Экспертные системы
Данное понятие необходимо отличать от термина «экспертные оцен-ки», который применяется давно и широко.
Экспертные оценки – количественные или порядковые оценки процессов и явлений, неподдающихся непосредственному измерению.
Экспертные оценки основываются на суждениях специалистов, высказываемых индивидуально или коллективно. Они играли существенную роль при принятии плановых решений, при прогнозировании альтернатив или их следствий и т. д.
Очевидно, что экспертные системы – это результат компьютеризации процесса экспертных оценок. Поэтому представляет интерес вопрос, какие мыслительные процедуры осуществляют специалисты, принимающие решения.
Перечислим мыслительные процедуры, которые выполняют специалисты:
- Делают выводы на основе анализа полных, либо не полных и ненадежных знаний.
- Объясняют и могут обосновать, почему они пришли к тому или иному выводу.
- Пополняют свои знания, заново их систематизируют, обучаются на своем и чужом опыте.
- Делают исключение из правил, используют противоречивую и не правдоподобную информацию.
- Определяют уровень своей компетентности, т. е. определяют, могут ли они принимать решения в данном случае
Перечисленные процедуры не всегда выполняются в полном объеме. Поэтому в схему (см. рис. 2) включены наиболее важные процедуры. Однако люди, выполняющие (совместно с ЭВМ) роль экспертной системы (бригады) должны иметь ввиду все перечисленные процедуры.
Считается, что принципиальное отличие экспертных систем – их способность воспроизводить и манипулировать обрывочными, неточными или даже противоречивыми знаниями. При этом они должны выполнять рассуждения не только и не столько на основе формальной (математической) логики, сколько на основе компьютерной, которая в данном случае должна быть приближена к человеческой логике. Причем система должна объяснять (по возможности), почему она пришла к тому или иному выводу. Вот это «взаимонадобность» поведения человека и ЭВМ и берется за основу (на первом этапе) при создании «человеко-машинной» экспертной системы.
Рассмотрим кратко назначение каждого из блоков схемы помимо еще незнакомой базы знаний (см. следующий раздел).
Блок логических выводов должен быть, по возможности, приспособлен к работе с ненадежными данными, что приближает экспертную систему к действительности. На практике могут применяться различные разработки типа нечеткой логики, коэффициентов уверенности, мер доверия и т. д. Неплохо, если есть возможность, чтобы за работой блока критически наблюдали специалисты с большим опытом, развитой интуицией и знаниями по той области в которой делаются выводы. Либо экспертное решение принимается (на первом этапе) непосредственно группой людей, образовавших экспертную бригаду. Принятые решения и сопроводительная информация обязательно запоминаются (для дальнейшего использования) в базе знаний.
Система должна объяснять, как она пришла к тому или иному выводу. В экспертных системах объяснения обычно получают путем повторного прослеживания тех шагов рассуждения, которые привели к данному выводу. Рассуждения основаны на определенных правилах. Повторное просле-живание шагов рассуждений дает ответ на вопрос «КАК». Предусматривается и возможность ответа на вопрос «ПОЧЕМУ». Ответ обычно заключается в перечислении тех целей и подцелей, которые доказала система. Если помимо вывода в базу знаний будет заноситься доказательство вывода, то в последующем это может иметь чисто практическое значение, особенно в тех случаях, когда выводы первоначально предлагались многоальтернативные.
Блок приобретения знаний связан с проблемой «обучения» системы. От экспертов и инженеров по знаниям должна заносится в базу знаний новая информация, которая в настоящее время или в дальнейшем может быть полезна. Неверно сделанные выводы должны либо исключаться из базы знаний, либо помечаться, как неправильно сделанный вывод, который надо иметь в виду при дальнейшей работе.
Тесты по СИИ (по вариантам с ответами)
Только сегодня: скидка до 20% в подарок на первый заказ.
Какую работу нужно написать?
