмінний; ієрархія БЗ або відсутня, абослабко виражена (нема спадкування властивостей); вирішуються статичні задачіаналізу, використовуються спеціалізовані твердження, що виконуються.
Тип 3. Статичне проблемне середовище: статична предметнаобласть; сутності представляються у виді об'єктів; склад сутностей змінюваний;БЗ структуровані; вирішуються статичні задачі аналізу і синтезу,використовуються загальні і спеціалізовані що виконуються твердження.
Тип 4. Динамічне проблемне середовище: динамічна предметнаобласть; сутності представляються сукупністю атрибутів і їхніх значень; складсутностей незмінний; БЗ не структуровані; вирішуються динамічні задачі аналізу,використовуються спеціалізовані твердження, що виконуються.
Тип 5. Динамічне проблемне середовище: динамічна предметнаобласть; сутності представляються у виді об'єктів; змінюваний склад сутностей;БЗ структуровані; вирішуються динамічні задачі аналізу і синтезу;використовуються загальні і спеціалізовані що виконуються твердження.
2.2Проблемавинятків
З успадкуваннямпов’язана дуже серйозна проблема – проблема винятків. Вона полягає втому, що деякі підкласи можуть не успадковувати ті чи інші властивостінадкласів. Інакше кажучи, характерні риси класу успадковуються всіма йогопідкласами, крім деяких.
Нехай відомо, щолітають всі птахи, крім пінгвінів (існують деякі інші види птахів, які нелітають. Але для наших цілей це не має суттєвого значення). Якби це твердженнявідразу потрапило до бази знань саме в такому вигляді, особливих проблем невиникало б (хоча і в цьому випадку треба було б передбачити належну обробкувинятків).
Але, як булозазначено раніше, експерт не завжди може сформулювати свої знання в явномувигляді. Зокрема, він може не знати або не пам”ятати всіх винятків. Тому вінможе спочатку включати до бази знань твердження про те, що всі птахи літають, апотім пригадати, що пінгвіни не літають, і додати це до бази знань.
У результаті ми могли б отримати базу знань, подібнудо такої:
/>
Рис. 1. Ілюстрація наслідування та обробки виключень
Усіптахи літають.
Ластівкає птахом.
Юккоє ластівкою.
Пінгвінє птахом.
Пінгвінине літають.
Бакс є пінгвіном.
Якби три останні твердження не були включені до базизнань, система просто дійшла б хибного висновку, що Бакс літає. Алевключення даних відомостей до бази знань ще більше ускладнює ситуацію. Системазнань стає суперечливою: зодного боку, система повинна дійти висновку, що Бакслітає, а з іншого – що Бакс не літає. У даному випадку кажуть про втратумонотонності дедуктивної системи.
Система дедуктивного виведення називається монотонною, якщовиконується така властивість: якщо з набору тверджень (q1,…, qn) випливає твердження v , то v випливає і з набору тверджень (q1,…., qn, r).
Інакше кажучи, в монотонній теорії додавання новихфактів і правил не повинно впливати на істинність висновків, які могли бути отриманібез них.
Додавання ж винятків до наявної бази знань можепорушити монотонність. Існує багато підходів до вирішення цієї проблеми.Розробляються спеціальні немонотонні логіки: Рейтера, Мак-Дермотта таінші. Проте існують досить прості практичні прийоми. Наприклад, списоквиключень можна підтримувати явним чином. Інший корисний сформульований прийом: у разі виникнення суперечностей підклас успадковує відповідну властивістьлише від найблищого попередника, тобто від класу, найближчого до нього вієрархії класів.
Далі буде показано, як проблема винятків можевирішуватись в рамках продукційних систем і семантичних мереж.
Усемантичних мережах можна також вводити зв’язки,що задають імплікацію, явно.
Слідвідмітити, що формалізм семантичних мереж є зручним для задання знань і не дужезручним для формалізації логічного виведення. Деякі конкретні методи логічноговиведення на семантичних мережах описані в [Иск.интел,Вагин, Предст. зн]. Багато з нихспираються на механізми дедуктивного виведення, характерні для логічних моделейта продукційних систем (в першу чергу — метод резолюцій). Ряд методиквикористовує співставлення зі зразком; таке співставлення є більш характернимдля фреймових моделей. Але існують і методики, специфічні для семантичних мережяк графових моделей. В основі цих методик лежить інтерпретація логічноговиведення та пошуку потрібної інформації в базі знань, яка задана семантичноюмережею, як пошуку на графі. Зокрема, в [Предст.зн.]коротко описаний спосіб виведення, який називається перехресним пошуком.Відповідь на запитання формується на основі знаходження та аналізу шляхів міжоб’єктами,які фігурують у запитанні.
Наприклад,при аналізі мережі, зображеної на рис. 1, на запитання “Що спільного між Баксомта Юкко?” система може відповісти “Обидва вони птахи, але різних видів”.
2.3Проблема неточних і неповних знань
Ранішеми розглядали проблеми, які необхідно було вирішувати при проектуванні тарозробці баз знань. Серед інших проблем можна відмітити такі.Знанняможуть бути неповними. Це означає, що для доведення або спростуванняпевного твердження може не вистачати інформації. У багатьох системах логічноговиведення прийнято постулат замкненості світу. Це означає, що на запитпро істинність деякого твердження система відповідає „так” тоді і тільки тоді,коли його можна довести; якщо ж довести це твердження неможливо, системавідповідає „ні”. Водночас „неможливо довести через нестачу інформації” і „доведено, що ні” — це зовсім не одне й те саме. З огляду на це бажано, щоб експертнасистема запитувала у користувача про факти, яких не вистачає.
Знання можуть бути недостовірними.Наприклад, на результат виконання продукції можуть впливати випадковічинники (об”єктивна невизначенність) або ж експерт може бути не зовсім впевнениму деякому факті чи правилі виведення (суб”єктивна невизначенність).
