Створення та розвиток штучного інтелекту
Виконав:
Маслов Віктор студент 371гр.
Введення в штучний інтелект
Початок сучасного етапу розвитку систем штучного інтелекту (ШІ) може бути віднесено до середини 50-х рр.. Цьому сприяла програма, розроблена А. Ньюеллом, призначена для доведення теорем в численні висловів і названа «Логіко-ТЕОРЕТИК». Деякі автори називають цю систему експертної та пов'язують визначення її призначення з аналізом її можливостей, проведених Клодом Шенноном і Марвіном Мінським.Ці роботи започаткували дослідженням у галузі ШІ, пов'язаному з розробкою програм, що вирішують завдання на основі застосування різноманітних евристичних методів і правил. Евристика - сукупність логічних прийомів і методичних правил, теоретичного Дослідження та відшукання істини, методика пошуку доказів. Евристичні правила - неформальні правила, які використовуються з метою підвищення ефективності пошуку в даній предметній області.
Даний метод рішення задачі при цьому розглядався як властивий людському мисленню "взагалі", для якого характерно виникнення «здогадок» про шляхи вирішення з наступною перевіркою їх. Евристичному методу протиставлявся використовуваний в ЕОМ алгоритмічний (процедуральний, процедурний) метод, який інтерпретувався як механічне здійснення заданої послідовності кроків, детермінованою приводить до правильної відповіді. Таке трактування евристичних методів розв'язання задачі і зумовила появу і поширення терміна «штучний інтелект».
У 70-80 рр.. дослідження в галузі ШІ характеризувалися переміщенням уваги фахівців від проблем створення автономно функціонуючих систем до створення людино-машинних систем, що інтегрують в єдине ціле інтелект людини і здатності ЕОМ для досягнення спільної мети - вирішення задачі, поставленої перед подібною системою. Багато хто вважав, що це дозволить створити новий напрямок інформаційних технологій - машинну експертизу, яка замінить праця фахівця. Однак у силу ряду причин ці очікування не цілком виправдалися.
Тим не менше, в останнє десятиліття цей напрямок відродилося у вигляді досліджень і розробок, спрямованих на створення експертних систем з базою знань. Їх використовують в управлінській діяльності та багатьох галузях економіки (страхуванні, банківській справі тощо), щоб за допомогою правил і об'єктів, що підсумовують накопичений досвід, підвищити якість прийнятих рішень.
Проблематика ІІ в даний час досить велика. Список Дисциплін з штучного інтелекту постійно збільшується. Сьогодні до нього входять уявлення знань, вирішення завдань, експертні системи, засоби спілкування з ЕОМ природною мовою, навчання, когнітивне моделювання, обробка візуальної інформації, робототехніка, Нейрокомп'ютерні технології та ін
Представлення знань - найбільш важлива область досліджень з штучного інтелекту, основа всіх інших дисциплін. Знання мають форму описів об'єктів, взаємозв'язків і процедур. Наявність адекватних знань і здатність їх ефективно використовувати означають «вміння».
Створення загальної теорії або методу представлення знань є стратегічною проблемою. Така теорія відкрила б можливість накопичення знань, які потрібні щодня для вирішення нових і нових завдань. Однак для досягнення поставленої мети необхідно знайти спосіб вираження загальних закономірностей предметних областей (ПЗ), в чому і полягає суть проблеми подання знань.
Рішення задач зводиться до пошуку шляху з певною вихідної точки в цільову. Людина робить це дуже ефективно з допомогою дедуктивного логічного виводу (міркування), процедурального аналізу, аналогії й індукції. Люди здатні також вчитися на власному досвіді. Комп'ютери в загальному випадку вирішують завдання тільки з використанням дедуктивного логічного виводу і процедурального аналізу.
Тип завдання визначає метод, найбільш підходящий для її вирішення. Завдання, які зводяться до процедуральному аналізу, взагалі кажучи, краще всього вирішуються на комп'ютері. Облікові та аналітичні завдання служать прикладами процедуральних завдань, що вирішуються комп'ютером швидше і надійніше, ніж людиною. Завдання ж, пов'язані з використанням аналогії чи індукції, ефективніше вирішуються людиною. Завдання, що вимагають дедуктивних і індуктивних міркувань, представляються найбільш вірогідними кандидатами для вирішення за допомогою експертних систем (систем, заснованих на знаннях).
Експертні системи являють собою клас комп'ютерних програм, які видають поради, проводять аналіз, виконують класифікацію, дають консультації і ставлять діагноз. Вони орієнтовані на вирішення завдань, що зазвичай вимагають проведення експертизи людиною-спеціалістом. На відміну від програм, що використовують процедуральний аналіз, експертні системи вирішують завдання у вузькій предметній області (конкретної галузі експертизи) на основі логічних міркувань. Такі системи часто здатні знайти вирішення завдань, які неструктурованої погано визначені. Вони справляються з відсутністю структурованості шляхом залучення евристик, що може бути корисним у тих ситуаціях, коли брак необхідних знань або часу виключає можливість проведення повного аналізу.
Машини мають власною мовою для представлення знань і вирішення завдань, тобто набором символів, що використовуються для представлення знань (семантика), і правил, призначених для обробки цих символів (синтаксис) і вирішення завдань. Людина працює найбільш ефективно, якщо він володіє спеціальними мовами, які розвиваються до рівня потреб конкретної предметної області.
Якщо правила трансляції з природної мови в машинний і навпаки виражені у вигляді сукупності знань (символів і процедур), то логічно припустити, що можуть бути розроблені засоби, що дозволяють комп'ютеру розуміти постановку завдання на природній мові, а потім на природному ж мовою видавати її рішення. Це основна тема досліджень з розробки засобів спілкування з ЕОМ природною мовою. Тут можна виділити чотири ключові проблеми:
Машинний переклад - використання комп'ютерів для перекладу текстів з однієї мови на іншу.
Інформаційний пошук - забезпечення за допомогою комп'ютерів доступу до інформації з конкретної тематики, що зберігається у великій базі даних.