Другую работу
Помощник Анна
Тесты по СИИ 1-вариант Процесс приобретения знаний – это процесс передачи и преобразования опыта по решению задач от некоторого источника знаний в программе Идентификация включает в себя отыскивание эксперта, источников знаний, ресурсов и ясную формулировку проблемы Концептуализация предусматривает выбор основных понятий и связей, необходимых для описания проблемы Стадия реализации включает в себя перевод формализованных знаний на предыдущей стадии в схему представления, определяемую выбранным языком. Стадия тестирования предусматривает проверку прототипного варианта системы и схем представления знаний, использованных для создания этого варианта Для приобретения знаний, создания системы и ее тестирования требуются ресурсы источники знаний, вычислительные ресурсы, техника, время, деньги Экспертные системы компьютерная программа, которая оперирует со знаниями в определенной предметной области Система ИИ программа, имитирующая на компьютере мышление человека В основе человеческой деятельности лежит мышление Целью называется конечный результат, на который направлены мыслительные процессы человека Человеческий мозг – это огромное хранилище знаний Программная система ИИ должна иметь все элементы, составляющие процесс принятия решения человеком С учетом архитектуры экспертной системы знания целесообразно делить на интерпретируемые и не интерпретируемые Управляющие знания можно разделить на фокусирующие и решающие Факты – это отношения или свойства, о которых, известно, что они имеют значение истина База знаний в ЭС предназначена для хранения долгосрочных данных К интерпретируемым знаниям не относятся знания (отметить не правильный ответ) поддерживающие знания Сердцевину экспертных систем составляют база знаний Ключевое слово реализация? implement Ключевое слово цель? goal 2-вариант Рабочая память предназначена для обеспечения функционирования механизма вывода В базе знаний с помощью выбранной модели представления знаний хранятся новые знания, порожденные на основании имеющихся и вновь поступающих Модуль приобретения знаний обеспечивает взаимодействие с экспертом, получая новые знания и внося их в базу знаний Правила позволяют логически выводить одну информацию из другой Лингвистическая переменная — это переменная, значениями которой являются слова естественного или формального языка Экспертные системы применяются для решения только трудных практических задач База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных База данных предназначена для хранения исходных и промежуточных данных Фрейм задается именем и слотом С помощью чего идет реализация ЭС продукционного типа? с использованием вероятностей и эвристик Текстовый редактор является одним из примеров программных средств, применяемых для приобретения знаний Задачи диагностики – это выявление причин, приведших к возникновению ситуации Задачи диспетчеризации – это распределение работ во времени Создается целостное и системное описание используемых знаний на этапе концептуализации Какой из этапов проектирования составляет логическую стадию создания ЭС? этап идентификации Физическое наполнение базы знаний, и настройка всех программных механизмов в рамках выбранного инструментального средства проходит на этап реализации Область видимости класса может быть расширена с помощью какого ключевого слова? open Аргументы в Прологе – это объекты В каков разделе размещаются правила? clauses Сколько фактов выводит правило? 1 3-вариант На этапе концептуализации проводится содержательный анализ проблемной области Экспертная система – это компьютерная программа, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблемы Понятия предметной области обладают следующими свойствами уникальность, полнота, достоверность, непротиворечивость Какой блок не включает в себя структура экспертной системы продукционного типа средства общения на алгоритмическом языке Предусловия – это антецедент Результат выполнения – это консеквент Среди перечисленных систем, какая система относится к системам ИИ программы для печати с голоса Система искусственного интеллекта – это программа, имитирующая на компьютере мышление человека Правильно ли представлена последовательность компонентов в системах ИИ? определение целей, определение подхода к решению, определение фактов, получение фактов, достижение целей Идентификация задачи заключается в составлении вербального описания, в котором указываются общие характеристики задачи, подзадачи, ключевые понятия, их входные и выходные данные, предположительный вид решения, знания, относящиеся к решаемой задаче При проектировании ЭС типичными ресурсами являются источники знаний, время разработки, вычислительные средства и объем финансирования Этап концептуализации включает в себя следующие особенности задачи типы доступных данных; исходные и выводимые данные; подзадачи общей задачи; используемые стратегии и гипотезы; виды взаимосвязей между объектами ПО; типы отношений; процессы, используемые в ходе решения База знаний – это совокупность единиц знаний База данных – это рабочая память Разработку программ осуществляет эксперт, инженер по знаниям, программист Каким знаком разделяется заголовок и тело в правиле Пролога? :- Утверждения в пролог делятся на факты и вопросы Что характеризует отношения между объектами? факты Программа на Visual Prolog представляет собой факты и правила В Visual Prolog программа перед исполнением компилируется main.exe 4-вариант На этапе формализации определяются состав средств; способы представления декларативных знаний; формируется описание решения задачи ЭС на формальном языке Этап идентификации связан с осмыслением тех задач, которые предстоит решить будущей ЭС и формированием требований к ней Этап концептуализации на этапе проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы их решения Этап формализации: этап, в котором все ключевые понятия и отношения выражаются на некотором формальном языке Установить семантические отношения – это определить специфику взаимосвязи, полученной в результате применения тех или иных методов Этап выполнения создание одного или нескольких прототипов ЭС, решающих требуемые задачи Этап тестирования производится оценка выбранного способа представления знаний в ЭС в целом На этапе опытной эксплуатации проверяется пригодность ЭС для конечного пользователя Установить семантические отношения – это определить специфику взаимосвязи, полученной в результате применения тех или иных методов Этап выполнения создание одного или нескольких прототипов ЭС, решающих требуемые задачи Задачи мониторинга – это наблюдение за изменяющимся состоянием объекта Хорошая концептуальная модель не может перестраиваться Выбор метода представления знаний осуществляется на этапе формализации Visual Prolog предусматривает возможность отсечения, которое используется для прерывания поиска с возвратом. Как оно обозначается? С) ! Простой объект данных – это переменная Каждая составляющая списка называется элемент Хвост списка — это список Голова списка – это элемент Что означает знак | символ унификации Что означает знак :: разделитель имени класса и поля класса
Экспертная система
- Экспе́ртная систе́ма (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х годах получили коммерческое подкрепление. Предшественники экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.
