Слайд 2
![Идея создания искусственного подобия человеческого разума для решения сложных задач](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-1.jpg)
Идея создания искусственного подобия человеческого разума для решения сложных задач и
моделирования мыслительной способности витала в воздухе с древнейших времен. Впервые ее выразил Р. Луллий (ок. 1235 - ок. 1315), который еще в XIV в. пытался создать машину для решения различных задач на основе всеобщей классификации понятий.
В XVIII в. Г. Лейбниц (1646 - 1716) и Р. Декарт (1596 - 1650) независимо друг от друга развили эту идею, предложив универсальные языки классификации всех наук.
Слайд 3
![Термин искусственный интеллект (artificial intelligence) был предложен в 1956 г.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-2.jpg)
Термин искусственный интеллект (artificial intelligence) был предложен в 1956 г. на
семинаре с аналогичным названием в Станфордском университете (США). Семинар был посвящен разработке логических, а не вычислительных задач. После признания искусственного интеллекта самостоятельной отраслью науки произошло разделение на два основных направления: нейрокибернетику и кибернетику «черного ящика».
Слайд 4
![Идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-3.jpg)
Идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить, -
это человеческий мозг. Поэтому любое "мыслящее" устройство должно каким-то образом воспроизводить его структуру.
Слайд 5
![Таким образом, нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-4.jpg)
Таким образом, нейрокибернетика ориентирована на аппаратное моделирование структур, подобных структуре мозга.
Физиологами давно установлено, что основой человеческого мозга является большое количество (до 1021) связанных между собой и взаимодействующих нервных клеток - нейронов. Поэтому усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и их объединении в функционирующие системы. Эти системы принято называть нейронными сетями, или нейросетями.
Слайд 6
![В настоящее время используются три подхода к созданию нейросетей: аппаратный](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-5.jpg)
В настоящее время используются три подхода к созданию нейросетей:
аппаратный - создание
специальных компьютеров, плат расширения, наборов микросхем, реализующих все необходимые алгоритмы;
программный - создание программ и инструментариев, рассчитанных на высокопроизводительные компьютеры. Сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры;
Слайд 7
![гибридный - комбинация первых двух. Часть вычислений выполняют специальные платы](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-6.jpg)
гибридный - комбинация первых двух. Часть вычислений выполняют специальные платы расширения
(сопроцессоры), часть - программные средства.
В основу кибернетики ,"черного ящика" лег принцип, противоположный нейрокибернетике. Не имеет значения, как устроено "мыслящее" устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг.
Слайд 8
![Начало 60-х гг. - эпоха эвристического программирования. Эвристика - правило,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-7.jpg)
Начало 60-х гг. - эпоха эвристического программирования. Эвристика - правило, теоретически
не обоснованное, но позволяющее сократить количество переборов в пространстве поиска. Эвристическое программирование - разработка стратегии действий на основе известных, заранее заданных эвристик.
Слайд 9
![В 1965-1980 гг. получает развитие новая наука - ситуационное управление](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-8.jpg)
В 1965-1980 гг. получает развитие новая наука - ситуационное управление (соответствует
представлению знаний в западной терминологии). Основоположник этой научной школы - профессор Д. А. Поспелов. Разработаны специальные модели представления ситуаций - представления знаний.
В 1980 - 1990 гг. проводятся активные исследования в области представления знаний, разрабатываются языки представления знаний, экспертные системы (более 300). В Московском государственном университете создается язык РЕФАЛ.
Слайд 10
![Искусственный интеллект - это одно из направлений информатики, цель которого](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-9.jpg)
Искусственный интеллект - это одно из направлений информатики, цель которого разработка
аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.
Слайд 11
![Системы, основанные на знаниях Это основное направление искусственного интеллекта. Оно](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-10.jpg)
Системы, основанные на знаниях
Это основное направление искусственного интеллекта. Оно связано с
разработкой моделей представления знаний, созданием баз знаний, образующих ядро экспертных систем (ЭС). В последнее время включает в себя модели и методы извлечения и структурирования знаний и сливается с инженерией знаний.
Слайд 12
![Машинный перевод Основные методы анализа: морфологический анализ - анализ слов](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-11.jpg)
Машинный перевод
Основные методы анализа:
морфологический анализ - анализ слов в тексте;
синтаксический анализ
- анализ предложений, грамматики и связей между словами;
семантический анализ - анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
прагматический анализ - анализ смысла предложений в окружающем контексте на основе собственной базы
Слайд 13
![Искусственный интеллект - это область исследований, в рамках которых разрабатываются](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-12.jpg)
Искусственный интеллект - это область исследований, в рамках которых разрабатываются модели
и методы решения задач, традиционно считавшихся интеллектуальными и не поддающимися формализации и автоматизации.
