Нейронные сети

    Искусственный интеллект

Системный анализ и принятие решений. Словарь-справочник. Под ред.д.э.н., проф.В.Н.Волковой и д.т.н., проф. В.Н.Козлова. М.: Высшая школа. 2004. 
 

    Интеллектуальные  системы используют для решения сложных задач методы искусственного интеллекта (см.), основанные на использовании знаний. Развитие методов искусственного интеллекта в итоге привело к разработке и созданию практически действующих интеллектуальных систем. Структура таких систем является многокомпонентной и много связной. Обязательными компонентами системы должны быть основная база знаний (БЗ) и ряд подсистем, таких как «Извлечение знаний», «Формирование цели», «Вывод на знаниях»„«Диалоговое общение», «Обработка внешней и внутренней информации», «Обучение и самообучение», «Контроль и диагностика». Взаимодействие компонентов системы отображено на рис.1. 

    Рис. 1. Обобщенная структура интеллектуальной системы 

    В общем случае система управления получает задание от оператора, однако возможны варианты автономно работающих систем, обеспечивающих управление без вмешательства оператора по заложенному при настройке критерию цели. При работе с оператором задание в естественной форме (речь, текст, графика) в интерактивном режиме вводится и предварительно обрабатывается подсистемой «Диалоговое общение». Интерактивный режим предполагает не только ввод задания, но и обратную выдачу подтверждений о понимании задания или запросов на уточнение непонятных моментов. Оператор, как правило, может также изначально формировать или корректировать основную и вспомогательные БЗ системы (см. рис. 1, информационный поток ΔМ_D) изменением содержимого БЗ. Подсистема «Диалоговое общение» для своей работы использует собственную БЗ, содержащую правила анализа и синтеза естественно-языковой или графической информации и ограниченной проблемной области, а также интерпретатор, использующий эту БЗ для преобразования неформализованного задания Z в формализованное T в рамках внутреннего языка системы.

    Анализ  возможности выполнения задания  при существующих на данный момент ресурсах системы и состояние ее компонентов выполняется подсистемой «Формирование цели», имеющей свою БЗ и интерпретатор, обрабатывающий формализованное задание Т и контрольно-диагностическую информацию К для построения на языке представления знаний о проблеме (среде) некоторого желаемого варианта решения проблемы (изменении среды) G. При решении о невозможности выполнения задания формируется ответ R с объяснениями отказа и предположением коррекции задания.

    Основная  БЗ, позволяющая решать проблему, т.е. некоторый заранее определенный набор задач управления, должна содержать формализованное в рамках метода и языка представления знаний систем описание среды М, которую должна изменить система, чтобы выполнить задание. Знания о среде формируется подсистемой «Извлечение знаний» в виде компоненты М_ID, объединяющей корректирующую информацию от оператора ΔМ_D и интегрированную внешнюю информацию I. Дополнительные знания о проблеме M_L формируются подсистемой «Обучение и самообучение». Их подсистемы имеют собственные БЗ и интерпретаторы для организации процесса формирования знаний и обучения (самообучения) соответственно. Для работы подсистемы «Обучение и самообучение» требуются знания о среде М_ID и информация I, содержащая примеры решения отдельных задач управления, если система находится в режиме обучения. Таким образом, в основной Б3 формируется полная модель среды М = М_ID + ΔM_L.

    Обработка цели G и знаний о среде и проблеме М ведется подсистемой «Вывод на знаниях» для прогнозирования и формирования управлений. Эта подсистема, называемая также «Машина Вывода», проводит унификацию (сопоставление) G и М и поиск действий для решения проблемы, для чего использует собственную БЗ, содержащую правила интерпретаций знаний, т.е. унификации и поиска. Получаемая на каждом шаге интерпретации компонента прогнозирования управлений Р_pi, приводящая к изменению среды ΔМ_D, используется для коррекции модели среды М с целью проверки правильности управлений по критерию сближения Е = G - М, При уменьшении F, за счет такой обратной связи шаг фиксируется как правильный и формируется соответствующий компонент плана проведения на i-м шаге Р_сi, Если же Е увеличивается, коррекция модели М на этом шаге отменяется и ищется новый вариант решения. Полный план поведения, приводящий к нулевому Е, составляется из пошаговых компонент Р_с = ΣР_сi, траекторно сводящих Е к нулю. Далее он используется для формирования программы действия Р, которая должна обрабатываться исполнительными системами, воздействующими на объекты взаимодействия.

    Подсистемы  «Обработка внешней и внутренней информации» производят выявления текущих изменений видов информации с помощью собственных БЗ и интерпретаторов. Получаемая интегрированная информация I используется в подсистеме «Извлечение знаний», а S - в подсистеме «Контроль и диагностика». Для получения внешней (С) и внутренней (D) информации могут быть использованы различные устройства, связывающие систему со средой (внешние источники информации), а также определяющие ее состояние (датчики состояний). Их набор определяется проблемной ориентацией системы.

    Рассмотренная обобщенная структура интеллектуальной системы является универсальной  и предназначена для решения  разных проблем. Реализация перечисленных  подсистем зависит от методов  представления знаний в БЗ и проблемной ориентации системы.

