Учебное пособие


НазваниеУчебное пособие
страница34/52
Дата публикации07.03.2013
Размер2.85 Mb.
ТипУчебное пособие
userdocs.ru > Информатика > Учебное пособие
1   ...   30   31   32   33   34   35   36   37   ...   52
^

6.6. Понятие «интеллектуальной» информационной технологии



Искусственный интеллект — одна из новейших наук, появившихся во второй половине XX века на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект — это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 1960-х годов.

Исследования в области искусственного интеллекта направлены на создание машин, обнаруживающих поведение, которое у людей называется интеллектуальным. Поскольку машины такого типа почти всегда являются вычислительными, направление «искусственный интеллект» относится к области вычислительной техники. Слово «интеллект» употребляется в различных смыслах, и хотя каждый из нас имеет достаточно определенное субъективное представление о том, что следует понимать под человеческим интеллектом, значительный интерес могут представить следующие определения, приведенные в словаре Вебстера:

  • способность успешно реагировать на любую, особенно новую ситуацию путем надлежащих корректировок поведения;

  • способность понимать взаимосвязи между фактами действительности для выработки действий, ведущих к достижению поставленной цели.

Эти определения в равной степени могут быть применены как к поведению машины, так и к поведению человека. Понятие интеллекта предполагает наличие многих целей, а также способность к обучению.

Искусственный интеллект это программная система, имитирующая на компьютере мышление человека. Для создания такой системы необходимо изучить процесс мышления человека, решающего определенные задачи или принимающего решения в конкретной области, выделить основные шаги этого процесса и разработать программные средства, воспроизводящие их на компьютере. Следовательно, методы искусственного интеллекта предполагают простой структурный подход к разработке сложных программных систем принятия решений.

Информатика и искусственный интеллект имеют тесные взаимосвязи с лингвистикой, психологией и логикой, которые изучают явления, относящиеся к познанию и построению умозаключений. С одной стороны, лингвисты, психологи, специалисты в области математической логики переводят в программы те новые модели, которые они разрабатывают, а с другой — исследователи в области искусственного интеллекта изучают эти модели и пытаются воссоздать на их основе логику эффективных методов решения задач.

Считается, что совокупность научных исследований обретает права науки, если выполнены два необходимых условия:

  • у этих исследований должен быть объект изучения, не совпадающий с объектами, которые изучают другие науки;

  • должны существовать специфические методы исследования этого объекта, отличные от методов других, уже сложившихся наук.

Исследования, которые объединяются термином «искусственный интеллект», имеют специфический объект изучения и специфические методы. Существуют два подхода к созданию искусственного интеллекта:

1) создание ЭВМ с максимально возможными характеристиками (память, оперативная память, быстродействие), получивших название супер-ЭВМ;

2) моделирование работы головного мозга - нейросетевые технологии (бионический подход).

Суперкомпьютеры



Согласно определению Госдепартамента США, компьютеры с производительностью свыше 10 000 млн. теоретических операций в секунду (MTOPS), считаются суперкомпьютерами. Другими основными признаками, характеризующими супер-ЭВМ (кроме высокой производительности), являются самый современный технологический уровень (например, GaAs-технология), специфические архитектурные решения, направленные на понышение быстродействия (например, наличие операций над векторами) и цена (обычно свыше 1-2 млн. долл.).

При создании суперкомпьютеров возникают естественные вопросы:

  • какие задачи настолько важны, что требуются компьютеры стоимостью несколько 'миллионов долларов?;

  • какие задачи настолько сложны, что Pentium II не достаточно?