Важнейшей частью экспертной системы являются базы знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, иными словами, базы знаний — совокупность фактов и правил логического вывода в выбранной предметной области деятельности.
Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах, так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от экспертных систем — отсутствие базы знаний — все действия жёстко запрограммированы. Это просто набор форм для заполнения пользователем.
Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).
В настоящее время «классическая» концепция экспертных систем, сложившаяся в 1970-1980 годах, переживает кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем.
Связанные понятия
База знаний (БЗ; англ. knowledge base, KB) — база данных, содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области (ISO/IEC/IEEE 24765-2010, ISO/IEC 2382-1:1993). В самообучающихся системах база знаний также содержит информацию, являющуюся результатом решения предыдущих задач.
Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта.
Имитационное моделирование (англ. simulation modeling) — метод исследования, при котором изучаемая система заменяется моделью, с достаточной точностью описывающей реальную систему (построенная модель описывает процессы так, как они проходили бы в действительности), с которой проводятся эксперименты с целью получения информации об этой системе. Такую модель можно «проиграть» во времени, как для одного испытания, так и заданного их множества. При этом результаты будут определяться случайным характером.
Предме́тная о́бласть — множество всех предметов, свойства которых и отношения между которыми рассматриваются в научной теории. В логике — подразумеваемая область возможных значений предметных переменных логического языка.
Инженерия знаний (англ. knowledge engineering) — область наук об искусственном интеллекте, связанная с разработкой экспертных систем и баз знаний. Изучает методы и средства извлечения, представления, структурирования и использования знаний.
Упоминания в литературе
Проблема создания интеллектуальных систем остается актуальной и практически значимой. Создание экспертных систем нового поколения позволит автоматизировать решение различных сложных интеллектуальных задач и повысит конкурентоспособность своих пользователей. Миварный подход позволил предложить новые модели и методы обработки информации и управления [1-22]. Миварные технологии накопления и обработки информации разрабатываются в России достаточно давно. Первые статьи были посвящены исследованию некоторых задач теории графов и разработке линейного матричного метода определения маршрута логического вывода на адаптивной сети правил [1-3]. Затем были работы по созданию миварного информационного пространства и эволюционных баз данных и правил [4-5]. Наиболее строгое формализованное и теоретическое оформление мивары получили в работах [6-7]. Затем были рассмотрены вопросы развития миваров [8-10] и их применения для создания различных тренажеров и обучающих систем [11-22]. Наиболее полно обзор теории и последних достижений миваров приведен в работах [4, 6, 10, 15, 18].
Проблема моделирования интеллектуальной деятельности человека для создания ИИ является актуальной и важной. Миварный подход позволяет предложить новые модели и методы обработки информации и управления. Будем понимать под системами искусственного интеллекта активные самообучающиеся логически рассуждающие системы. В прошлом веке были разработаны технологии создания экспертных систем по отдельным узконаправленным предметным областям. Это было обусловлено сложностями формализованного описания требуемых предметных областей и тем, что системы логического вывода не могли обрабатывать более 20 объектов/правил. В то же время, получили развитие интеллектуальные пакеты прикладных программ (ИППП), которые позволяли решать в автоматизированном режиме задачи в разных областях, где требовались вычисления и конструирование алгоритмов решения задач. Технологии ИППП развиваются в миварах и сервисно-ориентированных архитектурах.
Экспертные системы имеют очень сложную структуру, которая в упрощенном варианте состоит из следующих элементов: пользователя (человека, для которого создается экспертная система), аналитика (буфера обмена информацией между экспертом и базой знаний), интерфейса пользователя (совокупности программ, осуществляющих общение пользователя с экспертной системой), базы знаний (совокупности знаний определенной области, которая понятна и пользователю, и эксперту), блока логического вывода, или решателя (особой программы, которая создает модель хода рассуждений эксперта на основе знаний), интеллектуального редактора базы знаний (программы, создающей базу данных при участии инженера), подсистемы объяснений (программы, которая дает пользователю ответы на его вопросы).
1) язык ЛИСП (Lisp – L ist I nformation S ymbol P rocessing), который был изобретен в 1962 г. Дж. Маккарти. Благодаря лИСПу возникла совершенно новая для программистов область деятельности – «искусственный интеллект». В настоящее время лИСП применяется в экспертных системах , системах аналитических вычислений и т.п.;
Обращение к компьютерным тренажерам, стандартным обучающим программам и экспертным системам определяется тренировочной функцией. Управляющая функция компьютера связана с возможностью настройки обучающих программ на определенный уровень знаний обучаемого или на определенную программу его действий (например, изучать в какой-то день не лексические явления, а грамматические или выполнять задания по переводу текстов и т.п.).