Слайд 14
![Искусственный интеллект - это область исследований, в которой изучаются системы,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-13.jpg)
Искусственный интеллект - это область исследований, в которой изучаются системы, строящие
результирующий вывод для задач с неизвестным алгоритмом решения на основе неформализованной исходной информации, использующие технологии символьного программирования и средства вычислительной техники со специальной (не фон Неймановской) архитектурой.
Слайд 15
![Классификация интеллектуальных ИС. Под «знанием» в системах искусственного интеллекта понимается](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-14.jpg)
Классификация интеллектуальных ИС.
Под «знанием» в системах искусственного интеллекта понимается информация о
предметной области, представленная определенным образом и используемая в процессе логического вывода.
Слайд 16
![Типичные модели представления знаний: логические модели, модели, основанные на использовании](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-15.jpg)
Типичные модели представления знаний:
логические модели, модели, основанные на использовании правил
(продукционные модели);
семантические сети,
фреймовые модели.
Слайд 17
![Логические модели Основная идея подхода при построении логических моделей представления](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-16.jpg)
Логические модели
Основная идея подхода при построении логических моделей представления знаний состоит
в том, что вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике.
Слайд 18
![Логические модели В основе логических моделей представления знаний лежит понятие](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-17.jpg)
Логические модели
В основе логических моделей представления знаний лежит понятие формальной теории,
задаваемое четверкой: ,
где В - счетное множестно базовых символов (алфавит), F- множество, называемое формулами, А - выделенное подмножество априори истинных формул (аксиом), R - конечное множество отношений между формулами, называемое правилами вывода.
Слайд 19
![Достоинства логических моделей В качестве «фундамента» здесь используется классический аппарат](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-18.jpg)
Достоинства логических моделей
В качестве «фундамента» здесь используется классический аппарат математической
логики, методы которой достаточно хорошо изучены и формально обоснованы.
Существуют достаточно эффективные процедуры вывода, в том числе реализованные в языке логического программирования Пролог.
Слайд 20
![Продукционные модели. Психологические исследования процессов принятия решений человеком показали, что](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-19.jpg)
Продукционные модели.
Психологические исследования процессов принятия решений человеком показали, что рассуждая и
принимая решения, человек использует правила продукций, или продукционные правила (от англ. Production - правило вывода, порождающее правило).
Слайд 21
![Суть использования правил продукции для представления знаний состоит в том,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-20.jpg)
Суть использования правил продукции для представления знаний состоит в том, что
левой части ставится в соответствие некоторое условие, а правой части - действие: ЕСЛИ <перечень условия>, ТО <перечень действий>. В такой интерпретации левая часть правил оценивается по отношению к базе данных (известному набору фактов) системы, и если эта оценка в определенном смысле соответствует логическому значению «ИСТИНА», то выполняется действие, заданное в правой части продукции.
Слайд 22
![При использовании продукционной модели база знаний состоит из набора правил.](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-21.jpg)
При использовании продукционной модели база знаний состоит из набора правил. Программа,
управляющая перебором правил, называется машиной вывода. Механизм выводов связывает знания воедино, а затем выводит из последовательности знаний заключение.
Слайд 23
![В продукционных системах, основанных на знаниях, процесс обработки информации может](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-22.jpg)
В продукционных системах, основанных на знаниях, процесс обработки информации может осуществляться
двумя способами. Первый предполагает обработку информации в прямом направлении (метод сопоставления), когда образцом для поиска служит левая часть продукционного правила - условие, то есть задача решается в направлении от исходного состояния к целевому. Это соответствует стратегии «от данных к цели» или стратегии управления данными. После разрешения возникающих конфликтов выполняются правые части продукционных правил, что соответствует логическому выводу новых утверждений.
Слайд 24
![После добавления выведенных утверждений в базу данных процедура повторяется. Процесс](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-23.jpg)
После добавления выведенных утверждений в базу данных процедура повторяется. Процесс оканчивается,
если выполняется продукционное правило, предписывающее прекращение поиска, или в базу данных поступает утверждение, являющееся решением.
