Понятия искусственного интеллекта. Представление знаний в системах искусственного интеллекта. Семантические сети, фреймы, продукционные и логические системы.

Только после второй мировой войны появились устройства, казалось бы, подходящие для достижения заветной цели - моделирования разумного поведения; это были электронные цифровые вычислительные машины. «Электронный мозг», как тогда восторженно называли компьютер, поразил в 1952 г. телезрителей США, точно предсказав результаты президентских выборов за несколько часов до получения окончательных данных. К концу 50-х годов выделилась ветвь информатики, получившую название «искусственный интеллект». Исследования в области искусственного интеллекта, первоначально сосредоточенные в нескольких университетских центрах США, а зачем и в других стран. В общем, исследователей искусственного интеллекта, работающих над созданием мыслящих машин, можно разделить на две группы. Одних интересует чистая наука и для них компьютер - лишь инструмент, обеспечивающий возможность экспериментальной проверки теорий процессов мышления. Интересы другой группы лежат в области техники: они стремятся расширить сферу применения компьютеров и облегчить пользование ими. Многие представители второй группы мало заботятся о выяснении механизма мышления - они полагают, что для их работы это едва ли более полезно, чем изучение полета птиц и самолетостроения.Из кибернетического, или нейромодельного, подхода к машинному разуму скоро сформировался так называемый «восходящий метод» -движение от простых аналогов нервной системы примитивных существ, обладающих малым числом нейронов, к сложнейшей нервной системе человека и даже выше. Конечная цель виделась в создании «адаптивной сети», «самоорганизующейся системы» или «обучающейся машины» - все эти названия разные исследователи использовали для обозначения устройств, способных следить за окружающей обстановкой и с помощью обратной связи изменять свое поведение в полном соответствии с господствовавшей в те времена бихевиористской школой психологии, т.е. вести себя так же как живые организмы. Однако не во всех случаях возможна аналогия с живыми организмами. Области применения искусственного интеллектаК сфере искусственного интеллекта относятся те весьма различные области, где мы действуем, не имея абсолютно точного метода решения проблемы, и которые обладают в общем двумя характерными особенностями:1. В них используется информация в символьной форме: буквы, слова,знаки, рисунки. Это отличает область искусственного интеллекта отобластей, в которых традиционно компьютерам доверяется обработка данных в числовой форме;2. В них предопределяется наличие выбора; действительно, сказать, нюне существует алгоритма, это, значит, сказать, по сути дела, толькото, что нужно сделать выбор между многими вариантами в условияхнеопределенности, и этот недетерминизм, который носит фундаментальный характер, эта свобода действия являются существенной составляющей интеллекта.Первой проблемой, с которой сталкиваются исследователи в области искусственного интеллекта, является проблема восприятия информации. Возможности сенсорных и исполнительных механизмов, присущих человеку, в области зрения, манипулирования, восприятия вкуса и запаха, а также в понимании и воспроизведении речи еще не достигнуты в современных технических системах. Рассмотрим отдельные направления, где находят применение методы искусственного интеллекта.Как и формальные системы в математике, игры, характеризующиеся конечным числом ситуаций и четко определенными правилами, являются хорошей сферой приложения дедуктивных методов. Вот почему они были и остаются до сих пор предпочтительными объектами исследований в искусственном интеллектеСоздание «искусственного интеллекта» началось еще в Древнем Риме и Древнем Египте и до сих пор ученые различных специальностей - кибернетики, лингвисты, психологи, философы, математики, инженеры, работают над проблемой создания самой совершенной машины имеющей «человеческое мышление». Следует отметить, что многие специальные операции, применяемые в программах машинной обработки информации, очень похожи на операции мышления, которыми пользуется человек.