Традиционной сферой применения суперкомпьютеров всегда были научные исследования, физика плазмы и статистическая механика, физика конденсированных сред, молекулярная и атомная физика, теория элементарных частиц, газовая динамика и теория турбулентности, астрофизика. В химии это различные области вычислительной химии: квантовая химия (включая расчеты электронной структуры для целей конструирования новых материалов, например, катализаторов и сверхпроводников), молекулярная динамика, химическая кинетика, теория поверхностных явлений и химия твердого тела, создание лекарств. Естественно, что ряд областей применения находится на стыке соответствующих наук (например, химии и биологии) и пересекается с техническими приложениями. Так, задачи метеорологии, изучения атмосферных явлений, и в первую очередь, задача долгосрочного прогноза погоды, для решения которой постоянно не хватает мощностей современных супер-ЭВМ, тесно связаны с решением ряда перечисленных выше проблем физики.

Среди технических проблем, для решения которых используются суперкомпьютеры, можно указать на задачи аэрокосмической и автомобильной промышленности, ядерной энергетики, прогнозирования и разработки месторождений полезных ископаемых, нефтедобывающей и газовой промышленности (в том числе проблемы эффективной эксплуатации месторождений, особенно трехмерные задачи их исследования), и, наконец, конструирование новых микропроцессоров и компьютеров, в первую очередь самих супер-ЭВМ. Суперкомпьютеры традиционно применяются для военных целей. Кроме очевидных задач разработки оружия массового уничтожения и конструирования самолетов и ракет можно упомянуть, например, конструирование бесшумных подводных лодок и др. Самый известный пример — это американская программа СОИ.

Анализируя потенциальные потребности в супер-ЭВМ, их существующие приложения можно условно разбить на два класса. К первому классу можно отнести приложения, в которых известно, какой уровень производительности надо достигнуть в каждом конкретном случае (например, долгосрочный прогноз погоды), ко второму — задачи, для которых характерен быстрый рост вычислительных затрат с увеличением размера исследуемого объекта (например, в экономике супер-ЭВМ используются как быстродействующие банки данных крупнейших корпораций и объединений).

^

Бионический (нейросетевой) подход к созданию интеллектуальных компьютерных систем



В настоящее время биоэлектроника является новейшей отраслью науки и техники, изучающей принципы и методы обработки информации живыми организмами с целью создания высокопроизводительных, надежных и интеллектуализированных вычислительных средств. Одним из направлений бионического подхода к созданию интеллектуальных компьютерных систем являются исследования в области создания нейрокомпьютера — систем нечисловой информационно-логической обработки данных, реализуемых на базе новых архитектурных принципов ЭВМ. В основе этих работ лежат интенсивные исследования:

  • структуры и процессов функционирования человеческого мозга;

  • нейронных сетей низших типов животных;

  • методов получения мономолекулярных органических пленок и многослойных структур на их основе;

  • методов получения биологических проводников электрического тока;

  • по созданию искусственных нейронных сетей в виде специализированных электронных схем, состоящих из электронных аналогов клеток головного мозга.

Отличительной чертой нейронных сетей является их способность менять свое поведение (обучаться) в зависимости от изменения внешней среды, извлекая скрытые закономерности из потока данных. При этом алгоритмы обучения не требуют каких-либо предварительных знаний о существующих в предметной области взаимосвязях — необходимо только подобрать достаточное число примеров, описывающих поведение моделируемой системы в прошлом.

Основанная на нейросетях технология не предъявляет повышенных требований к точности входных данных как на этапе обучения, так и при ее использовании (после настройки и обучения), например, при распознавании симптомов приближения критических ситуаций, для краткосрочных, а иногда и долгосрочных прогнозов. Таким образом, нейросетевая технология обладает двумя чрезвычайно полезными свойствами:

1) способностью обучаться на конкретном множестве примеров;

2) умением стабильно распознавать, прогнозировать новые ситуации с высокой степенью точности, причем в условиях внешних помех (например, появления противоречивых или неполных значений в потоках информации).

Основанные на исследованиях работы мозга, нейросетевые технологии оперируют рядом биологических терминов, понятий, параметров, а метод получил название генетического алгоритма. Генетический алгоритм реализован в популярных версиях нейропакетов - широко известном в России Brain Maker Professional v.3.11 и менее известном, но более профессиональном Neurofo-rester v.5.1. В этих пакетах генетический алгоритм управляет процессом общения на некотором множестве примеров, а также стабильно распознает (прогнозирует) новые ситуации с высокой степенью точности даже в условиях внешних помех (например, появления противоречивых или неполных знаний). Причем обучение сводится к работе алгоритма подбора весовых коэффициентов, который реализуется автоматически без непосредственного участия пользователя-аналитика.