Слайд 25
![Продукционные правила могут применяться к описанию состояния и описывать новые](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-24.jpg)
Продукционные правила могут применяться к описанию состояния и описывать новые состояния
(гипотезы) или же, напротив, использовать целевое состояние задачи как базу, когда система работает в обратном направлении. При этом продукционные правила применяются к целевому описанию для порождения подцелей (образуют систему редукций).
Слайд 26
![Свойства продукционных моделей Модульность - отдельные продукционные правила могут быть](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-25.jpg)
Свойства продукционных моделей
Модульность - отдельные продукционные правила могут быть
добавлены, удалены или
изменены в базу знаний независимо от других;
кроме того, модульный принцип разработки (сборки) продукционных систем позволяет автоматизировать их проектирование.
Слайд 27
![Каждое продукционное правило - самостоятельный элемент знаний (локальный источник знаний);](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-26.jpg)
Каждое продукционное правило - самостоятельный элемент знаний (локальный источник знаний); отдельные
продукционные правила связаны между собой только через поток данных, которые они обрабатывают.
Слайд 28
![Простота интерпретации - «прозрачная» структура продукционных правил облегчает их смысловую](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-27.jpg)
Простота интерпретации - «прозрачная» структура продукционных правил облегчает их смысловую интерпретацию.
Естественность
- знания в виде «что делать и когда» являются
естественными с точки зрения здравого смысла.
Слайд 29
![Семантические сети Способ представления знаний с помощью сетевых моделей наиболее](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-28.jpg)
Семантические сети
Способ представления знаний с помощью сетевых моделей наиболее близок к
тому, как они представлены в текстах на естественном языке. В его основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек (arb), где arb - объекты или понятия, а г - бинарное отношение между ними. Формально сетевые модели представления знаний могут быть заданы в виде
Слайд 30
![Типы сетей Классифицирующие сети - в них используются отношения структуризации,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-29.jpg)
Типы сетей
Классифицирующие сети - в них используются отношения
структуризации, они позволяют вводить
в базы знаний различные
иерархические отношения между элементами множества .
Слайд 31
![Функциональные сети - вычислительные модели, характеризующиеся наличием функциональных отношений, они](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-30.jpg)
Функциональные сети - вычислительные модели, характеризующиеся наличием функциональных отношений, они позволяют
описывать процедуры вычислений одних информационных единиц через другие.
Слайд 32
![Сценарии - в них используются каузальные отношения (причинно- следственные или](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-31.jpg)
Сценарии - в них используются каузальные отношения (причинно-
следственные или устанавливающие влияние
одних явлений или фактов на
другие), а также отношения типов «средство - результат», «орудие -
действие» и т. д.
Если в сетевой модели допускаются связи различного типа, то ее называют семантической сетью.
Слайд 33
![Достоинства сетевых моделей: большие выразительные возможности; наглядность системы знаний, представленной](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-32.jpg)
Достоинства сетевых моделей: большие выразительные возможности; наглядность системы знаний, представленной графически;
близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке; соответствие современным представлениям об организации долговременной памяти человека.
Слайд 34
![Фреймовые модели Под фреймом понимается абстрактный образ или ситуация. В](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-33.jpg)
Фреймовые модели
Под фреймом понимается абстрактный образ или ситуация. В психологии и
философии известно понятие абстрактного образа. Например, слово «комната» вызывает образ комнаты - «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже кладовку, а не комнату.
Слайд 35
![Под фреймом понимается абстрактный образ или ситуация. В психологии и](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-34.jpg)
Под фреймом понимается абстрактный образ или ситуация. В психологии и философии
известно понятие абстрактного образа. Например, слово «комната» вызывает образ комнаты - «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже чулан, а не комнату.
Слайд 36
![Значением слота может быть практически что угодно (числа или математические](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-35.jpg)
Значением слота может быть практически что угодно (числа или математические соотношения,
тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма). В качестве значения слота может выступать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «принцип матрешки».
Слайд 37
![Достоинства модели фреймов: способность отражать концептуальную основу организации памяти человека,](/_ipx/f_webp&q_80&fit_contain&s_1440x1080/imagesDir/jpg/211156/slide-36.jpg)
Достоинства модели фреймов:
способность отражать концептуальную основу организации памяти человека, а
также естественность, наглядность представления, модульность, поддержка возможности использования значений слотов по умолчанию. Теория фреймов послужила толчком к разработке нескольких языков представления знаний, которые благодаря своим широким возможностям и гибкости стали в последние годы довольно распространенными языками. Концепция объектно-ориентированного программирования может рассматриваться как реальное воплощение понятий, близких фрейму, в традиционных языках программирования.