[ Attackers.io.ua © 2009 ] ALL WEB IN HERE...

 

Что называется системой Искусственного интеллекта?




Понятие ИСКУССТВЕННОГО ИНТЕЛЛЕКТА МОЖЕТ БЫТЬ рассмотрено с разных сторон.
Со стороны интеллекта
Искусственный интеллект -это то, что делает машины "интеллектуальными" - действие,
подобное тому, которое мы могли ожидать от людей.

Неспособность отличать реакции компьютера от человеческих реакций названа критерием
Тьюринга.
Интеллект требует знания.
Решение задач на практике связано с ограничением прикладной области с тем, чтобы
использовать существенное подходящее знание.

Со стороны перспектив исследования
" Искусственный интеллект - это изучение того, как заставить компьютеры делать
вещи, которые в настоящее время люди делают лучше " .

Исследования в ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ начались в 1960-ых годах - первые попытки
были сделаны в решении шахматных задач, доказательстве теорем (несколько простых
теорем) и создании общего решателя задач (только очень простые задачи)

Создать общий решатель задач оказалось намного труднее, чем первоначально
ожидалось. Исследователи были неспособны решить проблемы, обычно решаемые
человеком-экспертом.

В основе названия "искусственный интеллект" лежит область изучения.

Исследования в области ИСКУССТВЕННОГО ИНТЕЛЛЕКТА включают:

Формальные задачи (математика, игры)
Общезначимые задачи (восприятие, робототехника, естественный язык,
рассуждения на основе здравого смысла)
Экспертные задачи (анализ финансового состояния, медицинская диагностика, научный
анализ, и другие области)

С точки зрения перспектив развития ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ - это набор очень мощных
инструментальных средств и методов, которые используются в качестве инструментальных
средств для решения практических проблем.
С точки зрения планирования операций ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ включает в себя изучение
и исследование методов решения задач в символьном виде:

Типичные методы ИИ сосредоточены скорее на символьных методах обработки
информации, чем на числовой.
Решить задачу - значит достичь цели.
Поиск - редко непосредственно связан с решением. Поиск может включать ряд методов.

Языки программирования ИСКУССТВЕННОГО ИНТЕЛЛЕКТА включают:

LISP, разработанный в 1950-ых годах, - язык раннего программирования, строго
связанный с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ. LISP -функциональный язык программирования
с расширением в виде процедур. LISP (Процессор обработки списков) был разработан
для обработки различных списков - обычно символьных списков. Особенность LISP,
которая сделала его притягательным для исследователей в области ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА включала динамический контроль, использование функций, которые имеют
другие функции в качестве параметров, автоматическая память, администрирование
(сборка "мусора") и интерактивная среда.

Вторым языком, строго связанным с ИСКУССТВЕННЫМ ИНТЕЛЛЕКТОМ, был ПРОЛОГ. ПРОЛОГ был
разработан в 1970-ых годах. ПРОЛОГ базируется на исчислении предикатов первого
порядка. ПРОЛОГ декларативный язык по своей природе и имеет средства для явного
ограниченияо бласти поиска.

Объектно-ориентированные языки - большой класс языков, который недавно стал
использоваться для программирования в области ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. Важные
особенности объектно-ориентированных языков включают:
* Концепцию объектов(целей) и сообщений
* Стандартные объекты данных и методы для управления данными
* Что нужно сделать, определяет источник ,получатель решает, как это делать.
* Наследственность (иерархия объектов, благодаря которой объекты наследуют атрибуты
объектов более общего класса)

Примеры объектно-ориентированных языков - Smalltalk, объектный C, C++. Также
используются объектно-ориентированные расширения LISP( CLOS - Общая
Объектно-ориентированная LISP-система) и ПРОЛОГ (L &O -Логика и Объекты).
______________________________________________________________________________________

II. Что называется экспертной системой (ЭС)?
Существуют различные определения экспертных систем . Некоторые определения основаны на
выполняемых ими функциях. Другие определения основаны на их структуре. Третьи
определения имеют в виду и функциональные и структурные компоненты. Многие из ранних
определений принимают во внимание рассуждения, основанные на правилах.

