Глава 4 логический подход к построению систем ии


Содержание

Проблемы создания искусственного интеллекта (стр. 1 из 5)

НАЦИОНАЛЬНЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ УКРАИНЫ

«КИЕВСКИЙ ПОЛИТЕХНИЧЕСКИЙ ИНСТИТУТ»

«ПРОБЛЕМА СОЗДАНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА»

1. Базовые положения

2. Методики и подходы построения систем ИИ

3. Проблемы создания ИИ

4. Реализация систем ИИ

Список использованных источников

В качестве самостоятельного научного направления искусственный интеллект (ИИ) существует уже более четверти века. Мнение общества, относительно специалистов данной области, постепенно менялось от скепсиса до уважения, и понимания перспектив данной области в будущем. В передовых странах, таких как США и Япония, работы в области интеллектуальных систем поддерживаются на всех уровнях – от рядовых граждан, до правительственных органов. Существует вполне обоснованное мнение, что именно исследования в области ИИ будут определять характер нынешнего информационного общества, которое уже фактически пришло на смену индустриальной эпохи, достигшей своей высшей точки расцвета в прошлом веке.

Начиная с 80-х годов прошлого века, произошло становление ИИ как особой научной дисциплины, сформировались её концептуальные модели, накопились специфические методы и приёмы, частично устоялись фундаментальные парадигмы. У специалистов старшего поколения, стоявших у истоков новой области исследований, складывается убеждение, что период бурного, хаотического развития кончился, и теперь наступает эра академических и целенаправленных исследований, рассчитанных на длительный период. [1]

1. Базовые положения

Слово интеллект (intelligence) происходит от латинского intellectus – ум, рассудок, разум. Соответственно искусственный интеллект (artificial intelligence) – ИИ обычно используется как свойство автоматических систем брать на себя отдельные функции интеллектуального труда человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий или событий.

Интеллектом обычно называют способность мозга решать поставленные (интеллектуальные) задачи путём приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения и адаптации их (знаний) к разнообразным обстоятельствам. В этом определении под термином «знания» подразумевается не только информация, которая поступает в мозг человека через органы чувств. Информация подобного рода конечно важна, но недостаточна для полноценной интеллектуальной деятельности. Всё дело в том, что окружающие нас объекты обладают свойством не только воздействовать на органы чувств, но и находиться во взаимодействии друг с другом. Для того чтобы осуществлять в окружающей среде интеллектуальную деятельность, или как минимум просто существовать, человеку необходимо иметь систему знаний, модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и взаимоотношения между ними не только отображаются и запоминаются, но и могут мозгом человека (мысленно) «целенаправленно преобразовываться». При этом важен тот момент, что формирование модели внешней среды происходит в процессе обучения, на опыте и адаптации к разнообразным обстоятельствам.

Под алгоритмом понимают точную, предписанную последовательность действий системы для решения любой поставленной задачи из некоторого данного класса задач.

Термин «алгоритм» происходит от имени узбекского математика Аль Хо Резми, который еще в 9 веке предложил к использованию простейшие арифметические алгоритмы. В математике и кибернетике класс задач определенного типа считается решенным, если для её решения найден соответствующий алгоритм. На самом деле, нахождение алгоритмов является естественной целью человека при решении разнообразных классов задач. Поиск алгоритма для задач некоторого типа связано со сложными рассуждениями, требующими немалой изобретательности и высокой квалификации. Считается, что подобного рода деятельность требует участия интеллекта человека. Задачи, связанные с поиском алгоритма решения класса задач определенного типа, обычно называют интеллектуальными задачами.

Что же относительно задач, алгоритмы, решения которых уже установлены, то, как отмечает известный учёный в области ИИ М. Минский, – «излишне приписывать им (ИИ) такое мистическое свойство, как интеллектуальность». После того, как алгоритм решения задачи найден, процесс решения задачи становится таким, что его могут в равной степени выполнить как человек, так и вычислительная машина (должным образом запрограммированная), не имеющая ни малейшего представления о сущности самой задачи. Требуется только, чтобы «лицо» (человек или ИИ), решающее поставленную задачу, было способно выполнять те элементарные операции, из которых складывается процесс решения, и, кроме того, чтобы оно («лицо») педантично и аккуратно руководствовалось предложенным алгоритмом. Человек, так же как и ИИ, действует в таких случаях, как говориться, чисто машинально и может успешно решать любую задачу рассматриваемого класса.

Представляется совершенно естественным исключить из класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Например, такими задачами могут быть чисто вычислительные задачи: решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т. п. Для решения подобного рода задач имеются стандартные алгоритмы, представляющие собой определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для вычислительной машины. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т. п., – формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение теоретически несложно.

Т.е. в некотором роде можно перефразировать определение интеллекта, назвав его универсальным сверхалгоритмом, который способен создавать алгоритмы решения самых разнообразных, но в тоже время конкретно поставленных задач.

Стоит отметить, что профессия программиста, исходя из приведенного выше, по-сути является одной из самых интеллектуальных, поскольку продуктом деятельности программиста являются программы – алгоритмы в чистом виде. Поэтому, создание даже определенных элементов ИИ по-идее должно значительно повысить производительность его труда.

Деятельность мозга, направленную на решение интеллектуальных задач, называют мышлением, или интеллектуальной деятельностью. Интеллект и мышление связаны с решением таких задач, как доказательство теорем, логический анализ, распознавание ситуаций, планирование поведения, игры, также управление в условиях неопределенности. Характерными чертами интеллекта, проявляющимися в процессе решения задач, являются способность к обучению, обобщению, накоплению опыта (знаний и навыков) и адаптации к изменяющимся условиям в процессе решения задач. Благодаря этим качествам мозг может решать разнообразные задачи, а также легко перестраиваться с решения одной задачи на другую. Таким образом, мозг, наделенный интеллектом, является универсальным средством решения широкого спектра задач (в том числе и неформализованных) для которых нет стандартных, заранее известных методов решения.

Надо учитывать, что существуют и другие, чисто поведенческие (функциональные) определения. Так, согласно А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы или искусства, обладает интеллектом.

Другим примером поведенческой трактовки интеллекта может служить известное определение А. Тьюринга. Например, в разных комнатах находится люди и машина. Они не могут видеть друг друга, но имеют возможность общения (обмениваться сообщениями). Если в процессе диалога между участниками людям не удается установить, что один из участников – машина, то такую машину можно считать обладающей интеллектом. Интересен план имитации мышления, предложенный А. Тьюрингом. «Пытаясь имитировать интеллект взрослого человека – пишет Тьюринг – мы вынуждены много размышлять о том процессе, в результате которого человеческий мозг достиг своего настоящего состояния… Почему бы нам вместо того, чтобы пытаться создать программу, имитирующую интеллект взрослого человека, не попытаться создать программу, которая имитировала бы интеллект ребенка? Ведь если интеллект ребенка получает соответствующее воспитание, он становится интеллектом взрослого человека… Наш расчет состоит в том, что устройство, ему подобное, может быть легко запрограммировано… Таким образом, мы расчленим нашу проблему на две части: на задачу построения «программы-ребенка» и задачу «воспитания» этой программы». Следует отметить, что именно этот путь используют практически все современные системы ИИ. Ведь понятно, что практически невозможно вложить все знания в систему ИИ. Более того, только на этом пути проявятся перечисленные выше признаки интеллектуальной деятельности (накопление опыта, адаптация и т. п.). [5]

2. Методики и подходы построения систем ИИ

Существуют различные подходы к построению систем ИИ – логический подход, структурный, эволюционный, имитационный. Это разделение не является историческим, когда одно мнение постепенно сменялось другим, и различные подходы и методики существуют параллельно и сегодня. Поскольку по-настоящему полноценных систем искусственного интеллекта в настоящее время нет, то нельзя и утверждать, что какой-то подход является правильным, а какой-то – нет.