Другим важным направлением в развитии моделирования субъектов в контексте неклассической научной рациональности явились экспертные системы как вид математических моделей процедур принятия решений, адекватный представлениям парадигмы «субъект – субъект». Они выступают как средство формализации личного опыта и передачи его другим пользователям с обеспечением возможности идентификации автора знаний и процедур их получения.
Эвристические методы получили достаточно широкое распространение в экономическом анализе, дальнейший прогресс в этом направлении связан с разработкой и внедрением экспертных систем .
Наряду с разработкой и использованием формализованных методов принятия решений логистика опирается на опыт квалифицированных снабженцев, производственников, сбытовиков, транспортников. С этой целью разрабатываются так называемые системы экспертной компьютерной поддержки (или экспертные системы), позволяющие персоналу, не имеющему глубокой подготовки в логистике, принимать быстрые и достаточно эффективные решения.
Связанные понятия (продолжение)
Исчисление процессов или алгебра процессов — семейство связанных подходов к формальному моделированию параллельных систем.
Многоагентная система (МАС, англ. Multi-agent system) — это система, образованная несколькими взаимодействующими интеллектуальными агентами. Многоагентные системы могут быть использованы для решения таких проблем, которые сложно или невозможно решить с помощью одного агента или монолитной системы. Примерами таких задач являются онлайн-торговля, ликвидация чрезвычайных ситуаций, и моделирование социальных структур.
Обработка естественного языка (Natural Language Processing, NLP) — общее направление искусственного интеллекта и математической лингвистики. Оно изучает проблемы компьютерного анализа и синтеза естественных языков. Применительно к искусственному интеллекту анализ означает понимание языка, а синтез — генерацию грамотного текста. Решение этих проблем будет означать создание более удобной формы взаимодействия компьютера и человека.
Формальные методы занимаются приложением довольно широкого класса фундаментальных техник теоретической информатики: разные исчисления логики, формальных языков, теории автоматов, формальной семантики, систем типов и алгебраических типов данных.
Извлечение информации (англ. information extraction) — это задача автоматического извлечения (построения) структурированных данных из неструктурированных или слабоструктурированных машиночитаемых документов.
Анализ данных — область математики и информатики, занимающаяся построением и исследованием наиболее общих математических методов и вычислительных алгоритмов извлечения знаний из экспериментальных (в широком смысле) данных; процесс исследования, фильтрации, преобразования и моделирования данных с целью извлечения полезной информации и принятия решений. Анализ данных имеет множество аспектов и подходов, охватывает разные методы в различных областях науки и деятельности.
Визуализация данных — это представление данных в виде, который обеспечивает наиболее эффективную работу человека по их изучению. Визуализация данных находит широкое применение в научных и статистических исследованиях (в частности, в прогнозировании, интеллектуальном анализе данных, бизнес-анализе), в педагогическом дизайне для обучения и тестирования, в новостных сводках и аналитических обзорах. Визуализация данных связана с визуализацией информации, инфографикой, визуализацией научных данных, разведочным.
Агентное моделирование (англ. agent-based model (ABM))— метод имитационного моделирования, исследующий поведение децентрализованных агентов и то, как такое поведение определяет поведение всей системы в целом. В отличие от системной динамики аналитик определяет поведение агентов на индивидуальном уровне, а глобальное поведение возникает как результат деятельности множества агентов (моделирование «снизу вверх»).
Формализа́ция — представление какой-либо содержательной области (рассуждений, доказательств, процедур классификации, поиска информации, научных теорий) в виде формальной системы или исчисления.
Теория языков программирования (англ. programming language theory, PLT) — раздел информатики, посвящённый вопросам проектирования, анализа, определения характеристик и классификации языков программирования и изучением их индивидуальных особенностей. Тесно связана с другими ветвями информатики, результаты теории используются в математике, в программной инженерии и лингвистике.
Теория распознава́ния о́браза — раздел информатики и смежных дисциплин, развивающий основы и методы классификации и идентификации предметов, явлений, процессов, сигналов, ситуаций и т. п. объектов, которые характеризуются конечным набором некоторых свойств и признаков. Такие задачи решаются довольно часто, например, при переходе или проезде улицы по сигналам светофора. Распознавание цвета загоревшейся лампы светофора и знание правил дорожного движения позволяет принять правильное решение о том, можно.
Онтоло́гия в информатике (новолат. ontologia от др.-греч. ὤν род. п. ὄντος — сущее, то, что существует и λόγος — учение, наука) — это попытка всеобъемлющей и подробной формализации некоторой области знаний с помощью концептуальной схемы. Обычно такая схема состоит из структуры данных, содержащей все релевантные классы объектов, их связи и правила (теоремы, ограничения), принятые в этой области. Этот термин в информатике является производным от древнего философского понятия «онтология».
