Методические указания для студентов заочной формы обучения автф новосибирск 2004

В настоящем пособии рассматриваются основные понятия теории и прикладных систем искусственного интеллекта, методов представления и приобретения знаний, нейронных се- тей, общения с компьютером на естественном языке. Даются рекомендации по выбору темы для контрольной работы.
Пособие предназначено для студентов заочного отделения АВТФ, обучающихся по специальностям 22.01 и 22.04 при изучении ими дисциплин "Системы искусственного ин- теллекта" и "Системы с искусственным интеллектом", соответственно, а также, может быть использовано студентами других специальностей для изучения родственных дисциплин.
Составитель: к.т.н., доцент А.В. Гаврилов
Рецензент: д.т.н., профессор Е.В. Рабинович
Работа подготовлена на кафедре вычислительной техники
Новосибирский государственный технический университет, 2004 г.
©

3
ВВЕДЕНИЕ
Основной целью курса является формирование системного базового пред- ставления, первичных знаний, умений и навыков студентов по основам инже- нерии знаний и нейроинформатики, как двум направлениям построения интел- лектуальных систем.
Ядро курса составляют методы представления и обработки знаний в сис- темах искусственного интеллекта.
Для успешного изучения курса студенту необходимо знать основы инфор- матики, теории вероятностей, математической логики, уметь программировать на каком-либо языке программирования.
1. ИСТОРИЯ ИССЛЕДОВАНИЙ В ОБЛАСТИ ИИ И
ОСНОВНЫЕ ПОНЯТИЯ ИИ
Зарождение исследований в области искусственного интеллекта (ИИ).
Два направления: логическое и нейрокибернетическое. Ранние исследования в
50-60-е годы (Н.Винер, Тьюринг, Мак-Каллок, Розенблатт, Саймон, Маккарти,
Слэйджл, Сэмюэль, Гелернер, Н.Амосов). Появление первого развитого языка
программирования LISP для построения систем ИИ. Появление в конце 60-х го-
дов интегральных (интеллектуальных) роботов и первых экспертных систем.
Успехи экспертных систем и застой в нейрокибернетике в 70-е годы. Новый
бум нейрокибернетики в начале 80-х годов (модель Хопфилда). Появление логи-
ческого программирования и языка PROLOG. Программа создания ЭВМ 5-го
поколения. Стратегическая компьютерная инициатива США. Исследования по
ИИ в СССР и России. Понятие знаний. Свойства знаний и отличие знаний от
данных. Типы знаний: декларативные и процедурные, экстенсиональные и ин-
тенсиональные. Нечеткие знания. Виды и природа нечеткости. Проблема по-
нимания смысла как извлечения знаний из данных и сигналов.
Литература – 2, 5, 6, 16.
С самого начала исследований в области моделирования процесса мышле- ния (конец 40-х годов) выделились два до недавнего времени практически неза- висимых направления: логическое и нейрокибернетическое.
Первое было основано на выявлении и применении в интеллектуальных системах различных логических и эмпирических приемов (эвристик), которые