Дадим краткую характеристику каждой из четырех основных форм представления знаний.1. Семантические сети первоначально были задуманы как модель представления структуры долговременной памяти в психологии и использовались для представления семантических связей между концептами (словами). Эта форма представления знаний представляет собой простой и понятный способ описания отношений между объектами и удобна для декларативного описания ситуаций Семантические сети используются, например, в задачах классификации, распознавания, когда имеется неполное описание текущей ситуации, которое необходимо дополнить, расширить, соотнеся с некоторым классом подобных ситуаций. Для этого применяются механизм наследования, процедуры сопоставления частей сетевой структуры, поиска релевантных подсетей]. Семантические сети нашли широкое применение в ситуационном моделировании, в системах обработки естественного языка , в информационно-поисковых системах, в системах обработки информации Менее удобны семантические сети "чистом" виде для задач, где преобладают процедурные знания. Однако они часто используются для решения подобного рода задач в комбинации с другими формами представления знаний.. Функциональные сети используются в системах ПРИЗ, СПОРА, МАВР Имеются и другие способы использования процедур в сетевых моделях 2. Фреймы были впервые предложены для представления М. Минским в 1975 году . Фреймы - это специальные информационные структуры для представления и описания стереотипных ситуаций, событий, объектов. Обычно модель предметной области представляется сетью фреймов, т.е. системой фреймов, связанных друг с другом. Чаще всего это иерархические структуры фреймов, связанных отношением "абстрактное - конкретное". Вывод на таких системах фреймов заключаются в автоматической "настройке" (заполнении) фреймов нижнего уровня с помощью механизма наследования, процедур поиска и включения Такого рода структуры, как и семантические сети, могут быть использованы в информационно- поисковых системах, в системах общения, в системах обработки изображений.Однако, в отличие от семантических сетей, во фреймах предусмотрен удобный способ включения процедурных знаний - с помощью, так называемых, присоединенных процедур, среди которых выделяют процедуры-демоны и служебные процедуры. Это открывает широкий простор для комплексирования фреймового формализма с математическими моделями, системами продукций, традиционным программным обеспечением, что позволяет строить гибридные модели. Фреймовое представление широко используется в системах, основанных на знаниях. Вот лишь некоторые примеры систем, разработанных в нашей стране - система ПРИЗ , КАТИ, ДИЛОС, ТЕМП, СПЭИС.Нужно сказать, что и семантические сети, и фреймовое представление имеют один общий недостаток -отсутствие универсальной процедуры управления выводом, кроме механизма наследования, который, однако не позволяет выстраивать "цепочки умозаключений". Эта проблема решается в различных конкретных языках, моделях, основанных на фреймах или семантических сетях, по-разному.3. Продукции и логические исчисления, в частности, исчисление предикатов, удобны для представления закономерностей, "рассуждений", т.е. некоторых фрагментов процедурных знаний.Исчисление предикатов является классической формой представления знаний в исследованиях по искусственному интеллекту, использовавшейся еще в 50-е годы. Основное преимущество, использования этого языка заключается в наличии мощного механизма вывода, имеющего строгое математическое обоснование. К недостаткам языка, как указывается в, можно отнести его ограниченные выразительные возможности. В настоящее время аппарат исчисления предикатов в чистом виде используется редко, однако он послужил основой языка ПРОЛОГ , довольно распространенного в среде разработчиков экспертных систем.4. Продукционные модели, пожалуй, самая популярная форма представления знаний в экспертных системах. Они оказались чрезвычайно удобными для имитации "рассуждений" человека на основе независимых эвристических правил. Правило-продукция "ЕСЛИ - ТО" близка по смыслу логической формуле с импликацией . Как отмечается в продукции могут сочетаться с исчислением предикатов. При этом открывается возможность реализовывать дедуктивный вывод на основе правил-продукций.Несомненным достоинством продукционного представления является модульность. Как правило, продукции не "вызываются" другими продукциями и являются независимыми. Поэтому любое правило может быть удалено, добавлено, изменено, причем эти изменения не затрагивают остальные правила. Однако это свойство модульности оборачивается и недостатками: отсутствие целостного образа знаний, неясность взаимосвязей между правилами снижает эффективность вывода на системах продукций. На каждой итерации при поиске "выполняемой" продукции проверяются все правила. Таким образом, появляется проблема комбинаторного "взрыва". Кроме того, в процессе вывода проверяется множество "тупиковых" ветвей, что также снижает эффективность вывода.