Ненадійність знань і недостовірність наявних фактівобов”язково повинні враховуватися в процесі логічних побудов. Звичайно, можнабуло б просто відкидати факти та првила виведення, які викликають сумнів, алетоді довелося б відмовитися від цінної інформації. Тому необхідно розвивати процедури, які дозволяють здійснювати логічні побудови при недостовірних даних,і використовувати ці процедури в експертних системах. Необхідно враховувати модальність, а саме: необхідність або можливість того чи іншого факту, ставленнясуб”єкта до деякого твердження і т.п. Крім того, в таких системах частодоводиться мати справу з неточно визначеними, нечіткими поняттями, такими, як„великий”, „маленький” тощо.
2.4Деякі проблеми виведення
Нехай ми маємопродукційнеправило А=>В (якщо А, то В), при цьому коефіціент упевненості цього правиладорівнює (y). Зпогляду теорії ймовірностей цей коефіцент упевненості можнапроінтерпретувати як Р(В\А) – умовну ймовірність В за умови А.
Нехай коефіціент упевненості твердження А дорівнює (а).Тут ми розглядаємо коефіціенти упевненості окремих тверджень як їхймовірності.
Чому (в) дорівнює = Р(В) – коефіціентупевненості висновку В? Зразу ж необхідно сказати, що ми не можемо обчислитиР(В) точно – для цього не вистачає інформації. Натомість ми можемообчислити інтервал, до якого потрапить ця ймовірність.
Очевидно, події А та А складають повну групу подій.Тоді відповідно до формули повної ймовірності маємо:
в=Р(В)=Р(А)Р(В\А)+Р(А)Р(В\А)=ау+(1-а)*Р(В\А).
У цій формулі фігурує невідоме значення Р(В\А), ісаме тому точне обчислення (в) не є можливим. Але, оскільки 0=
ау=
в Є[ay,ay+(1-a)].
Отже, інтервал невизначенності для висновку В є тимменшим, чим юільшим є коефіціент упевненості умови А. Якщо а=1, (в)визначається точно.
Якщо ж а=0, інтервал невизначенності для (в)становить [0,1], а це еквівалентно повній відсутностібудь-якої корисної інформації.
Ми бачимо, що навіть у найпростіших випадках прямезастосування теоретико-ймовірнісних співвідношень спричиняє проблеми. Ситуаціяще більше ускладнюється, якщо невизначеність носить „суб”єктивний” характер.Тому необхідно мати наближені, але простіші методики обчислення коефіціентів упевненості,які у більшості випадків давали б прийнятний результат.
3.1Деякі інтелектуальні задачі
Розглянемо і проаналізуємо взагальних рисах деякі проблеми, які доводиться постійно вирішувати людськомурозумові: розпізнавання образів, мислення та обчислювальні задачі.
На інтуїтивному рівні можнасформулювати декілька типових задач розпізнаванняобразів (або просторозпізнавання):
n задача ідентифікації[1] полягає в тому, що об’єкт, якийспостерігається людиною, потрібно вирізнитисеред інших (наприклад, побачивши іншу людину, впізнати у ній свою дружину);
n проблема розпізнавання вкласичній постановці: об’єкту, що спостерігається, до одного з заздалегідьвідомих класів об’єктів (наприклад, відрізнити легковий автомобіль відвантажного).
Людина робить класифікаціюпросто. Наприклад, чоловік, повернувшись додому з роботи, відразу ж пізнає своюдружину, але більшість людей в повному обсязі не зможе пояснити, як він церобить. Як правило, раціонального пояснення немає. Теорія розпізнавання, якаінтенсивно розвивається, необхідна для того, щоб навчити розв’язувати задачірозпізнавання штучні інтелектуальні системи на основі досвіду розпізнаваннялюдиною. Зокрема, сформульовано такий ключовий принцип [Хант)]: будь-якийоб`єкт у природі — унікальний; унікальні об`єкти — типізовані. У відповідностідо цього принципу, розпізнавання здійснюється на основі аналізу певниххарактерних ознак. Вважається, що в природі не існує двох об’єктів, для якихспівпадають абсолютно всі ознаки, і це теоретично дозволяє здійснюватиідентифікацію. Якщо ж для деяких об’єктів співпадають деякі ознаки, ці об’єктитеоретично можна об’єднувати в групи, або класи, за цими співпадаючимиознаками. Проблема полягає у тому, що різноманітних ознак існує незліченнакількість. Незважаючи на легкість, з якою людина проводить розпізнавання, вонадуже рідко в змозі виділити ознаки, суттєві для цього. До того ж, об’єкти, якправило, змінюються з часом. Ми далі спробуємо показати, що розпізнаванняоб’єктів і ситуацій має виняткове значення для орієнтації людини внавколішньому світі і для прийняття вірних рішень. Розпізнавання, як правило,здійснюється людиною на інтуїтивному, підсвідомому рівні, людина навчиласяцьому за мільйони років еволюції.
Інша інтелектуальна задача –моделювання мислення;.Можна виділити два типи процесів мислення:
n підсвідоме інтуїтивнемислення, механізми якого на сучасному етапі вивчені недостатньо і яке дужеважко формалізувати та автоматизувати;
n дедуктивнілогічні побудовиза формалізованими законами логіки. Дедукцією називається перехід відзагального до часткового, виведення часткових наслідків з загальних правил.Ітут пересічна людина рідко в змозі пояснити, за якими алгоритмами вона здійснюєлогічне виведення. Але методики таалгоритми, за якими можна автоматизуватививедення наслідків з фактів або логічну перевірку тих чи інших фактів, доситьвідомі.
Перш за все, це формальналогіка Аристотеля на основі конструкцій, які отримали назву силогізмів. Вонипрактично неподільно панували в логіці аж до початку XIX століття, тобто допояви булевої алгебри. Немає ніякої необхідності давати якісь формальнівизначення силогізмів. Наведемо лише один класичний приклад.
