Анубис

@kamaloka

181. Направления ИИ - зонтичная. Внутри ИИ делится на множество направлений. Вот основные из них:

- Представление знаний.

- Доказательство теорем.

- Компьютерное зрение.

- Машинное обучение (приобретение знаний, анализ данных и порождение гипотез).

- Робототехника.

- Обработка естественных языков.

- Многоагентные системы.

- Инструментальные средства ИИ.

Каждая из перечисленных ветвей ИИ в свою очередь делится на десятки других направлений, особенно робототехника (несколько десятков направлений).

Как видим, из-за обширности ИИ ученому невозможно охватить все его ветви, требуется специализация.

182. Основной нейрокибернетики является идея о том, что "единственный объект, способный мыслить, - это человеческий мозг". В связи с этим считается, что любое устройство, способное мыслить, должно быть выполнено подобно человеческому мозгу и иметь возможность воспроизводить его принцип действия. Таким образом, нейрокибернетика направлена на программно - аппаратное моделирование имеющихся структур, которые подобны структуре мозга.

Основу человеческого мозга составляет большое количество взаимосвязанных между собой нервных клеток, которые называются нейронами. Именно на этом факте была сосредоточена цель на создание элементов, которые будут функционировать аналогично нейронам. Данные системы принято называть нейронными сетями (нейросетями).

Как и в любых других науках, исследования в сфере нейросетей были как успешны, так и неудачны. Одним из критериев, связанных с неудачными исследованиями данной работы, являлся психологический фактор, который проявлялся в неспособности человека описать словами свои мысли.

183.

направления искусственного интеллекта – кибернетики «черный ящик» был положен принцип, противоположный нейрокибернетике. То есть, нет никакого значения, как устроено "мышление" устройства, главное, чтобы на заданные для него входные взаимодействия, оно реагировало так же, как и человеческий мозг.

Данное направление было основано на поиски алгоритмов решения интеллектуальных задач на имеющихся на тот момент моделях компьютеров. Однако при осуществлении поисков возникали проблемы. Выяснилось, что ни одна из существующих наук не может предоставить таких алгоритмов. В связи в этим кибернетики решили создавать собственные модели.

184. Игровой искусственный интеллект — набор программных методик, которые используются в компьютерных играх для создания иллюзии интеллекта в поведении персонажей, управляемых компьютером. Игровой ИИ, помимо методов традиционного искусственного интеллекта, включает также алгоритмы теории управления, робототехники, компьютерной графики и информатики в целом.

Реализация ИИ сильно влияет на геймплей, системные требования и бюджет игры, и разработчики балансируют между этими требованиями, стараясь сделать интересный и нетребовательный к ресурсам ИИ малой ценой. Поэтому подход к игровому ИИ серьёзно отличается от подхода к традиционному ИИ — широко применяются разного рода упрощения, обманы и эмуляции. Например: с одной стороны, в шутерах от первого лица безошибочное движение и мгновенное прицеливание, присущее ботам, не оставляет ни единого шанса человеку, так что эти способности искусственно снижаются. С другой стороны — боты должны делать засады, действовать командой и т. д., для этого применяются «костыли» в виде контрольных точек, расставленных на уровне.

185. Еще в 50-е годы прошлого века разработчики машинного перевода ставили перед собой амбициозную цель создать переводческую систему, которая полностью заменила бы человека. Они верили, что благодаря компьютерной программе им удастся превратить перевод в быстрый и идеально отстроенный процесс. Ведь человеку свойственно ошибаться, а машине — нет.После неудачных попыток создать идеального «электронного переводчика» разработчики стали работать над новой задачей: не заменить живого человека, а помочь ему. Так появились первые программы автоматизированного перевода — CAT-инструменты.

Главное отличие автоматизированного перевода от машинного — в том, что в его основе лежит технология сохранения и переиспользования выполненных ранее переводов — Translation Memory (TM). Она запоминает часть текста на одном языке и его перевод. Благодаря такому эффективному использованию память переводов повышает скорость работы переводчика и на 40% сокращает затраты на перевод. Кроме баз памяти ТМ также использует цифровые аналоги стандартных ресурсов переводчика — словари и глоссарии, к примеру. Гораздо удобнее искать нужный термин непосредственно в своем рабочем инструменте, чем доставать книгу с полки (или открывать новую вкладку в браузере).