Генерація документів - застосування комп'ютерів для перетворення документів, що мають певну форму або заданих на спеціалізованому мовою, в еквівалентний документ в іншій формі або іншою мовою.
Взаємодія з комп'ютером - організація діалогу між користувачем і комп'ютером.
Вважається, що здатністю навчання повинна бути наділена практично кожна прикладна програма, яка може знадобитися користувачеві. П'ятнадцять - двадцять років тому велика частина обробки даних при вирішенні завдань проводилася програмістами обчислювальних центрів. Вони фактично виконували роль посередників, будучи як би сполучною ланкою між ЕОМ і тими, хто використовував отримані дані і приймав рішення. З появою персонального комп'ютера взаємини між користувачем і обчислювальною технікою, а отже, і роль програміста різко змінилися. Замість того щоб примушувати користувача долати складнощі програмування, простіше навчити комп'ютер складнощів виконання конкретного завдання. Це, звичайно, не означає, що необхідність в програмістах відпаде, але трохи змінює їх роль у взаєминах між комп'ютером і кінцевими користувачами.
Мета когнітивного моделювання - розробка теорії, концепцій і моделей людського мислення і його функцій. Воно дозволяє реалізовувати не тільки діагностичні та лікувальні функції, а й виявляти процеси, що протікають у свідомості людини при вирішенні завдань. Однак звідси зовсім не випливає, що кращими комп'ютерами є ті, які моделюють роботу людського мозку, але можна зробити висновок про те, якого типу комп'ютери потрібні, як спроектувати комп'ютер, який би розширив можливості мислення людини і дозволив би йому більш ефективно вирішувати завдання.
Сучасні роботи вже полегшили працю (особливо некваліфікований) багатьох робітників, зайнятих у сфері виробництва, бездоганно виконуючи свою роботу. Дослідження в галузі робототехніки є складовою частиною досліджень штучного інтелекту, що ставлять за мету оснастити комп'ютери засобами візуальної обробки і маніпулювання об'єктами в деякому середовищі. Ці дослідження ведуться у трьох основних напрямках:
· Розробка сприймають елементів (зокрема, для візуальної інформації) і розпізнавання інформації, що надходить від систем сприйняття;
· Створення маніпуляторів і систем управління ними;
· Виявлення евристик для вирішення завдань переміщення в просторі і маніпулювання об'єктами (планування діяльності).
Аналіз розробок в області нейрокомп'ютерних систем дозволив виділити перспективні основні напрямки сучасного розвитку нейрокомп'ютерних технологій: нейропакета, нейромережеві експертні системи, системи управління базами даних і базами знань з включенням нейромережевих алгоритмів, обробка зображень, керування динамічними системами й обробка сигналів, управління фінансовою діяльністю, оптичні нейрокомп'ютери , віртуальна реальність.
Знання та моделі їх представлення
Для фахівців в області штучного інтелекту термін «знання» означає інформацію, яка необхідна програмі, щоб вона вела себе «інтелектуально».Функціонування засобів інтелектуального інтерфейсу спирається на розвинені методи роботи зі знаннями: їх подання, зберігання, перетворення і т. п.
Під терміном «знання» при цьому розуміється вся сукупність інформації, необхідної для вирішення завдання, що включає в себе, в тому числі інформацію про:
· Системі понять предметної області, в якій вирішуються завдання;
· Системі понять формальних моделей, на основі яких вирішуються завдання;
· Відповідно систем понять, згаданих вище;
· Поточний стан предметної області;
· Методи вирішення завдань.
При цьому система знань повинна бути організована таким чином, щоб забезпечити взаємодію обчислювальної системи з користувачем в системі понять і термінів предметної області.
Що ж таке знання і чим вони відрізняються від даних у системах машинної обробки?
Знання - це цілісна і систематизована сукупність понять про закономірності природи, суспільства і мислення, накопичених людством в процесі активної перетворюючої виробничої діяльності і спрямована на подальше пізнання і зміна об'єктивного світу.
Отже, інтелектуальна діяльність людини пов'язана з пошуком рішень в нових, нестандартних ситуаціях. Звідси, завдання називається інтелектуальної, якщо алгоритм її вирішення апріорі невідомий. При цьому завдання і її вирішення розуміються в самому широкому сенсі. Рішення завдання - це будь-яка діяльність (людини чи машини), пов'язана з виробленням планів і дій, необхідних для досягнення певної мети; виведенням нових закономірностей і т. п. Будь-яка інтелектуальна діяльність опирається на знання про предметну область, в якій ставляться і вирішуються завдання. Предметною областю зазвичай називають сукупність взаємопов'язаних відомостей, необхідних і достатніх для вирішення даної задачі або певної сукупності завдань.
Знання про предметну область включають опису об'єктів, явищ, фактів, а також відносин між ними.
У загальному вигляді знання в ЕОМ представляються деякої семіотичної (знакової) системою, в якій виділяються за аналогією з даними три аспекти: синтаксичний, семантичний та прагматичний.
Синтаксис описує внутрішній устрій знакової системи, тобто правила побудови і перетворення складних знакових виразів. Для природної мови синтаксис визначає правильне побудова пропозицій і пов'язаного тексту.
Семантика визначає відносини між знаками та їх властивостями (концептами), тобто задає зміст або значення конкретних знаків.
Прагматика визначає знак з точки зору конкретної сфери його застосування якого суб'єкта, що використовує дану знакову систему.
У відповідності з перерахованими аспектами семіотичних систем можна виділити три типи знань: синтаксичні, семантичні та прагматичні.
Синтаксичні знання характеризують синтаксичну структуру описуваного об'єкта або явища, яка не залежить від змісту і змісту використовуваних при цьому понять.
Семантичні знання містять інформацію, безпосередньо пов'язану зі значеннями і змістом описуваних об'єктів і явищ.
Прагматичні знання описують об'єкти і явища з точки зору розв'язуваної задачі, наприклад, з урахуванням діючих у даній дачі специфічних критеріїв.
Трьом типами знань відповідають і три типи моделей для їх подання: синтаксичні, семантичні та прагматичні. Наявність двох останніх є найбільш суттєвою ознакою, що відрізняє інтелектуальні системи від всіх інших.