Перше твердження. Усі людисмертні.
Друге твердження. Сократ — людина.
Висновок: Сократ смертний.
Якщо перше та другетвердження у силогізмі істинні та задовольняють певним загальним формальнимвимогам, тоді і висновок буде істинним незалежно від змісту тверджень, щовходять до силогізму. При порушенні цих формальних вимог легко припуститисялогічних помилок, подібних до таких:
Всі студенти вузу А знаютьанглійську мову
Петров знає англійську мову.
Отже, Петров — студент вузуА.
Або:
Іванов не готувався доіспиту і отримав двійку.
Сидоров не готується доіспиту.
Отже, і Сидоров отримаєдвійку.
Аристотелем булозапропоновано декілька формальних конструкційсилогізмів, які він вважавдостатньо універсальними. Лише у XIX столітті почала розвиватися сучаснаматематична логіка, яка розглядає силогізми Аристотеля як один із частковихвипадків. Основою більшості сучасних систем, призначених для автоматизаціїлогічних побудов, є метод резолюцій Робінсона. Він буде описаний пізніше. Алепрактична реалізація логічних зіткнулася з серйозними проблемами. Головна з них- це феномен, який Річард Беллман назвав прокляттям розмірності. На першийпогляд, описати знання про зовнішній світ можна було б, наприклад, таким чином:“об’єкт А має рисиX, Y, Z. В відрізняється від А тим, що має рису Н, і т.д”.Алезовнішній світ є винятково складним переплетінням різноманітних об’єктів тазв’язків між ними.Для того, щоб тільки ввести всю цю інформацію до пам’ятіінтелектуального пристрою, може знадобитися не одна тисяча років. Ще більшероків буде потрібно, щоб врахувати всі необхідні факти при логічному виведенні.Реальні програми, що здійснюють логічне виведення (вони часто називаютьсяекспертними системами) мають досить обмежене застосування. Вони мають обмеженийнабір фактів та правил з певної, більш-менш чітко окресленої предметної галузіі можуть використовуватися лише у цій галузі. Що ж стосується людини, то якістьїї логічного мислення також часто буває далекою від бездоганної. Люди частороблять логічні помилки, а інколи взагалі керуються принципами, невірними зточки зору нормальної логіки. Дуже часто свідоме логічне виведення на певномуетапі обривається, і рішення знову-ж таки приймається на підсвідомому,інтуїтивному рівні. Зрозуміло, що таке рішення може бути помилковим. Але, якбив основі поведінки людини лежали спроби проводити дедуктивні побудови злогічного початку до логічного кінця, людина була б практично не здатною добудь-якої діяльності: фізичноїабо розумової – це вимагало б значного часуаналізу. Спільною рисою згаданих вище проблем була їх погана формалізованість,відсутність або незастосовністьчітких алгоритмів розв’язку. Вирішення подібнихзадач і є основним предметом розгляду в теорії штучного інтелекту. До зовсіміншого класу відносяться задачі, пов’язані з обчисленнями.В принципі, важковідповісти на запитання, як саме людина здійснює ті чи інші обчислення. Добревідомими є і низька швидкість, і невисока надійність цього виду людськоїдіяльності. Але були запропоновані ефективні принципи комп’ютерних обчислень,які радикально відрізняються від тих, які застосовуються людиною.і добреформалізовані, алгоритмічні методики забезпечили рівень вирішенняобчислювальних задач, абсолютно недосяжний для людського інтелекту. Водночасцей високий рівень алгоритмізації значною мірою зумовив слабкість традиційнихкомп’ютерних систем при розв’язанні тих інтелектуальних задач, з якими людинасправляється непогано. З появою таких обчислювальних потужностей мрійникишістедесятих – сімдесятих років ХХ століття ставили задачу моделювання вповному обсязі роботу людського мозку. Теоретично, цю задачу з певнимиобмеженнями можна було б вирішити. Але складність потрібних обчислень виявиласятакою, що змусила більшість дослідників відійти від поставленої задачі іперейти до більш простих задач; моделювання принципів роботи людського мозкупри розв’язку конкретно визначених типів задач.
3.2Тест Тьюринга і фатичний діалог
Відомий англійський ученийАлан Tьюринг сформулював тезу, спрямовану на визначення моменту, з якого машинуможна вважати інтелектуальною [ Поспелов]. Нехай експерт за допомогою телефонуабо подібного віддаленого пристрою спілкується з кимось (або чимось), що можебути як людиною, так і машиною. Експерт дає певні тести-завдання. Зарезультатами відповідей він повинен визначити, з ким він має справу — з людиноючи з ЕОМ. Якщо він приймає комп'ютер за людину, комп'ютер може вважатисяінтелектуальним. Така перевірка дістала назву тесту Тьюринга. Багатоспеціалістів вважали, що тест Тьюринга є цілком задовільним для визначеннярівня інтелектуальності комп’ютерної системи.Але виявилось, що це не зовсімтак. В основі тесту Тьюринга лежить неявне припущення про те, що необхідноюумовою ведення діалогу є розуміння співрозмовника. Але у кінці 60-х рр.американський кібернетик Дж. Вейценбаум створив дві програми — ЕЛІЗА і ДОКТОРдля використання в психіатрії. Виявилось, що вони можуть невірно зорієнтуватиексперта в умовах тесту Тьюринга. В основі побудови цих програм лежить ідеяфатичного діалогу.
Визначення. Фатичним діалогомназивається діалог без розуміння співрозмовника, на основі формальногоперефразування почутого.
Так, наприклад, нависловлення пацієнта «Ви не відверті зі мною» програма можевідповісти «Чому Ви думаєте, що я не відверта з Вами?» У рядівипадків програма може видати заздалегідь заготовлену фразу. Так, на словапацієнта «Мій батько мене не любив» вона може відповісти«Розкажіть мені про Вашу сім’ю».