В пакете Neurofo-rester v.5.1. для решения прогнозных задач ряд процедур выполняется автоматически. В частности, автоматически выбирается оптимальное число дней, обеспечиваемых прогнозом. Пакет имеет также инструменты для предварительной обработки данных: корреляционный анализ, позволяющий определить значимость входных параметров прогноза; анализ с помощью масштабных преобразований и экспоненты Херста (Resсaled Range Analysis Hurstexponent) для выявления скрытых циклов данных; диаграмма распределения зависимости прогнозируемой величины от входных параметров. Эти методы позволяют уже на этапе подготовки данных выделять наиболее существенные для прогноза параметры. Все результаты обработки представляются в графическом виде, удобном для анализа, принятия решений.

Современные нейросетевые продукты позволяют работать как с числовыми, так и с текстовыми данными, т. е. преобразовывать набор символов (слово, фраза) в уникальный набор чисел. Ward System делает возможной также обратную операцию, т. е. представление результатов работы нейросети в виде не только чисел, но связного текста, что позволяет генерировать результаты в виде различных информационных сообщений.

Работоспособность первоначально обученных сетей проверяется на тестовой выборке данных. По результатам тестов отбираются наиболее перспективные варианты. При этом руководствуются тем, что точность и надежность прогноза, прежде всего, зависят от типа прогнозируемой величины, состояния, в котором находится система (стационарное, вблизи критической точки и т. п.), типа системы (управляемая извне или замкнутая). Если результаты тестирования неудовлетворительные, то просматривается набор входных данных, изменяются некоторые учебные программы или перестраивается сеть.

После завершения полного цикла решения задачи возможны два пути: пользоваться в дальнейшей работе созданной системой, что вполне приемлемо для одного специалиста, решающего определенный круг задач, или создать для каждой задачи независимые приложения в виде отдельного файла, который может использоваться другими программами. В этом случае полученный вариант нейросетевой технологии представляет собой упакованную нейросеть с описанными функциями передачи данных команд управления.

Использование нейронных сетей открывает практически неограниченные возможности применения, особенно в качестве аналитических инструментов в таких плохо формализуемых и многокритериальных областях управления, как анализ финансовой и банковской деятельности, биржевые рынки. Любая задача, связанная с использованием финансовых средств на валютном рынке или рынке ценных бумаг, сопряжена с риском и требует тщательного анализа и прогноза. Точность прогноза, устойчиво достигаемая нейросетевыми технологиями при решении реальных задач, уже превысила 95%. Поэтому количество примеров успешного применения нейросетевых программных продуктов стремительно растет. Среди перспективных направлений использования нейросетевых технологий в управлении можно назвать создание компьютерных моделей поведения клиента для оценки риска или перспективности работы с конкретными клиентами. Эти модели основаны на анализе проведенных сделок и оценке вероятности того, согласится ли конкретный клиент на то или иное предложение.

На мировом рынке аналитического программного обеспечения представлен широкий спектр нейросетевых технологий - от систем, ориентированных на суперкомпьютеры, стоимость которых превышает 50 тыс. долл., до недорогих (несколько сотен долларов) нейропакетон, работающих на платформе персональных компьютеров и рабочих станций. Это делает доступной технологию нейронных сетей для приложений практически любого уровня. Ее массовое применение - вопрос ближайшего будущего.

^

Исследования в области искусственного интеллекта



Искусственный интеллект в настоящее время применяется во многих областях. В последние годы современные информационные технологии совершили резкий скачок вперед, в основном за счет повышения производительности массовых процессоров и удешевления памяти ЭВМ. Это привело к появлению приложений, в которых воплотились серьезные теоретические наработки по искусственному интеллекту.