Для начала рассмотрим логический подход. Человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных. Основой для данного логического подхода служит Булевая алгебра. Каждый программист знаком с нею и с её использованием, хотя бы на примере логического оператора IF (если). Свое дальнейшее развитие Булевая алгебра получила в виде исчисления предикатов – в котором она расширена за счёт введения предметных символов, отношений между ними, кванторов существования и всеобщности.

Глава 4 ЛОГИЧЕСКОЕ МОДЕЛИРОВАНИЕ

По итогам изучения материала данной главы студент должен:

  • • подходы в моделировании логической базы данных;
  • • технологии моделирования логической модели базы данных;
  • • инструментальные средства, применяемые при логическом моделировании базы данных;
  • • нормальные формы и подходы к проведению нормализации логической модели базы данных;
  • • различными способами идентифицировать структурные элементы и объекты данных;
  • • строить логическую модель базы данных, используя различные подходы;
  • • функционализировать модели базы данных;
  • • выделять аномалии в логической модели базы данных;
  • • проводить нормализацию логической модели базы данных;
  • • методами применения инструментальных средств для построения логической модели базы данных;
  • • способами проведения нормализации логической модели базы данных;
  • • навыками моделирования иерархических структур и квазиструктрированных данных;
  • • методами проектирования логической модели для мультиязычной информационной системы.

Данная глава учебника рассматривает технологии и подходы к построению логической модели базы данных, основываясь на ранее проведенном анализе предметной области и информационных структур. Для реализации процессов анализа и моделирования рассматриваются различные инструментальные средства: IBM InfoSphere Data Architect, CA ERWin Data Modeler, MS Visio.

Подходы к формированию логической модели базы данных

Формирование логической модели базы данных заключается в построении множества или одной диаграммы, отражающих связанную информационную структуру предметной области. Для построения этих диаграмм используются сведения, полученные об информационных структурах на этапе анализа предметной области. В процессе моделирования бизнес-процессов разработчики выявляют некоторые структурные элементы,

с которыми пользователи будущей информационной системы должны работать. Обычно такие информационные структуры представляются документами или виртуальными представлениями данных, структурированных по правилам составления документов или табличных структур.

Учитывая множество вариантов построения моделей базы данных, можно выделить два основных подхода:

  • • документарный — представляя документы в виде информационных структур, модель базы данных формируют в виде сущностей, идентичных документам предметной области, с выделением отдельных атрибутивных элементов в виде сущностей и проведением нормализации внутри сущностей и по связям между выделенными самостоятельными атрибутивными сущностями;
  • • объектный — подход, представляющий выделение в предметной области по бизнес-процессам и вспомогательным функциям информационных объектов, которые могут быть документами или информационными бизнес-элементами, с последующей функционализацией модели и нормализацией полученных из объектов сущностей.

Оба подхода учитывают правила и особенности проектирования реляционной базы данных и нормализации отношений. Основная разница заключается в том, что при документарном подходе основу рассмотрения составляют документы и документооборот, из которых выделяется множество атрибутов, представляемых сущностями модели базы данных. По сути, множество сущностей, представляемых единственным атрибутом, есть не что иное, как представлениое в нотации сущности-связи отношение предметной области в первой нормальной форме, к которому можно применить правила перехода между нормальными формами и многие правила технической нормализации, облегчающие получение сущностей модели базы данных, где значительно проще увидеть применимость того или иного правила перехода к соответствующим нормальным формам.

Объектный же подход рассматривает ие каждый атрибут в отдельности, а их совокупность, формируемую в рамках бизнес-элементов или единых документов, создавая в модели базы данных множество отношений, к которым могут быть применены все известные правила нормализации.

Учитывая, что до момента проектирования базы данных разработчиками описываются бизнес-процессы и информационные структуры, зачастую представленные простыми типами данных, переход от бизнес-процесса к модели базы данных приведет к созданию множества сущностей, соответствующих атрибутам бизнес-элементов, но в том числе могут быть созданы сущности, соответствующие самим бизнес-элементам, если они одновременно являются атрибутами других бизнес-элементов. Такое преобразование позволяет изначально получить некоторый набор сущностей, которые должны будут объединить в себе атрибутивный состав других сущностей, формируемый при использовании правил нормализации.

Информационные технологии создания систем искуственного интеллекта

Информационные технологии создания систем ИИ.docx

Глава 1. История развития систем искусственного интеллекта 7

1.1 Создание искусственного интеллекта 7

1.2 Цель, необходимость создания и безопасность систем ИИ 8

1.3 Моделирование систем ИИ 10

1.4 Нейронные сети 12

1.5 Экспертные системы на основе ИИ 15

Глава 2. Различные подходы к построению систем ИИ 17

2.1 Логический подход 17

2.2 Структурный подход 19

2.3 Эволюционный подход 20

2.4 Имитационный подход 21

Список литературы 23

Введение

режде чем перейти к обсуждению проблем, с которыми столкнулись многие ученые при разработке искусственного интеллекта , давайте выясним, что подразумевается под этим понятием?

Википедия дает нам следующее определение:

– искусственный интеллект (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами. 1

Но проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальными. А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигнуть целей в мире.

До сих пор единого ответа на вопрос чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки. Обычно эти определения сводятся к нескольким основным (табл. 1).

Таблица 1. Основные определения искусственного интеллекта

Наименование подхода Краткое определение направления
Тест Тьюринга Может ли машина мыслить
Когнитивное моделирование Междисциплинарное исследование приобретения и применения знаний
Логический подход Язык и система логического программирования Пролог
Агентно-ориентированный подход Алгоритмы поиска и принятия решений
Интуитивные Поведение, не отличающееся от человеческого

Ниже мы рассмотрим эти определения более подробно.

Тест Тьюринга — эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Тьюринг задался целью определить, может ли машина мыслить.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». 2

Все участники теста не видят друг друга. Если судья не может сказать определенно, кто из собеседников является человеком, то считается, что машина прошла тест. Чтобы протестировать именно интеллект машины, а не её возможность распознавать устную речь, беседа ведется в режиме «только текст», например, с помощью клавиатуры и экрана (компьютера-посредника). Переписка должна производиться через контролируемые промежутки времени, чтобы судья не мог делать заключения исходя из скорости ответов. Во времена Тьюринга компьютеры реагировали медленнее человека. Сейчас это правило необходимо, потому что они реагируют гораздо быстрее, чем человек.

По состоянию на 2011 год ни одна из существующих компьютерных систем не приблизилась к прохождению теста.