Звичайно, це не має ніякоговідношення ні до розуміння, ні до інтелекту, але багато людей, які проводили зцими програмами тест Тьюринга, вирішили, що мають справу з людиною.
3.3Метод комп’ютерної реалізації фатичного діалогу
В основіпсевдоінтелектуальнихпрограм, які можуть підтримувати фатичний діалог з людиною або з іншимианалогічними програмами, можуть лежати дуже прості алгоритми співставлення зізразками. Тут описується класичний метод, що дозволяє писати подібні програми[Уїнстон].
Розглянемо “анатомію”програми ДОКТОР у дещо спрощеному вигляді. Діалог з цією програмою може бути,наприклад, таким:
ДОКТОР: Я Вас слухаю.
ЛЮДИНА: Мене бентежитьпогода.
ДОКТОР: Як давно Васбентежить погода?
ЛЮДИНА: Відтоді, як померламоя мати.
ДОКТОР: Розкажіть про Вашусім’ю.
ЛЮДИНА: Всі вони захоплюютьсякомп’ютерами.
ДОКТОР: Машини Вас лякають.
ЛЮДИНА: Ні.
ДОКТОР: Будь ласка, не будьтетак небагатослівні…
І так далі до нескінченності.
В основі методу, необхідногодля реалізації такого діалогу, можележати механічне порівняння речень, яківводяться людиною, зі зразками(шаблонами) речень, що зберігаються програмою.Якщо речення співпало в повній мірі з одним із зразків, видається одна звідповідей, заздалегідь заготовлених для цього зразка.
Можна розглянути декількаваріантів порівнянь, кожний з них може бути легко запрограмований.
Варіант 1(повний збіг). Якщоречення, що вводиться, повністю збігається з одним із зразків, може бутивідповідь: “Так, Ви маєте рацію”, або навпаки: “Ви помиляєтесь, тому що…”, іпісля “рацію” або “тому що” програміст може написати будь-який текст, що імітуєглибоке розуміння специфіки предметної області. Наприклад, дуже непогано будевиглядати такий діалог:
Людина: Квадрат гіпотенузидорівнює сумі квадратів катетів.
Програма: Так, але є подібнийрезультат і для непрямокутних трикутників; це теорема косинусів.
Навряд чи після декількохподібних відповідей у когось залишаться сумніви в інтелектуальних здібностяхпрограми. Але, звичайно, повні збіги бувають дуже рідко. Тому доводитьсявикористовувати інші типи порівнянь.
Варіант 2(використаннязамінювачів). Типовим є використання замінювачів * і?.. З замінювачем *співставляється довільний фрагмент тексту, з замінювачем? співставляєтьсябудь-яке окреме слово. Наприклад, шаблон (* комп’ютери*) успішноспівставляється з будь-яким реченням, в якому згадується про комп’ютери; шаблон(Я люблю? яблука) — з такими реченнями, як (Я люблю червоні яблука), (Я люблюсолодкі яблука), тощо (але не з реченням (Я люблю їсти зелені яблука)).
Варіант 3(надання значеньзмінним в процесі співставлення). При цьому можливості програми, що реалізуєфатичний діалог, значно розширюються. Вона набуває здібності до генераціївідповідей, що залежать від запитань. Так, правило
(Я? *) (Що ви ще ?) дозволяє на речення Я люблю яблука відповісти Що Ви ще любите?, а на реченняЯ ненавиджу дощі — Що Ви ще ненавидите? У цьому прикладі при успішномуспівставленні зміннійaнадається значення слова, з яким співставився замінювач?.. Безумовно, при використанні українських фраз замість англійських потрібно щестежити за узгодженням суфіксів
Варіант 4(універсальнийзразок). Зі зразком (*) співставляється будь-яке речення. Звичайно, івідповіді, що відповідають цьому зразкові, повинні бути такими ж універсальними,наприклад:
(Я Вас не дуже розумію)
(Не будьте такиминебагатослівними)
(Чому це має для Васзначення?)/>
3.4 Групові залежності./>/>Проблемні сфери.
Розглядаючи зв’язки між виділеними СГ, можназнайти, що деякі з цих зв’язків відносяться, по-перше, не лише до окремихелементів СГ, а до груп в цілому та, по-друге, можуть бути віднесені до класів“бути видом (родом) або “бути невід’ємною властивістю”. Такі зв’язки між парамиСГ назвемо груповими залежностями (ГЗ) та будемо позначати так:
I = ГЗ (J) (1.7)
де I, J – ідентифікатори груп.Вираз вигляду (1.7) означає, що група I “залежить” від групи J;інакше кажучи, всі елементи I пов’язані з елементами Jвідношенням “бути видом (родом)” або “бути невід’ємною властивістю”.
Формально ГЗ можуть бути встановлені шляхоманалізу графа зв’язків між СГ. “Залежні” групи (позначені індексом І увиразі (1.7)) відповідають термінальним вершинам цього графу.
Розглянемо тепер зв’язки між елементамисемантичних груп. Елементи, що належать до однієї семантичної групи (точніше,поняттям, що їм відповідають), на мають безпосередніх зв’язків. Вони можутьпов’язуватися лише через елементи інших СГ.
Зв’язки одного вигляду між елементами двохрізних СГ задаються таблицею, яка називається проблемною сферою (ПС).Кожен такий зв’язок може бути описано виразом
ЗВ’ЯЗОК ::= I> N> p>J> M> (1.7)
де I, J – ідентифікатори СГ; N, M – числа, номера елементів СГ; р – ідентифікатор виду зв’язку. Якщо видзв’язку однозначно визначається пов’язаними елементами, то ідентифікатор рможна опустити:
ЗВ’ЯЗОК ::= I>N> – J> M> (1.7a)
Ідентифікатор проблемної сфери описуєтьсявиразом
::= I> p>J> (1.8)
::= I> – J> (1.8а)
Одна з ПС, так звана ПС-АЛЬФА, представляєструктуру бази знань. Вона містить інформацію про зв’язки між семантичнимигрупами та проблемними сферами. Така ПС пов’язує дві особі СГ: ГРУПИ та СФЕРИ./> 3.5 Принципвіртуальної семантичної сітки.