^ Основной проблемой исследовании в области искусственного интеллекта является построение машинной модели, которая бы производила сложные преобразования информации, осуществляемые человеческим мозгом, включая в частности зрительное распознавание пространственных сцен, общение на естественном языке, в том числе в форме речи, обучение на опыте, выработку новых понятий, открытие новых свойств и законов, постановку новых задач и нахождение алгоритмов их решения, разработку новых научных теорий и т. д.

Идея практического применения исследований в области искусственного интеллекта в виде экспертных систем заключается в следующем. Если пока не удается заставить машину тонко приспосабливаться к проблемной области, самой вырабатывать нужные методы поиска, находить существенно новые свойства и законы, вырабатывать новые знания, приобретать новый опытв изучаемой ею проблемной области, то можно воспользоваться накопленным человеческим опытом, готовыми знаниями, методами, навыками решения задач в некоторой предметной области и заложить их в машину (в ее базу знаний). Тем самым будет на время снята проблема накопления машиной опыта, открытия ею новых знаний и останется проблема применения уже накопленного специалистами опыта для вывода знаний с помощью имеющихся средств.

Затем необходимо разработать программу применения этого опыта для решения тех задач, с которыми справляется специалист и при решении которых он не располагает строгими математическими алгоритмами в силу неформализованности соответствующих знаний, отсутствия точных математических моделей. Речь идет о том опыте, который специалист может выразить словами в терминах данной предметной области, в виде либо некоторых общих высказываний и правил, либо описания конкретных примеров, образцов решений и действий в различных конкретных ситуациях. Такие знания называются вербализуемыми. Но у человека вырабатывается и другой опыт, не описываемый терминами исследуемой предметной области. Этот опыт представляется в некоторой системе формирующихся у человека связей, образов, интуитивных предчувствий, предвидений, предпочтений, неосознаваемых реакций и т. п. Он не сформирован в четко осознаваемые человеком правила, связи, принципы, эмпирические законы.

По-видимому, описание подсознательного опыта следует проводить в другом языке - не в терминах внешнего поведения человека при обработке им информации, а в терминах нейронных структур человеческого мозга и их связей, обеспечивающих самоорганизацию и специализацию поисковых механизмов. Поэтому предметная область для экспертных систем должна быть такой, чтобы опыт, который не удается вербализовать, не играл главенствующую роль при решении задач, как, например, в задачах оценки произведений искусства, в процессах художественного творчества, дегустации и т. п.

На этапе создания экспертных систем первого поколения в них применялись наиболее проработанные фрагменты еще далеких от завершения исследований в области искусственного интеллекта. При этом из-за недостаточности научных знаний о том, как заставить машину приобретать знания и опыт, использовался накопленный человечеством научный потенциал и практический опыт; из-за недостаточности научных знаний о том, как передать машине ту часть человеческого опыта, которая не поддается словесным описаниям, пришлось передавать машине только опыт, поддающийся вербализации. Наконец, из вербализуемых знаний использовались в основном только так называемые поверхностные, эмпирические знания, получаемые в результате обобщения внешнего поведения исследуемых объектов, без учета их внутренней природы, внутренних законов функционирования, глубоких причинно-следственных связей. Представление же глубинных знаний, а также приведение индуктивных выводов, обучение на опыте, открытие новых свойств, законов и другие сложные интеллектуальные действия включаются в разработку экспертных систем второго и последующих поколений. Тем не менее уже разработанные экспертные системы находят применение в самых разнообразных областях науки, техники, производства, культуры.

^

Построение и использование экспертных систем управления



Экспертная система — это прикладная диалоговая система искусственного интеллекта, способная получать, накапливать, корректировать знания из некоторой предметной области (представляемые в основном специалистами-экспертами), выводить новые знания, находить на основе этих знаний решения практических задач, близкие по качеству к решениям экспертов, и по запросу пользователя объяснять ход решения в понятной для него форме.