ФУНКЦИОНАЛЬНЫЕ КОМПОНЕНТЫ
Что система делает
" ... компьютерная программа, которая ведет себя подобно человеческому эксперту в
некоторых полезных направлениях. " [Winston и Prendergast, 1984, c.6]

Прикладная область

" ... эффективно решают проблемыв узкой прикладной области. " [Waterman, 1986,
c.xvii]
... типичное определение, " решает проблемы, которые могут быть
представлены в символьном виде " [Liebowitz, 1988, с.3]

Сложные приложения

" ... применяют экспертное знание к сложным реальным проблемам "
[ Waterman, 1986, c.18]
" ... решают проблемы, которые являются достаточно сложными, что требует
существенных экспертных знаний" [Edward Feigenbaum, 1985, c.5]

Требования Эффективности

" Способность работать на уровне опытного эксперта " [ Liebowitz,1988,с.3]
"программы, которые подражают возможностям человека- эксперта. " [Brule, 1986, с.6]
" ... соответствуют уровню компетентности человека-эксперта в специфической
области. " [Bishop, 1986, c.38]
" ... могут предложить интеллектуальную оценку или принять интеллектуальное
решение в процессе функционирования. " [British Computer Society's Specialist Group
in Forsyth, 1984, сс.9-10]
"позволяют пользователю получить экспертное решение или экспертную оценку подобные
тем , которые он может получить при консультации с человеком-экспертом. " [Edwards
и Connell, 1989, с.3]

Объяснение рассуждения

" ... возможность системы, по требованию, предоставлять объяснение того, как было
получено то или иное заключение. " [British Computer Society's Specialist Group in
Forsyth, 1984, с.9-10]
" Регистрация процесса объяснения ... " [Liebowitz, 1988, с.3]
___________________________________________________________________________________

СТРУКТУРНЫЕ КОМПОНЕНТЫ

Как система функционирует
Используя методы ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

" ... использование методов программирования искусственного интеллекта, особенно
тех методов, которые разработаны для решения задач " [Dictionaty of Computing,
1986, с.140]

Компонент Знания

" ... компьютерное воплощение в базе знаний опыта экспертов ... " [British Computer
Society's Specialist Group in Forsyth, 1984, с.9-10]
" Компьютер, базирующийся на системе представления знаний эксперта" [Edwards и
Connell, 1989, с.3]
" Знания экспертной системы состоят из фактов и эвристик. Факты составляют сущность
информации. Это то, что широко представлено, общедоступно, согласовано экспертами в
конкретной области. " [Edward Feigenbaum, 1985, с.5]
" Экспертные системы - сложные компьютерные программы, которые манипулируют
знаниями с целью решения задачи " [Waterman, 1986,с.xvii]

Разделение знания и управления

" ... явно содержат знания о проблемной области, которые отделены от остальной
системы " [Waterman, 1986, с.18].

Использование процедур вывода - эвристик - неопределенности

" ... интеллектуальная компьютерная программа, которая использует знание и
процедуры вывода " [Edwars Feigenbaum,1985, c.5].
" Стиль, принятый для достижения этих характеристик - это программирование,
основанное на правилах. " [British Computer Society's Specialist Group in Forsyth,
1984, с.9-10].
" Переложение интеллектуального поведения с помощью квалифицированных прикладных
эвристических программ" [Waterman, 1986, с.18].
" Главным образом частная эвристика, немного правил о суждениях (правил рассуждений
на основе фактов , правила о предположениях)- именно это характеризуют уровень
эксперта при принятии решений в конкретной области." [Edward Feigenbaum, 1985,
c.5].
" включение... способов обработки неопределенности ... " [Liebowitz, 1988, с.3]

Модель человека-эксперта

" ... можно думать как о модели эксперта, о лучших практиках в определенной
области. " [Edward Feigenbaum , 1985, c.5].
" ... представление специфического знания о проблеме таким же образом, каким
человек-эксперт думает " [Liebowitz, 1988, с.3].
" ... включает использование соответствующей информации,полученной предварительно
от человека-эксперта. " [Dictionaty of Computing,1986, c.140]
___________________________________________________________________________________

III. Как Люди Рассуждают?
Они создают категории

Наличие - Текущий Актив
Текущий Актив - Актив

Они используют специфические правила, априорные правила

Например, налоговый закон... Их так много для каждого случая
Правила могут быть упорядочены так

" Если А, то B "...
" Если B, то C "
--- > B --- > C
Они используют эвристику --- " правила обхода "

Эвристика может быть зафиксирована с использованием правил такого вида

" Если еда включает мясо
То выберите вино красного цвета "

Эвристика представляет собой правила с условиями

Они используют прошлый опыт --- "факты"
Особенно очевидно это в рассуждениях, основанных на прецедентах.