Швидкість бази знаньпри виведенні відповіді на питання суттєво залежить від розміщення знань упам’яті ЕОМ. Найбільшого прискорення можна досягти, якщо помістити всі знання воперативну пам’ять. Але для промислових ІІС це не є можливим через великийобсяг знань. Структурування знань ІІС дозволяє розміщувати структурні елементисітки на зовнішніх носіях та викликати в оперативну пам’ять лише ті елементисітки, які необхідні для виведення відповіді на задане питання. Структурнимиелементами сітки є так звані проблемні сфери (ПС). З вибраних воперативну пам’ять ПС повинна бути зібрана локальна семантична сітка,релевантна до даного питання. Цю сітку будемо називати проблемною семантичноюсіткою (ПСС). Даний метод представлення структурованої семантичної сіткиможна назвати методом віртуальної семантичної сітки. Користувачу, щозадає питання базі знань, здається, що виведення відповіді базується на повнійсемантичній сітці, тоді як насправді у виведенні відповіді бере участь лишеневелика частина структурних елементів семантичної сітки бази знань. Дляреалізації цього методу необхідні:
a) Розробка алгоритму перетворення вхідногопитання в релевантну проблемну семантичну сітку;
b) Розробка алгоритму виведення відповіді наоснові зібраної ПСС;
c) Визначення структури системи керування базоюзнань (СКБЗ), в якій повинні виконуватися наведення вище алгоритми.
d) Мовні рівні перетворення запитів у базі знань.Структура системи керування базою знань.
4.1Продукційні правила
У системах, побудованих на основі правил, поведінка визначається множиноюправил виду: умова -> дія. Умова задає образ даних, при виникненні якого діяправила може бути виконана. Формування поведінки здійснюється по такій схемі.Умови правил співставляються з поточними даними, і ті правила, умови якихзадовольняються значеннями поточних даних, стають претендентами на виконання.Потім по визначеному критерії здійснюються вибір одного правила середпретендентів і його виконання (тобто виконання дії, зазначеної в правій частиніправила). Підкреслимо, що правила — претенденти можуть виконуватися одночаснопри наявності декількох процесів.
4.2Компонентвиведення
Його дії засновані назастосуванні правила виведення, яке звичайно називається модус поненс, і якогополягає в наступному: нехай відомо, що істинне твердження А та існує правиловиду «Якщо А, то В», тоді твердження В так само істинне. Правила спрацьовують,коли знаходяться факти, що задовольняють їхній лівій частині.
Хоча в принципі наперший погляд здається, що таке виведення легко може бути реалізоване накомп'ютері, проте на практиці людський мозок усе рівно виявляється більшефективним при рішенні задач.
Компонент виведенняповинний мати здатність функціонувати при будь-яких умовах. Механізм виведенняповинний бути здатний продовжити міркування і згодом знайти рішення навіть принедостатній інформації. Це рішення може і не бути точним, однак система ні вякому разі не повинна зупинятися через те, що відсутня яка-небудь частинавхідної інформації.
4.3 Нечітке виведення
В експертних системах, що базуються на логіці, база знаньскладається з тверджень у виді пропозицій логіки предикатів.
Так само як і в системі на правилахекспертна система, що базується на логіці, має множину правил, що можутьвикликатися за допомогою даних із вхідного потоку. Система має такожінтерпретатор, що може вибирати й активізувати модулі, що включаються в роботусистеми.
Також і в системі, що базується направилах, даний циклічний процес є процесом розпізнавання-дія. Перевагисистеми, заснованої на логіці, полягають у тому, що вона відбиває структурусамого Турбо-Пролога. Під цим розуміється, що вона дуже ефективна в роботі.Найбільш важливим аспектом для бази знань у системі, заснованої на логіці, єпроектування бази знань, її тверджень і її структури. База знань повинна матинедвозначну логічну організацію, і вона повинна містити мінімум надлишковоїінформації. Так само як і в системі, що базується на правилах, мінімальнодостатня кількість даних утворять найбільш ефективну систему.
Нечітка підмножинавідрізняється від звичайної тім, що для елементів x з E немаєоднозначної відповіді «ні» відносно властивості R. Узв'язку з цим, нечітка підмножина A універсальної множини Eвизначається як множина впорядкованої пари A = {A(х)/х},де A(х) — характеристична функція приналежності (або просто функція приналежності), щоприймає значення в деякій впорядкованій множині M (наприклад, M =[0,1]).
Функція приналежності вказуєступінь (або рівень) приналежності елемента x до підмножини A. Множина Mназивають множиною приналежностей. Якщо M = {0,1}, тоді нечітка підмножина Aможе розглядатися як звичайна або чітка множина.
Розглянемо множину X всіхчисел від 0 до 10. Визначимо підмножину A множини X всіх дійсних чисел від 5 до8.
A = [5,8]
Покажемо функціюприналежності множини A, ця функція ставить у відповідність число 1 чи 0кожному елементу в X, у залежності від того, належить даний елемент підмножиніA чи ні. Результат представлений на наступному малюнку:
/>
Рис.2. Графічне зображення функції приналежності.
Можна інтерпретуватиелементи, яким поставлена у відповідність 1, як елементи, що знаходяться вмножині A, а елементи, яким поставлений у відповідність 0, як елементи, що незнаходяться в множині A.
Ця концепція використовуєтьсяв багатьох областях застосувань. Але можна легко знайти ситуації, в яких данійконцепції буде бракувати гнучкості.
