Сдам Сам

ПОЛЕЗНОЕ


КАТЕГОРИИ







Цели и задачи исследований по искусственному интеллекту





Цели и задачи исследований по искусственному интеллекту

Помимо классических применений вычислительной техники, связанных с выполнением инженерных и экономических расчетов, разработкой автоматизированных систем управления, созданием информационно-поисковых систем и т.п., сейчас успешно развивается направление, называемое «искусственный интеллект» (ИИ). Всякая задача, для которой неизвестен алгоритм решения, априорно относится к искусственному интеллекту.

В настоящее время выделяют 4 направления, по которым ведутся исследования в области ИИ[1 — 5,10]:

1) моделирование отдельных функций творческих процессов;

2) внешняя интеллектуализация компьютеров;

3) внутренняя интеллектуализация компьютеров;

4) целенаправленное поведение роботов.

Первое направление ранее других стало развиваться в ИИ; именно оно и породило этот термин: моделирование на ЭВМ отдельных функций творческих процессов (шахматы, шашки, домино и др., автоматическое доказательство теорем, автоматический синтез программ, анализ и синтез музыкальных произведений).

Второе направление образуют фундаментальные и прикладные исследования, относящиеся к комплексному диалоговому интерфейсу. Интеллектуальный интерфейс буквально рывком повышает эффективность автоматизированных систем управления (АСУ), систем автоматического проектирования (САПР), систем научных исследований и оперативного управления производством. Не выходя за пределы языка своей предметной области (подъязыка естественного языка), специалисты получают возможность, используя аккумулированные в ЭВМ знания о предметной области, осуществлять распознавание и диагностику процессов в сложных системах, принимать решения, формулировать планы действий, выдвигать гипотезы, выявлять закономерности в результатах наблюдений, осуществлять логический вывод. Эта возможность реализуется экспертными системами, которые стали интенсивно распространяться в трудно формализуемых отраслях знаний.



Третье направление решает проблемы построения ЭВМ новых поколений, поскольку для задач ИИ важны ЭВМ и методы обработки символьной информации. В системах ИИ используется информация в символьной форме: буквы, слова, знаки, рисунки. Это отличает область искусственного интеллекта от областей, в которых традиционно компьютерам доверяется обработка данных в числовой форме. В системах ИИ предполагается наличие выбора между многими вариантами в условиях неопределенности, что требует принципиально новых архитектурных решений.

Четвертое направление связано с создание интеллектуальных роботов для различных применений. Эта научно-техническая проблема требует разработки, как специализированных ЭВМ, так и целого комплекса механических и энергетических систем: сенсоров, движителей и т.п. Как и все системы ИИ, интеллектуальные роботы ориентированы на знания. Знания о внешней среде поступают в бортовые ЭВМ роботов от многочисленных сенсоров (зрительных, акустических, радиолокационных, тактильных и т.п.).

Искусственный интеллект, как основа новой информационной технологии, умножает интеллектуальные ресурсы общества, поскольку взаимодействие пользователя с ЭВМ на своем профессиональном языке интенсифицирует интеллект пользователя, увеличивает объем его памяти и усиливает способность к логическому выводу. И если ранее говорили об индустрии обработки данных, то сейчас в связи с использованием идей и методов ИИ стало правомерным говорить об индустрии интеллектуальных систем.

Основные области приложения искусственного интеллекта[2,12]:

1) Использование дедуктивных рассуждений (иначе называемых исчис-лениями) при решении с помощью кибернетических систем интеллектуальных задач, т.е. задач, не имеющих априори известных алгоритмов решения;

2) Автоматическое доказательство теорем в аксиоматических теориях;

3) Автоматическое распознавание и понимание речи и текстов;

4) Автоматическое распознавание и понимание зрительных образов;

5) Понимание процесса обучения и автоматизированное формирование сценариев взаимодействия между обучаемым и обучающим;

6) Автоматизированное проектирование интегральных роботов;

7) Автоматизированное проектирование трансляторов с формализованных языков программирования на языки более низких уровней;