Например, в праве или при выборе стандартов финансового учета

Сведение текущего случая к предыдущим случаям является основанием для выбора действия

Сохраняют информацию о фактах , используя ключевые атрибуты. Например, Автомобили
могут быть охарактеризованы: годом выпуска автомобиля; маркой автомобиля; скоростью
автомобиля и т.д.

То, что делает аргументацию хорошей, то делает рассуждения также хорошими
Они используют "Математические ожидания"

" Вы не самостоятельны сегодня "

Если наше поведение отличается от математически ожидаемого, тогда это называется

" Моделью поведения "
______________________________________________________________________________________

IV. Как Компьютеры Рассуждают?
КОМПЬЮТЕРНЫЕ МОДЕЛИ ОСНОВАНЫ НА МОДЕЛЯХ ЧЕЛОВЕЧЕСКОГО РАССУЖДЕНИЯ
Фреймы

Каждый атрибут фрейма назван "слотом"
Каждый фрейм - это вершина(узел) в одной или нескольких иерархических связей типа
"is a"
Они используют правила А--- > B --- > C
Множество правил называется базой знаний или базой правил.
Они используют распознавание образов, например, Система Кредитных карточек;Система
защиты Базы данных
___________________________________________________________________________________

IV-1. Фреймы

Сеть, состоящая из вершин(узлов) и отношений между ними
С одной стороны, они очень похожи на традиционную базу данных, а с другой стороны,
очень отличаются от нее
Атрибуты названы "слотами"
Значение может быть задано явно
Метод определения значения более ценен, чем значение само по себе
Каждый фрейм - вершина(узел) находится в одной или нескольких иерархических связей
типа "is a"

Верхние уровни иерархии представляют собой общие концепции, а нижние более
специфические
Значение может быть унаследовано от более общей вершины(узла)
Представление фрейма в виде прототипа может иметь значения, заданные по умолчанию ,
которые затем могут быть отменены.

Например,опишем предмет, растущий на моем заднем дворе:
вяз - беспорное дерево, беспорное дерево - дерево, дерево - растение, растение - живой
организм.
______________________________________________________________________________________

IV-2. РАССУЖДЕНИЯ, ОСНОВАННЫЕ НА ПРАВИЛАХ
В настоящее время это наиболее общая форма представления знаний в экспертных системах.
Структура таких экспертных систем
Интерфейс пользователя
Дружественный
Наиболее "Интеллектуальный"
* Знания о том, как представлять информацию
* Знание о системе предпочтений пользователя

База данных
Содержит некоторые данные, представляющие интерес для системы
Может быть связана с сетевой или общедоступной базой данных

Механизм логического вывода
Общее знание проблемы и методов
Интерпретатор анализирует и обрабатывает правила
Планировщик определяет порядок рассмотрения правил
Поиск в системах, основанных на правилах
Использует преимущества эвристической информации
С другой стороны, время решения проблемы может стать
слишком большим
*Эта проблема названа комбинаторным взрывом
Оболочка экспертной системы представляет собой настраиваемый механизм логического
вывода
База знаний (база правил)
Содержит большое количество знаний о методах решения задач
Правила имеют форму IF условие(состояние) THEN действие
Часть условие(состояние) правила - обычно факт - (Если
некоторый специфический факт находится в базе данных, тогда выполняется
определенное действие)
Часть действия правила может включать
Действия, которые воздействуют на внешний мир (печатают
сообщение на терминале)
Проверку другого правила
Добавление нового факта в базу данных (Если идет дождь,
То дорога влажная).
Правила могут быть специфические, априорные правила (например, налоговый закон...-
представляет законы и правила кодификации.
Правила могут быть эвристическими (например. Если еда включает мясо,
то выберите красное вино).
" Правила обхода " - представляют житейскую мудрость.
Правила могут следовать друг из друга (например " Если А то B "; " Если B то
C "; так как А --- > B --- > C , то " Если А то C ").
( Если идет дождь, тогда дороги влажные. Если дороги влажные, то дороги скользкие.)
Коэффициенты(факторы) уверенности представляют степень истинности
факта
______________________________________________________________________________________