Информацио́нный по́иск (англ. information retrieval) — процесс поиска неструктурированной документальной информации, удовлетворяющей информационные потребности, и наука об этом поиске.
Обучение с подкреплением (англ. reinforcement learning) — один из способов машинного обучения, в ходе которого испытуемая система (агент) обучается, взаимодействуя с некоторой средой. С точки зрения кибернетики, является одним из видов кибернетического эксперимента. Откликом среды (а не специальной системы управления подкреплением, как это происходит в обучении с учителем) на принятые решения являются сигналы подкрепления, поэтому такое обучение является частным случаем обучения с учителем, но учителем.
Нейронная сеть (биологическая нейронная сеть) — совокупность нейронов головного и спинного мозга центральной нервной системы (ЦНС) и ганглия периферической нервной системы (ПНС), которые связаны или функционально объединены в нервной системе, выполняют специфические физиологические функции.
Машинное обучение (англ. machine learning, ML) — класс методов искусственного интеллекта, характерной чертой которых является не прямое решение задачи, а обучение в процессе применения решений множества сходных задач. Для построения таких методов используются средства математической статистики, численных методов, методов оптимизации, теории вероятностей, теории графов, различные техники работы с данными в цифровой форме.
Интеллектуальный агент в первом смысле — это часть технологии разработки операционных систем, и хотя алгоритмы, в нём используемые, могут базироваться на более сложных моделях, чем даже алгоритмы многих SCADA — систем, диапазон и методика его воздействия на состояние системы очень жестко детерминируется. «Интеллектуальный агент» во втором смысле так же не может быть полностью независимым, выполняя свои задачи, но методики его разработки на много порядков сложнее, в силу абсолютно иного уровня сложности.
Архитектура программного обеспечения (англ. software architecture) — совокупность важнейших решений об организации программной системы. Архитектура включает.
Формальная верификация или формальное доказательство — формальное доказательство соответствия или несоответствия формального предмета верификации его формальному описанию. Предметом выступают алгоритмы, программы и другие доказательства.
Проектирование программного обеспечения — процесс создания проекта программного обеспечения (ПО), а также дисциплина, изучающая методы проектирования.
Модель данных — это абстрактное, самодостаточное, логическое определение объектов, операторов и прочих элементов, в совокупности составляющих абстрактную машину доступа к данным, с которой взаимодействует пользователь. Эти объекты позволяют моделировать структуру данных, а операторы — поведение данных.
Отображение онтологий (англ. ontology alignment или ontology matching) — это процесс установления соответствий между понятиями (концептами) нескольких онтологий. Множество таких соответствий и называется «отображением». Термин имеет разное значение в компьютерной, когнитивной областях и философии.
Абстракция данных — популярная и в общем неверно определяемая техника программирования. Фундаментальная идея состоит в разделении несущественных деталей реализации подпрограммы и характеристик, существенных для корректного её использования. Такое разделение может быть выражено через специальный «интерфейс», сосредотачивающий описание всех возможных применений программы.
Эволюционные алгоритмы — направление в искусственном интеллекте (раздел эволюционного моделирования), которое использует и моделирует процессы естественного отбора.
Сема́нтика в программировании — дисциплина, изучающая формализации значений конструкций языков программирования посредством построения их формальных математических моделей. В качестве инструментов построения таких моделей могут использоваться различные средства, например, математическая логика, λ-исчисление, теория множеств, теория категорий, теория моделей, универсальная алгебра. Формализация семантики языка программирования может использоваться как для описания языка, определения свойств языка.
Темпоральная логика (англ. temporal (от лат. tempus) logic) — это логика, в высказываниях которой учитывается временной аспект. Используется для описания последовательностей явлений и их взаимосвязи по временной шкале.
Системная инженерия — междисциплинарный подход и средства для создания успешных систем; междисциплинарный подход, охватывающий все технические усилия по развитию и верификации интегрированного и сбалансированного в жизненном цикле множества системных решений, касающихся людей, продукта и процесса, которые удовлетворяют потребности заказчика.
Реляционная модель данных (РМД) — логическая модель данных, прикладная теория построения баз данных, которая является приложением к задачам обработки данных таких разделов математики, как теория множеств и логика первого порядка.
Логи́ческое программи́рование — парадигма программирования, основанная на автоматическом доказательстве теорем, а также раздел дискретной математики, изучающий принципы логического вывода информации на основе заданных фактов и правил вывода. Логическое программирование основано на теории и аппарате математической логики с использованием математических принципов резолюций.
Процесс разработки программного обеспечения (англ. software development process, software process) — структура, согласно которой построена разработка программного обеспечения (ПО).