8) Автоматизированное решение экстремальных задач при нечетких и неполных целевых функциях;

9) Автоматизированное проектирование систем взаимодействия человека и баз данных и знаний при их создании и эксплуатации;

10) Автоматизированное проектирование экспертных систем для различных предметных областей;

11) Автоматизированное проектирование систем принятия решений для некорректных задач и задач с нечеткой постановкой;

12) Автоматизированное проектирование систем концептуального программирования;

13) Автоматизированное проектирование фактографических информационных систем и синтезаторов речи для них;

14) Автоматизированное проектирование интерактивных графических систем со структурированными графическими операндами высокого уровня.

Вернуться

Семантические сети

Первые сетевые модели появились в 60-е годы. Примерами их могут служить RX-коды, синтагматические цепи, семантические сети. В основе наиболее известной семантической модели лежит понятие сети, образованной помеченными вершинами и дугами. Вершины сети представляют некоторые сущности (объекты, события, процессы, явления), а дуги – отношения между сущностями, которые они связывают. По этой причине язык семантических сетей иногда называют реляционным. Наложив ограничения на описания вершин и дуг, можно получить сети различного вида. Если вершины не имеют собственной внутренней структуры, то соответствующие сети называют простыми сетями. Если вершины обладают некоторой структурой, то такие сети называются иерархическими сетями. На начальном этапе разработки систем ИИ использовались только простые сети, сейчас в большинстве приложений, использующих семантические сети, они являются иерархическими.

Отношения в сетях могут быть самого различного типа, что позволяет в достаточной мере обеспечить в семантической сети такой признак знаний, как связность. В общем случае это означает, что в виде семантической сети можно отобразить знания, заключенные в текстах на естественном языке.

Возьмем, например, следующую фразу[1]: «Рыбак (a1) сел на плот (a2), переехал на другой берег (a3) и взял корзину (a4) с рыбой (a5). Эти объекты связаны отношениями: сел на (r1), переехал (r2), взял (r3) и находиться (r4). Сеть, соответствующая этому тексту, показана на рис 2.2.

 

 
 
Рис 2.2. Пример семантической сети

 


Исходя из логики реального мира и принятого способа описаний ситуаций в этом мире, можно считать данными и некоторые другие отношения, явно не присутствующие в исходном тексте. Эти дополнительные отношения показаны на рис.2.2 пунктиром. Пополненный текст:” Рыбак сел на плот и на плоту переехал на другой берег. На другом берегу находилась рыба. Рыба была в корзине. Рыбак взял корзину с рыбой”.

Следует подчеркнуть одно важное обстоятельство. Как показали исследования, в языках индоевропейской группы имеется не более 200 различных не сводимых друг к другу отношений. Комбинации этих базовых отношений позволяют выразить остальные отношения, фиксируемые в текстах на естественном языке. Это обстоятельство лежит в основе так называемого ситуационного управления. Кроме того, конечное множество базовых отношений позволяет надеяться, что в базах знаний можно представить любую предметную область и, более того, осуществить автоматическое построение семантических сетей непосредственно из текста.

Основное отличие иерархических семантических сетей от простых состоит в возможности разделить сеть на подсети-пространства и устанавливать соотношение не только между вершинами, но и между пространствами. Все вершины и дуги являются элементами, по крайней мере, одного пространства. Отметим, что понятие пространства аналогично понятию скобок в математической нотации. Различные пространства, существующие в сети, могут быть упорядочены в виде дерева пространств, вершинам которого соответствуют пространства, а дугам – отношения «видимости». На рис 2.3 приведен пример дерева пространств, в соответствии с которым, например, из пространства-потомка P6 видимы все вершины и дуги, лежащие в пространствах-предках P4, P2 и P0, а остальные пространства «невидимы».

Отношение «видимости» позволяет группировать пространства в упорядоченные множества- «перспективы».Перспектива обычно используется для ограничения сетевых сущностей, «видимых» некоторой процедурой, работающей с сетью.