Когнитивная наука в самом широком смысле слова — совокупность наук о познании — приобретении, хранении, преобразовании и использовании знания, в узком смысле — «междисциплинарное исследование приобретения и применения знаний».

Логический подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз знаний с использованием языка предикатов.

Учебной моделью систем искусственного интеллекта в 1980-х годах был принят язык и система логического программирования Пролог.

Логическая модель баз знаний позволяет записывать не только конкретные сведения и данные в форме фактов на языке Пролог, но и обобщенные сведения с помощью правил и процедур логического вывода и в том числе логических правил определения понятий, выражающих определенные знания как конкретные и обобщенные сведения.

В целом исследования проблем искусственного интеллекта в информатике в рамках логического подхода к проектированию баз знаний и экспертных систем направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем.

Последний подход, развиваемый с начала 1990-х годов называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно сильнее изучаются алгоритмы поиска и принятия решений.

Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём, в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Илон Маск рекомендует:  As - Ключевое слово Delphi

Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. 3


Глава 1. История развития систем искусственного интеллекта

1.1 Создание искусственного интеллекта

озможно ли создать искусственный разум, и если да, то как? Многочисленные попытки ответить на этот вопрос породили целое направление науки — искусственный интеллект (ИИ). Впрочем, в последнее время этот термин трактуют не столь широко, как раньше.

Сейчас ИИ рассматривают как прикладную область исследований, связанных с имитацией отдельных функций интеллекта человека. Распознавание образов, машинный перевод, интеллектуальные агенты, робототехника — это лишь некоторые из направлений, по которым развиваются системы искусственного интеллекта.

Термин «интеллект» (intelligence) происходит от латинского «intellectus», что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (ИИ, он же artificial intelligence — AI в зарубежной литературе) обычно трактуется 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. Система, наделенная интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных), для которых нет стандартных, заранее известных методов решения. Таким образом, мы можем определить интеллект и как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Существуют и другие, чисто поведенческие (функциональные) определения интеллекта. Так, по А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы и искусства, обладает интеллектом. 4 Другим примером поведенческой трактовки интеллекта может служить упоминавшееся выше известное определение А. Тьюринга.

1.2 Цель, необходимость создания и безопасность систем ИИ

дним из важнейших вопросов ИИ является цель его создания. В принципе все, что мы делаем в практической жизни, обычно делается ради того, чтобы больше ничего не делать. Однако при достаточно высоком уровне жизни (большом количестве потенциальной энергии) на первые роли выступает уже не лень (в смысле желания экономить энергию), а поисковые инстинкты. Допустим, человек сумел создать интеллект, превосходящий его собственный (если не качеством, то количеством). Что теперь будет с человечеством? Какую роль будет играть человек и для чего он теперь нужен? И вообще, нужно ли в принципе создавать ИИ?

По-видимому, самым приемлемым ответом на эти вопросы является концепция «усилителя интеллекта» (УИ). Очевидно, здесь уместна аналогия с президентом государства — он не обязан знать валентности ванадия для принятия решения о развитии ванадиевой промышленности страны. Так же, как не обязан, к примеру, разбираться в тонкостях языка программирования Java, чтобы решить вопрос о его использовании для своего официального сайта. Каждый занимается своим делом — химик описывает технологический процесс, программист создает код. В конце концов, экономист говорит президенту, что, вложив деньги в промышленный шпионаж, страна получит 20% годовых, а вложив в ванадиевую промышленность — 30%. Думается, при такой постановке вопроса даже самый последний бомж (правда, находящийся в сознании) сможет сделать правильный выбор.

В данном примере президент использует биологический УИ — группу специалистов с их белковыми мозгами. Но уже сейчас используются и неживые УИ — например, мы не могли бы с такой степенью достоверности предсказывать погоду без компьютеров; при полетах космических кораблей с самого начала использовались бортовые счетно-решающие устройства. Кроме того, человек уже давно использует усилители силы (УС) — понятие, во многом аналогичное УИ. В качестве усилителей силы ему служат автомобили, краны, электродвигатели, прессы, пушки, самолеты и многое-многое другое. Однако между УИ и УС есть принципиальная разница. Первые обладают волей, а вторые — нет.

Интеллектуальная система вполне могла бы иметь свои желания и поступать не так, как нам хотелось бы. Таким образом, перед нами встает еще одна проблема — проблема безопасности. Она будоражит умы еще со времен Карела Чапека, впервые употребившего термин «робот». Весомую лепту в ее обсуждение внесли многие писатели-фантасты и режиссеры. Вспомним хотя бы превосходные рассказы Айзека Азимова о роботах, захватывающий роман Сергея Лукьяненко «Фальшивые зеркала», трогательный фильм Стивена Спилберга «Искусственный интеллект»…

Подходы к построению систем искусственного интеллекта.

Дата добавления: 2013-12-23 ; просмотров: 3747 ; Нарушение авторских прав

История развития систем искусственного интеллекта.

Исторически сложились три основных подхода в моделировании искусственного интеллекта:

  1. Объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии принципов мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними и т. д.
  2. Объектом исследования является искусственный интеллект. Здесь интеллектуальная деятельность моделируется с помощью вычислительных машин. Целью является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи на уровне человека.
  3. Создание смешанных человеко-машинных систем, т.е. симбиоз возможностей естественного и искусственного интеллекта. Основными проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

История решения интеллектуальных задач на ЭВМ:

— распознавание образов и ситуаций;

— машинный перевод, а также обучение машины языку;

1. Логический подход. Основой для данного подхода служит Булева алгебра. Исходные данные хранятся в базе данных в виде аксиом и правил логического вывода как отношений между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Таким образом, практически каждая система искусственного интеллекта, построенная на логическом принципе, представляет собой машину доказательства теорем. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели.

Недостаток: большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход используется при сравнительно небольшом объеме данных.

2. Структурный подход. Построение искусственного интеллекта осуществляется путем моделирования структуры человеческого мозга. Результирующими моделями в этом подходе являются искусственные нейронные сети.

3. Эволюционный подход. Основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Модель может быть составлена различными методами (нейронная сеть, набор логических правил и др.). После этого в результате проверки моделей отбираются лучшие из них, на основании которых по различным правилам генерируются новые модели, из которых опять выбираются лучшие и т. д. Особенность – перенесение основной работы разработчика с построения модели на алгоритм ее модификации.

4. Имитационный подход. Базовое понятие – «черный ящик» – объект, информация о внутренней структуре и содержании которого отсутствует, но известны спецификации входных и выходных данных. Таким образом, здесь моделируется свойство человека – способность копировать то, что делают другие.

Недостаток: низкая информативность моделей.

Презентация на тему «Логический подход к построению систем ИИ»

  • 1
  • 2
  • 3
  • 4
  • 5

Рецензии

Аннотация к презентации

Презентация для школьников на тему «Логический подход к построению систем ИИ» по информатике. pptCloud.ru — удобный каталог с возможностью скачать powerpoint презентацию бесплатно.