4
применяет человек для решения каких-либо задач. В дальнейшем с появлением концепций "экспертных систем" (ЭС) (в начале 80-х годов) это направление вылилось в научно-технологическое направление информатики "инженерия знаний", занимающееся созданием т.н. "систем, основанных на знаниях"
(Knowledge Based Systems). Именно с этим направлением обычно ассоциирует- ся термин "искусственный интеллект" (ИИ).
Второе направление – нейрокибернетическое – было основано на построе- нии самоорганизующихся систем, состоящих из множества элементов, функ- ционально подобных нейронам головного мозга. Это направление началось с концепции формального нейрона Мак-Каллока-Питтса и исследований Розенб- латта с различными моделями перцептрона – системы, обучающейся распозна- ванию образов. В связи с относительными успехами в логическом направлении
ИИ и низким технологическом уровнем в микроэлектронике нейрокибернети- ческое направление было почти забыто с конца 60-х годов до начала 80-х, когда появились новые удачные теоретические модели (например, "модель Хопфил- да") и сверхбольшие интегральные схемы.
Логическое направление можно рассматривать как моделирование мыш- ления на уровне сознания или вербального или логического (целенаправленно- го) мышления. Его достоинствами являются:
• возможность относительно легкого понимания работы системы;
• легкость отображения процесса рассуждений системы на ее интерфейс с пользователем на естественном языке или каком-либо формальном языке;
• достижимость однозначности поведения системы в одинаковых ситуа- циях.
Недостатками этого подхода являются:
• трудность и неестественность реализации нечетких знаков (образов)
(см. 2.4);
• трудность (или даже невозможность) реализации адекватного поведения в условиях неопределенности (недостаточности знаний, зашумленности дан- ных, не точно поставленной цели и т.п.);
• трудность и неэффективность распараллеливания процесса решения задач.
Нейрокибернетическое направление (или нейроинформатика) можно рас- сматривать как моделирование образного мышления и мышления на подсозна- тельном уровне (моделирование интуиции, творческого воображения, инсайта).
Его достоинства – это отсутствие недостатков, свойственных логическому на- правлению, а недостатки – отсутствие его достоинств. Кроме того, в нейроки- бернетическом направлении привлекает возможность (быть может, иллюзор- ная), задав базовые весьма простые алгоритмы адаптации и особенности струк- туры искусственной нейронной сети, получить систему, настраивающуюся на поведение сколь угодно сложное и адекватное решаемой задаче. Причем его сложность зависит только от количественных факторов модели нейронной сети.
Еще одним достоинством в случае аппаратной реализации нейронной сети является ее живучесть, т.е. способность сохранять приемлемую эффективность

5
решения задачи при выходе из строя элементов сети. Это свойство нейронных сетей достигается за счет избыточности. В случае программной реализации структурная избыточность нейронных сетей позволяет им успешно работать в условиях неполной или зашумленной информации.
Чем отличается понятие "знание" от понятия "данные" или "информация"?
В последнее время ученые приходят к выводу, что наряду с веществом и энер- гией информация является объективно существующей неотъемлемой частью материального мира, характеризующей его упорядоченность (неоднородность)
или структуру. Способность живых существ сохранять свою структуру (упоря- доченность) в мире, где, вероятно, превалирует стремление к увеличению эн- тропии (однородности), обусловлена их способностью распознавать структуру окружающего мира и использовать результат распознавания (т.е. знания о ми- ре) для целей выживания.
Таким образом, знания – это воспринятая живым существом (субъектом)
информация из внешнего мира и в отличие от "информации" "знание" субъек- тивно. Оно зависит от особенностей жизненного опыта субъекта, его истории взаимоотношения с внешней средой, т.е. от особенностей процесса его обуче- ния или самообучения. На этом уровне абстракции знание уникально и обмен знанием между индивидуумами не может происходить без потерь в отличие от данных, в которых закодирована информация (неоднородность), и которые мо- гут передаваться от передатчика к приемнику без потерь (не учитывая возмож- ность искажения вследствие помех). Знание передается между субъектами по- средством какого-либо языка представления знаний, наиболее типичным пред- ставителем которого является естественный язык. Создавая и используя естест- венный язык, человек с одной стороны стремился в нем формализовать и уни- фицировать знания для того, чтобы передавать их одинаковым образом наи- большему количеству людей с разным жизненным опытом, а с другой стороны,
пытался дать возможность передавать все богатство личного знания. Первая тенденция привела к появлению различных формализованных специальных диалектов языка в различных областях знаний (математике, физике, медицине и т.д.). Вторая привела к появлению художественной литературы, в основе кото- рой лежит стремление средствами языка вызвать ассоциации (переживания) в мозгу человека, т.е. заставить его думать и переживать на основе знаний, по- черпнутых из прочтенного, и своих собственных знаний. По большому счету все разновидности искусства направлены на это – передачу знаний с использо- ванием ассоциаций.
Если перейти от такого высокого уровня абстракции (философского) к бо- лее приземленному, то можно сравнивать знания и данные в их формализован- ном виде, что обычно и делается в литературе по искусственному интеллекту.
Тогда можно сформулировать следующие отличия знаний от данных:
• знания более структурированы;
• в знаниях наибольшее значение имеют не атомарные элементы знаний
(как в данных), а взаимосвязи между ними;