Рис. 2.3. Дерево пространств.

 

 
 

Частным случаем семантических сетей являются сценарии или однородные семантические сети[7,10]. Это сети, объекты которых связаны единственным отношением строгого или нестрогого порядка с различной семантикой. Если, например, объектами-понятиями будут работы (или отдельные операции), а единственным отношением строгого порядка будет отношение следования, то мы придем к хорошо известному сетевому графику комплекса работ с так называемым французским представлением. Очевидно, что сценарии являются удобным средством составления планов.

 

Рис. 2.4. Связь БД и БЗ

 

На примере семантической сети общего вида можно установить различие между базой банных и базой знаний (см. рис.2.4). Предметная область есть множество допустимых состояний своих компонентов. Представленное чрез общие понятия и отношения между ними, это множество образует базу знаний – в виде так называемой интенсиональной семантической сети. С другой стороны, в зависимости от ситуации компоненты предметной области будут иметь конкретные значения, свойства, характеристики. Все эти конкретные данные о предметной области будут отображаться в так называемой экстенсиональной семантической сети или базе данных сетевой структуры.

Несколько слов о терминах «интенсиональный» и «экстенсиональный», заим-ствованных из семантики- науки о знаковых системах.

С9 ТОК ОЗНАЧАТЬ C4 TOK САМЫЙ AGT С1 MOD НУЛЬ LOG С3 OBJ С6 С5 ТОК МАЛЫЙ MODAL С7 MOD C4 C1 TOK НОК C6 TOK ЧИСЛО MOD НУЛЬ MOD C5 C2 TOK ОБЩЕЕ КРАТНОЕ C7 КОЛИЧЕСТВО PRES MOK NIL AUX C8 C3 TO СРЕДИ С8 TOK МЕРА POST C2 MOD NIL
Интенсионал- это общие понятия и отношения, которые характеризуют множество объектов, предметов, явлений. Экстенсионалом называют конкретные характеристики каждого элемента этого множества понятий и отношений. Например, понятие «легковая машина» с родовидовыми отношениями «кузов», «двигатель», «управление» и т.п. будет интенсионалом по отношению к множеству экстенсионала – марок легковых автомашин («волга», «жигули», «москвич», «запорожец») с их конкретными характеристиками. В свою очередь, если в качестве общего понятия-интенсионала выступают, например. «жигули», то экстенсионалами могут быть их модели (2101,21301,2303,2306 и т.п.) с конкретными характеристиками. Т.о., сами понятия интенсионала и экстенсионала относительны.

 


Рис 2.5. Семантическая сеть предложения (слева) и

структура данных семантической сети (справа).

 

В ЭВМ семантическая сеть реализуется в виде внутримашинной структуры данных, которая используется для представления отдельных слов и семантики. Например, семантическую сеть «НОК – это наименьшее общее кратное» на основе результатов структурного анализа можно переписать в виде структуры данных семантической сети[10], как показано на рис 2.5. Здесь С1, С2,…, С8 – узлы семантической сети, которые являются указателями списковой структуры; ТОК – печать соответствующей семантики, причем некоторое активное слово записывается в исходной форме; MODAL – время (оценка) и спряжение глагола; MOD – модифицированные слова; POST c помощью союза показывает модифицированное слово.

Положительная сторона представления знаний семантическими сетями заключается в том, что это весьма простой и понятный способ описания на основании отношений между элементами (узлами и дугами). Однако с увеличением размеров сети существенно увеличивается время поиска по сравнению со способами, не имеющими стратегии. Кроме того, им присуща проблема гарантии пригодности результатов вывода, включающая также проблему наследования свойств. Вернуться

Фреймовые модели

Семантические сети, несмотря на большие возможности, связанные с богатством средств для отображения отношений между понятиями и объектами, обладают некоторыми недостатками. Произвольная структура и различные типы вершин требуют большого разнообразия процедур обработки информации, что усложняет программное обеспечение ЭВМ. Это обусловило появление особых типов семантических сетей: синтагматические цепи, сценарии, фреймы и т.п. Остановимся на фреймовых представлениях.

