Скачиваний:
4
Добавлен:
02.05.2014
Размер:
254.98 Кб
Скачать

Рыбина Галина Валентиновна

(16, 18, 19, 20, К-806)

Интеллектуальные диалоговые системы (ИДС)

???

Введение в интеллектуальные системы

Цели и задачи курса

Понятийная структура

Когнитология≡ инженерия знаний.

(профессия: инженер по знаниям)

В основе лежат процессы концептуализации, т.е. переноса понятийных моделей в память компьютера.

(концепция – сущность)

Задача этой науки:

Цель: построить модель проблемной области = база знаний (БЗ).

Существуют знания, которые вербализуются, то есть становятся достоянием человечества за счёт языка.

Система, обладающая БЗ – интеллектуальная(то есть имеет модель предметной области).

Онтология = <A, B, C>

Множество АА = { БЗ }

Множество отношений BB= {R}

Множество интерпретаций CC = {I }

Онтологический инженеринг.

Многоагентные системы– базируются на агентах (программах), которые могут действовать самостоятельно (присущи человеческие свойства).

Системы управления знаниями (СУЗ).

Книжки:Основы

  1. Рыбина Г. В. «Проектирование систем, основанных на знаниях».

  2. Попов И. В. и другие «Статические и динамические экспертные системы», «Финансы и статистика».

  3. Рыбина Г. В. «Архитектура и принципы построения интеллектуально-диалоговых систем»

  4. «Искусственный интеллект»

  1. П. Джексон «Введение в экспертные системы», 2001

  2. Гаврилова, Частиков, Белов Д. Л. «Разработка экспертных систем», «ЭКЛИПС».

  3. Тарасов В. Б. «От многоагентных систем к интеллектуальным системам», «Идеториал», 2002 г.

  4. Гаврилова, Хорошевский «Базы знаний интеллектуальных систем», 2000 г.

  5. Тельнов «Реинженеринг бизнес-процессов», 2003 г.

  6. Ларичев А. И. «Теория и методы принятия решения», «ЛОГОС», 2000 г.

  7. ???, Попов, Преображенский «Общение конечных пользователей в системах обработки данных»

  8. Попов «Экспертные системы. Решение неформализуемых задач в диалоге с ЭВМ»

  9. Емельянов, ??? «Введение в интеллектуальное имитационное моделирование».

  10. Осипов «Приобретение знаний интеллектуальными системами».

  11. Попов «Общение с ЭВМ на естественном языке»

  12. Поспелов «Моделирование рассуждений».

  13. «Нечёткие множества в задачах управления и ИИ».

  14. «Журнал известия РАН».

ИИ: Исторический аспект

  • 50-е годы, нейроподобные структуры, нейрокомпьютинг, нейроинформатика.

  • 60-е годы, (эвристика), шахматные программы (КАИССА), программы решения интеллектуальных задач, музыкальные программы, написание волшебных сказок.

  • 70-е годы, (лингвистика), обработка символьной информации, система «ПОЭТ», общение с ЭВМ на естественном языке (неформализованном, без правил), модели, методы обработки языков.

  • конец 70-х – начало 80-х годов, инженерия знаний, извлечение, структурирование, формализация, манипуляция, вывод на знаниях, объяснение на знаниях.

  • начало 80-х годов, Интеллектуальное программирование: (LISP) (языки представления знаний, трансляторы – инструментарий среды, автоматический синтез программ.

  • середина 80-х, Прикладные интеллектуальные системы (статические, динамические): ИДС, ЭС(СОЗ), ИСАПР.

  • 90-е годы, интегрируемые системы реального времени, интегрирование интегрируемых систем.

ИИ: Направление исследований и разработки

Фундаментальные

  1. Модели и методы представления и обработки данных

  • Модели ПО достоверных знаний

  • Модели ПО недостоверных знаний

  • Временные модели + временные логики

  • Временные модели + распределённая обработка

  1. Моделирование рассуждений на знаниях

  • Усовершенствование дедуктивного способа

  • Усовершенствование индуктивного способа

  • Аналоги и прецеденты (CBR)

  • Выдвижение гипотез

  1. Мягкие вычисления

  2. НЕ-факторы

  • Неточность

  • Нечёткость

  • Неопределённость

  • Недоопределённость

  • Работа с НЕ-факторами

  • Работа с нейронными сетями (НС)

  • Работа с ГА

  1. Модели и методы обработки естественного языка

  • Модели и методы семантического анализа языка

  • Обработка слитных текстов

  • Обработка речевых актов

  1. Когнитивные методы

  2. Анализ 3-х мерных схем

Прикладные

  1. Прикладные экспертные системы

  • Статические

  • Динамические

  • Интегрируемые

  • Гибридные

  • Распределительные

  • Словоориентированные

  1. Естественные языковые системы

  • ЕС доступа к БД

  • Поиск информации в Internet

  • Доступа к ППО.

  • Обработки текстов

  • Речевые системы

  1. Интеллектуальные работы

  2. Многоагентные системы

  3. Нейрокомпьютеры

  4. Интеллектуальные предприятия и организации

  5. Системы с эволюционирующей аппаратурой

Задачи. Процесс решения задачи.

Подходы:

  1. Традиционный:

Интеллектуальный интерфейс– совокупность программно-аппаратных средств для поддержки процесса решения задачи на всех этапах, начиная от постановки задачи до анализа результата.

С помощью ИИ.

Взгляды на построение:

Эволюция основных целей исследований по ИИ.

Интеллектуальная система (ИС)

ИС ≡ Решатель задач + ( БЗ + { БД } + [ БЦ(база целей)] ) + интеллектуальный интерфейс ( Общение + Приобретение знаний + Объяснение )

Решатель ≡ Рассуждатель + Вычислитель + Синтезатор

Рассуждатель ≡ Дедукция + Индукция + Аналогии + Гипотезы

Обобщённая схема ИИ

Блок-схема обобщённой СИИ (70-е годы, Кузин)

средства (машина) вывода, решатель, интерпретатор

Классификация прикладных интеллектуальных систем.

(В основе - архитектурный принцип)

Знания и данные

Формы существования

Знания

Данные

ЗН1 – в памяти, результат опыта (!)

Д1 – в памяти, эмпирические, результат наблюдения

ЗН2 – материализация, фиксация ЗН1, энциклопедии, книги

Д2 – фиксация на материальных носителях

ЗН3 – полуформальное структурированное описание, наблюдение – поле знаний, модель представления знаний

Д3 – схема, модель данных

ЗН4 – языки; ЗН1 и ЗН2 на ЯПЗ (языке представления знаний)

Д4 – данные на ЯОД (языке описания данных)

ЗН5 – база знаний

Д5 – база данных

(физический уровень)

Отличия надо искать на 1-ом уровне. Впервые параллели были проведены ??? (12 отличий).

Отличия знаний от данных

  1. Знания имеют более сложную структуру.

То есть на некотором уровне знания ≡ данные

  1. Важно: знания задаются какэкстенсионально(эксплицитно, явно), то есть через набор конкретных фактов, соответствующих данному понятию, так иинтенсионально(неявно), то есть через свойства, соответствующие данному понятию.

Данные всегда задаются экстенсионально (явно).

  1. Внутренняя интерпретируемость знаний, в отличие данных.

Хранение в памяти вместе с элементами данных избыточность системы имён (например, хранить все лексические толкования (словарь)), то есть знания обладают множеством интерпретаций.

  1. Рекурсивная структурированность знаний (декомпозиция).

  2. Связанность (взаимосвязь) единиц знаний.

Наличие возможности установления различных отношений, отражающих семиотику и прагматику связей отдельных явлений и фактов, а также отношений отражающих смысл системы в целом, то есть можно задавать крупные единицы знаний как отдельные случаи (CBR).

Случай – как совокупность продукций – семантика.

Прагматика– отношение говорящего к предмету.

  1. Наличие у знаний семантического пространства с метрикой.

  1. Активность знаний, в отличие отданных.

То есть возможность ставить цели, достигать цели и т. д.

Активные объекты знаний – агенты.

Агенты обладают ментальными свойствами (то есть тем, что свойственно человеку).

  1. Функциональная целостность знаний.

    • возможность выбора желаемых результатов средств анализа, достаточности полученного результата.

    Таким образом, если выполняется совокупность вышеперечисленных свойств, то это знаний.

    Сравнение СОЗ(ЭС) и классических программных систем

    1. Сравнение технологий разработки.

      1. Обычная программа

      1. Система основанная на знаниях (СОЗ)

    1. Структура

    a)

    b)

    1. Сравнение параметров

    Тип системы

    Характеристики

    Тип обработки

    Методы решения задач

    Задание шагов решение

    Искомое решение

    Управление и данные

    Модификации

    Достоверность информации

    СОЗ

    Символьная

    Эвристический поиск

    Неявное

    Удовлетворительное*

    Перемешаны

    Частые

    Достоверная + недостоверная

    ПС

    Числовая

    Алгоритмический поиск

    Точное

    Оптимальное

    Разделены

    Редкие

    Достоверная

    *удовлетворительное – не хуже, чем человек-эксперт.

    Недостоверная информация - ???НЕ-ФАКТОРЫ

    Схема решения задач

    Основные типы задач, при решении которых, использование СОЗ даёт существенный результат.

    № п/п.

    Название

    Комментарии

    Простые задачи

    1

    Интерпретация

    Процесс определения смысла данных, то есть построение описания по наблюдаемым данным.

    (проблема шума, то есть выделения шума, распознавание параметров)

    2

    Диагностика

    Процесс обнаружения неисправностей в технических и живых организмах.

    3

    Слежение (мониторинг)

    Непрерывная интерпретация в режиме реального времени и сигнализация о выходе отдельных параметров за допустимые пределы.

    (космическая, экологическая, медицинская, экономическая области)

    Сложные задачи

    4

    Прогнозирование

    Предсказание будущих событий на основании моделей прошлого и настоящего.

    5

    Планирование

    6

    Проектирование

    Построение спецификаций (опред.) на создание объектов с заранее определёнными свойствами.

    7

    Отладка / ремонт

    Выработка рекомендаций на исправление неисправностей.

    8

    Обучение

    Диагностика + планирование + проектирование.

    9

    Управление

    Интерпретация, Прогнозирование, Планирование, Мониторинг.

    (управление производственными, социально-производственными системами, социальным контуром)

    Основа понятийной структуры.

    Простое понятие:

    <N, I, E>

    N- имя понятия (идентификатор)

    I- интенсионал (множество атрибутов (свойств) понятия с областями их определения)

    E– экстенсионал понятия (совокупность кортежей значений, удовлетворяющих интенсионалу).

    Сложное понятие – образуется из простых путём применения правил.

    Дедуктивный – способ получениядостоверныхзнаний на основе перехода от знаний большей общности к знаниям меньшей, а также установление достоверности частных случаев на основании общих утверждений.

    Индуктивный– способ полученияправдоподобныхзнаний на основе перехода от знаний меньшей общности к знаниям большей общности, а также установление правдоподобности общих утверждений на основе частных.

    По аналогии– получениеправдоподобныхзнаний о свойствах некоторых элементов предметной области на основе их сходства с другими элементами.

    Выдвижение гипотез - способ полученияправдоподобныхзнаний о существовании событий, связанных с данными событиями некоторыми отношениями с последующим обоснованием или подтверждением.

    Способы классификации знаний

    1. По глубине:

      • поверхностные

      • глубинные

      1. Анализ полученного решения:

        • жёсткие (однозначное решение)

        • мягкие (несколько решений)

        1. По функционированию компонентов(по используемым компонентам):

        (решатель)

          • о процессах решения задач

          • знания о языке и диалоге

          • знания о способах представления и модификации БЗ

          • знания о способах объяснения БЗ

          Уровни и модели представления данных.

          NB: Вырожденный случай фрейма – объект.

          Книга: Попов «ЭМ решение задач…».

          Система продукций Поста

          Система продукций Поста задаётся алфавитом и системой базисных продукций.

          Алфавит С = {c1,c2, …,cn}

          XiW→WYi, гдеXi,Yi– слова в С

          Пусть некоторое слово Ψ начинается с Xi, тогда,применитьк слову Ψ продукцию означает вычеркнуть из Ψ начальный отрезокXiи к оставшейся части слова Ψ приписатьYi.

          aba– слово,abW→Wc– продукция.

          aba → ac

          На системе продукций Поста строится вывод информации.

          Каждая система продукцийпонимается как формальная система с правилами выводаpi, гдеpi(ψ, φ) – считается истинным или применённым, если слово ψ получено из слова φ применением этой продукции.

          Формальная продукционная система (PS)

          PS = <F, P, I>

          F– рабочая память, содержащая текущие данные.

          P– БЗ, содержащая множество продукций.

          I – интерпретатор.

          I = <V, S, R, W>

          V– множество процедур выбора изFиPподмножества активных данных и подмножества активных продукций соответственно, теFvиPv.

          S– процесс сопоставления определяющий множество означиваний, то есть пар вида: ???

          R– процесс разрешения конфликтов. ???

          W– процесс, осуществляющий выполнение выбранного правила.

          Пример: продукционная модель:

          Формальное описание правил (продукций) на ЯПЗ EMYGIN

          <правило> ::= ( ЕСЛИ <условие> ТО <действие> ИНАЧЕ <действие> )

          <условие> ::= ( И {<предложение>} )

          <предложение> ::= ( ИЛИ {<предложение>} | (<предикат><тройка>) )

          <тройка> ::= ( <объект><атрибут><значение> )

          <действие> ::= { <заключение> | < процедура> }

          Задание: придумать пример.