Перш ніж перейти до опису моделей подання знань, проаналізуємо особливості знань, які власне і відрізняють їх від даних.
Интерпретованість. Дані, вміщені в ЕОМ, можуть змістовно інтерпретуватися лише відповідною програмою. У відриві від неї дані не несуть ніякої змістовної інформації. Знання відрізняються тим, що можливість змістовної інтерпретації завжди присутній.
Структурованість або наявність класифікуючих відносин. Незважаючи на різноманітність форм зберігання даних, жодна з них не забезпечує можливості компактного опису всіх зв'язків між різними типами даних. Інформаційні одиниці знань повинні володіти гнучкою структурою, тобто для них повинен виконуватися «принцип матрьошки» - такий вкладеного, коли будь-яку інформаційну одиницю можна включити до складу іншої і з кожної інформаційної одиниці можна виділити деякі її складові. Це дозволяє записувати і зберігати окремо інформацію, однакову для всіх елементів множини. При необхідності цю інформацію можна автоматично передати опису будь-якого елемента множини. Такий процес називається «спадкуванням» інформації.
Наявність ситуативних зв'язків або зв'язність. Вони визначають ситуативну сумісність окремих подій чи фактів, які зберігаються або вводяться в пам'ять, а також такі відносини, як одночасність, розташування в одній області простору, перебування в стані механічного або іншого взаємодії і т. п. Ситуативні зв'язки допомагають будувати процедури аналізу знань на сумісність , суперечливість і інші, які важко реалізувати при зберіганні традиційних масивів даних.
Семантична метрика. На багатьох інформаційних одиниць у деяких випадках корисно задавати відношення, характеризує ситуаційну близькість інформаційних одиниць, тобто Силу асоціативного зв'язку між ними. Це ставлення можна назвати відношенням релевантності для інформаційних одиниць. Таке ставлення дає можливість виділяти в інформаційній базі деякі типові ситуації. Відношення релевантності при роботі з інформаційними одиницями дає можливість знаходить знання, близькі до вже знайденим.
Активність. Всі процеси, що протікають в ЕОМ, ініціюються командами, які є активною компонентою, а дані використовуються цими командами лише при необхідності, тобто останні - пасивна компонента. Така ситуація, характерна для класичних систем обробки інформації, для інтелектуальних систем (ІС) є неприйнятною. За аналогією з людиною в ІС актуалізації тих чи інших дій сприяють знання, наявні в системі. Таким чином, виконання програм в ІС має ініціюватися поточним станом інформаційної бази. Поява в базі фактів (об'єктів вибору) або описів подій (кваліфікаторів і їх значень), встановлення зв'язків (правил у продукційних системах) може стати джерелом активності системи.
Особливості знань, їх призначення та структура, способи зберігання та інтерпретації викликають певні аналогії зі способами організації людської пам'яті. Однак людська пам'ять зберігає не тільки числові дані, але і образи або символи. Символьні образи в пам'яті людини об'єднані в так звані чанкі - набори фактів і зв'язків між ними, що запам'ятовуються і витягуються як єдине ціле. У кожний момент часу людина може обробляти й інтерпретувати не більше 4-7 чанків. Здатність формувати чанкі відрізняє Експерта в конкретній предметній області від не експерта. Експерт, в силу професійної необхідності, наполегливо розвиває свою здатність об'єднувати в чанкі великі обсяги даних і встановлювати ієрархічні зв'язки між ними (тобто перетворювати дані в знання) для того, щоб швидко отримувати ці дані з пам'яті і з їх допомогою розпізнавати нові ситуації по мірі надходження інформації про цих ситуаціях. Середній фахівець в конкретній предметній області пам'ятає від 50 000 до 100 000 чанків, які можуть бути використані для вирішення тієї чи іншої проблеми. Накопичення в пам'яті людини і побудова покажчиків для такого обсягу даних вимагає від 10 до 20 років.
Перераховані особливості інформаційних одиниць визначають ту межу, за якою дані, перетворюються в знання, а бази даних переростають у бази знань.
Проте в даний час не існує баз знань, в яких комплексно, у повній мірі були б реалізовані внутрішня интерпретованість, структуризація, зв'язність, введена семантична міра і забезпечена активність знань.
Все це зумовлює різноманіття моделей подання даних, використовуваних в інтелектуальних системах, хоча деякі з них є похідними з існуючих.
Зазвичай експерт не вдається до процедурних або кількісним методам; його основні засоби - аналогія, інтуїція і абстрагування. Часто експерт навіть не може пояснити, як саме їм було знайдено рішення. У кращому випадку ви отримаєте від нього лише опис основних прийомів або евристик, які допомогли йому успішно впоратися із завданням. На інженера знань покладається дуже складна робота з перетворення цих описів в строгу, повну і несуперечливу систему, яка дозволяла б вирішувати прикладні завдання не гірше, ніж це зробив би сам експерт, оскільки процес побудови бази знань погано структурований і за своєю природою є швидше циклічним, ніж лінійним.
Побудова бази знань включає три етапи:
1. опис предметної області;
2. вибір моделі представлення знань (у разі використання оболонки цей етап виключається);
3. придбання знань.
Перший крок при побудові бази знань полягає у виділенні предметної області, на вирішення завдань з якої орієнтована експертна система. По суті, ця робота зводиться до окресленню інженером знань кордонів області застосування системи і класу вирішуваних нею завдань. При цьому необхідно:
· Визначити характер вирішуваних завдань;
· Виділити об'єкти предметної області;
· Встановити зв'язки між об'єктами;
· Вибрати модель представлення знань;
· Виявити специфічні особливості предметної області.
Інженер знань повинен коректно сформулювати завдання. У той же час він повинен вміти розпізнати, що завдання не структурована, і в цьому випадку утриматися від спроб її формалізувати або застосувати систематичні методи рішення. Головна мета початкового етапу побудови бази знань - визначити, як буде виглядати опис предметної області на різних рівнях абстракції. Експертна система включає базу знань, яка створюється шляхом формалізації деякої предметної області, а та, у свою чергу, є результатом абстрагування певних сутностей реального світу.