Термин «фрейм» (frame – рамка) был предложен Минским [14]. Любое представление о предмете, объекте, стереотипной ситуации у человека как бы обрамлено характеристиками и свойствами объекта или ситуации, которые размещаются в так называемых слотах фрейма.

Формально под фреймом обычно понимают структуру следующего вида:

[ < f > , < V1 , g1 > , < V2 , g2 > , , < V3 , g3 > ,….., < Vn , g3 > ] .

Здесь f – имя фрейма, пара < Vi , gi > - это i – ый слот, где VI – имя слота, а gI – его значение. Значением слота может быть практически все что угодно (числа или математические соотношения, тексты на естественном языке, программы, правила вывода или ссылки на другие слоты данного фрейма или других фреймов и т.п.).

Фреймы иногда делят на две группы: фреймы-описания и ролевые фреймы. Рассмотрим примеры.

Фрейм-описание:

[ < фрукты > , < виноград, болгарский 20 т > , < яблоки, Джонатан 10 т > , < вишня, владимирская 200 кг > ] .

Ролевой фрейм:

[ < перевезти > , < что, прокат 300 т > , < откуда, Кривой Рог> , < куда, Одессу > , < чем, железнодорожным транспортом > , < когда, в декабре 1998 года > ] .

В ролевом фрейме в качестве имен слотов выступают вопросительные слова, ответы на которые являются значениями слотов. Если в примерах в общем выражении для фрейма убрать все значения слотов, оставив только имена, то получим конструкцию, называемую протофреймом (прототипом фрейма). Фреймы с конкретными значениями называются фреймами-экземплярами. Рассмотрим примеры.

 

Протофрейм:

[ < Cписок сотрудников > , < фамилия ( значение слота 1) > , < год рождения ( значение слота 2) > , < специальность ( значение слота 3) > , < стаж ( значение слота 4) > ] .

Фрейм – экземпляр:

[ < Cписок сотрудников > , < фамилия (Попов-Сидоров-Иванов-Петров) > , < год рождения (1965-1968-1947-1958) > , < специальность (слесарь-токарь-токарь-сантехник) > , < стаж (5-21-32-23) > ] .

Фреймы обладают свойством вложенности , то есть в качестве значения слота может выступать система имен слотов более глубокого уровня. Свойство вложенности, возможность иметь в качестве значений слотов ссылки на другие фреймы и на другие слоты того же самого фрейма обеспечивают фреймовым языкам удовлетворение требованиям структурированности и связности знаний[10]. С учетом возможности наследования структура данных фрейма может выглядеть так: (см. рис.2.6).

 
 
Рис 2..6. Структура данных фрейма

 



Имя фрейма – это идентификатор, присваиваемый фрейму. Фрейм должен иметь уникальное имя в системе. Слотов во фрейме может быть произвольное число. Некоторые из них определяются самой системой для выполнения специфических функций, а остальные определяются пользо-вателем. В их число входят слот IS-A, показывающий фрейм-родитель данного фрейма, слот указателей дочерних фреймов, который является списком указателей этих фреймов, слот для ввода имени пользователя, даты изменения, текста комментария и другие слоты. Каждый слот, в свою очередь, также представлен определенной структурой данных.

Имя слота - это идентификатор, присваиваемый слоту; слот должен иметь уникальное имя во фрейме. Некоторые слоты называются системными и используются при редактировании базы знаний и управлении выводом.

Указатели наследования касаются только фреймовых систем иерар-хического типа, основанных на отношениях «абстрактное - конкретное». Они показывают, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фреймах нижнего уровня. Типичные указатели наследования:

Ø U (первая буква слова Unique - уникальный) – каждый фрейм может иметь различные слоты с различными значениями;

Ø S – все слоты должны иметь одинаковые значения;

Ø R – значения слотов фрейма нижнего уровня должны находиться в пределах, указанных значениями слотов верхнего уровня;

Ø О – при отсутствии указания значение слота фрейма верхнего уровня становится значением слота фрейма нижнего уровня, но в случае определения нового значения слотов фреймов нижних уровней указываются в качестве значений слотов.