    Характерным примером проблемной ориентации является система интеллектуального управления. В такой системе внешняя информация I получается от комплекса сенсоров, определяющих параметры среды с объектами управления, а внутренняя D - от датчиков состояния объектов управления и системы. Подсистема «Контроль и диагностика» также характерна для интеллектуальных систем управления. Она обрабатывает интегрированную информацию S об изменениях состояния объектов управления и системы по правилам, заложенным в ее БЗ с целью выработки контрольной информации К, позволяющей анализировать возможность выполнения задания Т в подсистеме «Формирование цели». В результате вывода формируется план последовательных управлений Р, приводящих к достижению цели управления по критерию минимума рассогласования целевого и желаемого состояния среды. Для интеллектуальной системы управления специфичной является исполнительная подсистема, которая должна включать множество регуляторов исполнительных устройств. Последние могут быть также выполнены с применением интеллектуальных методов.

    Знания  из определенной предметной области составляют основу интеллектуальных систем. В рамках этой проблемной области системы решают поставленные задачи путем обработки (процессирования) знаний. Знания — это система представлений о предметной области в виде сущностей, т.е. вещей, явлений, процессов, и их проявлений в форме фактов и их отношений или объектов и их связей. Задача из предметной области может быть представлена конкретными сущностями и их проявлениями в форме, определяемой выбранной моделью знаний. Система способна решать такую задачу, если она имеет средства процессирования знаний в выбранной форме. Знания отличаются от обычных данных наличием специфической структуры и дополнительными свойствами, среди которых можно выделить следующие:

    1. Интерпретируемость. В знаниях всегда есть возможность содержательной интерпретации, а данные интерпретируются лишь соответствующей программой.

    2. Наличие классифицирующих отношений. Отдельные единицы знаний связываются отношениями типа «элемент-множество», «тип-подтип», «ситуация-подситуация» и пр., которые являются классифицирующими, поскольку позволяют описывать структуру знаний общими связями «класс-подкласс». При этом «класс» объединяет информацию одинаковую для всех «подклассов» и при необходимости может ее передавать «подклассу».

    3. Наличие ситуативных связей. Совместимость отдельных событий или фактов, их одновременность, расположение в одной области пространства и т.д. определяют ситуативные связи. Они позволяют строить процедуры анализа знаний, которые трудно организовать при использовании обычных данных.

    Знания  в определенной предметной области при использовании их в системе объединяются в базы знаний подобно тому как данные объединяются в базы данных (БД). Знания не отвергаю данных, и БЗ и БД рассматриваются, как разные уровни представления информации.

    Определение и классификация знаний представлены на рис. 2.

    Источниками знаний являются сжатые и полные описания сущностей. Все они могут пользоваться при формализации знаний, т.е. представления их с использованием определённой формальной модели знаний, приемлемой для аппаратно-программных реализаций.

    Знания  по виду можно разделить на декларативные и процедурные.

    Декларативные знания состоят из множества описаний состояний и условий переходов между ними, которые носят синтаксический (символьный) характер и не содержат в явном виде описания исполняющих процедур.

    Вывод и принятие решений осуществляется процедурами поиска в пространстве состояний, которые учитывают семантику (смысл) конкретной предметной области. Универсальность и общность декларативных знаний обеспечивается разделением синтаксических и семантических знаний.

    Процедурные знания включают исходные состояния и явные описания процедур, обрабатывающих исходные знания при необходимости получения состояния полного множества производных знаний. Это позволяет отказаться от хранения всех состояний БЗ, требуемых при выводе и принятии решений. Здесь семантика вводится в описания процедур, генерирующих синтаксические знания. Так экономится память при хранении знаний, но возможности выполнения процедур ухудшаются.

    Рис. 2. Определение и классификация знаний  

    По  характеру представления знания могут быть структурными или параметрическими.

    Структурное представление знаний характеризует отношения фактов или объектов.

    Структура знаний может изменяться, за счет чего производится их конкретизация при  описании заданной проблемной области. В динамических Б3 структура знаний может изменяться эволюционно или адаптивно.

    Параметрическое представление знаний характеризуется фиксированной структурой

    и изменяемыми параметрами в фактах или объектах. Конкретизация знаний под задачу производится только настройкой параметров. Часть параметров обычно используется для настройки силы связей или отношений вплоть до их отключения.

    Модель  знаний является представлением системы знаний с помощью определенного формализма, т.е, универсального математического аппарата для корректного формального описания и построения процедуры решения задачи. Могут использоваться такие формализмы, как функциональный, основанный на λ-исчислении, логический на исчислении предметов первого порядка, алгоритмический на базе формальной машины Тьюринга и объектный — на базе теории факторов.

    Модели  знаний можно разделить на реляционные, объектные и ассоциативные, причём каждая модель может иметь ряд  форм, определяющих ее конкретные реализации.

    Реляционная модель знаний. Эта модель использует понятие формальной системы, задаваемой как

    R = (Т, Р, А, F),

    где R  - система отношений, Т  - множество базовых элементов, Р – множество синтаксических правил, позволяющих строить из множества элементов Т синтаксически правильные выражения; А - множество априорно истинных выражений (аксиом); Р - семантические правила ввода, позволяющие расширить множество А за счет других выражений.

    В основе реляционной модели лежат теория отношений и логика. Исторически эта модель имеет корни в исчислении высказываний, от которого позже перешли к исчислению предикатов (отношений) [4]. Развитие автоматических процедур доказательства, основанных на унификации, резолюции и эвристическом поиске, позволило использовать логические программы из предикатов для формализации знаний и вывода.

    В настоящее время наряду с предикатной логикой для построения реляционной модели знаний применяются дедуктивная логика, как основа системы продукций с выводом,

исходя  из заданной системы посылок. Развивается  и используется также индуктивная