IV-2a. Инженерия знаний
Дисциплина построения экспертных систем
Роль Инженера Знания
Сбор Знания
Процесс приобретения знания от экспертов или из других источников.( Например книги,
справочники).
Может включать разработку знаний о решении проблемы
Извлечение знаний
Получение информации от человека-эксперта
Представление Знания
Метод кодирования знания для использования в экспертной системе
Методы представления общепринятых знаний включают правила, фреймы и факты.
Помещение знания в правила, факты или модели называется процессом представления
знания.
______________________________________________________________________________________

IV-3. РАССУЖДЕНИЯ, ОСНОВАННЫЕ НА ФАКТАХ
Процесс рассуждений, основанный на фактах
Использует прошлый опыт
Базируется на предпосылке, что люди использовали аналогичные рассуждения или
экспериментальные рассуждения, чтобы изучить и решить сложные проблемы
Особенно это очевидно в рассуждениях, основанных на прецедентах
( Например, закон об обложении налогом или выбор стандартов финансового учета)
Полезно, если можно использовать в небольшом количестве доказательства или если
информация является неполной

Факты - это
Информация относительно ситуаций
Решение
Результаты использования конкретного решения
Ключевые атрибуты, которые могут использоваться для быстро поиска

Элементы систем, использующих рассуждения, основанные на фактах
База фактов - множество фактов
Индексная библиотека - используется обыкновеннно для эффективного и быстрого поиска
фактов, которые в большой степени соответствуют или подобны текущей проблеме
Метрика подобия - используется обыкновенно для определения степени близости текущей
проблемы к тем фактам в прошлом, которые были выбраны при поиске в библиотеке
индексов;
Модуль адаптации - развивает решение текущей проблемы при любой модификации
решения(структурная адаптация) или создает новое решение на основе процесса,
использованного в подобном случае в прошлом(деривационная адаптация).
Обучение
Если подходящий факт не найден , то текущий факт и его решение, найденные человеком
могут быть добавлены к базе фактов, что позволяет системе обучаться.
______________________________________________________________________________________

IV-4. НЕЙРОННЫЕ СЕТИ
Искусственные нейронные сети
Базируются на распознавании образов
Множество связанных элементов, описываемых относительно простой математической моделью
Сопоставляют образцы на множестве примеров и обучаются на этих примерах, регулируя
веса связей
Выходные образцы используются для классификации нового множества примеров
Способны распознавать образы, даже если данные содержат помехи, неоднозначны,искажены
или имеют много разновидностей

Нейросетевые конструкции и обучение
Используемая архитектура (например с прямой связью)
Организация нейронов(например уровень входа с пятью
нейронами, два скрытых уровня с тремя нейронами в каждом и
уровень выхода с двумя нейронами.)
Использованная функция состояния (например функция суммирования)
Использованная функции преобразования (например функция сжатия )
Использованный обучающий алгоритм(например обратное распространение)

Архитектура
Как связаны элементарные элементы
Обычно используется архитектура:
С прямой связью
Больцмана
Слои(также называются уровни, поля или слогами)
Организованы в ряд уровней
Входной уровень
Один или больше скрытых уровней
Выходной уровень
Некоторые рассматривают количество уровней как часть архитектуры
Другие рассматривают количество уровней и узлов в уровене скорее как атрибуты сети, а
не как часть архитектуры.