Указатель О выполняет одновременно функции указателей U и S . Несмотря на то, что в большинстве систем допускается несколько вариантов указания наследования, существует немало и таких, где допускается только один вариант. В данном случае можно считать, что используется указатель О значения по умолчанию.

U –уникальный R –установление границ О – игнорировать

 
 

 


Наличие имен фреймов и имен слотов означает, что значения, хранимые во фреймах, имеют характер отсылок и тем самым внутренне интерпретированы. Возможность размещения в качестве слотов приказов вызова тех или иных процедур для исполнения позволяет активизировать программы на основе имеющихся знаний. Таким образом, фреймовые языки удовлетворяют четырем основным признакам знаний – интерпретируемости, структурированности, связности и активности. Использование фреймов в фундаментальных науках дает возможность формирования более строгого понятийного аппарата и комплексирования обычных моделей с фреймовыми формализмами. Для описательных наук фреймы – это один из немногих способов формализации, создания понятийного аппарата. Вернуться

Логические модели знаний.

Логические модели знаний являются основой человеческих рассуждений и умозаключений, которые, в свою очередь, могут быть описаны подходящими логическими исчислениями. К таким исчислениям в первую очередь следует отнести силлогистику Аристотеля, прикладные исчисления высказываний и предикатов, аксиоматика которых используется в качестве логических моделей знаний.

После более чем 2000-летнего неизменного состояния силлогистика Аристотеля получила развитие и важное практическое применение именно в работах по искусственному интеллекту.

Логические исчисления могут быть представлены как формальные системы в виде четверки

М = < T , P , A , B > , где

Т – множество базовых элементов различной природы, например, слова из некоторого ограниченного словаря, буквы некоторого алфавита, детали детского конструктора, входящие в состав некоторого набора и т.п. Важно, что для множества Т существует некоторый способ определения принадлежности или не принадлежности произвольного элемента этому множеству. Процедура такой проверки может быть любой, но за конечное число шагов она должна давать положительный или отрицательный ответ на вопрос, является ли х элементом множества Т. Обозначим эту процедуру П(Т).

Множество Р есть множество синтаксических правил, на основе которых строятся правильно построенные формулы. Например, из слов ограниченного словаря строятся синтаксически правильные фразы, из деталей детского конструктора с помощью гаек и болтов собираются новые конструкции. Декларируется существование процедуры П(Р), с помощью которой за конечное число шагов можно получить ответ на вопрос, является ли совокупность Х синтаксически правильной.

А – это множество правильно построенных формул (ППФ), элементы которого называются аксиомами. Как и для других составляющих формальной системы, должна существовать процедура П(А), с помощью которой для любой синтаксически правильной совокупности можно получить ответ на вопрос о принадлежности ее множеству А.

Множество В есть множество правил вывода, которые из множества А позволяют получать новые правильно построенные формулы–теоремы. К последним снова можно применять правила из В. так формируется множество выводимых в данной формальной системе совокупностей. Если имеется некоторая процедура П(В), с помощью которой можно определить для любой синтаксически правильной совокупности, является ли она выводимой, то соответствующая формальная система называется разрешимой. Это показывает, что именно правила вывода являются наиболее сложной составляющей формальной системы.

Для знаний, входящих в базу знаний, можно считать, что множество А образуют все информационные единицы, которые введены в базу знаний извне, а с помощью правил вывода из них выводятся новые производныезнания. Другими словами, формальная система представляет собой генератор порождения новых знаний, образующих множество выводимых в данной системе знаний. Это свойство логических моделей делает их притягательными для использования в базах знаний. Оно позволяет хранить в базе лишь те знания, которые образуют множество аксиом А, а все остальные знания получать из них по правилам вывода.

Примерами формальной системы являются исчисления высказываний и исчисление предикатов, которым уделено основное внимание в данной работе. Вернуться

Продукционные модели

В моделях этого типа используются некоторые элементы логических и сетевых моделей. Из логических моделей заимствована идея правил вывода, которые здесь называются продукциями, а из сетевых моделей – описание знаний в виде семантической сети. В результате применения правил вывода к фрагментам сетевого описания происходит трансформация семантической сети за счет смены её фрагментов, наращивания сети и исключения из неё ненужных фрагментов. Таким образом, в продукционных моделях процедурная информация явно выделена и описывается иными средствами, чем декларативная информация. Вместо логического вывода, характерного для логических моделей, в продукционных моделях появляется вывод на знаниях.

Продукции, с одной стороны, близки к логическим моделям, что позволяет организовать на них эффективные процедуры вывода, а с другой стороны, более наглядно отражать знания, чем классические логические модели. В них отсутствуют жесткие ограничения, характерные для логических исчислений, что дает возможность изменять интерпретацию элементов продукции.

В общем виде под продукцией понимается выражение следующего вида:

( i ) ; Q ; P ; A ðB ; N .

Здесь i – имя продукции, с помощью которой данная продукция выделяется из всего множества продукций. В качестве имени может выступать некоторая лексема, отражающая суть данной продукции (например, «покупка книги», набор кода замка), или порядковый номер продукции в их множестве, хранящемся в памяти системы.

Элемент Q характеризует сферу применения продукции. Такие сферы легко выделяются в когнитивных структурах человека. Наши знания как бы ‘‘разложены по полочкам‘‘. На одной ‘‘полочке‘‘ хранятся знания о том, как надо готовить пищу, на другой – как добраться до работы и т. п. Разделение знаний на отдельные сферы позволяет экономить время на поиск нужных знаний. Такое же разделение на сферы в базе знаний интеллектуальной системы целесообразно и при использовании для представления знаний продукционных моделей.

Основным элементом продукции является её ядро: АðВ. интерпретация ядра продукции может быть различной и зависит от того, что стоит слева и справа от знака секвенции ð. Обычное прочтение ядра продукции выглядит так: ЕСЛИ А, ТО В, более сложные конструкции ядра допускают в правой части альтернативный выбор, например, ЕСЛИ А, ТО В1, ИНАЧЕ В2.

Секвенция может истолковываться в обычном логическом смысле как знак логического следования В из истинного А (если А не является истинным выражением, то В ничего сказать нельзя). Возможны и другие интерпретации ядра продукции, например, А описывает некоторое условие, необходимое для того, чтобы можно было совершить действие В.

Элемент Р есть условие применимости ядра продукции. Обычно Р представляет собой логическое выражение (как правило, предикат). Когда Р принимает значение «истина», ядро продукции активизируется. Если Р ложно, то ядро продукции не может быть использовано. Например, если в продукции: «наличие денег; если хочешь купить вещь Х, то заплати в кассу её стоимость и отдай чек продавцу», условие применимости ядра ложно, т.е. если денег нет, то применить ядро продукции невозможно.

Элемент N описывает постусловия продукции. Они актуализируются только в том случае, если ядро продукции реализовалось. Постусловия продукции описывают действия и процедуры, которые необходимо выполнить после реализации ядра. Например, после покупки некоторой вещи в магазине необходимо в описи товаров, имеющихся в этом магазине, уменьшить количество вещей такого типа на единицу. Выполнение N может происходить не сразу после реализации ядра продукции.

Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции.

Базовая структура продукционной системы состоит из трех основных компонентов [10]. Первый из них – это набор правил, используемый как база знаний, поэтому его еще называют базой правил. Вторым компонентом является рабочая память (или память для кратковременного хранения), в которой хранятся предпосылки, касающиеся конкретных задач предметной области, и результаты выводов, полученные на их основании. Третий компонент - это механизм логического вывода, использующий правила в соответствии с содержимым рабочей памяти (рис.2.8).

 

 
 

 


Для того чтобы показать, как взаимодействуют эти элементы, рассмотрим несложный пример. Данные, записываемые в рабочую память, представляют собой образцы в виде набора символов, например, «намерение – отдых», «место отдыха – горы» и т.п. Правила, записываемые в базу правил, отражают содержимое рабочей памяти. В их условной части находятся либо одиночные образцы, либо несколько условий, соединенных предлогом «и», а в заключительной части – образцы, дополнительно регистрируемые в рабочей памяти. Пусть, например, правила таковы:

Правило 1. ЕСЛИ «намерение – отдых» и

«дорога ухабистая» ТО «использовать джип»

Правило 2. ЕСЛИ «место отдыха – горы» ТО «дорога ухабистая»

После того как в рабочую память записываются образцы «намерение – отдых» и «место отдыха – горы», рассматривается возможность применения этих правил. Известны два подхода для получения логического вывода системы – прямой вывод и обратный вывод. Рассмотрим суть этих подходов.

При прямом выводе совершается работа по извлечению предварительно записанного содержимого рабочей памяти, применению правил и дополнения данных, помещаемых в память. Сначала механизм вывода сопоставляет образцы в условной части с образцами, хранимыми в рабочей памяти. Если все образцы имеются в рабочей памяти, то условная часть считается истинной, в противном случае - ложной. В данном примере образец «намерение – отдых» существует в рабочей памяти, а образец «дорога ухабистая» отсутствует, поэтому условная часть правила 1 считается ложной. Условная часть правила 2 является истинной. Поскольку в данном случае существует только одно правило с истинной условной частью, то механизм вывода сразу же выполняет его заключительную часть и образец «дорога ухабистая» заносится в рабочую память. При попытке вторично применить эти правила получается, что можно применить лишь правило 1 , поскольку правило 2 уже было применено и выбыло из числа кандидатов. К этому времени содержимое рабочей памяти было дополнено новым образцом – результатом применения правила 2, поэтому условная часть правила 1 становится истинной, и содержимое рабочей памяти пополняется образцом его заключительной части - «использовать джип». В итоге правил, которые можно было бы применять, не остается, и система останавливается.

Обратный вывод – это способ, при котором на основании фактов, требующих подтверждения, чтобы выступать в роли заключения, исследуется возможность применения правила, пригодного для подтверждения. Допустим, что цель – это «использовать джип», и исследуем сначала возможность применения правила 1, подтверждающего этот факт. Поскольку образец «намерение – отдых» из условной части правила 1 уже занесен в рабочую память, то для достижения цели достаточно подтвердить факт «дорога ухабистая». Однако если принять образец «дорога ухабистая» за новую цель, то потребуется правило, подтверждающее этот факт. Поэтому исследуем возможность применения правила 2. Условная часть этого правила в данный момент является истинной, поэтому правило 2 можно сразу же поменять, рабочая память при этом пополнится образцом «дорога ухабистая», и в результате возможности применения правила 1 подтверждается цель «использовать джип».

В случае обратного вывода условия останова системы очевидны: либо достигается первоначальная цель, либо кончаются правила, применимые для достижения цели в ходе вывода. Что касается прямого вывода, то, как было указано выше, отсутствие применимых правил также является условием останова. Однако система останавливается и при выполнении некоторого условия, которому удовлетворяет содержимое рабочей памяти, например, путем проверки появления образца «использовать джип». Доказано, что для обратных выводов характерна тенденция исключения из рассмотрения правил, не имеющих прямого отношения к заданной цели, что позволяет повысить эффективность вывода.

Продукционные системы просты в применении и благодаря хорошей подготовленности средств разработки позволили создать большое число систем, основанных на использовании знаний. Продукционные системы в отличие от фреймовых и других систем не имеют такие функции, как, например, установление высокоуровневых отношений между фреймами, но, с другой стороны, благодаря этому упрощается проектирование системы и ее создание. В будущем, вероятно, найдут применение не только чисто продукционные системы, но и комбинации их, например, с фреймовыми системами. Вернуться

 

Знаний.

Введение.