В отличие от традиционных программ, предназначенных для решения математически строго определенных задач поточным разрешающим алгоритмам, с помощью экспертных систем решаются задачи, относящиеся к классу неформализованных или слабо формализованных, слабо структурированных задач. Алгоритмические решения таких задач или не существуют в силу неполноты, неопределенности, неточности, расплывчатости рассматриваемых ситуации и знаний о них или же такие решения неприемлемы на практике в силу сложности разрешающих алгоритмов. Поэтому экспертные системы используют логический вывод и эвристический поиск решения.

От систем поддержки принятия решений (которые не используют экспертных методов) экспертные системы, отличаются тем, что первые опираются больше на математические методы и модели, а экспертные системы в основном базируются на эвристических, эмпирических знаниях, оценках, методах, которые получены от экспертов, и, кроме того, способны анализировать и объяснять пользователю свои действия и знания.

Идея построения экспертных систем сформировалась в ходе исследований в области искусственного интеллекта. Экспертные системы распадаются на два больших класса с точки зрения задач, которые они решают. Системы первого класса предназначаются для повышения культуры работы и уровня знаний специалистов в различных областях деятельности (врачей, геологов, инженеров и т. п.). Системы второго класса можно назвать консультирующими, или диагностирующими. Для оказания помощи человеку в решении указанных задач разрабатываются комплексы программ персональных компьютеров, называемые интеллектуальными системами, основанными на знаниях. Эти разработки относятся к области приложений исследований по искусственному интеллекту.

^

Основные задачи экспертных систем



Задачи экспертных систем, которые, по сути, представляют собой комбинацию машинного и человеческого знания, - сохранять и пополнять опыт специалистов, работающих в плохо формализуемых областях, таких, как медицина, биология, история и т. п. Экспертные системы должны сыграть роль высококвалифицированных помощников, способных дать полезный совет, сообщить необходимые сведения человеку, находящемуся в затруднительном положении. Им может оказаться молодой, имеющий недостаточный опыт врач, перед которым возникла необходимость провести сложную и нетривиальную операцию. Им может быть археолог, столкнувшийся впервые с малоизвестной культурой, или биолог, которому срочно понадобились знания на уровне профессионального нейрофизиолога, или любой другой исследователь и специалист.

Экспертная система хранит массу сведений, полученных из самых различных источников (книг, журнальных публикаций, устных сообщений специалистов и т. п.). Она может использовать эти сведения для консультации и при, необходимости объяснить специалисту, как она пришла к сообщаемым ему выводам.

В настоящее время, применяя компьютерные технологии, стало возможным использовать системы поддержки в управлении потрем направлениям:

  • поддержка принятия управленческих решений;

  • проведение сравнительного анализа вариантов решений (различных прогнозов, стратегий развития и т. д.);

  • поддержка выбора управленческого решения. Такого рода системы базируются на методах многокритериального анализа и экспертных оценок.



^

Построение экспертных систем



Одним из самых сложных процессов при создании экспертных систем является построение базы знаний. Эта сложность о основном связана с необходимостью структурирования знаний, а возможность той или иной степени структурирования существенно зависит от изучаемой проблемы. Эксперт, знания которого вводятся в систему, может не быть знакомым с деталями программы и вычислительной машиной, на которой реализована экспертная система. Поэтому появляется необходимость привлечения инженера по знаниям, который знает одновременно и область возможного применения экспертной системы и структуру указанной программы. Именно этот специалист поможет подобрать оптимальный вариант структурирования вводимых знаний в соответствии с возможностями системы.

Создание экспертной системы не может вестись по обычной схеме «заказчик—исполнитель», т. е. когда в соответствии с техническим заданием разработки исполнитель сдает заказчику готовую для эксплуатации систему. Это невозможно потому, что знаниями, которыми должна быть заполнена конкретная экспертная система располагает заказчик, а не разработчик. Исполнитель (разработчик) с помощью специальных инструментальных средств создает пустую экспертную систему, или метасистему, ориентированную на один из классов экспертных систем. Заполнение знаниями пустой системы осуществляется непосредственно у заказчика специалистами (инженерами по знаниям), входящими либо в организацию заказчика, либо в организацию разработчика. Эти специалисты должны, с одной стороны, быть компетентны в теории экспертных систем, а с другой - знать предметную область и уметь работать с экспертами, чтобы превращать их знания в формализмы данном экспертной системы, т. е. в специальные конструкции, понятные ЭВМ (рис. 6.3).


^

Базы знаний



База знаний является основой экспертной системы, она накапливается в процессе ее построения. Наибольший интерес в развитии информационного обеспечения автоматизированных информационных технологий управления экономической деятельностью представляют применения в области искусственного интеллекта. Одной из форм реализации достижений в этой области является создание экспертных систем - специальных компьютерных систем, базирующихся на системном аккумулировании, обобщении, анализе и оценке знаний высококвалифицированных специалистов (экспертов). В экспертной системе используется база знаний, в которой представляются знания о конкретной предметной области.

База знаний — это совокупность моделей, правил и факторов (данных), порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области. Выделенные и организованные в виде отдельных, целостных структур информационного обеспечения знания о предметной области становятся явными и отделяются от других типов знаний (например, общих знаний). Базы знаний позволяют вести рассуждения не только и не столько на основе формальной (математической) логики, но и на основе опыта, фактов, эвристик, т. е. базы знаний приближены к человеческой логике (рис. 6.4).

Разработки в области искусственного интеллекта имеют целью использование большого объема высококачественных специальных знаний о некоторой узкой предметной области для решения сложных, неординарных задач. Развитие концепции баз знаний связано с исследованиями и достижениями в области систем искусственного интеллекта. Области применения баз знаний и систем на их основе расширяются. Создается целый спектр баз знаний — от небольших по объему для портативных систем до мощных, предназначенных для профессионалов, эксплуатирующих сложные, технически оснащенные АРМ. Очень большие базы знаний хранятся в централизованных единых хранилищах данных, доступ к которым осуществляется через сети пользователями различных систем, разного уровня, масштаба и т. д. Совершенствование создаваемых баз знаний сделает их доступными для массового пользователя, будет способствовать их превращению в коммерческий продукт.

1   ...   30   31   32   33   34   35   36   37   ...   52

Похожие:

Учебное пособие iconУчебное пособие по математике Датировано: июнь 2012 Важная информация...
Это учебное пособие создано для подготовки студентов к академическому квалификационному тесту по математике. Ответы прилагаются в...
Учебное пособие iconУчебное пособие. Таганрог: Изд-во трту
Данное учебное пособие является электронной версией работы
Учебное пособие iconУчебное пособие для студентов специальностей «Биология»
М молекулярная генетика. Сборник заданий и тестов: Учебное пособие. Мн.: Бгу, 2003. – 87 с.: ил
Учебное пособие iconУчебное пособие Ростов-на-Дону 2009 удк ббк п
Учебное пособие предназначено для студентов, преподавателей и аспирантов экономических специальностей
Учебное пособие iconI : Учебное пособие/ Под ред. И. А. Жеребкиной
...
Учебное пособие iconУчебное пособие Новосибирск 2004 Рецензенты: к э. н., доц. Юдин Н. П
Учебное пособие предназначено для преподавателей и студентов вуза, слушателей дополнительного профессионального образования
Учебное пособие iconУчебное пособие
Учебное пособие предназначено для студентов и аспирантов, изучающих социологию культуры. Содержание курса соответствует Государственному...
Учебное пособие iconУчебное пособие подготовлено в соответствии с типовой программой...
Учебное пособие предназначено для студентов обучающихся по специальности 060101 лечебное дело
Учебное пособие iconУчебное пособие для философских факультетов университетов
...
Учебное пособие iconВычислительная математика Учебное пособие
Мастяева И. Н., Семенихина О. Н. Численные методы: Учебное пособие / Московский международный институт эконометрики, информатики,...
Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2015
контакты
userdocs.ru
Главная страница