Содержание

Глава 4. Логический подход к построению систем ИИ. Неформальные процедуры. Неформальная процедура — это особый способ представления функций. Неформальные процедуры, выполняемые человеком, обладают рядом специфических особенностей, существенно затрудняющих их представление в ЭВМ с помощью алгоритмических языков программирования. Чтобы в какой-то степени приблизиться к этому «человеческому» способу представления функций, рассмотрим прежде всего традиционные алгоритмические модели и попытаемся понять, в чем состоит основная трудность их применения для имитации неформальных процедур.

Алгоритмические модели Алгоритмические модели основаны на понятии алгоритма. Исторически первые точные определения алгоритма, возникшие в 30-х годах, были связаны с понятием вычислимости. С тех пор было предложено множество, как выяснилось, эквивалентных определений алгоритма. Чтобы оценить возможности использования алгоритмов для представления неформальных процедур, рассмотрим простую задачу. ЗАДАЧА. Описать процедуру, реализующую преобразование из именительного падежа в родительный для существительных следующих типов: ДОМ, МАМА, ВИЛКА, КИНО, НОЧЬ, ТОКАРЬ, КИЛЬ. Решение 1 указано на Рис. 1 в виде блок схемы соответствующего алгоритма.

Рис. 1. Решение 1. Алгоритм

С точки зрения программирования на алгоритмических языках достоинства подобного представления очевидны — эта блок-схема без затруднений переводится в текст программы, например, на языке Ассемблера или С++. Однако само составление подобной блок-схемы при появлении существительных новых типов становится, очевидно, все более и более утомительным занятием. Для иллюстрации этого предположим, что дана ДОПОЛНИТЕЛЬНАЯ ЗАДАЧА. Расширить алгоритм, представленный на Рис. 1 на слова ВАСЯ, ВРЕМЯ, АКЦИЯ, ЗАДАЧА Разумеется программист без особого труда составит соответствующую блок-схему алгоритма. И все же, если учесть, что подобные изменения и расширения алгоритма при программировании неформальных процедур происходят многократно (реальная сложность неформальной процедуры как раз и проявляется в практической невозможности предусмотреть заранее все случаи), следует признать, что, вполне правильное в статике, решение 1 в динамике неудачно!

Продукционные модели В подобных случаях для обеспечения динамичности процессов модификации программ используются те или иные варианты таблиц решений. С учетом этого для исходной задачи более приемлемо решение 2: Таблица 1. Решение 2

Соответствующая таблица решений содержит две графы — слева приведены описания ситуаций, справа — соответствующие действия. Предполагается, что программист разработал интерпретирующую программу для подобных таблиц. Эта программа работает следующим образом. Для конкретного входного слова, пусть это будет для примера слово РОЗА, осуществляется последовательный просмотр ситуаций, указанных в таблице, и сравнение их со входным словом. Если слово соответствует некоторой ситуации, то выполняется действие, указанное для этой ситуации. Для слова РОЗА будет обнаружено соответствие с ситуацией «-А». В результате выполнения действия «-Ы» будет получено выходное слово РОЗЫ.

Теперь значительно упрощается расширение на новые классы слов — необходимо лишь обеспечить внесение вставок на нужное место в таблице решений. Таблицы решений представляют собой частный случай так называемых продукционных систем. В этих системах правила вычислений представляются в виде продукций. Продукции представляют собой операторы специального вида и состоят из двух основных частей, для краткости называемых обычно «ситуация — действие». «Ситуация» содержит описание ситуации, в которой применима продукция. Это описание задается в виде условий, называемых посылками продукции. «Действие» — это набор инструкций, подлежащих выполнению в случае применимости продукции.

Режим возвратов Таблица решений, приведенная в Таблице 1, иллюстрирует так называемую безвозвратную процедуру. В этом случае на каждом шаге выбирается единственное решение — так, для слова РОЗА таким решением будет РОЗЫ — проблема выбора решения не возникает. В общем случае неформальные процедуры являются многозначными, а правильность конкретного выбора, сделанного на некотором шаге, проверяется на следующих шагах. При этом используется так называемый режим возвратов. а). МАТЬ ——————> ЛЮБИТ ——————> ? что делать? кого? б). МАТЬ Слайд 9

Логический вывод Важность логического вывода становится очевидной уже при рассмотрении простейших информационно-логических процедур. Предположим, что некоторая база данных содержит сведения об отношениях»o — ОТЕЦ у» и «х — МАТЬ у». Чтобы обработать запросы типа: ИВАНОВ А.И. — ДЕД ПЕТРОВА В.А.? ПЕТРОВ В.А. — ВНУК ИВАНОВА А.И.? необходимо либо ввести в базу данных также и сведения об отношениях»х — ДЕД у» и «х — ВНУК у», либо объяснить системе, как из отношений ОТЕЦ, МАТЬизвлечь искомую информацию.

Реализация первой возможности связана с неограниченным ростом избыточности базы данных. Вторая возможность при традиционном алгоритмическом подходе требует написания все новых и новых программ для реализации новых типов запросов.

Логический вывод позволяет расширять возможности «общения» наиболее просто и наглядно. Так, для приведенных типов запросов системе достаточно будет сообщить три правила: х—ДЕД у если х—ОТЕЦ а и а—РОДИТЕЛЬ у 2. х—РОДИТЕЛЬ у если х—ОТЕЦ у или х—МАТЬ у 3. х—ВНУК у если у—ДЕД х Эти правила содержат естественные и очевидные определения понятий ДЕД, РОДИТЕЛЬ, ВНУК. Поясним в чем состоит логический вывод для запроса «А—ДЕД В?» в предположении, что в базе данных имеются факты: А—ОТЕЦ Б и Б—МАТЬ В. При этом для упрощения опустим тонкости, связанные с падежными окончаниями. Пользуясь определением 1 система придет к необходимости проверки существования такого индивидуума а, что факты А—ОТЕЦ а и а—РОДИТЕЛЬ В истинны. Если такой а существует, то А—ДЕД В, если не существует такого а, то А не является дедом В.

Зависимость продукций Мы могли бы использовать в таблице решений только конкретные факты, например правила ДОМ ДОМА, МАМА МАМЫ и т. д., и динамичность соответствующей таблицы решений была бы восстановлена — подобные правила можно было бы вводить в произвольном порядке! Однако цена подобной «динамичности» окажется непомерно высокой — полный отказ от обобщенных правил.

Продукционные системы с исключениями Если отношение «правило—исключение» встроено в систему, она сама может понять, что преобразование ПАЛКА ПАЛКЫ незаконно. При этом система должна руководствоваться простым принципом: если применимо исключение, общее правило запрещено. Соответствующие системы будем называть системами с исключениями. Отношение «общее правило — исключение» безусловно полезно для понимания системой уместности правил. Можно сказать, что это отношение устанавливает автоматически (по умолчанию) наиболее типичное для неформальных процедур взаимодействие правил: — исключение «вытесняет» общее правило. — при пересечении разрешены оба правила.

Разумеется, возможны ситуации, когда необходимо поступать наоборот: — исключение не запрещает общего правила — при пересечении одно из правил запрещено. Пусть дано, например, общее правило х р1 и его исключение Ах р2. Таким образом, для произвольного слова необходима реакция р1. Для слова же, начинающегося с буквы А, исполняется реакция р2 — по умолчанию для таких слов реакция р1 незаконна. Предположим, однако, что по условию конкретной задачи для слов, начинающихся с А, реакция р1 также допустима. В этом случае введение нового правилаАх р1 снимает запрет на реакциюр1 в ситуацииАх. Аналогичный способ годится для пересечения правил.