Рассуждение – это цепочка взаимосвязанных умозаключений. В зависимости от характера взаимосвязи рассуждение бывает индуктивным или дедуктивным. Если взаимосвязь умозаключений построена на индукции, то рассуждение индуктивное.

Индукция – это умозаключение от конкретных фактов к некоторой гипотезе, т.е. к утверждению обобщающих абстракций, типичных для всех вместе и каждого в отдельности факта, предусматривающее одновременное обсуждение критериев для оправдания достоверности гипотезы.

Пример[12]. Построим графики уравнений с двумя переменными, например, х-2y+4=0 и 2х+y-5=0. Убедившись в том, что графики этих уравнений в декартовой системе координат представляют собой прямые линии, мы на основании индукции можем заключить, что графикам всякого уравнения вида ax+by+c+0 в той же системе координат будет прямая. Этот вывод верный. Но чтобы окончательно убедиться в его достоверности, необходимо или перебрать все возможные координаты x и y в сочетании со всеми возможными значениями коэффициентов, что нереально, или придумать какой-нибудь более остроумный и эффективный метод доказательства. Поиск эффективных методов доказательства достоверности рассуждения является обязательным разделом в структуре теории любой математической логики.

При дедуктивном рассуждении, которое иначе называется исчислением, во-первых, взаимосвязь умозаключений основана на дедукции, во- вторых, звенья цепи умозаключений дополнительно связаны отношением логического следования.

Дедукция (вывод) - это умозаключение от обобщающих абстракций к фактам или к новым абстракциям меньшего масштаба. Началом (посылками) дедукции является некоторая совокупность обобщающих абстракций, а концом (заключением) – цель рассуждения, которое представляется как вопрос-факт или вопрос-абстракция минимального масштаба.

Пример 1. Все люди смертны. Сократ – человек. Следовательно, Сократ смертен (заключение).

Пример 2. Всякое натуральное число, сумма цифр которого делится на три, само делится на три. Сумма цифр числа 4635 делится на три. Следовательно, число 4635 делится на три.

Как и в случае индуктивного рассуждения, здесь также для того, чтобы убедиться в достоверности рассуждения, необходимо проверить, т.е. доказать, что сумма цифр числа 4635 делится на три. Это простой случай доказательства, однако, оно необходимо в любом дедуктивном рассуждении. В этом примере не подвергается сомнениям первая исходная посылка, истинность которой доказана в теории чисел.

Пример3. Графиком уравнения вида ax+by+c=0 в прямоугольной декартовой системе координат является прямая линия. Графиком by+c=0 является прямая линия параллельная оси х. Следовательно, графиком прямой линии, параллельной оси y является уравнение ax+c=0.

Сущность отношения логического следования заключается в том, что истинность заключения следует только из одновременной истинности всех и только всех посылок при всех возможных вариантах замены абстракций фактами. Но так как количество посылок N может быть большим (во всяком случае, больше десяти), а каждая из посылок является обобщающей абстракцией, истинность которой можно прояснить только после замены её конкретным фактом, возможное количество (Р) которых превышает число десять, а иногда достигает сотен тысяч, то выяснить одновременную истинность всех посылок при всех возможных вариантах замены посылок фактами становится практически невозможно. Доказано, что эта задача имеет вычислительную трудоёмкость NP-полной задачи. В связи с этим дедуктивное рассуждение всегда дополняется формальными так называемыми правилами вывода, которые позволяют путем последовательного их применения к самой дедукции шаг за шагом упрощать её без нарушения отношения логического следования, доводя в конечном итоге, до очевидной схемы, истинность которой установить не составляет труда. Эти правила называют инструментарием анализа достоверности рассуждений.

В интеллектуальной деятельности человека различают логическое и аналитическое мышление. Логическое мышление– это владение индуктивным и дедуктивным рассуждением. Аналитическое мышление это умение:









Не нашли то, что искали? Воспользуйтесь поиском гугл на сайте:


©2015- 2018 zdamsam.ru Размещенные материалы защищены законодательством РФ.