186. Теория распознавания образа — 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 или нельзя переходить улицу.

Проблема распознавания образа приобрела выдающееся значение в условиях информационных перегрузок, когда человек не справляется с линейно-последовательным пониманием поступающих к нему сообщений, в результате чего его мозг переключается на режим одновременности восприятия и мышления, которому такое распознавание свойственно.

Неслучайно, таким образом, проблема распознавания образа оказалась в поле междисциплинарных исследований - в том числе в связи с работой по созданию искусственного интеллекта, а создание технических систем распознавания образа привлекает к себе всё большее внимание.

Можно выделить два основных направления способов построения систем распознавания:

изучение способностей к распознаванию, которыми обладают живые существа, объяснение и моделирование их;
развитие теории и методов построения устройств, предназначенных для решения отдельных задач в прикладных целях.

187: Искусственный интеллект (далее — ИИ) прежде всего начал появляться в игрушках. В конце 80-х годов прошлого столетия в журнале «Сделай сам», приложении к «Юному технику», опубликован ряд статей под общим заголовком «Сделай себе бассета», посвящённых изготовлению механического питомца, способного передвигаться, огибать препятствия, просить еду. Игрушка обладала минимальной способностью к самообучению – запоминала удачный поворот при преодолении препятствия (вправо, влево, назад) и повторяла его при возникновении следующей преграды в первую очередь.

После дополнительного обучения в течении 35 часов точность действий манипулятора сравнилась с промышленными образцами. При этом у механической руки появилась способность самостоятельно адаптироваться к новым условиям окружающей среды и новым видам действий.

Прогнозировать развитие интеллектуальной робототехники довольно сложно. Пока можно ориентироваться на международный проект, реализованный гонконгской компанией Hanson Robotics — их робот с искусственным интеллектом София уже умеет распознавать образы и речь.

188:

Под роботами традиционно понимаются автоматические устройства (создаваемые обычно по принципу живого организма), которые предназначены для осуществления определенных операций, действуют по заложенной программе и получают информацию от датчиков. Но такое определение годится, скорее для первых двух поколений роботов.

Роботы первого поколения – это программные роботы (роботы с программным управлением), которые выполняют четко определенные операции в последовательности, жестко заложенной программой. Это как раз и есть те самые промышленные роботы, которые осуществляют транспортировку, сварку, штамповку, простейшие сборочные операции и т.д.

Роботы второго поколения – это очувствленные роботы, которые также выполняют операции в соответствии с программой, но нуждаются в получении информации извне, что и обусловило наделение их искусственными «органами чувств»: тактильными, зрительными, звуковыми, кинестетическими и другими сенсорными датчиками. Работа роботов второго поколения предполагает использование алгоритмического и программного обеспечения, что позволяет роботам ориентироваться в существующих условиях и автоматически приспосабливаться (адаптироваться) в случае изменения этих условий (что и объясняет их второе название – адаптивные роботы), а также обучаться в процессе функционирования.

В целях настоящей работы интерес представляют роботы третьего поколения – интеллектуальные роботы, которые предназначены не только для осуществления физических и двигательных функций, но и для решения интеллектуальных задач. Речь не только о роботах-андроидах, игровых и бытовых роботах, но и военных, боевых, морских роботах, беспилотных летательных аппаратах и беспилотных автомобилях, космических и медицинских роботах, экзоскелетах и т.д. Эти роботы, бесспорно, отличаются от роботов второго поколения сложностью управляющей информационно-вычислительной системы, включающей элементы ИИ. Но несмотря на то, что интеллектуальный робот управляется ИИ, он вовсе не становится самостоятельной «электронной личностью», способной критически мыслить, – на сегодняшний это все та же информационно-вычислительная система, ограниченная заложенным в нее функционалом и имеющая соответствующую ее функциям материальную оболочку.