Таким образом, аппарат исключений позволяет устанавливать произвольные способы взаимодействия правил, в том числе и отличные от взаимодействия по умолчанию. При развитии продукционной системы с исключениями программист сосредотачивает свое внимание на выявлении новых правил и на обобщении уже имеющихся. Аппарат исключений освобождает программиста от решения трудоемких вопросов согласования правил — распознавание и интерпретация исключений осуществляется автоматически.

Глава 4 логический подход к построению систем ии

Предисловие
Цель этой книги — представить понятия и методы искусственного интеллекта (ИИ), используя в качестве определяющего логический подход. Мы стремились добиться достаточно автономного и дидактически выдержанного изложения. Оно ориентировано на читателей (студентов или исследователей), имеющих хорошую культуру в области математики и информатики. Однако особых знаний ни в логике, ни в ИИ не предполагается. Мы пока что запланировали выпустить два тома. Содержание данного тома, первого из них, можно описать следующим образом.
В первой главе собраны математические и логические сведения, которые будут использоваться в дальнейшем. Излагаются основные понятия классической логики. Сперва рассмотрено исчисление высказываний, а затем — исчисление предикатов. Особое внимание уделено методу резолюций и связанным с ним понятиям, что обусловлено их ролью в приложениях.
Вторая глава представляет аксиоматический подход к логике и служит введением в теории первого порядка. В ней показано, как исчисление предикатов превращается в основу теории для изучения специфических математических структур. В этом контексте изложены некоторые фундаментальные вопросы логики, естественным образом продолжающиеся в теоретическую информатику. В частности, это касается алгоритмических языков Тьюринга и Гёделя, тезиса Чёрча, класса вычислимых функций и понятия разрешимости.
В третьей главе показано, как классическая логика (особенно логика предикатов) может использоваться для представления знаний и автоматических рассуждений, относящихся к ним. Изложены методы, позволяющие преобразовать логическое представление в сетевое и объектное. Затем обсуж-
даются сравнительные достоинства этих различных представлений. Классическая логика связана с формализацией корректных рассуждений. Однако, как это бывает в ИИ, моделирование рассуждений не ограничивается областью абсолютно корректных рас-суждений. Основанные на неполной, неточной или изменчивой информации, наши рассуждения часто гипотетичны, лишь в той или иной степени правдоподобны и предполагают осуществление систематических пересмотров (модификаций).
Четвертая глава служит введением в логики, которые предназначены для формализации модифицируемых рассуждений: логики умолчаний, модальные логики знания и веры, немонотонные логики, авто-эпистемические логики.
Пятая глава — вспомогательная. В ней показывается, как логическая интерпретация формальных грамматик и их правил вывода приводит к языкам логического программирования, наиболее известным из которых является Пролог. Грамматики классифицированы по иерархии Хомского. Каждая из грамматик этой иерархии описывается соответствующей машиной или автоматом. Автомат является основной моделью в теории грамматик и языков. Эта модель послужила источником сетевого формализма. Показана связь между такими сетями и языками функционального программирования, среди которых особенно типичен Лисп.
В шестой главе представлен язык программирования Пролог. Его создание навеяно формальной логикой и формальными грамматиками. В Прологе некоторые логические формулы (хорновские дизъюнкты) становятся инструкциями, допускающими исполнение на ЭВМ. Пролог можно считать языком ИИ, который хорошо приспособлен для автоматизации некоторой формы логических рассуждений. В этом смысле он представляет собой итог изучения понятий и методов ИИ, основанных на логике.
Итак, главная цель авторов — изложить согласованно и стройно набор дисциплин, включающий: классические логики, представление знаний и корректные рассуждения, неклассические логики, модифицируемые рассуждения, формальные грамматики, теорию автоматов, логическое программирование (особенно язык Пролог). Это интеграция различных дисциплин такого типа для решения сложных проблем, составляющих предмет того, что обычно принято называть ИИ. Среди проблем, особенно часто исследуемых свойственными ИИ методами, назовем распознавание и понимание речи и изображений, создание экспертных систем, имитацию рассуждений (например, в функционировании сознания или медицинских дисциплинах), робототехнику.
Зависимость между главами первого тома этой книги можно схематически изобразить так.
Планируется выпуск второго тома, который будет посвящен четырем следующим темам:
• временная логика и ее приложения в ИИ и информатике,
• углубленное изучение представления знаний и рассуждений,
• логические грамматики и их применение к моделированию естественного языка и пониманию речи,
• логика баз данных и баз знаний.
Авторы хотели представить в этих двух томах основы ИИ, руководствуясь логикой. Важные аспекты ИИ были либо сильно сокращены (как, например, логическое программирование), либо полностью обойдены молчанием. В частности, последнее относится к:
• функциональному программированию и объектно-ориентированному программированию,
• доказательству теорем и верификации программ,
• эвристикам поиска и стратегиям,
• видению, пониманию речи, обучению,
• построению экспертных систем.
Эти темы могли бы быть изложены в последующих томах.
Мы благодарны всем, кто помог нам в работе:
Даниэль Брике, Мари-Франс Деклерфей, Даниэль Дзиржовски, Пьер-Ив Шоббен и Мишель Зинцофф согласились прочесть и прокомментировать части этой книги.
Анна-Мари Де Сёсте и Эдит Моэ участвовали в редактировании текста.
Один из авторов (Эрик Грегуар) благодарит Бельгийский институт научных исследований в промышленности и сельском хозяйстве за оказанную поддержку (Конвенция 4856: Общее направление исследований в ИИ).

Илон Маск рекомендует:  is_file - Определяет, является ли файл обычным файлом

Различные подходы к построению систем ИИ

Исторически сложились три основных направления в моделировании ИИ.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д. Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем ИИ в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то ошибочным.

Для начала кратко рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных.

Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Конечно можно сказать, что выразительности алгебры высказываний не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит — ячейка памяти, которая может принимать значения только 0 и 1. Таким образом было бы логично предположить, что все, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и про межуточные значения — не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет. Хотя правда на экзамене будут приниматься только ответы из разряда классической булевой алгебры.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

Под структурным подходом мы подразумеваем здесь попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином «нейронные сети» (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем ИИ.

Для моделей, построенных по мотивам человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом — нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее да».

Довольно большое распространение получил и эволюционный подход. При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.

Еще один широко используемый подход к построению систем ИИ — имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий — «черным ящиком» (ЧЯ). ЧЯ — устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же.

Таким образом, здесь моделируется другое свойство человека — способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

С черным ящиком связана одна очень интересная идея. Кто бы хотел жить вечно? Я думаю, что почти все ответят на этот вопрос «я». Представим себе, что за нами наблюдает какое-то устройство, которое следит за тем, что в каких ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.) и за величинами, которые выходят от нас (речь, движение и др.). Таким образом, человек выступает здесь как типичный черный ящик. Далее это устройство пытается отстроить какую-то модель таким образом, чтобы при определенных сигналах на входе человека, она выдавала на выходе те же данные, что и человек. Если данная затея будет когда-нибудь реализована, то для всех посторонних наблюдателей такая модель будет той же личностью, что и реальный человек. А после его смерти она, будет высказывать те мысли, которые предположительно высказывал бы и смоделированный человек.