5. Фрейми
В основі теоріїфреймів лежить сприйняття стереотипних ситуацій, що мають, наприклад,місце в процесі функціонування складних об'єктів, зокрема, виробничих. Для подання й опису стереотипних об'єктів, подій абоситуацій було введено поняття «фрейми», що є складнимиструктурами даних. У загальному вигляді фрейм можна розглядати як сітку, щоскладається з кількох вершин і відношень. На верхньому рівні фрейму поданафіксована інформація: факт стосовно стану об'єкта, який звичайно вважаєтьсяістинним, На наступних рівнях розташовано множину такзваних термінальних слотів (терміналів), які обов'язково повинні бутизаповнені конкретними значеннями та даними. У кожному слоті задається умова,яка повинна виконуватися при встановленні відповідності між значеннями (слотабо сам встановлює відповідність, або це робить дрібніша складова фрейму).Проста умова позначається позначкою і може, наприклад, містити вимога, щобвідповідність встановлював користувач, щоб досить повним був опис значеньтощо. Складні умови вказують відношення між фактами, що відповідають декількомтерміналам.
Поєднавши множинуфреймів, що є відношеннями, можна побудувати фреймову систему,найважливішою перевагою якої є можливість перетворення фреймів в одній системі.
6.1 Семантичні мережі
Звичайнісемантичні мережі складаються з вершин, що відповідають об’єктам чипоняттям, а також дуг, що відповідають відношенням, та зв’язують ці вершини. Утаких мережах вершини можуть відповідати не тільки об’єктам чи поняттям, але івідношенням, логічним складовим частинам інформації (фактам істинності тахиби), комплексним об’єктам тощо. Усьому, що може розглядатися, як самостійнаодиниця, повинна бути співставлена власна вершина. Наприклад, вершини можутьбути співставлені завершеним подіям або ситуаціям. Вершини поділяються на двакласи: визначені (в-вершини) та невизначені (н-вершини). Першівідповідають впізнаним об’єктам, виявленим відношенням розпізнаним подіям,ситуаціям. Другі – невпізнаним, невиявленим.
Окрімзазначених, вводяться вершини з’вязку. Вони поєднуються поміченими ребрами(ребрами різних типів) з вершинами, взятими з множини вищезазначених вершин.Фактично, ребра помічаються цифрами, що визначають семантичний відміноквідношення. В результаті утворюється фрагмент, що відповідає елементарнійситуації, тобто об’єктам, що пов’язані відношенням. Такий фрагмент називаютьелементарним. Елементарний фрагмент можна представити у вигляді павука зпоміченими лапками. При цьому тіло такого павука є вершина зв’язку, а лапки –ребра, якими він ціпляється за інші вершини. Номер, або тип лапки, визначаєроль, яку грають схоплені ним вершини, у представленій ситуації, тобто або цевершина-об’єкт, вершина-відношення, вершина, що відповідає факту істинності –хиби, або вершина, що відповідає всій елементарній ситуації. Спеціальний поділперерахованих вершин на множини, що не перетинаються, не виконується. Кожна зних може грати будь-яку роль. Таким чином, ситуація або логічні складові,можуть бути пов’язані своїми відношеннями, відношення також можуть бутиоб’єктами іншого відношення і.т.д. В результаті забезпечуються широкіможливості представлення.
Обробкасистемних знань базується на принципі накладення мереж, послідовномуспівставленні їх фрагментів. Процедура такого співставлення визначаєтьсяграфами, тобто операціями, що вони задають. В результаті знаходятьсяневизначені компоненти інформації. На відміну від звичайного співставленнятаблиць або зразків (фреймів) при накладенні мереж використовується більшскладний підхід – окільний. Для пошуку невизначених компонентвикористовують їх околи. При цьому доводиться постійно шукати співставлюванікомпоненти, обирати напрям пошуку. Все це робить процедуру накладання достатньоскладною, проте і більш універсальною.
Зазначені принципибуло покладено у основу механізмів, що забезпечують обробку інформації,реалізацію різних видів діяльності. Обробка у багатьох випадках зводиться доформування графів та виконання операцій, що задаються графами. Таким чиномзабезпечується вирішення двох основних задач – конкретизації та перетворення.Перша задача полягає у знаходженні невизначених складових вхідної інформації, увиконанні різноманітних перевірок, а друга задача – у перетворенні інформації. Перетворення керується за допомогою спеціальних засобів, що називаються мережнимипродукціями. Такі засоби можна вважати певним різновидом графів, якізадають спеціальні операції пошуку мереж визначених конструкцій, їх вилученнята заміни на інші мережі. За допомогою таких продукцій представляються різнівизначення, а також деякі види умовних речень.
Слід зазначити, щодалеко не кожна мережа, складена з фрагментів, буде представляти правильну чидопустиму інформацію. Фрагменти можуть представляти відношення, що ніяк неузгоджуються одне з одним, наприклад відношення бути братом (R1)та мати квадратну форму (R2). Тоді мережа
°
буде репрезентувати ДехтоХ1, який є братом А1, має квадратну форму. Щобуникнути подібних неузгодженостей, згідно схеми обробки в процесі вводуінформації виконується перевірка на її допустимість. Для цього використовуютьсятак звані обов’язкові знання, роль яких відіграють семантичні графи.6.2 Різні способи задання семантичних мереж: перевагиі недоліки
Ми уже зазначали, що одні й ті самі твердження можназображати різними семантичними мережами і концептуальними графами. Повернемосядо речення “Студент Іванов отримав 5 на іспиті з штучного інтелекту”.
Цьому концептуальному графі відповідає такий набір бінарних фактіву формі “об’єкт – атрибут – значення”:
Іванов – Є –Студент
Іванов – Здав – Шт.Інтелект
Іванов – Оцінка – 5
Шт. Інтелект – Є – Іспит
/>
Рис.3. Концептуальний граф: перший варіант
Основна перевагацього рішення – його “природність”. “Об’єкт” “Іванов” відповідає реальнійсутності – студентові Іванову.