Автоматическое доказательство (англ. Automated Theorem Proving, ATP, а также Automated deduction) — доказательство, реализованное программно. В основе лежит аппарат математической логики. Используются идеи теории искусственного интеллекта. Процесс доказательства основывается на логике высказываний и логике предикатов.
Семанти́ческая паути́на (англ. semantic web) — это общедоступная глобальная семантическая сеть, формируемая на базе Всемирной паутины путём стандартизации представления информации в виде, пригодном для машинной обработки.
Обучение без учителя (самообучение, спонтанное обучение, англ. Unsupervised learning) — один из способов машинного обучения, при котором испытуемая система спонтанно обучается выполнять поставленную задачу без вмешательства со стороны экспериментатора. С точки зрения кибернетики, это является одним из видов кибернетического эксперимента. Как правило, это пригодно только для задач, в которых известны описания множества объектов (обучающей выборки), и требуется обнаружить внутренние взаимосвязи, зависимости.
Методология разработки программного обеспечения — совокупность методов, применяемых на различных стадиях жизненного цикла программного обеспечения и имеющих общий философский подход.
Коннекционизм (англ. connectionism) — один из подходов в области искусственного интеллекта, когнитивной науки (когнитивистики), нейробиологии, психологии и философии сознания. Коннекционизм моделирует мыслительные или поведенческие явления процессами становления в сетях из связанных между собой простых элементов. Существует много различных форм коннекционизма, но наиболее общие используют нейросетевые модели. В рамках этого течения предпринимаются попытки объяснить умственные способности человека.
Зада́ча — проблемная ситуация с явно заданной целью, которую необходимо достичь; в более узком смысле задачей также называют саму эту цель, данную в рамках проблемной ситуации, то есть то, что требуется сделать. В первом значении задачей можно назвать, например, ситуацию, когда нужно достать предмет, находящийся очень высоко; второе значение слышно в указании: «Ваша задача — достать этот предмет». Несколько более жёсткое понимание «задачи» предполагает явными и определёнными не только цель, но и.
Распределённая система — система, для которой отношения местоположений элементов (или групп элементов) играют существенную роль с точки зрения функционирования системы, а, следовательно, и с точки зрения анализа и синтеза системы.
Декларати́вное программи́рование — это парадигма программирования, в которой задаётся спецификация решения задачи, то есть описывается, что представляет собой проблема и ожидаемый результат. Противоположностью декларативного является императивное программирование, описывающее на том или ином уровне детализации, как решить задачу и представить результат. В общем и целом, декларативное программирование идёт от человека к машине, тогда как императивное — от машины к человеку. Как следствие, декларативные.
Человеко-машинный интерфейс (ЧМИ) (англ. Human-machine interface, HMI) — широкое понятие, охватывающее инженерные решения, обеспечивающие взаимодействие человека-оператора с управляемыми им машинами.
Категориа́льная абстра́ктная маши́на (КАМ) — это модель вычисления программы, в которой сохраняются особенности.
Модели́рование — исследование объектов познания на их моделях; построение и изучение моделей реально существующих объектов, процессов или явлений с целью получения объяснений этих явлений, а также для предсказания явлений, интересующих исследователя.
Программная инженерия (англ. software engineering) — приложение систематического, дисциплинированного, измеримого подхода к разработке, функционированию и сопровождению программного обеспечения, а также исследованию этих подходов; то есть, приложение дисциплины инженерии к программному обеспечению (ISO/IEC/IEEE 24765-2010).
Глубокое обучение (глубинное обучение; англ. Deep learning) — совокупность методов машинного обучения (с учителем, с частичным привлечением учителя, без учителя, с подкреплением), основанных на обучении представлениям (англ. feature/representation learning), а не специализированным алгоритмам под конкретные задачи. Многие методы глубокого обучения были известны ещё в 1980-е (и даже ранее), но результаты были невпечатляющими, пока продвижения в теории искусственных нейронных сетей (предобучение нейросетей.
Концептуа́льная моде́ль (англ. conceptual model) — это модель, представленная множеством понятий и связей между ними, определяющих смысловую структуру рассматриваемой предметной области или её конкретного объекта.
Требования к программному обеспечению — совокупность утверждений относительно атрибутов, свойств или качеств программной системы, подлежащей реализации. Создаются в процессе разработки требований к программному обеспечению, в результате анализа требований.
Интеллектуальные задачи в экономике
Экспертные системы (ЭС) представляют собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области.
В экспертных системах для решения задач на уровне эксперта-человека широко используются специализированные знания. Термином «эксперт» обозначается личность, обладающая экспертными знаниями в определённой области. Это означает, что эксперт имеет знания или специальные навыки, которые неизвестны или недоступны для большинства людей. Эксперт способен решать задачи, которые большинство людей не способны решить вообще, или решает их гораздо более эффективно. После того как были впервые разработаны экспертные системы, они содержали исключительно только экспертные знания. Однако в наши дни термин » экспертная система » часто применяется по отношению к любой системе, в которой используется технология экспертных систем. Технология экспертных систем может включать специальные языки экспертных систем, а также программные и аппаратные средства, предназначенные для обеспечения разработки и эксплуатации экспертных систем.