Нейроны - вычислительные элементы
Словарь в этой области не полностью устоялся и различные авторы имеют тенденцию
использовать малый набор терминов для обозначения различных концепций.
Структура Нейрона
Состав
* Множество взвешенных входных связей
* Пороговое значение
* Функция состояния
* Нелинейная функция преобразования
* Выход
Значение входного сигнала определяется либо предыдущим нейроном либо внешней средой.
Пороговое значение не связано с другими нейронами в сети и определяется для входной
величины, равной 1 для функции суммирования
Веса
* Вещественное число, определяющее степень входных взаимодействий нейрона
* Каждый вход нейрона, включая пороговое значение, имеет связанный
с ним вес
Функция состояния
* Наиболее общая форма - простая функция суммирования
* Выход функции состояния является входом для функции преобразования
Функция преобразования
* Нелинейная математическая функция, которая преобразовывает данные к определенному
масштабу
* Два базисных типа функций преобразования: непрерывный и Дискретный
* Обычно используемые непрерывные функции преобразования - Пилообразная, sign(x),
ArcTg и Гиперболический Тангенс
* Непрерывные функции иногда называются функциями сжатия
* Обычно используемые дискретные функции - Пошаговая и пороговая
* Дискретные функции преобразования иногда называют функциями активизации
Обучение
Процесс использования примеров при разработке нейросети.
Это сопоставление входного образца с правильным ответом
Множество примеров (обучающая выборка ) с известными выходами (адресатами)
неоднократно вводится сеть, чтобы " обучить" сеть
Этот процесс обучения продолжается до тех пор, пока разность между входными и
выходными образцами для обучающей выборки достигнет подходящего значения
Используется несколько алгоритмов для обучения сетей
Наиболее общим является алгоритм с обратной связью. При использовании этого алгоритма
делается два прохода:
* Сначала входные сигналы посылаются вперед по сети и фиксируется выход
* Затем вычисляется значение сигнала ошибки как разность между фактическим и
желательным значениями, которая посылается "назад" через сеть для изменения весов.
______________________________________________________________________________________

V. Преимущества и Недостатки
V-1. ПРЕИМУЩЕСТВА ЭКСПЕРТНЫХ СИСТЕМ
Постоянство - экспертные системы ничего не забывают в отличие от человека-эксперта
Воспроизводимость - можно сделать любое количество копий экспертной системы, а
обучение новых экспертов отнимает много времени и средств
Если имеется сложный лабиринт правил (например налоговое законодательство ), то
экспертная система может "распутать" этот лабиринт
Эффективность - может увеличить производительность и уменьшать затраты персонала
Хотя экспертные системы дороги для создания и поддержки, они недороги для эксплуатации
Разработка и эксплуатационные расходы могут быть распределены среди многих
пользователей
Полная стоимость может быть более разумной по сравнению с дорогими и малочисленными
экспертами
Постоянство - С использованием экспертных системам подобные транзакции обрабатываются
одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих
ситуаций.
Влияние на людей -
Новый эффект (самая современная информация, имеющая влияние на здравый смысл)
Главный эффект (ранняя информация доминирует над здравым смыслом ).
Документация - экспертная система может задокументировать процесс решения
Законченность - экспертная система может выполнять обзор всех транзакций, a
человек-эксперт сможет сделать обзор только отдельной выборки
Своевременность - Погрешности в конструкциях и-или могут быть своевременно найдены.
Широта - Могут быть объединены знания многих экспертов ,что дает системе больше
широты, чем с вероятно может достичь один человек
Снижают риск ведения дела благодаря
Последовательности принятия решения
Документированности
Компетентности
______________________________________________________________________________________

V-2. НЕДОСТАТКИ ЭКСПЕРТНЫХ СИСТЕМ
Здравый смысл - В дополнение к широкому техническому знанию,человек-эксперт
имеет здравый смысл. Еще не известно, как заложить здравый смысл в экспертные системы.
Творческий потенциал - Человек-эксперт может реагировать творчески на необычные
ситуации, экспертные системы не могут.
Обучение - Человек-эксперт автоматически адаптируются к изменению среды; экспертные
системы нужно явно модифицировать.Рассуждения, основанные на фактах, и нейронные сети
- методы, которые могут включать обучение.
Сенсорный Опыт - Человек-эксперт располагает широким диапазоном сенсорного опыта;
экспертные системы в настоящее время основаны на вводе символов.
Экспертные системы не хороши, если решения не существует или когда проблема лежит вне
области их компетенции.


Создан 18 дек 2009



  Комментарии       
Имя или Email


При указании email на него будут отправляться ответы
Как имя будет использована первая часть email до @
Сам email нигде не отображается!
Зарегистрируйтесь, чтобы писать под своим ником
 





DaMaGeLaB Pro-Hack.Ru XakNet TeaM InAttack BlackHack.Ru The Mafia
k0d.cc GraBBerZ.CoM BruteR.InfO Планету-ХаКеРаМ Defeated.Ru
World UNIX SecNull.Org CardersPlanet.Biz