Але таке рішення маєочевидні вади. Це, зокрема, слабка інтерпретованість дуг “Здає” та “Оцінка”,ігнорування того факту, що “Шт. Інтелект” – це не тільки “Іспит”, але й науковадисципліна і т.п. Але найважливіший недолік – це складність задання зв’язків“один до багатьох” і “багато до багатьох”.
Уявіть собі, що вбазі знань зберігається ще один факт про цього ж студента, а саме “СтудентІванов отримав 2 на іспиті з Ліспу”. Цей факт може бути описаний аналогічнимконцептуальним графом, але як об’єднати ці два графи в семантичну мережу?“Очевидний” розв’язок єнезадовільним через свою неоднозначність: незрозуміло, яку оцінку з якогопредмету отримав Іванов.
/>
Рис.4. Незадовільне задання зв’язків“один до багатьох”
Можна запропонуватирізні виходи з такого становища. Наприклад, можливе таке рішення:
/>
Рис.5.Семантична мережа з неінтерпретованими дугами
Недолік такогорішення – повна неінтерпретованість міток “5” і “2”; вирішити цю проблему можналише шляхом додавання до відповідних дуг допоміжних зв’язків.
Можна запропонуватирозв’язки на основі структурованих семантичних мереж, дляяких характерна певна внутрішня структура. Цю структуру можна ввести,наприклад, таким чином:
/>
Рис.6.Приклад структурованої семантичної мережі
Рамками обведені фрагменти семантичної мережі, дугияких об’єднані заданим відношенням (у даному випадку відношенням кон’юнкції).Але навряд чи подібна структуризація, яка неминуче ускладнює програмування, єнеобхідною для таких простих мереж.
Нарешті, можназастосувати такий типовий прийом.
Вводяться додатковіпредикати, які відображають відношення “Студент Х здав іспит У”.Тоді твердження “Студент Іванов отримав 5 на іспиті з штучного інтелекту”та “Студент Іванов отримав 2 на іспиті з Ліспу” можуть бути подані яккон’юнкції таких бінарних фактів:
Іванов – Є – Студент
Ісп_1 – Є – Іспит
Ісп_1 – Хто_Здав_ — Іванов
Ісп_1 – Предмет — Шт.Інт
Ісп_1 – Оцінка — 5
Іванов – Є – Студент
Ісп_2 – Є – Іспит
Ісп_2 – Хто_Здав — Іванов
Ісп_2 – Предмет – Лісп
Ісп_2 – Оцінка — 2
Зверніть особливуувагу на номери в предикатних іменах: кожному фактові здачі іспиту відповідаєсвій номер, для іншого студента або для іншого предмету предикатне ім’я будеіншим (інакше при описі відношення “багато до багатьох” знову виникненеоднозначність.
7. Нейроннімережі
Нейронні мережі, або штучні нейронні мережі, являють собоюрозвиток моделей, які виникли в результаті спроб імітування механізму мисленнялюдини. Для визначення класів задач штучного інтелекту (насамперед,розпізнавання, інтелектуального управління динамікою складних механічних системтощо) нейромережні моделі часто забезпечують ефективніше рішення, ніжтрадиційні символьні підходи.
У самих загальнихрисах результатом функціонування нейронної мережі є сигнал, що ідентифікуєналежність вхідного зображення до одного з кількох класів (тобто мережаздійснює категоризацію зображень).
Елементарна складова мережі — нейрон - має кілька входів і один вихід. Елементи вхідного векторамножаться на вагові коефіцієнти W1.W2,...,Wn; зважені значення сумуються і надходять до входу порогового елемента,двійковий вихід якого є виходом нейрона. У загальному випадку для відтвореннянелінійності можуть використовуватися не тільки «ступеневі», а й«похилі» функції.
Однією, з найважливіших особливостей нейромереж є їх спроможність донавчання. В процесі навчання нейрона відбувається піднастроювання ваговихкоефіцієнтів таким чином, щоб він правильно класифікував максимальну кількістьвхідних зображень. При поданні чергового навчаючого зображення оцінюєтьсярізниця (похибка) між потрібним вхідним значенням сумуючого елемента і йогофактичним значенням. Звичайно для піднастроювання ваги використовується алгоритм, який мінімізує суму квадратів відхилень за період навчаючої послідовності.
Окрім того, не можнагарантувати, що розроблена мережа є оптимальною мережею. Застосуваннянейромереж вимагає від розробника виконання ряду умов.
Ці умови включають:
· множину даних, що включаєінформацію, яка може характеризувати проблему;
· відповідно встановлену за розміроммножину даних для навчання і тестування мережі;
· розуміння базової природипроблеми, яка буде вирішена;
· вибір функції суматора, передатноїфункції та методів навчання;
· розуміння інструментальних засобіврозробника;
· відповідна потужність обробки.
Новий шлях обчислень вимагає вмінь розробника позамежами традиційних обчислень. Спочатку, обчислення були лише апаратними іінженери робили його працюючим. Потім, були спеціалісти з програмногозабезпечення: програмісти, системні інженери, спеціалісти по базах даних тапроектувальники. Тепер є нейронні архітектори. Новий професіонал повинен матикваліфікацію відмінну від його попередників. Наприклад, він повинен знатистатистику для вибору і оцінювання навчальних і тестових множин. Логічнемислення сучасних інженерів програмного забезпечення, їх емпіричне вміння таінтуїтивне відчуття гарантує створення ефективних нейромереж.
Сучасні дослідження фізіології мозкувідкривають лише обмежене розуміння роботи нейронів і процесу мислення. Дослідники працюють як в біологічній, так і вінженерній галузях для розшифрування ключових механізмів нейронної обробки, щодопомагає створювати потужніші і більш стислі нейромережі.
Для складнихпроблем класифікації з подібними вхідними прикладами, мережа вимагає великоїкарти Кохонена з багатьма нейронами на клас. Це вибірково може бути подолановибором доцільних навчальних прикладів або розширенням вхідного прошарку.