В качестве знаний в экспертных системах могут применяться либо экспертные знания, либо обычные общедоступные знания, которые могут быть получены из книг, журналов и от хорошо осведомлённых людей. В этом смысле обычные знания рассматриваются как понятие более низкого уровня по сравнению с более редкими экспертными знаниями. Термины » экспертная система «, » система, основанная на знаниях «, и » экспертная система, основанная на знаниях «, часто используются как синонимы. Но большинство людей используют только термин » экспертная система » просто потому, что оно короче, даже несмотря на то, что в экспертной системе , о которой идёт речь, могут быть представлены не экспертные, а всего лишь обычные знания.
Существуют два принципиально различных класса ЭС: «основанные на знаниях» и «основанные на примерах». Первый класс ЭС применяется для работы с хорошо систематизированными элементами знаний и априори известными закономерностями, выраженными различного рода методиками, инструкциями, правилами и т.п. Принципы работы экспертной системы, основанной на знаниях , иллюстрируются на рис.11.15.
Рис. 11.15. Основные принципы функционирования экспертной системы
Кроме того, разработаны полезные системы, основанные на знаниях, которые предназначены для использования в качестве интеллектуального помощника для эксперта — человека. Эти интеллектуальные помощники проектируются на основе технологии экспертных систем, поскольку такая технология обеспечивает значительные преимущества при разработке. Чем больше знаний будет введено в базу знаний интеллектуального помощника, тем в большей степени его действия будут напоминать действия эксперта. Разработка интеллектуального помощника может стать полезным промежуточным шагом перед созданием полноценной экспертной системы . К тому же интеллектуальный помощник позволяет освободить для эксперта больше полезного времени, поскольку его применение способствует ускоренному решению задач.
Знания эксперта относятся только к одной предметной области, и в этом состоит отличие методов, основанных на использовании экспертных систем, от общих методов решения задач. Предметная область — это специальная проблемная область, такая как медицина, финансы, наука и техника, в которой может очень хорошо решать задачи лишь определённый эксперт. Экспертные системы, как и эксперты — люди, в целом предназначены для использования в качестве экспертов в одной предметной области. Например, обычно нельзя рассчитывать на то, что эксперт в области шахмат будет обладать экспертными знаниями, относящимися к медицине. Экспертные знания в одной предметной области не переносятся автоматически на другую область.
Знания эксперта, касающиеся решения конкретных задач, называются областью знаний эксперта. Связь между предметной областью и областью знаний показана на рис.11.16.
На данном рисунке область знаний полностью включена в предметную область. Часть, выходящая за пределы области знаний, символизирует область, в которой отсутствуют знания о какой-либо из задач, относящихся к данной предметной области.
В области знаний экспертная система проводит рассуждения или делает логические выводы по такому же принципу, как рассуждал бы эксперт — человек или приходил логическим путём к решению задачи.
Рис. 11.16. Связь между предметной областью и областью знаний
Это означает, что на основании определённых фактов путём рассуждений формируется логичное, оправданное заключение, которое следует из этих фактов.
ЭС с успехом применяются в тех областях, где, кроме применения стандартных алгоритмических методов, основанных на точных вычислениях, по существу используются знания и опыт конкретных экспертов — аналитиков, а принятие решений формируется в условиях неполноты данных и зависит скорее от качественных, чем количественных оценок. К таким предметным областям относится, прежде всего, область анализа финансовой деятельности, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учёта сложных причинно-следственных связей, применения нетривиальных логических рассуждений и т.п.
Классическая экспертная система воплощает в себе неписанные знания, которые должны быть получены от эксперта с помощью интервью, проводимых инженером по знаниям в течение длительного периода времени. Такой процесс создания экспертной системы называется инженерией знаний и осуществляется инженером по знаниям. Инженерией знаний называют получение знаний от эксперта-человека или из других источников и последующее представление знаний в экспертной системе (рис.11.17).
Рис. 11.17. Процесс разработки экспертной системы
Вначале инженер по знаниям устанавливает диалог с экспертом-человеком, чтобы выявить знания эксперта. Этот этап аналогичен этапу работы, выполняемому системным проектировщиком при обычном программировании в ходе обсуждения требований к системе с клиентом, для которого создается программа. Затем инженер по знаниям представляет знания в явном виде для внесения в базу знаний. После этого эксперт проводит оценку экспертной системы и передаёт критические замечания инженеру по знаниям. Такой процесс повторяется снова и снова, до тех пор, пока эксперт не оценит результаты работы системы как удовлетворительные.