Мы можем пойти дальше и скопировать эту модель и получить брата близнеца с точно такими же «мыслями».

Можно сказать, что «это конечно все интересно, но при чем тут я? Ведь эта модель только для других будет являться мной, но внутри ее будет пустота. Копируются только внешние атрибуты, но я после смерти уже не буду думать, мое сознание погаснет или «покинет этот мир». Что ж это так. Но попробуем пойти дальше. Сознание представляет собой сравнительно небольшую надстройку над нашим подсознанием, которая следит за активностью некоторых центров головного мозга, таких как центр речи, конечной обработки зрительных образов, после чего «возвращает» эти образы на начальные ступени обработки данной информации. При этом происходит повторная обработка этих образов, мы как бы видим и слышим, что думает наш мозг. При этом появляется возможность мысленного моделирования окружающей действительности при нашем «активном» участии в данном процессе. И именно наш процесс наблюдения за деятельностью этих немногих центров является тем, что мы называем сознанием. Если мы «видим» и «слышим» наши мысли, мы в сознании, если нет, то мы находимся в бессознательном состоянии.

Если бы мы смогли смоделировать работу именно этих немногих «сознательных» нервных центров (работа которых правда основана на деятельности всего остального мозга) в качестве одного черного ящика, и работу «супервизора» в качестве другого черного ящика, то можно было бы с уверенностью говорить, что «да, данная модель думает, причем так же, как и я». Но неизвестно, как получить данные о работе этих нервных центров, поскольку сегодня нет ничего такого, что позволило бы следить за мозгом человека годами и при этом не мешало бы его работе и жизни.


И заканчивая ознакомление с различными методами и подходами к построению систем ИИ, хотелось бы отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по-другому.

Различные подходы к построению систем ИИ

Исторически сложились три основных направления в моделировании ИИ.

В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д. Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Существуют различные подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет другое, и различные подходы существуют и сейчас. Кроме того, поскольку по-настоящему полных систем ИИ в настоящее время нет, то нельзя сказать, что какой-то подход является правильным, а какой-то ошибочным.

Для начала кратко рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных.

Основой для данного логического подхода служит Булева алгебра. Каждый программист знаком с нею и с логическими операторами с тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра получила в виде исчисления предикатов — в котором она расширена за счет введения предметных символов, отношений между ними, кванторов существования и всеобщности. Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом, правила логического вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Конечно можно сказать, что выразительности алгебры высказываний не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит — ячейка памяти, которая может принимать значения только 0 и 1. Таким образом было бы логично предположить, что все, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме да/нет (1/0) еще и про межуточные значения — не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку он на вопросы редко отвечает только да или нет. Хотя правда на экзамене будут приниматься только ответы из разряда классической булевой алгебры.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошая работа обычно гарантируется при сравнительно небольшом размере базы данных.

Под структурным подходом мы подразумеваем здесь попытки построения ИИ путем моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье обычно известны под термином «нейронные сети» (НС). Эти модели различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного применения их для построения собственно систем ИИ.

Для моделей, построенных по мотивам человеческого мозга характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая производительность параллельно реализованных НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом — нейронные сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее да».

Довольно большое распространение получил и эволюционный подход. При построении систем ИИ по данному подходу основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может быть составлена по самым различным методам, это может быть и НС и набор логических правил и любая другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

В принципе можно сказать, что эволюционных моделей как таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс.

Такими особенностями являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она становится как бы вещью в себе.

Еще один широко используемый подход к построению систем ИИ — имитационный. Данный подход является классическим для кибернетики с одним из ее базовых понятий — «черным ящиком» (ЧЯ). ЧЯ — устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Нам не важно, что у него и у модели внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же.

Таким образом, здесь моделируется другое свойство человека — способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит ему массу времени, особенно в начале его жизни.

Основным недостатком имитационного подхода также является низкая информационная способность большинства моделей, построенных с его помощью.

С черным ящиком связана одна очень интересная идея. Кто бы хотел жить вечно? Я думаю, что почти все ответят на этот вопрос «я». Представим себе, что за нами наблюдает какое-то устройство, которое следит за тем, что в каких ситуациях мы делаем, говорим. Наблюдение идет за величинами, которые поступают к нам на вход (зрение, слух, вкус, тактильные, вестибулярные и т. д.) и за величинами, которые выходят от нас (речь, движение и др.). Таким образом, человек выступает здесь как типичный черный ящик. Далее это устройство пытается отстроить какую-то модель таким образом, чтобы при определенных сигналах на входе человека, она выдавала на выходе те же данные, что и человек. Если данная затея будет когда-нибудь реализована, то для всех посторонних наблюдателей такая модель будет той же личностью, что и реальный человек. А после его смерти она, будет высказывать те мысли, которые предположительно высказывал бы и смоделированный человек.

Илон Маск рекомендует:  Что такое код fbsql_error

Мы можем пойти дальше и скопировать эту модель и получить брата близнеца с точно такими же «мыслями».

Можно сказать, что «это конечно все интересно, но при чем тут я? Ведь эта модель только для других будет являться мной, но внутри ее будет пустота. Копируются только внешние атрибуты, но я после смерти уже не буду думать, мое сознание погаснет или «покинет этот мир». Что ж это так. Но попробуем пойти дальше. Сознание представляет собой сравнительно небольшую надстройку над нашим подсознанием, которая следит за активностью некоторых центров головного мозга, таких как центр речи, конечной обработки зрительных образов, после чего «возвращает» эти образы на начальные ступени обработки данной информации. При этом происходит повторная обработка этих образов, мы как бы видим и слышим, что думает наш мозг. При этом появляется возможность мысленного моделирования окружающей действительности при нашем «активном» участии в данном процессе. И именно наш процесс наблюдения за деятельностью этих немногих центров является тем, что мы называем сознанием. Если мы «видим» и «слышим» наши мысли, мы в сознании, если нет, то мы находимся в бессознательном состоянии.

Если бы мы смогли смоделировать работу именно этих немногих «сознательных» нервных центров (работа которых правда основана на деятельности всего остального мозга) в качестве одного черного ящика, и работу «супервизора» в качестве другого черного ящика, то можно было бы с уверенностью говорить, что «да, данная модель думает, причем так же, как и я». Но неизвестно, как получить данные о работе этих нервных центров, поскольку сегодня нет ничего такого, что позволило бы следить за мозгом человека годами и при этом не мешало бы его работе и жизни.

И заканчивая ознакомление с различными методами и подходами к построению систем ИИ, хотелось бы отметить, что на практике очень четкой границы между ними нет. Очень часто встречаются смешанные системы, где часть работы выполняется по одному типу, а часть по-другому.

2. Методики и подходы построения систем ИИ

Существуют различные подходы к построению систем ИИ — логический подход, структурный, эволюционный, имитационный. Это разделение не является историческим, когда одно мнение постепенно сменялось другим, и различные подходы и методики существуют параллельно и сегодня. Поскольку по-настоящему полноценных систем искусственного интеллекта в настоящее время нет, то нельзя и утверждать, что какой-то подход является правильным, а какой-то — нет.

Для начала рассмотрим логический подход. Человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность к логическому мышлению очень сильно отличает человека от животных. Основой для данного логического подхода служит Булевая алгебра. Каждый программист знаком с нею и с её использованием, хотя бы на примере логического оператора IF (если). Свое дальнейшее развитие Булевая алгебра получила в виде исчисления предикатов — в котором она расширена за счёт введения предметных символов, отношений между ними, кванторов существования и всеобщности.

Практически каждая система ИИ, построенная на логическом принципе, представляет собой машину доказательства теорем. При этом исходные данные хранятся в базе данных в виде аксиом (правила логического вывода как отношения между ними). Каждая такая машина имеет блок генерации цели, и система вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машины доказательства теорем. Можно утверждать, что выражений алгебры не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой всех существующих ЭВМ является бит — единица информации (или значение ячейки памяти), которая может принимать значения только логического 0 и 1. Было бы логично предположить, что всё, что возможно реализовать на ЭВМ, можно было бы реализовать и в виде логики предикатов. Хотя здесь ничего не упоминается о том, сколько на это уйдёт времени. Добиться большей выразительности логическому подходу позволяет такое сравнительно новое направление, как нечёткая логика. Её особенностью является то, что правдивость высказывания может принимать кроме значений да/нет (1/0) ещё и промежуточные значения — «не знаю» (0.5), «скорее да, чем нет» (0.75) и «скорее нет, чем да» (0.25). Такой подход больше похож на мышление человека, поскольку человек не часто отвечает только «да» или «нет».

Для большинства логических методов характерна большая трудоёмкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Данный подход требует эффективной реализации вычислительного процесса, и удовлетворительные результаты работы обычно гарантируются только при сравнительно небольшом размере базы данных.

Под структурным подходом подразумеваются попытки построения ИИ путём моделирования структуры человеческого мозга. Одной из первых таких попыток был перцептрон Ф. Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон. Позднее возникли и другие модели, известные под общим названием «нейронные сети» (НС). Модели эти различаются по строению отдельных нейронов, по топологии связей между ними и по алгоритмам обучения. Среди наиболее известных вариаций НС можно назвать НС с обратным распространением ошибки, сети Хопфилда и стохастические нейронные сети.

Нейронные сети наиболее успешно применяются в задачах распознавания образов, в том числе сильно зачумленных (нечётких). Также имеются примеры успешного применения НС для построения собственно систем ИИ.

Для моделей, построенных на основе строения человеческого мозга характерна не слишком большая выразительность, оприделённое распараллеливание алгоритмов и, благодаря последнему, высокая производительность параллельно реализованных НС. Для таких сетей характерно одно свойство, которое делает из очень схожими с человеческим мозгом — нейронные сети работают даже при условии недостаточной информации об окружающей среде, т.е. как и человек, они поставленный вопрос могут отвечать не только «да» и «нет» но и «не знаю точно, но скорее нет», «не знаю точно, но скорее да».

Довольно большое распространение получил эволюционный подход. При построении систем ИИ по такому подходу, основное внимание уделяется построению начальной модели и правилам, по которым она (модель) может изменяться (эволюционировать). Модель может быть составлена по самым различным методам, это могут быть и НС и набор логических правил и любая другая модель. После этого мы запускаем ИИ, и он, на основании проверки моделей, отбирает самые лучшие из них, на основании которых по самым различным правилам генерируются новые модели, из которых опять выбираются самые лучшие и т. д.

Эволюционных моделей, как таковых, не существует, есть только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные особенности, что позволяет выделить их в отдельный класс. Такими особенностями являются перенесение основного внимания разработчика с построения модели на алгоритм её модификации и то, что полученные модели практически не сопутствуют извлечению новых знаний о среде, окружающей систему ИИ, то есть она (система) становится «вещью в себе».

Широко используется для построения систем ИИ также имитационный подход. Данный подход является классическим для кибернетики с одним из её базовых понятий — «чёрным ящиком» (ЧЯ). Чёрный ящик — это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которого отсутствуют, но известны спецификации входных и выходных данных. Объект, поведение которого имитируется, как раз и представляет собой такой «черный ящик». Не важно, что у него внутри и как он функционирует, главное, чтобы наша модель в аналогичных ситуациях вела себя точно так же. Таким образом моделируется другое свойство человека — способность копировать то, что делают другие, не вдаваясь в подробности, зачем это нужно. Зачастую эта способность экономит человеку массу времени, особенно в начале его жизни. К недостаткам имитационного подхода можно отнести низкую информационную способность большинства моделей, построенных с его помощью.

Отдельно стоит отметить, что на практике четкой границы между разными подходами нет. Часто встречаются смешанные системы ИИ, где часть работы выполняется по одной методике, а часть — по другой. [5]

Информационные технологии создания систем искуственного интеллекта

Информационные технологии создания систем ИИ.docx

Глава 1. История развития систем искусственного интеллекта 7

1.1 Создание искусственного интеллекта 7

1.2 Цель, необходимость создания и безопасность систем ИИ 8

1.3 Моделирование систем ИИ 10

1.4 Нейронные сети 12

1.5 Экспертные системы на основе ИИ 15

Глава 2. Различные подходы к построению систем ИИ 17

2.1 Логический подход 17

2.2 Структурный подход 19

2.3 Эволюционный подход 20

2.4 Имитационный подход 21

Список литературы 23

Введение

режде чем перейти к обсуждению проблем, с которыми столкнулись многие ученые при разработке искусственного интеллекта , давайте выясним, что подразумевается под этим понятием?

Википедия дает нам следующее определение:

– искусственный интеллект (ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами. 1

Но проблема состоит в том, что неизвестно какие вычислительные процедуры мы хотим называть интеллектуальными. А так как мы понимаем только некоторые механизмы интеллекта, то под интеллектом в пределах этой науки мы понимаем только вычислительную часть способности достигнуть целей в мире.

До сих пор единого ответа на вопрос чем занимается искусственный интеллект, не существует. Почти каждый автор, пишущий книгу об ИИ, отталкивается в ней от какого-либо определения, рассматривая в его свете достижения этой науки. Обычно эти определения сводятся к нескольким основным (табл. 1).

Таблица 1. Основные определения искусственного интеллекта

Наименование подхода Краткое определение направления
Тест Тьюринга Может ли машина мыслить
Когнитивное моделирование Междисциплинарное исследование приобретения и применения знаний
Логический подход Язык и система логического программирования Пролог
Агентно-ориентированный подход Алгоритмы поиска и принятия решений
Интуитивные Поведение, не отличающееся от человеческого

Ниже мы рассмотрим эти определения более подробно.

Тест Тьюринга — эмпирический тест, идея которого была предложена Аланом Тьюрингом в статье «Вычислительные машины и разум» (англ. Computing Machinery and Intelligence), опубликованной в 1950 году в философском журнале «Mind». Тьюринг задался целью определить, может ли машина мыслить.

Стандартная интерпретация этого теста звучит следующим образом: «Человек взаимодействует с одним компьютером и одним человеком. На основании ответов на вопросы он должен определить, с кем он разговаривает: с человеком или компьютерной программой. Задача компьютерной программы — ввести человека в заблуждение, заставив сделать неверный выбор». 2

Все участники теста не видят друг друга. Если судья не может сказать определенно, кто из собеседников является человеком, то считается, что машина прошла тест. Чтобы протестировать именно интеллект машины, а не её возможность распознавать устную речь, беседа ведется в режиме «только текст», например, с помощью клавиатуры и экрана (компьютера-посредника). Переписка должна производиться через контролируемые промежутки времени, чтобы судья не мог делать заключения исходя из скорости ответов. Во времена Тьюринга компьютеры реагировали медленнее человека. Сейчас это правило необходимо, потому что они реагируют гораздо быстрее, чем человек.

По состоянию на 2011 год ни одна из существующих компьютерных систем не приблизилась к прохождению теста.

Когнитивная наука в самом широком смысле слова — совокупность наук о познании — приобретении, хранении, преобразовании и использовании знания, в узком смысле — «междисциплинарное исследование приобретения и применения знаний».

Логический подход к созданию систем искусственного интеллекта направлен на создание экспертных систем с логическими моделями баз знаний с использованием языка предикатов.

Учебной моделью систем искусственного интеллекта в 1980-х годах был принят язык и система логического программирования Пролог.

Логическая модель баз знаний позволяет записывать не только конкретные сведения и данные в форме фактов на языке Пролог, но и обобщенные сведения с помощью правил и процедур логического вывода и в том числе логических правил определения понятий, выражающих определенные знания как конкретные и обобщенные сведения.

В целом исследования проблем искусственного интеллекта в информатике в рамках логического подхода к проектированию баз знаний и экспертных систем направлено на создание, развитие и эксплуатацию интеллектуальных информационных систем, включая вопросы обучения студентов и школьников, а также подготовки пользователей и разработчиков таких интеллектуальных информационных систем.

Последний подход, развиваемый с начала 1990-х годов называется агентно-ориентированным подходом, или подходом, основанным на использовании интеллектуальных (рациональных) агентов. Согласно этому подходу, интеллект — это вычислительная часть (грубо говоря, планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способной воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи. Так, здесь значительно сильнее изучаются алгоритмы поиска и принятия решений.

Самый общий подход предполагает, что ИИ будет способен проявлять поведение, не отличающееся от человеческого, причём, в нормальных ситуациях. Эта идея является обобщением подхода теста Тьюринга, который утверждает, что машина станет разумной тогда, когда будет способна поддерживать разговор с обычным человеком, и тот не сможет понять, что говорит с машиной (разговор идёт по переписке).

Писатели-фантасты часто предлагают ещё один подход: ИИ возникнет тогда, когда машина будет способна чувствовать и творить. Так, хозяин Эндрю Мартина из «Двухсотлетнего человека» начинает относиться к нему как к человеку, когда тот создаёт игрушку по собственному проекту. 3

Глава 1. История развития систем искусственного интеллекта

1.1 Создание искусственного интеллекта

озможно ли создать искусственный разум, и если да, то как? Многочисленные попытки ответить на этот вопрос породили целое направление науки — искусственный интеллект (ИИ). Впрочем, в последнее время этот термин трактуют не столь широко, как раньше.

Сейчас ИИ рассматривают как прикладную область исследований, связанных с имитацией отдельных функций интеллекта человека. Распознавание образов, машинный перевод, интеллектуальные агенты, робототехника — это лишь некоторые из направлений, по которым развиваются системы искусственного интеллекта.

Термин «интеллект» (intelligence) происходит от латинского «intellectus», что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (ИИ, он же artificial intelligence — AI в зарубежной литературе) обычно трактуется 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. Система, наделенная интеллектом, является универсальным средством решения широкого круга задач (в том числе неформализованных), для которых нет стандартных, заранее известных методов решения. Таким образом, мы можем определить интеллект и как универсальный сверхалгоритм, который способен создавать алгоритмы решения конкретных задач.

Существуют и другие, чисто поведенческие (функциональные) определения интеллекта. Так, по А. Н. Колмогорову, любая материальная система, с которой можно достаточно долго обсуждать проблемы науки, литературы и искусства, обладает интеллектом. 4 Другим примером поведенческой трактовки интеллекта может служить упоминавшееся выше известное определение А. Тьюринга.

1.2 Цель, необходимость создания и безопасность систем ИИ

дним из важнейших вопросов ИИ является цель его создания. В принципе все, что мы делаем в практической жизни, обычно делается ради того, чтобы больше ничего не делать. Однако при достаточно высоком уровне жизни (большом количестве потенциальной энергии) на первые роли выступает уже не лень (в смысле желания экономить энергию), а поисковые инстинкты. Допустим, человек сумел создать интеллект, превосходящий его собственный (если не качеством, то количеством). Что теперь будет с человечеством? Какую роль будет играть человек и для чего он теперь нужен? И вообще, нужно ли в принципе создавать ИИ?

По-видимому, самым приемлемым ответом на эти вопросы является концепция «усилителя интеллекта» (УИ). Очевидно, здесь уместна аналогия с президентом государства — он не обязан знать валентности ванадия для принятия решения о развитии ванадиевой промышленности страны. Так же, как не обязан, к примеру, разбираться в тонкостях языка программирования Java, чтобы решить вопрос о его использовании для своего официального сайта. Каждый занимается своим делом — химик описывает технологический процесс, программист создает код. В конце концов, экономист говорит президенту, что, вложив деньги в промышленный шпионаж, страна получит 20% годовых, а вложив в ванадиевую промышленность — 30%. Думается, при такой постановке вопроса даже самый последний бомж (правда, находящийся в сознании) сможет сделать правильный выбор.

В данном примере президент использует биологический УИ — группу специалистов с их белковыми мозгами. Но уже сейчас используются и неживые УИ — например, мы не могли бы с такой степенью достоверности предсказывать погоду без компьютеров; при полетах космических кораблей с самого начала использовались бортовые счетно-решающие устройства. Кроме того, человек уже давно использует усилители силы (УС) — понятие, во многом аналогичное УИ. В качестве усилителей силы ему служат автомобили, краны, электродвигатели, прессы, пушки, самолеты и многое-многое другое. Однако между УИ и УС есть принципиальная разница. Первые обладают волей, а вторые — нет.

Интеллектуальная система вполне могла бы иметь свои желания и поступать не так, как нам хотелось бы. Таким образом, перед нами встает еще одна проблема — проблема безопасности. Она будоражит умы еще со времен Карела Чапека, впервые употребившего термин «робот». Весомую лепту в ее обсуждение внесли многие писатели-фантасты и режиссеры. Вспомним хотя бы превосходные рассказы Айзека Азимова о роботах, захватывающий роман Сергея Лукьяненко «Фальшивые зеркала», трогательный фильм Стивена Спилберга «Искусственный интеллект»…

Понравилась статья? Поделиться с друзьями:
Кодинг, CSS и SQL