Виділення предметної області являє собою перший крок абстрагування реального світу.
Після того як предметна область виділена, інженер знань повинен її формально описати. Для цього йому необхідно вибрати який-небудь спосіб представлення знань про неї (модель представлення знань). Якщо в якості інструментального засобу визначена оболонка (порожня ЕС), то модель подання знань визначається обраним засобом. Формально інженер знань повинен скористатися тією моделлю, за допомогою якої можна найкраще відобразити специфіку предметної області.
Отримана після формалізації предметної області база знань являє собою результат її абстрагування, а предметна область, у свою чергу, була виділена в результаті абстрагування реального світу. Людина має здатність працювати з предметними областями різних типів, використовувати різні моделі подання знань, розглядати поняття реального світу з різних точок зору, виконувати абстрагування різних видів, проводити зіставлення знань різної природи і вдаватися до найрізноманітніших методів розв'язання завдань. Є окремі приклади спільного використання баз знань, орієнтованих на різні предметні області, але більшість сучасних систем може вирішувати задачі тільки з однієї предметної області.
Інженер знань, перш за все, зобов'язаний провести опитування експерта і тільки потім приступати до побудови системи. Експерт, безумовно, повинен бути фахівцем в тій області, в якій буде працювати система. Насамперед необхідно визначити цільове призначення системи. Які, власне, завдання треба вирішувати системі, заснованої на знаннях? Цілі розробки системи слід сформулювати точно, повно і несуперечливо.
Після того як мета розробки системи визначена, інженер знань приступає до формулювання підцілей; це допоможе йому встановити ієрархічну структуру системи і розбити її на модулі. Введення тих чи інших підцілей обумовлюється наявністю зв'язків між окремими фрагментами знань. Проблема зводиться до розбиття задачі на дві або кілька підзадач меншої складності та подальшого пошуку їх рішень. При необхідності отримані в результаті розбиття підзадачі можуть дробитися і далі.
Наступний етап побудови бази знань - виділення об'єктів предметної області або, в термінах теорії систем, встановлення меж системи. Як і формальна система, сукупність виділених понять повинна бути точною, повною і несуперечливою.
Відповіді на всі перелічені питання дозволяють окреслити межі вихідних даних. Для побудови простору пошуку рішення необхідно визначити підцілі на кожному рівні ієрархії цілей спільної справи. У вершині ієрархії слід помістити задачу, яка за своєю спільності відображає принципові можливості та призначення системи.
Після виявлення об'єктів предметної області необхідно встановити, які між ними є зв'язку. Слід прагнути до виявлення як можна більшої кількості зв'язків, в ідеалі - всіх, які існують у предметній області.
Отримане якісне опис предметної області, якщо це необхідно, повинна бути представлена засобами будь-якого формального мови, щоб привести це опис до виду, що дозволяє помістити його в базу знань системи. Для вирішення цього завдання вибирається відповідна модель представлення знань, за допомогою якої відомості про предметну область можна виразити формально.
І, нарешті, в предметній області повинні бути виявлені специфічні особливості, що ускладнюють вирішення прикладних завдань. Вигляд цих особливостей залежить від призначення системи.
Розробку системи, заснованої на знаннях, рекомендується проводити в такій послідовності:
1. Виберіть завдання, характер якої дозволяє застосувати для її вирішення технології експертних систем.
2. Визначте точно мета виконання завдання.
3. Вникніть якомога глибше в істоту завдання.
4. Встановіть підцілі, розбивши завдання на підзадачі.
5. Виявите специфічні особливості предметної області.
6. Знайдіть експерта, що спеціалізується в обраній предметній області, і заручитеся його згодою надати вам допомогу в розробці системи, заснованої на знаннях.
7. Беручи участь разом з експертом у вирішенні декількох прикладних завдань, виявите прийоми, які він застосовує. Докладно їх опишіть.
8. Виберіть інструментальні засоби, необхідні вам для створення системи. Цей вибір буде залежати від типу розв'язуваної задачі, ваших фінансових можливостей і складності предметної області.
9. Побудуйте лабораторний прототип експертної системи, що дозволяє успішно справитися з прикладами тих завдань, які ви вирішили спільно з експертом.
Приступите до створення бази знань. Виявите об'єкти предметної області, взаємозв'язку між ними, види ієрархій, розбийте об'єкти на класи. Структуруйте базу знань відповідно до подання експерта про будову предметної області.
Виконайте необхідну кількість циклів з нарощування бази знань, кожен з яких включає додавання знань, перевірку їх несуперечності і модифікацію з метою усунення виявлених неузгодженостей.
У виконанні всіх завдань, що виникають у процесі набуття знань, можуть брати участь експерт, інженер знань та експертна система. У залежності від того, хто виконує завдання, можна виділити різні моделі придбання знань.
Існують, щонайменше, три рівні методів оснащення системи експертними знаннями:
Це етап створення алгоритму, взятого з літератури або придуманого фахівцями або проектувальником системи, і перетворення його в програму самими проектувальниками. В даний час більшість ЕС саме такі. Проектувальники системи повинні шляхом вивчення теорій в предметній області, аналізу робіт або через розмови з експертами самі перетворити знання в програми.
Програма може заповнити прогалини в знаннях, наприклад з літератури, описуючи об'єкти або формуючи етапи робіт.
Програма самостійно набуває алгоритмічні знання, «читаючи книги». Це інтелектуальні здібності високого рівня, які дозволяють не тільки якимось чином засвоїти зміст книг, а й використовувати інформацію як підказку чи пораду.
Отже, розглянемо моделі придбання знань.
У різних роботах по штучному інтелекту взаємодія з технічною системою здійснював тільки програміст. При розробці системи програміст не відділяв знання (дані) від механізму виведення. У його завдання входило освоїти з допомогою експерта предметну область і потім при розробці системи виступати в ролі і експерта, і програміста.
Модель взаємодії експерта з системою на ранніх етапах розвитку штучного інтелекту
У цій моделі всі завдання з придбання знань виконував програміст. Недостатнє знання ним області експертизи не дозволяло гарантувати повноту і несуперечність знань. Крім того, неминучі модифікації системи зумовлювали неможливість збереження одного разу досягнутої несуперечності знань.
Модель придбання знань ЕС за допомогою інженера знань.
Наступні розробки систем штучного інтелекту грунтувалися на відділенні знань від програм та оформленні знань у вигляді простих інформаційних структур, які називаються базами знань. У цьому випадку експерт взаємодіє з системою або безпосередньо, або через інженера знань.
Перевага даної моделі в порівнянні з попередньою в тому, що база знань спрощує модифікацію знань, а важливим недоліком є її велика трудомісткість.
Модель придбання знань ЕС з допомогою інтелектуального редактора
Експерт, який має мінімальні знання в області програмування, може взаємодіяти з експертною системою через інтелектуальний редактор, без посередництва інженера знань.
У цій моделі інтелектуальний редактор повинен мати розвиненими діалоговими здібностями і значними знаннями про структуру бази знань (тобто метазнанія). Інтелектуальний редактор може бути включений до складу експертної системи. З його допомогою експерт (з мінімальною допомогою інженера знань) визначає необхідність модифікації знань і вилучення нових знань.
Модель придбання знань ЕС за допомогою індуктивного програми
Якщо розглядати таку модель, де ЕС здобуватимуть знання аналогічно тому, як це робить експерт-людина, то робота моделі буде полягати в тому, що індуктивна програма буде аналізувати дані, що містять відомості про деяку області експертизи, автоматично формуючи значимі відносини і правила, що описують предметну область.
При використанні даної моделі передбачається, що в базі знань в явному вигляді зберігаються конкретні факти про предметну область, завдання індуктивного програми - зробити значущі узагальнення. Основною перевагою цієї моделі є автоматизація всіх завдань з придбання знань. У цій області зроблені вже конкретні розробки, так, створено ряд експериментальних програм, що здійснюють індуктивні узагальнення.
Модель придбання знань ЕС за допомогою програми розуміння текстів
Подальші перспективи розвитку експертних систем зв'язуються з придбанням знань безпосередньо з текстів природною мовою. У даному випадку потрібно читати звичайні друковані тексти (книги, статті і т. д.) і отримувати від них знання, тобто розуміти текст, схеми, графіки тощо Складність тут полягає не тільки в обробці природної мови, але і в необхідності відтворити по тексту модель певній проблемній області.
Слід зазначити, що всі розглянуті моделі придбання знань розрізняються з точки зору їх незалежності від експерта. Моделі наведені у порядку зростання цієї незалежності, тобто в порядку збільшується ступеня автоматизації процесу придбання знань. В даний час найбільш широко поширена модель придбання знань від експерта через посередництво інженера знань. З іншого боку, популярна модель, яка використовує інтелектуальний редактор для організації діалогу з експертом без посередника - інженера знань. Створено ряд програмних засобів для підтримки такого роду діалогу.
Розробка ЕС - до цих пір дуже тривалий і трудомісткий процес, найбільш вузьким місцем якого є придбання знань, тобто вилучення, структурування, подання, налагодження (забезпечення повноти, несуперечності знань, гарантія якості рішень і т. п.) та супровід знань . Ця проблема ускладнюється тим, що існуючі на сьогоднішній день інструментальні засоби підтримують не всі етапи розробки ЕС, а тільки етапи формалізації, виконання та тестування. При цьому ранні, найбільш неформальні етапи (ідентифікації та концептуалізації) практично не підтримані існуючими інструментальними засобами, проблема також полягає в тому, що без постійного обслуговування і вдосконалення експертами складні ЕС втрачають (у зв'язку зі зміною оточення) ефективність і точність пропонованих рішень.
З метою різкого скорочення термінів та зниження вартості створення ЕС розробляються різні інструментальні засоби. Це дозволить, на думку зарубіжних фахівців, скоротити витрати на розробку ЕС приблизно в 10 разів. Оскільки етап придбання знань, найбільш тривалий і трудомісткий, наголос робиться саме на можливу автоматизацію цього етапу. Основу таких коштів складають спеціальні оболонки і ІС, а також системи створення і підтримки баз знань.
Спеціалізовані оболонки і ІС орієнтуються на певний тип додатків. Ряд фахівців поділяє ці ЕС на проблемно-спеціалізовані та предметно-спеціалізовані.
Під першими ІС маються на увазі ЙС, орієнтовані хоч і на специфічну проблему, але охоплює досить широку область додатків (наприклад, діагностичні програми). Під другими ІС маються на увазі ІС, орієнтовані на специфічну проблему, що охоплює вузьку область додатків. Поділ ІС на два класи вельми умовно і викликано тим, що вони містять у собі істотно різну кількість попередніх знань про конкретному додатку. У проблемно-спеціалізованих ІС міститься тільки загальна структура знань і не містяться специфічні знання про програму. Таким чином, предметно-спеціалізовані ІС можна розглядати не тільки як ІС, але і як незавершене додаток з досить розвиненою базою знань, яку розробник тільки доповнює, а не створює заново.
Все це дозволяє істотно спростити, прискорити і здешевити процес придбання знань.
Системи створення і підтримки бази знань призначені для автоматизації процесу придбання знань на всіх етапах розробки ЕС. Подібна система зазвичай орієнтується на клас ІС (в першу чергу, на клас оболонок ЕС). З цієї причини на відміну від оболонок ЕС чи, як іноді кажуть, оболонок застосування, ці системи називають оболонками придбання знань. Такі спеціалізовані ІС, орієнтовані на придбання знань, в даний час, як правило, не виділяються в самостійний продукт, а поставляються на ринок у складі ІС загального призначення.
І на закінчення розглянемо тенденції розвитку ЕС, пов'язані з об'єднанням ЕС з іншими напрямками, - це також серйозно може вплинути на практику придбання знань.
Об'єднання ЕС з системами традиційного програмування в рамках інтегрованих систем. Це буде нове покоління ІС, які мають інтегруватися із засобами автоматичної розробки програмного забезпечення та об'єктно-орієнтованими базами даних.
Формування нового напрямку Knowledge Publishing, що об'єднує ЕС з електронним виданням і гиперсредств. З цим напрямком перегукується (а можливо, і зливається) напрям «Системи знань» - Knowledge Delivery System. Системи знань - це клас ЕС, в яких є база знань, але усунутий механізм виведення. Вони не є системами, здатними виконувати міркування (їх висновок робиться за один крок); вони мають тільки механізм зіставлення і знання. Системи знань можуть розглядатися як активні книги.
Базування існуючих ЕС на символьної обробки. Однак є й інші можливості. Останнім часом активно розробляються і розвиваються технології, на базі яких створюються нейронні мережі (нейрокомп'ютери), здатні вирішувати ряд таких завдань, як розпізнавання образів, оптимізаційні задачі та ін Дуже важливим, особливо в світлі розглянутих проблем набуття знань, є те, що нейронні мережі здатні навчатися розв'язання задач на конкретних прикладах і не вимагають формулювати знання про рішення ні у вигляді правил, ні у вигляді алгоритмів.
Враховуючи гідності нейронних мереж, можна припустити їх інтегрування з ЕС принаймні за двома напрямками: автоматизація процесу придбання знань для ЕС шляхом розробки методів, які здійснюють узагальнення та перетворення інформації з навченої нейронної мережі в правила ЕС; використання нейронних мереж як предпроцессоров динамічних ЕС, оброблювальних вхідні сенсорну інформацію (зокрема, зображення) про навколишній світ.
Перераховані особливості інформаційних одиниць визначають ту межу, за якою дані, перетворюються в знання, а бази даних переростають у бази знань.
Проте в даний час не існує баз знань, в яких комплексно, у повній мірі були б реалізовані внутрішня интерпретованість, структуризація, зв'язність, введена семантична міра і забезпечена активність знань.
Все це зумовлює різноманіття моделей подання даних, використовуваних в інтелектуальних системах, хоча деякі з них є похідними з існуючих.
Інженерія знань
Як вже зазначалося, технологію побудови експертних систем часто називають інженерією знань. Як правило, цей процес потребує специфічної форми взаємодії творця експертної системи, якого називають інженером знань, і одного або кількох експертів в деякій предметній області. Інженер знань «витягує» з експертів процедури, стратегії, емпіричні правила, які вони використовують при вирішенні завдань, і вбудовує ці знання в експертну систему. Однією з найбільш складних проблем, що виникають при створенні експертних систем, є перетворення знань експерта і опису, застосовуваних їм способів пошуку рішень у форму, що дозволяє представити їх у базі знань системи, а потім ефективно використовувати для вирішення завдань в даній предметній області.Зазвичай експерт не вдається до процедурних або кількісним методам; його основні засоби - аналогія, інтуїція і абстрагування. Часто експерт навіть не може пояснити, як саме їм було знайдено рішення. У кращому випадку ви отримаєте від нього лише опис основних прийомів або евристик, які допомогли йому успішно впоратися із завданням. На інженера знань покладається дуже складна робота з перетворення цих описів в строгу, повну і несуперечливу систему, яка дозволяла б вирішувати прикладні завдання не гірше, ніж це зробив би сам експерт, оскільки процес побудови бази знань погано структурований і за своєю природою є швидше циклічним, ніж лінійним.
Побудова бази знань включає три етапи:
1. опис предметної області;
2. вибір моделі представлення знань (у разі використання оболонки цей етап виключається);
3. придбання знань.
Перший крок при побудові бази знань полягає у виділенні предметної області, на вирішення завдань з якої орієнтована експертна система. По суті, ця робота зводиться до окресленню інженером знань кордонів області застосування системи і класу вирішуваних нею завдань. При цьому необхідно:
· Визначити характер вирішуваних завдань;
· Виділити об'єкти предметної області;
· Встановити зв'язки між об'єктами;
· Вибрати модель представлення знань;
· Виявити специфічні особливості предметної області.
Інженер знань повинен коректно сформулювати завдання. У той же час він повинен вміти розпізнати, що завдання не структурована, і в цьому випадку утриматися від спроб її формалізувати або застосувати систематичні методи рішення. Головна мета початкового етапу побудови бази знань - визначити, як буде виглядати опис предметної області на різних рівнях абстракції. Експертна система включає базу знань, яка створюється шляхом формалізації деякої предметної області, а та, у свою чергу, є результатом абстрагування певних сутностей реального світу.
Виділення предметної області являє собою перший крок абстрагування реального світу.
Після того як предметна область виділена, інженер знань повинен її формально описати. Для цього йому необхідно вибрати який-небудь спосіб представлення знань про неї (модель представлення знань). Якщо в якості інструментального засобу визначена оболонка (порожня ЕС), то модель подання знань визначається обраним засобом. Формально інженер знань повинен скористатися тією моделлю, за допомогою якої можна найкраще відобразити специфіку предметної області.
Отримана після формалізації предметної області база знань являє собою результат її абстрагування, а предметна область, у свою чергу, була виділена в результаті абстрагування реального світу. Людина має здатність працювати з предметними областями різних типів, використовувати різні моделі подання знань, розглядати поняття реального світу з різних точок зору, виконувати абстрагування різних видів, проводити зіставлення знань різної природи і вдаватися до найрізноманітніших методів розв'язання завдань. Є окремі приклади спільного використання баз знань, орієнтованих на різні предметні області, але більшість сучасних систем може вирішувати задачі тільки з однієї предметної області.
Інженер знань, перш за все, зобов'язаний провести опитування експерта і тільки потім приступати до побудови системи. Експерт, безумовно, повинен бути фахівцем в тій області, в якій буде працювати система. Насамперед необхідно визначити цільове призначення системи. Які, власне, завдання треба вирішувати системі, заснованої на знаннях? Цілі розробки системи слід сформулювати точно, повно і несуперечливо.
Після того як мета розробки системи визначена, інженер знань приступає до формулювання підцілей; це допоможе йому встановити ієрархічну структуру системи і розбити її на модулі. Введення тих чи інших підцілей обумовлюється наявністю зв'язків між окремими фрагментами знань. Проблема зводиться до розбиття задачі на дві або кілька підзадач меншої складності та подальшого пошуку їх рішень. При необхідності отримані в результаті розбиття підзадачі можуть дробитися і далі.
Наступний етап побудови бази знань - виділення об'єктів предметної області або, в термінах теорії систем, встановлення меж системи. Як і формальна система, сукупність виділених понять повинна бути точною, повною і несуперечливою.
Відповіді на всі перелічені питання дозволяють окреслити межі вихідних даних. Для побудови простору пошуку рішення необхідно визначити підцілі на кожному рівні ієрархії цілей спільної справи. У вершині ієрархії слід помістити задачу, яка за своєю спільності відображає принципові можливості та призначення системи.
Після виявлення об'єктів предметної області необхідно встановити, які між ними є зв'язку. Слід прагнути до виявлення як можна більшої кількості зв'язків, в ідеалі - всіх, які існують у предметній області.
Отримане якісне опис предметної області, якщо це необхідно, повинна бути представлена засобами будь-якого формального мови, щоб привести це опис до виду, що дозволяє помістити його в базу знань системи. Для вирішення цього завдання вибирається відповідна модель представлення знань, за допомогою якої відомості про предметну область можна виразити формально.
І, нарешті, в предметній області повинні бути виявлені специфічні особливості, що ускладнюють вирішення прикладних завдань. Вигляд цих особливостей залежить від призначення системи.
Розробку системи, заснованої на знаннях, рекомендується проводити в такій послідовності:
1. Виберіть завдання, характер якої дозволяє застосувати для її вирішення технології експертних систем.
2. Визначте точно мета виконання завдання.
3. Вникніть якомога глибше в істоту завдання.
4. Встановіть підцілі, розбивши завдання на підзадачі.
5. Виявите специфічні особливості предметної області.
6. Знайдіть експерта, що спеціалізується в обраній предметній області, і заручитеся його згодою надати вам допомогу в розробці системи, заснованої на знаннях.
7. Беручи участь разом з експертом у вирішенні декількох прикладних завдань, виявите прийоми, які він застосовує. Докладно їх опишіть.
8. Виберіть інструментальні засоби, необхідні вам для створення системи. Цей вибір буде залежати від типу розв'язуваної задачі, ваших фінансових можливостей і складності предметної області.
9. Побудуйте лабораторний прототип експертної системи, що дозволяє успішно справитися з прикладами тих завдань, які ви вирішили спільно з експертом.
Приступите до створення бази знань. Виявите об'єкти предметної області, взаємозв'язку між ними, види ієрархій, розбийте об'єкти на класи. Структуруйте базу знань відповідно до подання експерта про будову предметної області.
Виконайте необхідну кількість циклів з нарощування бази знань, кожен з яких включає додавання знань, перевірку їх несуперечності і модифікацію з метою усунення виявлених неузгодженостей.
Моделі придбання знань
Процес придбання знань - найбільш складний етап розробки експертної системи, оскільки інженер знань (програміст) погано розбирається в предметній області, а експерт не знає програмування. У зв'язку з цим лексика, використовувана експертом, не зрозуміла інженерові знань, і щоб уточнити всі питання, потрібна спільна робота експерта та інженера знань. Одна з найбільш складних завдань інженера знань - допомогти експерту структурувати знання про проблему.У виконанні всіх завдань, що виникають у процесі набуття знань, можуть брати участь експерт, інженер знань та експертна система. У залежності від того, хто виконує завдання, можна виділити різні моделі придбання знань.
Існують, щонайменше, три рівні методів оснащення системи експертними знаннями:
Це етап створення алгоритму, взятого з літератури або придуманого фахівцями або проектувальником системи, і перетворення його в програму самими проектувальниками. В даний час більшість ЕС саме такі. Проектувальники системи повинні шляхом вивчення теорій в предметній області, аналізу робіт або через розмови з експертами самі перетворити знання в програми.
Програма може заповнити прогалини в знаннях, наприклад з літератури, описуючи об'єкти або формуючи етапи робіт.
Програма самостійно набуває алгоритмічні знання, «читаючи книги». Це інтелектуальні здібності високого рівня, які дозволяють не тільки якимось чином засвоїти зміст книг, а й використовувати інформацію як підказку чи пораду.
Отже, розглянемо моделі придбання знань.
У різних роботах по штучному інтелекту взаємодія з технічною системою здійснював тільки програміст. При розробці системи програміст не відділяв знання (дані) від механізму виведення. У його завдання входило освоїти з допомогою експерта предметну область і потім при розробці системи виступати в ролі і експерта, і програміста.
Модель взаємодії експерта з системою на ранніх етапах розвитку штучного інтелекту
У цій моделі всі завдання з придбання знань виконував програміст. Недостатнє знання ним області експертизи не дозволяло гарантувати повноту і несуперечність знань. Крім того, неминучі модифікації системи зумовлювали неможливість збереження одного разу досягнутої несуперечності знань.
Модель придбання знань ЕС за допомогою інженера знань.
Наступні розробки систем штучного інтелекту грунтувалися на відділенні знань від програм та оформленні знань у вигляді простих інформаційних структур, які називаються базами знань. У цьому випадку експерт взаємодіє з системою або безпосередньо, або через інженера знань.
Перевага даної моделі в порівнянні з попередньою в тому, що база знань спрощує модифікацію знань, а важливим недоліком є її велика трудомісткість.
Модель придбання знань ЕС з допомогою інтелектуального редактора
Експерт, який має мінімальні знання в області програмування, може взаємодіяти з експертною системою через інтелектуальний редактор, без посередництва інженера знань.
У цій моделі інтелектуальний редактор повинен мати розвиненими діалоговими здібностями і значними знаннями про структуру бази знань (тобто метазнанія). Інтелектуальний редактор може бути включений до складу експертної системи. З його допомогою експерт (з мінімальною допомогою інженера знань) визначає необхідність модифікації знань і вилучення нових знань.
Модель придбання знань ЕС за допомогою індуктивного програми
Якщо розглядати таку модель, де ЕС здобуватимуть знання аналогічно тому, як це робить експерт-людина, то робота моделі буде полягати в тому, що індуктивна програма буде аналізувати дані, що містять відомості про деяку області експертизи, автоматично формуючи значимі відносини і правила, що описують предметну область.