6
• знания более самоинтерпретируемы, чем данные, т.е. в знаниях содер- жится информация о том, как их использовать;
• знания активны в отличие от пассивных данных, т.е. знания могут поро- ждать действия системы, использующей их.
Следует иметь в виду, что резкой границы между данными и знаниями нет,
т.к. в последние двадцать лет разработчики систем управления базами данных все более делают их похожими на знания. Примером может служить примене- ние семантических сетей (формализма для представления знаний) для проекти- рования баз данных, появление объектно-ориентированных баз данных, храни- мых процедур (это делает в какой-то мере данные активными) и т.п. Таким об- разом, отличия знаний от данных, перечисленные выше, с развитием средств информатики сглаживаются.
В инженерии знаний различают следующие основные понятия о знаниях,
заимствованные из семиотики – науки о знаковых системах:
• экстенсиональные знания – поверхностные или конкретные знания,
• интенсиональные знания – глубинные или абстрактные знания (знания о закономерностях),
• синтаксис – структура знаковой системы (данных или знаний),
• семантика – смысл знаковой системы (знаний), т.е. эквивалентное ее представление в другой парадигме представления знаний (внутренней),
• прагматика – цели, связанные со знаковой системой (например, цели или назначение предложения на естественном языке – команда, вопрос, пояснение и т.п.).
Контрольные вопросы
1. Чем отличаются знания от данных?
2. Основные свойства знаний.
3. В чем отличие нейрокибернетического подхода к построению ИИ от ло-
гического?
4. В чем недостатки логического/нейрокибернетического подхода?
5. Что такое "инженерия знаний"?
6. В чем идея теста Тьюринга на интеллектуальность компьютера или
программы?
2. ПРИКЛАДНЫЕ СИСТЕМЫ ИИ
Прикладные системы ИИ – системы, основанные на знаниях. Понятие
инженерии знаний. Экспертные системы. Их области применения и решаемые
ими задач. Обобщенная структура экспертных систем. Интеллектуальные
роботы. Их обобщенная структура. Системы общения на естественном языке
и речевой ввод-вывод. Применение ИИ в системах управления производством.
Применение ИИ в делопроизводстве и в сети Internet.
Литература – 1, 2, 5, 6, 10, 11, 16, 26.

7
Прикладные системы, основанные на знаниях, – это результат исследова- ний в логическом направлении искусственного интеллекта. Методология и тех- нология их создания изучаются и разрабатываются в так называемой инжене- рии знаний.
К прикладным системам ИИ можно отнести следующие имеющиеся сейчас на рынке ПО классы программных продуктов:
− экспертные системы;
− интеллектуальные роботы;
− системы интеллектуального анализа данных;
− системы речевого общения;
− системы распознавания текстов;
− системы идентификации личности по отпечаткам пальцев или по дру- гим визуальным признакам;
− системы машинного перевода;
− диалоговые системы на естественном языке;
− системы поиска информации по запросу на естественном языке.
Экспертные системы – это прикладные системы ИИ, в которых база зна- ний представляет собой формализованные эмпирические знания высококвали- фицированных специалистов (экспертов) в какой-либо узкой предметной об- ласти. Экспертные системы предназначены для замены при решении задач экс- пертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.
Обычно экспертные системы рассматриваются с точки зрения их примене- ния в двух аспектах: для решения каких задач они могут быть использованы и в какой области деятельности. Эти два аспекта накладывают свой отпечаток на архитектуру разрабатываемой экспертной системы.
Можно выделить следующие основные классы задач, решаемых эксперт- ными системами:
• диагностика;
• прогнозирование;
• идентификация;
• управление;
• проектирование (конфигурирование);
• мониторинг.
Наиболее широко встречающиеся области деятельности, где используются экспертные системы:
• медицина;
• вычислительная техника;
• военное дело;
• микроэлектроника;
• радиоэлектроника;
• юриспруденция;