          Пример: БЗ:

          П1: ЕСЛИ отдых летом И человек активный ТО ехать в горы.

          П2: ЕСЛИ любит солнце ТО отдых летом.

          РП (рабочая память):

          “человек активный”

          “любит солнце”

          1 проход:

          Шаг 1: Пробуем П1 → не подходит.

          Шаг 2: Пробуем П2 → подходит.

          Применяем П2.

          2 проход:

          Шаг 1: Пробуем П1 → подходит.

          Применяем П1.

          Цель: ехать в горы.

          Классификация знаний

          1. Семантическая сеть.

            • неоднородная сеть с различными типами вершин и помеченных дуг.

            Вершины:

            • состояния ПО (статические / динамические)

            • ситуации

            • предикаты

            «Предикаты имеют свойство подчинять себе октанты ситуации»

            Октанты – действующие лица (именные группы).

            Ещё есть бинарные отношения между предикатами и октантами.

            Семантические валентности ↔ глубинный падеж.

            МУП – модели управления предикатами.

            Вершина – предикат, а ближайшие к ней вершины имеют лингвистические отношения.

            Это по сути глубинные падежи, не путать и поверхностыми.

            Таким образом:

            1-ый тип вершины – отношения

            2-ой тип – понятия

            3-ий тип – характеристики.

            Типы отношений.

                1. Теоретико-множественные отношения

                2. Логические отношения

                3. Квантифицированные

                Пример: Завинчивание – предикат.

                A– быть одушевлённым инициатором действия (завинчивание)

                O– быть объектом действия (завинчивание)

                I– быть инструментом действия (завинчивание)

                α – быть частью (местом) приложения действия (завинчивание)

                E– быть элементом действия (завинчивание)

                O– быть подклассом

                H– сделана из

                Инструментарий – SIMER, ИПС РАН, Г. С. Осипов «Использование семантической сети»

                Книга: Г. С. Осипов «Приобретение знаний интеллектуальных систем»

                Д/З: Описать «жкзамен» как ???

                1. Фреймы

                Модульные структуры.

                (Марвин-Минский, 1971 год).

                • некоторая структура для отображения стереотипной (стандартной) ситуации окружающего мира.

                Фрейм – сеть, у которой была часть вершин всегда заполнена, а вторая содержит пустые слоты пустоты (слоты – slot)

                Статическая ситуация.

                Фрейм-прототип

                Информация, что присутствует всегда

                Комната

                (имя фрейма)

                Указываются требования для заполнения свободных слотов

                Слот 1: стены

                АКО ЗДАНИЕ

                Слот 2: потолок

                АКО ЗДАНИЕ

                Слот 3: пол

                DEFAULT

                Слот n-1: двери

                OR такойOR сякой

                Слот n: окна

                PREFER: Windows 2000

                (имя слота)

                (значение слота не может быть задано)

                Сдача экзамена в ВУЗЕ

                Кто сдаёт

                Человек: студент, абитуриент, аспирант

                Кому

                Что-то общее

                Что

                Явно (!) задано название предмента

                Результат

                Место и время (расписание)

                F = <N, a1, b1, [P1], a2, b2, [P2], …, an, bn, [Pn]>

                F – фрейм

                N – имя фрейма

                a – имя слота

                b – значение слота

                [P] – возможно, привязанная к слоту процедура.

                Пример:

                FRL (Frame Representation Language - язык представления фреймов)

                <фрейм> ::= (<имя фрейма>{<слот>})

                или:

                <фрейм> ::= (<имя фрейма><тело фрейма>)

                <тело фрейма> ::= {<слот>}

                <слот> ::= (<имя слота>(<тип слота><тело слота>))

                <тело слота> ::= {<данные>}

                <данные> ::= <метка>{<cообщение>}

                <cообщение>::=<литерал>

                <имя слота> ::= <идентификатор>

                <накопитель данных> ::= <конкретные данные> | <имя слота> | <вызов процедур>

                <конкретные данные> ::= <число> | …

                <тип слота> ::= <декларативный> | <наследовательный> | <процедуральный>

                <декларативный> ::= <VALUE> | <DEFAULT>

                <наследовательный > ::= <AKO> | <INSTANCE>

                <процедуральный > ::= <REQUIRE> | <IF NEEDED> | <IF ADDED> | <IF REMOVE> | <PREFER>

                К/Р: Продукции, семантические сети, фреймы.

                Соседние файлы в папке Экспертные системы