При використанні даної моделі передбачається, що в базі знань в явному вигляді зберігаються конкретні факти про предметну область, завдання індуктивного програми - зробити значущі узагальнення. Основною перевагою цієї моделі є автоматизація всіх завдань з придбання знань. У цій області зроблені вже конкретні розробки, так, створено ряд експериментальних програм, що здійснюють індуктивні узагальнення.
Модель придбання знань ЕС за допомогою програми розуміння текстів
Подальші перспективи розвитку експертних систем зв'язуються з придбанням знань безпосередньо з текстів природною мовою. У даному випадку потрібно читати звичайні друковані тексти (книги, статті і т. д.) і отримувати від них знання, тобто розуміти текст, схеми, графіки тощо Складність тут полягає не тільки в обробці природної мови, але і в необхідності відтворити по тексту модель певній проблемній області.
Слід зазначити, що всі розглянуті моделі придбання знань розрізняються з точки зору їх незалежності від експерта. Моделі наведені у порядку зростання цієї незалежності, тобто в порядку збільшується ступеня автоматизації процесу придбання знань. В даний час найбільш широко поширена модель придбання знань від експерта через посередництво інженера знань. З іншого боку, популярна модель, яка використовує інтелектуальний редактор для організації діалогу з експертом без посередника - інженера знань. Створено ряд програмних засобів для підтримки такого роду діалогу.
Розробка ЕС - до цих пір дуже тривалий і трудомісткий процес, найбільш вузьким місцем якого є придбання знань, тобто вилучення, структурування, подання, налагодження (забезпечення повноти, несуперечності знань, гарантія якості рішень і т. п.) та супровід знань . Ця проблема ускладнюється тим, що існуючі на сьогоднішній день інструментальні засоби підтримують не всі етапи розробки ЕС, а тільки етапи формалізації, виконання та тестування. При цьому ранні, найбільш неформальні етапи (ідентифікації та концептуалізації) практично не підтримані існуючими інструментальними засобами, проблема також полягає в тому, що без постійного обслуговування і вдосконалення експертами складні ЕС втрачають (у зв'язку зі зміною оточення) ефективність і точність пропонованих рішень.
З метою різкого скорочення термінів та зниження вартості створення ЕС розробляються різні інструментальні засоби. Це дозволить, на думку зарубіжних фахівців, скоротити витрати на розробку ЕС приблизно в 10 разів. Оскільки етап придбання знань, найбільш тривалий і трудомісткий, наголос робиться саме на можливу автоматизацію цього етапу. Основу таких коштів складають спеціальні оболонки і ІС, а також системи створення і підтримки баз знань.
Спеціалізовані оболонки і ІС орієнтуються на певний тип додатків. Ряд фахівців поділяє ці ЕС на проблемно-спеціалізовані та предметно-спеціалізовані.
Під першими ІС маються на увазі ЙС, орієнтовані хоч і на специфічну проблему, але охоплює досить широку область додатків (наприклад, діагностичні програми). Під другими ІС маються на увазі ІС, орієнтовані на специфічну проблему, що охоплює вузьку область додатків. Поділ ІС на два класи вельми умовно і викликано тим, що вони містять у собі істотно різну кількість попередніх знань про конкретному додатку. У проблемно-спеціалізованих ІС міститься тільки загальна структура знань і не містяться специфічні знання про програму. Таким чином, предметно-спеціалізовані ІС можна розглядати не тільки як ІС, але і як незавершене додаток з досить розвиненою базою знань, яку розробник тільки доповнює, а не створює заново.
Все це дозволяє істотно спростити, прискорити і здешевити процес придбання знань.
Системи створення і підтримки бази знань призначені для автоматизації процесу придбання знань на всіх етапах розробки ЕС. Подібна система зазвичай орієнтується на клас ІС (в першу чергу, на клас оболонок ЕС). З цієї причини на відміну від оболонок ЕС чи, як іноді кажуть, оболонок застосування, ці системи називають оболонками придбання знань. Такі спеціалізовані ІС, орієнтовані на придбання знань, в даний час, як правило, не виділяються в самостійний продукт, а поставляються на ринок у складі ІС загального призначення.
І на закінчення розглянемо тенденції розвитку ЕС, пов'язані з об'єднанням ЕС з іншими напрямками, - це також серйозно може вплинути на практику придбання знань.
Об'єднання ЕС з системами традиційного програмування в рамках інтегрованих систем. Це буде нове покоління ІС, які мають інтегруватися із засобами автоматичної розробки програмного забезпечення та об'єктно-орієнтованими базами даних.
Формування нового напрямку Knowledge Publishing, що об'єднує ЕС з електронним виданням і гиперсредств. З цим напрямком перегукується (а можливо, і зливається) напрям «Системи знань» - Knowledge Delivery System. Системи знань - це клас ЕС, в яких є база знань, але усунутий механізм виведення. Вони не є системами, здатними виконувати міркування (їх висновок робиться за один крок); вони мають тільки механізм зіставлення і знання. Системи знань можуть розглядатися як активні книги.
Базування існуючих ЕС на символьної обробки. Однак є й інші можливості. Останнім часом активно розробляються і розвиваються технології, на базі яких створюються нейронні мережі (нейрокомп'ютери), здатні вирішувати ряд таких завдань, як розпізнавання образів, оптимізаційні задачі та ін Дуже важливим, особливо в світлі розглянутих проблем набуття знань, є те, що нейронні мережі здатні навчатися розв'язання задач на конкретних прикладах і не вимагають формулювати знання про рішення ні у вигляді правил, ні у вигляді алгоритмів.
Враховуючи гідності нейронних мереж, можна припустити їх інтегрування з ЕС принаймні за двома напрямками: автоматизація процесу придбання знань для ЕС шляхом розробки методів, які здійснюють узагальнення та перетворення інформації з навченої нейронної мережі в правила ЕС; використання нейронних мереж як предпроцессоров динамічних ЕС, оброблювальних вхідні сенсорну інформацію (зокрема, зображення) про навколишній світ.