Автор: Пользователь скрыл имя, 02 Апреля 2013 в 16:36, лекция
Комп’ютерні системи стають банальністю. Дійсно, вони майже повсюдні. Вони є найважливішим компонентом у функціонуванні бізнесу, урядового, військового, навколишнього середовища, установах охорони здоров’я і є частиною багатьох освітніх програм навчання. Ці комп’ютерні системи, все більш і більш впливаючи на наше життя мають бути спроможними швидко адаптуватися, змінюватись та допомагати нам і нашим установам справлятися з непередбаченими можливостями світу.
План
Перспективні дослідження і розробки з інтелектуальних систем
2. Предмет дослідження штучного інтелекту.
3. Інформація, дані та знання.
4. Алгоритми.
5. Архітектура систем штучного інтелекту.
6. Функціональна структура використання CШІ.
7. Класифікація ІІС.
Курс лекцій
з дисципліни "Інтелектуальні системи"
Лекція 1. Основи інтелектуальних систем (2 год.)
6. Функціональна структура використання CШІ.
7. Класифікація ІІС.
1. Перспективні дослідження і розробки з інтелектуальних систем
Комп’ютерні системи стають банальністю. Дійсно, вони майже повсюдні. Вони є найважливішим компонентом у функціонуванні бізнесу, урядового, військового, навколишнього середовища, установах охорони здоров’я і є частиною багатьох освітніх програм навчання. Ці комп’ютерні системи, все більш і більш впливаючи на наше життя мають бути спроможними швидко адаптуватися, змінюватись та допомагати нам і нашим установам справлятися з непередбаченими можливостями світу.
Національна конкурентноздатність залежить від можливостей доступу, обробки та аналізу інформації. Аналіз і передача даних за допомогою комп’ютера надали нам велику кількість інформації. Однак, щоб досягти повного співробітництва, комп’ютерні системи повинні вміти більше, ніж обробляти інформацію, але і мати інтелект. Вони повинні кваліфіковано зберігати й використовувати великі обсяги інформації й ефективно допомагати людям знаходити нові шляхи рішення проблем, використовуючи більш природні засоби комунікації.
Щоб перебороти обмеження існуючих систем, потрібно зрозуміти шляхи і способи взаємодії людей між собою і зі світом, розробити методи для з’єднання людського інтелекту і комп’ютерних систем. Для вирішення цього призначені аналітичні технології.
Аналітичні технології – це методики, які на основі певних моделей, алгоритмів, математичних теорем дозволяють при відомих початкових даних оцінити значення невідомих характеристик і параметрів. Найпростіший приклад аналітичної технології - теорема Піфагора, що дозволяє по довжинах сторін прямокутника визначити довжину його діагоналі. Ця технологія заснована на відомій формулі с2=а2+b2.
Іншим прикладом аналітичної технології є способи, за допомогою яких людський мозок обробляє інформацію. Навіть мозок дитини може вирішувати задачі, непідвласні сучасним комп’ютерам, такі як розпізнавання знайомих облич у юрбі, чи ефективне керування декількома десятками м’язів при грі у футбол. Унікальність мозку полягає в тому, що він здатен навчатися рішенню нових задач - грі в шахи, водінню автомобіля і т.д. Проте, мозок погано пристосований до обробки великих обсягів числової інформації - людина не зможе знайти навіть квадратний корінь з числа 463761, не використовуючи калькулятора або алгоритму обчислення в стовпчик. На практиці ж часто зустрічаються задачі про числа, набагато більш складні, ніж добування кореня. Таким чином, людині для рішення таких задач необхідні додаткові методики й інструменти.
Аналітичні технології потрібні в першу чергу людям, що приймають важливі рішення - керівникам, аналітикам, експертам, консультантам. Дохід компанії у великому ступені визначається якістю цих рішень – точністю прогнозів, оптимальністю обраних стратегій.
Як правило, для реальних задач бізнесу й виробництва не існує чітких алгоритмів рішення. Зазвичай керівники й експерти вирішували такі задачі тільки на основі особистого досвіду. Часто класичні методики виявляються малоефективними в багатьох практичних задачах. Це пояснюється тим, що неможливо досить точно описати реальність за допомогою невеликого числа параметрів моделі, або розрахунок моделі займає занадто багато часу та обчислювальних ресурсів, а за допомогою аналітичних технологій будуються системи, що дозволяють істотно підвищити ефективність рішень.
Аналітичні технології типу теореми Піфагора використовуються людиною вже багато століть. За цей час була створена величезна кількість формул, теорем і алгоритмів для рішення класичних задач – визначення об’ємів, рішення систем лінійних рівнянь, пошуку коренів багаточленів. Розроблено складні й ефективні методи для рішення задач оптимального керування, рішення диференційних рівнянь і т.д. Всі ці методи діють за однією і тією ж схемою.