Мережа квантуваннянавчального вектора страждає від дефекту, що деякі нейрони мають тенденцію доперемоги занадто часто, тобто налаштовують свої ваги дуже швидко, а іншіпостійно залишаються незадіяними. Це часто трапляється, коли їх ваги маютьзначення далекі від навчальних прикладів. Щоб пом'якшити цю проблему, нейрон,який перемагає занадто часто штрафується, тобто зменшуються ваги його зв'язківз кожним вхідним нейроном. Це зменшення ваг є пропорційним до різниці міжчастотою перемог нейрону та частотою перемог середнього нейрону.
8. Генетичніалгоритми
Задачіоптимізації — найбільш розповсюджений і важливий для практики клас задач. Їх приходитьсявирішувати кожному з нас або в побуті, розподіляючи свій час між різнимисправами, або на роботі, домагаючись максимальної швидкості роботи програми чимаксимальної прибутковості компанії — у залежності від посади. Серед цих задачє розв'язувані простим шляхом, але є і такі, точне рішення яких знайтипрактично неможливо.
Якправило, у задачі оптимізації ми можемо керувати декількома параметрами(позначимо їх значення через x1, x2,..., xn, а нашою метою є максимізація (чимінімізація) деякої функції, f(x1,x2, ..., xn),що залежить від цих параметрів. Функція f називається цільовою функцією. Наприклад, якщо потрібномаксимізувати цільову функцію «дохід компанії», тоді керованимипараметрами будуть число співробітників компанії, обсяг виробництва, витрати нарекламу, ціни на кінцеві продукти і т.д. Важливо відзначити, що ці параметризв'язані між собою — зокрема, при зменшенні числа співробітників швидше за всевпаде й обсяг виробництва.
Генетичнийалгоритм — новітній,але не єдино можливий спосіб рішення задач оптимізації.
Відомо дваосновні шляхи рішення таких задач — переборний та градієнтний. Розглянемокласичну задачу комівояжера. Суть задачі полягає у знаходженні короткого шляхупроходження всіх міст.
Переборний методє найпростішим. Для пошуку оптимального рішення (максимум цільової функції)потрібно послідовно обчислити значення функції у всіх точках. Недоліком євелика кількість обчислень.
Іншим способом єградієнтний спуск. Обираємо випадкові значення параметрів, а потім значенняпоступово змінюють, досягаючи найбільшої швидкості зросту цільової функції.Алгоритм може зупинитись, досягнувши локального максимуму. Градієнтні методишвидкі, але не гарантують оптимального рішення (оскільки цільова функція маєдекілька максимумів).
Генетичний алгоритм являєсобою комбінацію переборного та градієнтного методів. Механізми кросоверу(схрещування) та мутації реалізують переборну частину, а відбір кращих рішень — градієнтний спуск.
Тобто, якщо на деякій множинізадана складна функція від декількох змінних, тоді генетичний алгоритм єпрограмою, яка за зрозумілий час знаходить точку, де значення функціїзнаходиться достатньо близько до максимально можливого значення. Обираючиприйнятний час розрахунку, отримуємо одне з кращих рішень, які можна отриматиза цей час.
Висновок
У цій курсовій роботіми розглянули основні проблемні середовища штучного інтелекту. Розрізняють статичне тадинамічне проблемне середовище. Для статичних проблемних середовищхарактерним є вирішення статичних задач аналізу і синтезу; використаннязагальних і спеціалізованих тверджень, що виконуються; статична предметна область; сутностіпредставляються у виді об'єктів; склад сутностей змінюваний; БЗ структуровані, а для динамічних — вирішеннядинамічних задач аналізу і синтезу; динамічнапредметна область; сутності представляються сукупністю атрибутів і їхніхзначень; склад сутностей незмінний; БЗ не структуровані.
Важливими проблемамидля вирішення є проблеми неточних і неповних знань; проблеми виведення; тавинятків.
Ненадійність знань інедостовірність наявних фактів обов”язково повинні враховуватися в процесілогічних побудов. Звичайно, можна було б просто відкидати факти та првилавиведення, які викликають сумнів, але тоді довелося б відмовитися від цінноїінформації. Тому необхідно розвивати процедури, які дозволяють здійснюватилогічні побудови при недостовірних даних, і використовувати ці процедури векспертних системах. Необхідно враховувати модальність, а саме:необхідність або можливість того чи іншого факту, ставлення суб”єкта до деякоготвердження і т.п.
З успадкуванням пов’язана дуже серйозна проблема –проблема винятків. Вона полягає в тому, що деякі підкласи можуть не успадковувати ті чи інші властивості надкласів. Інакше кажучи, характерні рисикласу успадковуються всіма його підкласами, крім деяких.
Відомі складності сучасного програмування, пов’язані знеобхідністю надмірної алгоритмізації, тобто детального ретельного розписуванняінструкцій з урахуванням усіх можливих ситуацій.
Використана література :
1). Глибовець М.М., Олецький О. В., „Штучний інтелект”, К. 2002;
2). Герман О.В. Введення в теорію експертних систем і опрацюваннязнань. – Мінськ: ДизайнПРО, 1995.
3). В.Брауэр.Введення в теорію кінцевих автоматів.-М.: «Радіо і зв'язок», 1987.
4). Б/>олотова Л.С., СмольяниновА.А. Неформальные модели представления знаний в системах искусственногоинтеллекта / Московский институт радиотехники, электроники и автоматики (ТУ) –М., 1999.
5). Клыков Ю.И., Горьков Л.Н. Банки данных дляпринятия решений. — М., 1980.
6). Представление и использование знания / под ред.Х.Уэно, М.Исидзука. — М., 1989.
7). Джексон П. />Введение вэкспертные системы. – М.-С-П.-К.: Изд. дом “Вильямс “, 2001.