Вообще говоря, процесс создания экспертных систем намного отличается от процесса разработки обычных программ. В экспертных системах рассматриваются задачи, не имеющие удовлетворительного алгоритмического решения, поэтому для достижения приемлемого решения используется логический вывод. Поскольку в основе функционирования экспертной системы лежит логический вывод, такая система должна обладать способностью объяснить свои рассуждения, чтобы можно было их проверить. Поэтому неотъемлемой частью любой сложной экспертной системы является средство объяснения. В действительности могут быть разработаны сложные средства объяснения, позволяющие пользователю исследовать многочисленные строки с вопросами наподобие «Что будет, если. «, называемые гипотетическими рассуждениями.
Следовательно, инженерия знаний – это область информационной технологии, цель которой – накапливать и применять знания не как объект обработки их человеком, но как объект для обработки их на компьютере. Для этого необходимо проанализировать знания и особенности их обработки человеком и компьютером, а также разработать их машинное представление. К сожалению, точного и неоспоримого определения, что собой представляют знания, до сих пор не дано. Но, тем не менее, цель инженерии знаний – обеспечить использование знаний в компьютерных системах на более высоком уровне, чем до сих пор, – актуальна. Возможность использования знаний осуществима только тогда, когда эти знания существуют, что вполне объяснимо. Технология накопления и суммирования знаний идёт «бок о бок» с технологией использования знаний, где они взаимно дополняют друг друга, и ведут к созданию одной технологии, технологии обработки знаний.
Второй класс ЭС используется в ситуациях, когда отсутствуют какие-либо явные связи и закономерности между элементами знаний, а сами знания представлены в виде списков примеров, описывающих реализации тех или иных событий. Если первый класс ЭС работает с хорошо определёнными данными и знаниями, извлечёнными из экспертов — аналитиков инженерами знаний, то второй — формирует свои знания путём адаптации к предметной области, представленной примерами, причём как обучающая, так и анализируемая информация может быть искажена и неполна. В первом случае в основе механизмов вывода, как правило, лежат классические стратегии наследования и логического вывода, то во втором — различные методы индуктивного обобщения по примерам, в частности, свойства используемых для этого искусственных нейронных сетей .
В cистеме, основанной на правилах, знания в проблемной области, необходимые для решения задач, закодированы в форме правил и содержатся в базе знаний. Безусловно, для представления знаний наиболее широко применяются правила. Элементы типичной экспертной системы , основанной на правилах, показаны на рис.11.18.
Рис. 11.18. Структура экспертной системы, основанной на правилах
Экспертная система состоит из описанных ниже компонентов.
- Пользовательский интерфейс. Механизм, с помощью которого происходит общение пользователя и экспертной системы .
- Средство объяснения. Компонент, позволяющий объяснить пользователю ход рассуждений системы.
- Рабочая память. Глобальная база фактов , используемых в правилах.
- Машина логического вывода. Программный компонент, который обеспечивает формирование логического вывода (принимая решение о том, каким правилам удовлетворяют факты или объекты). Располагает выполняемые правила по приоритетам и выполняет правило с наивысшим приоритетом.
- Рабочий список правил. Созданный машиной логического вывода и расположенный по приоритетам список правил, шаблоны которых удовлетворяют фактам или объектам, находящимся в рабочей памяти.
- Средство приобретения знаний. Автоматизированный способ, позволяющий пользователю вводить знания в систему, а не привлекать к решению задачи явного кодирования знаний инженера по знаниям.
Во многих системах имеется необязательное средство приобретения знаний, Это инструментальное средство в некоторых экспертных системах способно обучаться, осуществляя вывод правил по методу индукции на основании примеров, и автоматически вырабатывать правила. Для выработки правил в машинном обучении применялись также другие методы и алгоритмы, такие как искусственные нейронные сети и генетические алгоритмы . Основная проблема, возникающая при использовании машинного обучения для выработки правил, состоит в том, что отсутствует какое-либо объяснение, почему были созданы эти правила. В отличие от человека, способного объяснить причины, по которым было выбрано то или иное правило, системы машинного обучения никогда не были в состоянии объяснить свои действия, а это может повлечь за собой появление непредсказуемых результатов. Однако в целом для создания деревьев решений лучше всего подходят примеры, представленные в виде простых таблиц. Общие правила, подготовленные инженером по знаниям, могут быть намного сложнее по сравнению с простыми правилами, полученными путём вывода правил по методу индукции.
В экспертной системе , основанной на правилах, базу знаний называют также продукционной памятью. В качестве очень простого примера рассмотрим задачу принятия решения о переходе через дорогу. Ниже приведены продукции для двух правил, в которых стрелки означают, что система осуществит действия справа от стрелки, если условия слева от стрелки будут истинными:
горит красный свет —> стоять
горит зеленый свет —> двигаться
Продукционные правила могут быть выражены в эквивалентном формате псевдокода IF-THEN следующим образом: