1. Определение искусственного интеллекта
Скачать 0.72 Mb.
|
14. Поиск на основе данных и цели. Графы.Поиск в пространстве состояния можно вести в двух направлениях: от исходных данных задачи к цели и в обратном направлении – от цели к исходным данным. При поиске на основе данных, который иногда называют «прямой цепочкой», исследователь начинает процесс решения задачи, анализируя её условие, а затем применяет допустимые ходы или правила изменения состояния. В процессе поиска правила изменения состояния. В процессе поиска правила применяются к известным фактам для получения новых фактов, которые, в свою очередь, используются для генерации новых фактов. Этот процесс продолжается до тех пор, пока мы, если повезёт, не достигнем цели. Возможен и альтернативный подход. Рассмотрим цель, которую мы хотим достичь. Проанализируем правила или допустимые ходы, ведущие к цели, и определим условия их применения. Эти условия становятся новыми целями, или подцелями, поиска. Поиск продолжается в обратном направлении от достигнутых подцелей до тех пор, пока (если повезет) мы не достигнем исходных данных. Таким образом определяется путь от данных к цели, который на самом деле строится в обратном направлении. Этот подход называется поиском от цели или «обратной цепочкой». Он напоминает простой детский трюк, заключающийся в поиске выхода из лабиринта из конечного искомого состояния к заданному начальному. Подведём итоги: поиск на основе данных начинается с условий задачи и выполняется путём применения правили или допустимых ходов для получения новых фактов, ведущих к цели. Поиск от цели начинается с обращения к цели и продолжается путем определения правил, которые могут привести к цели, и построения цепочки моделей, ведущей к исходным данным задачи. Граф — это множество вершин и дуг между ними. В размеченном графе для каждой вершины задается один или несколько дескрипторов (меток), которые позволяют отличить одну вершину графа от другой. На графе пространства состояний эти дескрипторы идентифицируют состояния в процессе решения задачи. Если дескрипторы двух вершин не различаются, то эти вершины считаются одинаковыми. Дуга между двумя вершинами определяется метками этих вершин. Дуги графа также могут быть размеченными. Метка дуги используется для задания именованного отношения (как в семантических сетях) либо веса дуги (как в задаче о коммивояжере). Дуги между двумя вершинами тоже можно различать с помощью меток. Граф называется ориентированным, если каждой дуге приписано определенное направление. Дуги в ориентированном графе обычно содержат стрелки, определяющие ориентацию дуги. Дуги, которые можно проходить в любом из двух направлений, могут содержать две стрелки-указателя, но чаще вовсе не имеют стрелок. Путь (path) на графе — это последовательность дуг, соединяющих соседние вершины. Путь представляется списком дуг, систематизированным в порядке их следования. Корневой граф содержит единственную вершину, от которой существует путь к любой вершине графа. Эта вершина называется корнем (root). При изображении корневого графа корень обычно помещают в верхней части рисунка над всеми остальными вершинами. Граф пространства состояний любой игры обычно является корневым графом, причем в качестве корня выступает начальное состояние игры. Дерево (tree) — это граф, на котором для любых двух вершин существует не более одного пути между ними. Деревья обычно имеют корни, которые изображаются в верхней части рисунка, как и для корневых графов. Поскольку для каждой вершины дерева существует не более одного пути в эту вершину из любой другой вершины, то не существует путей, содержащих петли или циклы. Для корневых деревьев или графов отношения между вершинами описываются понятиями родителя, потомка и вершин-братьев (siblings) — вершин дерева, имеющих общую вершину-родителя. Они используются в обычном смысле наследования: при проходе вдоль направленной дуги родитель предшествует потомку. Концы всех направленных дуг, исходящих из одной вершины, называются вершинами-братьями. 15. Экспертные системы, основанные на правилах (диагностика автомобиля) (на основе цели).    Архитектура экспертной системы, основанной на правилах, может быть рассмотрена в терминах модели продукционной системы решения задач, представленной в части П. Между ними есть большое сходство: продукционная система считается интеллектуальным предшественником архитектуры современных экспертных систем, в которой продукционные правша позволяют лучше понять конкретную ситуацию. Когда Ньюэлл и Саймон разрабатывали продукционную систему, их целью было моделирование деятельности человека при решении задач. Если экспертную систему на рис. 7.1 рассматривать как продукционную, то базу знаний о предметной области можно считать набором продукционных правил. В системе, основанной на правилах, пары "условие-действие" представляются правилами "если..., то... " в которых посылка (часть если) соответствует условию, а заключение (часть то) — действию. Если условие удовлетворяется, экспертная система осуществляет действие, означающее истинность заключения. Данные частных случаев можно хранить в рабочей памяти. Механизм вывода осуществляет цикл продукционной системы "распознавание-действие". При этом управление может осуществляться либо на основе данных, либо на основе цели. Многие предметные области больше соответствуют прямому поиску. Например, в проблеме интерпретации большая часть информации представляет собой исходные данные, при этом часто трудно сформулировать гипотезы или цель. Это приводит к прямому процессу рассуждения, при котором факты помещаются в рабочую память, и система ищет для них интерпретацию. В экспертной системе на основе цели в рабочую память помещается целевое выражение. Система сопоставляет заключения правил с целевым выражением и помешает их предпосылки в рабочую память. Это соответствует декомпозиции проблемы на более простые подцели. На следующей итерации работы продукционной системы процесс продолжается, эти предпосылки становятся новыми подцелями, которые сопоставляются с заключениями правил. Система работает до тех пор, пока все подцели в рабочей памяти не станут истинными, подтверждая гипотезу. Таким образом, обратный поиск в экспертной системе приближенно соответствует процессу проверки гипотез при решении проблем человеком. В экспертной системе, чтобы достичь подцели, следует запросить информацию у пользователя. В некоторых экспертных системах разработчики определяют, какие подцели могут достигаться путем запроса к пользователю. Другие системы обращаются к пользователю, если не могут вывести истинность подцели на основе правил из базы знаний. В качестве примера решения задач на основе цели с запросами к пользователю рассмотрим небольшую экспертную систему диагностики автомобиля. Это не полная система диагностики, так как она содержит всего четыре очень простых правила. Она приводится как пример, демонстрирующий образование цепочек правил, интеграцию новых данных и использование возможностей объяснения. Правило 1: если топливо поступает в двигатель и двигатель вращается, то проблема в свечах зажигания. Правило 2: если двигатель не вращается и фары не горят, то проблема в аккумуляторе или проводке. Правило 3: если двигатель не вращается и фары горят, то проблема в стартере. Правило 4: если в баке есть топливо и топливо поступает в карбюратор, то топливо поступает в двигатель. Для работы с этой базой знаний цель верхнего уровня проблема в X помещается в рабочую память, как показано на рис. 7.5. Здесь X — переменная, которая может сопоставляться с любой фразой, например, проблема в аккумуляторе или проводке. В процессе решения задачи она будет связана с некоторым значением. С выражением в рабочей памяти сопоставляются три правила: правило 1, правило 2 и правило 3. Если мы разрешаем конфликты, предпочитая правила с наименьшим номером, будет активизироваться правило 1. При этом X связывается со значением свечи зажигания, и предпосылки правила 1 помещаются в рабочую память (рис. 7.6). Таким образом, система выбирает для исследования гипотезу о неисправности свечей зажигания. Это можно рассматривать как выбор системой ветви ИЛИ на графе И/ИЛИ (глава 3). Отметим, что для истинности заключения правила 1 должны быть удовлетворены две предпосылки, Они являются ветвями И графа поиска, представляющего декомпозицию задачи (действительно ли проблема в свечах зажигания) на две подзадачи (топливо поступает в двигатель и двигатель вращается). Затем можно активизировать правило 4, заключение которого сопоставляется с целевым утверждением топливо поступает в двигатель, и его предпосылки помещаются в рабочую память (рис. 7.7). Теперь в рабочей памяти существуют три элемента, которые не соответствуют ни одному из заключений в наборе правил. В подобной ситуации экспертная система будет запрашивать пользователя. Если пользователь подтвердит истинность всех трех подцелей, экспертная система успешно определит, что автомобиль не заводится из-за неисправности свечей зажигания. При поиске этого решения система исследовала крайнюю слева ветвь графа И/ИЛИ, показанного на рис. 7.8. Конечно, это очень простой пример. И не только потому, что база знаний об автомобиле ограничена, а также потому, что в этом примере не учитывается ряд важных аспектов реализации. Правила описаны на русском, а не на формальном языке. При обнаружении решения реальная экспертная система сообщит пользователю свой диагноз (наша модель просто останавливается). Необходимо также поддерживать достаточно длинную историю рассуждений, чтобы в случае необходимости возвратиться назад. Если вывод о неисправности свечей зажигания окажется неудачным, нужно иметь возможность возвратиться на второй уровень и проверить правило 2. Заметим, что информация по упорядочению подцелей в рабочей памяти на рис. 7.7 и на графе, представленном на рис. 7.8, явно не выражена. Однако, несмотря на простоту, этот пример подчеркивает важность поиска на основе продукционной системы и его представления графом И/ИЛИ в экспертных системах, основанных на правилах. Ранее мы подчеркивали, что экспертная система должна быть открытой для инспектирования, легко модифицируемой и эвристической по природе. Архитектура продукционной системы является важным фактором для каждого из этих требований. Легкость модификации, например, определяется синтаксической независимостью продукционных правил: каждое правило является "глыбой" знаний, которая может модифицироваться независимо. Однако существуют семантические ограничения, поскольку индивидуальные правила связаны но смыслу. Значит, они должны быть согласованы в любом процессе редактирования или модификации. Ниже мы обсудим генерацию объяснений и управление выводом. |
Похожие:
 | В. К. Финн к структурной когнитологии: феноменология сознания с точки... Ки и искусственного интеллекта – полигона экспериментальной проверки научных средств имитации рациональности и продуктивного мышления.... | | Самостоятельная работа: 76 час. Итоговый контроль: экзамен I. Организационно-методический... Цель дисциплины – познакомить студентов с основными задачами искусственного интеллекта, как области человеческой деятельности |
| Реферат по информатике на тему История и тенденции развития искусственного интеллекта На сегодняшний день проблема исследования ai занимает актуальное место в системе информационных наук. В своем реферате я попытаюсь... | | Валентин Юрьевич Технологии и системы искусственного Выпускная работа... В условиях резкого увеличения объемов информации переход к работе со знаниями на основе искусственного интеллекта является, по всей... |
 | Программа Иваново Ивановское региональное отделение Научного совета по методологии искусственного интеллекта ран | | Тема Прикладные системы искусственного интеллекта 2 ... |
| Программа дисциплины Системы искусственного интеллекта Для направления... Федеральное государственное автономное образовательное учреждение высшего профессионального образования | | Разработка моделей принятия решений с применением методов искусственного... Автоматизация и управление технологическими процессами и производствами (по отраслям) |
| Л. М. Чайлахян искусственный интеллект и мозг (Можно ли моделировать... Программа развития научно-исследовательского и экспедиционного флота Росгидромета на 2010 – 2012 годы | | Программа элективного курса «робототехника» Робототехника является одним из важнейших направлений научно- технического прогресса, в котором проблемы механики и новых технологий... |
| Использование нечеткой математики при моделировании систем искусственного интеллекта ... | | Конспект лекций по курсу «Основы проектирования систем искусственного интеллекта», 1997-1998 Корсаков С. Н. Начертание нового способа исследования при помощи машин, сравнивающих идеи / Пер с франц под ред. А. С. Михайлова.... |
| Использование информационных технологий в лингвистике К числу таких систем относятся системы искусственного интеллекта, машинного перевода, автоматического порождения текстов и др. К... | | Философские проблемы искусственного интеллекта и искусственной жизни Учебное пособие разработано в соответствии с программой курса, а также требованиями образовательного стандарта России к учебной дисциплине... |
| Актуальные проблемы современной когнитивной науки Материалы пятой... Ивановское региональное отделение Научного совета по методологии искусственного интеллекта ран | | Актуальные проблемы современной когнитивной науки Материалы пятой... Ивановское региональное отделение Научного совета по методологии искусственного интеллекта ран |