8
• экономика;
• экология;
• управление технологическими процессами;
• геология (поиск полезных ископаемых).
Примеры широко известных и эффективно используемых (или использо- ванных в свое время) экспертных систем:
DENDRAL
–
ЭС для распознавания структуры сложных органиче- ских молекул по результатам их спектрального анали- за (считается первой в мире экспертной системой);
MOLGEN
–
ЭС для выработке гипотез о структуре ДНК на основе экспериментов с ферментами;
XCON
–
ЭС для конфигурирования (проектирования) вычисли- тельных комплексов VAX 11 в корпорации DEC в со- ответствии с заказом покупателя;
MYCIN
–
ЭС диагностики кишечных заболеваний;
PUFF
–
ЭС диагностики легочных заболеваний;
MACSYMA
–
ЭС для символьных преобразований алгебраических выражений;
YES/MVS
–
ЭС для управления многозадачной операционной сис- темой MVS больших ЭВМ корпорации IBM;
DART
–
ЭС для диагностики больших НМД корпорации IBM;
PROSPECTOR
–
ЭС для консультаций при поиске залежей полезных ископаемых;
POMME
–
ЭС для выдачи рекомендаций по уходу за яблоневым садом;
набор экспертных систем для управления планированием, запуском и по- летом космических аппаратов многоразового использования;
AIRPLANE
–
экспертная система для помощи летчику при посадке на авианосец;
ЭСПЛАН
–
ЭС для планирования производства на Бакинском неф- теперерабатывающем заводе;
МОДИС
–
ЭС диагностики различных форм гипертонии;
МИДАС
–
ЭС для идентификации и устранения аварийных си- туаций в энергосистемах.
На рис. 1 изображена обобщенная структура экспертной системы.
База знаний предназначена для хранения экспертных знаний о предметной области, используемых при решении задач экспертной системой
База данных предназначена для временного хранения фактов или гипотез,
являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диа- лог с экспертной системой.

9
Рис. 1 . Структура экспертной системы
Машина логического вывода – механизм рассуждений, оперирующий зна- ниями и данными с целью получения новых данных из знаний и других дан- ных, имеющихся в рабочей памяти. Для этого обычно используется программ- но реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантиче- ской сети.
Машина логического вывода может реализовывать рассуждения в виде:
1) дедуктивного вывода (прямого, обратного, смешанного);
2) нечеткого вывода;
3) вероятностного вывода;
4) унификации (подобно тому, как это реализовано в Прологе);
5) поиска решения с разбиением на последовательность подзадач;
6) поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними свя- занных;
7) монотонного или немонотонного рассуждения;
8) рассуждений с использованием механизма аргументации;
9) ассоциативного поиска с использованием нейронных сетей;
10) вывода с использованием механизма лингвистической переменной.
Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также, дающая возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.
Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экс- пертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как "вещь в себе", решениям которой можно либо верить, либо нет. Нормальный пользователь выбирает последнее, и такая ЭС не имеет пер- спектив для использования.
База знаний
Подсистема при- обретения знаний
Подсистема общения
Машина логиче- ского вывода
Подсистема объяснений
База данных
(рабочая память)
Внешняя среда

10
Подсистема приобретения знаний служит для корректировки и пополнения базы знаний. В простейшем случае это – интеллектуальный редактор базы зна- ний, в более сложных экспертных системах – средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.
Обобщенная структура задач, решаемых системой управления интеллекту- ального мобильного робота показана на рис. 2.
Рис. 2. Структура задач, решаемых системой управления мобильного робота
Система управления мобильного робота в общем случае выполняет сле- дующие функции:
1) восприятие и распознавание информации, поступающей из внешнего мира от датчиков;
2) общение с человеком;
3) создание и корректировка модели мира путем обучения в процессе об- щения с человеком, восприятия сигналов с датчиков и выполнения действий;
4) планирование и перепланирование поведения;
5) управление выполнением действий;
6) управление приводами;
7) общение с другими роботами.
Контрольные вопросы
1. Какие Вы знаете прикладные системы искусственного интеллекта?
2. Что такое экспертная система?
3. Что такое база знаний?
4. Области применения экспертных систем.
5. Задачи, решаемые экспертными системами.
6. Примеры экспертных систем.
7. Области применения интеллектуальных роботов.
8. Задачи, решаемые мобильными роботами.
Выбор целей и управление их достижением
Запоминание, ассоциативный поиск образов, логический вывод на основе знаний
Навигация (планирование движений)
Восприятие информации из окружающей среды,
распознавание образов
Управление движениями
(приводами)