189: Обработка данных делится на два вида обработки: обработка баз данных и обработки транзакций. База данных - набор общих записей, которые можно найти, получить к ним доступ и изменить, такие как записи банковских счетов и данные подоходного налога. При обработке баз данных, компьютерная база данных используется в качестве центрального источника справочных данных для вычислений. Обработка транзакций относится к взаимодействию между двумя компьютерами, в которых один компьютер инициирует транзакцию, а другой компьютер обеспечивает первому данные или вычисления, необходимые для выполнения этой функции.

190. Семантическая сеть - это модель, в которой структура знаний предметной области формализуется в виде ориентированного графа вершины которого — понятия, а дуги — отношения между ними

В качестве понятий обычно выступают абстрактные или конкретные объекты, события, свойства, операции. Отношения — это связи различного типа. Существуют отношения разных типов:

логические (дизъюнкция, конъюнкция, отрицание, импликация);

теоретико-множественные (часть - целое, множество - подмножество, класс -элемент класса, пример элемента класса);

функциональные (количественные, временные, пространственные и другие характеристики: объект-свойство, свойство-значение);

квантификационные (логические кванторы общности и существования, нелогические кванторы, например, много, несколько).

Наиболее часто в семантических сетях используются следующие отношения:

связи типа «часть— целое» («класс— подкласс», «элемент—множество», и т. п.). Отношения —является и —имеет часть определяют иерархическую структуру, в которой свойства "высших" понятий автоматически переносятся на "низшие" понятия. Это позволяет избежать дублирования информации в сети;

функциональные связи (определяемые обычно глаголами «производит», «влияет»...);

количественные (больше, меньше, равно...);

пространственные (далеко от, близко от, за, под, над...);

временные (раньше, позже, в течение...);

атрибугивные связи (иметь свойство, иметь значение).

191. Экспе́ртная систе́ма — 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.

192. Типичная статическая ЭС состоит из следующих основных компонентов

решателя (интерпретатора);
рабочей памяти (РП), называемой также базой данных (БД);
базы знаний (БЗ);
компонентов приобретения знаний;
объяснительного компонента;
диалогового компонента.

База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

193. Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

194. Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Полезными могут оказаться следующие классификации

195.В экспертных системах классификация по связи с реальным временем существует:

Статические экспертные системы, квазидинамические экспертные системы и Динамические экспертные системы

Статические экспертные системы разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Пример: Диагностика неисправностей в автомобиле.

Квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Пример: Микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4-5 часов (например, производство лизина) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические экспертные системы работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих в систему данных.

Примеры:

Управление гибкими производственными комплексами, мониторинг в реанимационных палатах.
Программный инструментарий для разработки динамических систем – G2.

196. Гибридные экспертные системы представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, матстатистика, линейное программирование, СУБД) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над пакетами прикладных программ или интегрированная среда для решения сложной задачи с элементами экспертных знаний. Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем представляет собой задачу, на порядок более сложную, чем разработка автономной экспертной системы [5, 147].

Классификация экспертных систем по типу ЭВМ

По типу ЭВМ различают:

· экспертные системы для уникальных стратегически важных задач на супер ЭВМ (Эльбрус, CRAY, CONVEX и другие.);
· экспертные системы на ЭВМ средней производительности (типа mainfrave);
· экспертные системы на символьных процессорах и рабочих станциях (SUN, АРОLLО);
· экспертные системы на персональных компьютерах (IВМ РС, МАС II и подобные)

197. Основой для построения эффективных ЭДС являются знания эксперта для постановки диагноза, записанные в виде информационных образов, и система представления знаний, встраиваемая в информационные системы обеспечения функционирования и контроля ОД, которые интегрируются с соответствующей технической аппаратурой.

Для описания своих знаний эксперт с помощью инженера по знаниям должен выполнить следующее:

Выделить множество всех неисправностей ОД, которые должна различать ЭДС.
Выделить множество информативных (существенных) параметров, значения которых позволяют различить каждую неисправность ОД и поставить диагноз с некоторой вероятностью.
Для выбранных параметров следует выделить информативные значения или информативные диапазоны значений, которые могут быть как количественными, так и качественными. Например, точные количественные значения могут быть записаны так: задержка 25 насек, задержка 30 насек и т. д. Количественный диапазон значений может быть записан так: задержка 25-40 насек, 40-50 насек, 50 насек и выше. Качественный диапазон значений может быть записан так: индикаторная лампа светится ярко, светится слабо, не светится.

В современных ЭДС применяются различные стратегии поиска решения и постановки диагноза, которые позволяют определить необходимые последовательности тестовых процедур. Однако приоритет в ЭС отдается прежде всего знаниям и опыту, а лишь затем логическому выводу.

198. По назначению классификацию экспертных систем можно провести следующим образом:

диагностика состояния систем, в том числе мониторинг (непрерывное отслеживание текущего состояния);
прогнозирование развития систем на основе моделирования прошлого и настоящего;
планирование и разработка мероприятий в организационном и технологическом управлении;
проектирование или выработка четких предписаний по построению объектов, удовлетворяющих поставленным требованиям;
автоматическое управление (регулирование);
обучение пользователей и др.

199. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

200. Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Пример:

· предсказание погоды - система WILLARD;

· оценки будущего урожая - РLANT;

· прогнозы в экономике - ЕСОN и другие.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Пример:

· планирование поведения робота - STRIPS;

· планирование промышленных заказов - ISIS;

· планирование эксперимента - МОLGЕN и другие.

201. Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Пример:

· обучение языку программирования Лисп в системе «Учитель Лиспа»;

· система РROUSТ - обучение языку Паскаль и другие.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Пример:

· диагностика и терапия сужения коронарных сосудов - ANGY;

· диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ - система СRIB и другие.

202. Статические ЭС рассчитаны на задачи, во время решения которых условия окружения не изменяются, а динамические — на задачи, во время решений которых условия окружения могут изменяться. Заметим, что первые практически полезные ЭС были статическими. Динамические возникли позднее, как системы управления, способные принимать решения в реальном времени в динамически изменяющихся средах.

В соответствии с общей структурой интеллектуальной системы, приведенной в параграфе 5.3, для реализации статической ЭС можно выделить следующие подсистемы:

• базу знаний, включающую набор знаний в данной проблемной области (знания об окружении, формирующие статическую модель мира, и поведении, позволяющие принимать решения в соответствии с текущим заданием в рамках этой модели М), представленных в продукционной форме реляционной модели;
• подсистему вывода на знаниях, формирующую план действий Р с помощью:— интерпретатора, реализующего итерационный логический вывод по заданной цели G с использованием знаний М из базы знаний,
— рабочей памяти, хранящей исходные и промежуточные данные решаемой в данный момент задачи,
— объяснительного компонента, показывающего, какие правила и в какой последовательности были использованы при выводе;
• подсистему диалогового общения, обеспечивающую:
— ввод целевого задания Z и сопутствующих сообщений оператором VMD на языке, близком к естественному,
— преобразование задания в формальный вид Г,
— вывод необходимых оператору сообщений системы R;
• подсистему формирования цели, которая анализирует возможность реализации задания и вырабатывает по нему цель G, а также сообщает оператору о результатах анализа задания;
• подсистему приобретения знаний, обеспечивающую накопление знаний в ручном, полуавтоматическом или автоматическом режиме.

203. гибридные экспертные системы (ЭС), которые в реальном времени генерируют наряду с семантическими решениями также и количественные, или численные, решения (на основе создания и использования компьютерных математических моделей), соответствующие этим семантическим решениям.

Типичная идеальная ЭС поиска логистических решений должна обладать следующими основными свойствами: компетентностью; способностью к рассуждениям; способностью решать нетривиальные НФЗ из реальных проблемных областей логистики; способностью самосознания.

Весьма немногие средства построения ЭС включают также автоматическое тестирование, несколько более сложное средство отладки по сравнению с трассировкой и прерыванием. Это средство позволяет ЛПР автоматически тестировать программы на большом числе пробных задач, чтобы обнаружить ошибки несовместимости в их решениях.

204.

Анубис

Report Page