Для застосування алгоритму необхідно, щоб дана задача цілком описувалася визначеною детермінованою моделлю (деяким набором відомих функцій і параметрів). У такому випадку алгоритм дає точну відповідь. Наприклад, для застосування теореми Піфагора потрібно перевірити, що трикутник - прямокутний.
На практиці часто зустрічаються задачі, пов’язані зі спостереженням випадкових величин - наприклад, задача прогнозування курсу акцій. Для подібних задач не можна побудувати детерміновані моделі, тому застосовується принципово інший, імовірнісний підхід.
Параметри імовірнісних моделей - це розподіли випадкових величин, їхні середні значення дисперсії і т.д. Як правило, ці параметри заздалегідь невідомі, а для їхньої оцінки використовуються статистичні методи, що застосовуються до вибірок спостережених значень (історичних даних).
Такого роду методи припускають, що відома деяка ймовірнісна модель задачі. Наприклад, у задачі прогнозування курсу можна припустити, що завтрашній курс акцій залежить тільки від курсу за останні 2 дні (авто регресійна модель). Якщо це вірно, то спостереження курсу протягом декількох місяців дозволяють досить точно оцінити коефіцієнти цієї залежності і прогнозувати курс у майбутньому.
В останні 10 років іде активний розвиток аналітичних систем нового типу. В їх основі - технології штучного інтелекту, що імітують природні процеси, наприклад, такі як діяльність нейронів мозку або процес природного відбору.
Розуміння цих можливостей у людях і втілення їх при розробці програм є центральним у створенні новітніх аналітичних технологій, що здатні здобувати знання та керувати ними.
Національна конкурентноздатність залежить від зростання потужностей для проведення інформаційного аналізу, прийняття рішення, гнучкого проектування та виробництва. Зусилля в цих областях були обмежені недостатніми даними, відсутністю обчислювальної потужності або неадекватними контролюючими механізмами. Багато з цих обмежень можуть бути усунені тільки при додаванні інтелекту до систем.
Загальну структуру досліджень у сфері штучного інтелекту можна представити у вигляді схеми, зображеної на рис. 1.
В біонічному напрямку виділяються три різні підходи. Перший – нейробіонічний. В його основі лежать системи нейроподібних елементів, з яких створюються системи, що здатні відтворювати деякі інтелектуальні функції. Основні задачі, що можуть бути розв’язані в рамках даного підходу: багатоканальне (паралельне) розпізнавання складних зорових образів, навчання умовним рефлексам та ін. Другий підхід – структурно-евристичний. В його основі лежать знання про спостереження за поведінкою об’єкту, що розглядається як "чорний" (скоріше, "сірий") ящик, та знання про ті структури мозку (та їх властивості), які могли б забезпечити реалізацію форм поведінки, що спостерігаються. Третій підхід, інтенсивно розвивається останнім часом, – гомеостатичний. В цьому випадку мозок розглядається як гомеостатична система, що являє собою сукупність підсистем, що співробітничають та суперничають між собою, в результаті функціонування яких забезпечується потрібна рівновага (стійкість) усієї системи в умовах постійно змінних впливів середовища. Гомеостатичні моделі підтверджують перспективність даного підходу. Але в даний час ще не існує гомеостатичних модулів, які могли б розглядатися як універсальні елементи для створення інтелектуальних систем. В біонічному напрямку найбільшого розвитку отримали нейронні мережі. За допомогою нейронних мереж здійснюється спроба змоделювати будову людського мозку. Нейронні ансамблі як аналог "поняття". Словник понятий або людська мова – стандартна форма вираження думки при спілкуванні між різними системами ШІ.
Рис 1. Структура досліджень ШІ
В даний час домінуючим в штучному інтелекті є програмно-прагматичний напрямок. При даному підході не ставиться питання про адекватність використовуваних структур та методів, якими користується людина в аналогічних випадках, а розглядається лише кінцевий результат розв’язання конкретних задач. В програмно-прагматичному напрямку також можна виділити три підходи. Перший підхід – локальний або "задачний" – заснований на точці зору, що для кожної задачі, в якій присутня творча діяльність людини, можна знайти спосіб її розв’язання за допомогою ЕОМ, який, буде реалізований у вигляді програми та дасть результат такий же самих, або подібний до результату, отриманого людиною, чи навіть кращий. Другий підхід – системний або заснований на знаннях. Він пов’язаний з уявленнями про те, що розв’язання окремих творчих задач не вичерпує усієї проблематики штучного інтелекту. Тобто штучний інтелект повинен не тільки розв’язувати творчі задачі, але при необхідності навчатися тому чи іншому виду творчої діяльності. Тому й програми штучного інтелекту повинні бути орієнтовані не стільки на розв’язання конкретних інтелектуальних задач, а на створення засобів, що дозволяють автоматично будувати програми розв’язання інтелектуальних задач, коли в таких програмах виникає необхідність. Цей підхід в даний час є центральним в програмно-прагматичному напрямку.
Третій підхід розглядає проблеми створення інтелектуальних систем як частину загальної теорії програмування (як деякий новий виток в цій теорії). При цьому підході для створення інтелектуальних програм використовуються звичайні програмні засоби, що дозволяють створювати потрібні програми шляхом опису задач на професійній мові. Всі метазасоби, що виникають при цьому на базі часткового аналізу природного інтелекту, розглядаються тут лише з точки зору створення інтелектуального програмного забезпечення, тобто комплексу засобів, що автоматизують діяльність самого програміста.
З точки зору кінцевого результату в програмно-прагматичному напрямку виділяються 4 великі розділи:
У 1950 році британський математик Алан Тьюринг опублікував в журналі «Mind» свою роботу «Обчислювальна машина і інтелект», в якій описав тест для перевірки програми на інтелектуальність. Він запропонував помістити дослідника і програму в різні кімнати і до тих пір, поки дослідник не визначить, хто за стіною – людина або програма, вважати поведінку програми розумною. У різних кімнатах знаходиться люди і машина. Вони не можуть бачити один одного, але мають можливість обмінюватися інформацією (наприклад, за допомогою електронної пошти). Якщо в процесі діалогу між учасниками гри людям не вдається встановити, що один з учасників – машина, то таку машину можна вважати такою, що володіє інтелектом. Це було одне з перших визначень інтелектуальності, тобто А. Тьюринг запропонував називати інтелектуальною таку поведінку програми, яка моделюватиме розумну поведінку людини.
Ми, в нашому курсі, інтелектом називатимемо здатність мозку вирішувати інтелектуальні завдання шляхом отримання, запам’ятовування і цілеспрямованого перетворення знань в процесі навчання на основі досвіду та адаптації до різноманітних обставин.
Інтелектуальною діяльністю або мисленням називають діяльність мозку (що володіє інтелектом), що спрямована на розв’язання інтелектуальних завдань: доведення теорем, логічний аналіз, розпізнавання ситуацій, планування поведінки, ігри та управління в умовах невизначеності. Характерними рисами інтелекту, що виявляються в процесі розв’язання завдань, є здатність до навчання, узагальнення, накопиченню досвіду (знань і навичок) і адаптації до постійно змінних умов в процесі розв’язання завдань. Завдяки цим якостям інтелекту мозок може вирішувати різноманітні завдання, а також легко перебудовуватися з розв’язання однієї задачі на іншу. Таким чином, мозок, наділений інтелектом, є універсальним засобом розв’язання широкого кола завдань (зокрема неформалізованих) для яких немає стандартних, заздалегідь відомих методів розв’язання.
Слід мати на увазі, що існують та інші, чисто поведінкові (функціональні) визначення. Так, за А. Н. Колмогоровим, будь-яка матеріальна система, з якою можна достатньо довго обговорювати проблеми науки, літератури і мистецтва, володіє інтелектом.
З тих пір з’явилися багато визначень інтелектуальних систем (ІС) та штучного інтелекту (ШІ). Сам термін штучний інтелект (AI – Artificial Intelligence) був запропонований в 1956 році на семінарі в Дартсмутськом коледжі (США). Приведемо деякі з цих визначень. Д. Люгер в своїй книзі [2] визначає «Штучний інтелект як область комп’ютерних наук, що займається дослідженням і автоматизацією розумної поведінки».
У підручнику з ІС [3] дається таке визначення: «Штучний інтелект – це один з напрямів інформатики, метою якого є розробка апаратно-програмних засобів, що дозволяють користувачеві (непрограмістові) формулювати та вирішувати свої інтелектуальні завдання, спілкуючись при цьому з ЕОМ на обмеженій підмножині природної мови».
Наведемо приклади дещо інших визначень штучного інтелекту.
"[Автоматизація] видів діяльності, які асоціюються з людським мисленням (human thinking), таких як прийняття рішень, розв’язання проблем, навчання ." (Belman, 1978).
"Докладання нових зусиль для того, щоб зробити думаючі комп’ютери, машини з розумом у прямому розумінні" (Hougeland, 1985).
"Вивчення ментальних здібностей через використання обчислювальних моделей" (Charniak, McDermott, 1985).
"Мистецтво створення
машин, які здійснюють функції,