Взаємозв’язок ЕС та систем штучного інтелекту

 

                                                Зміст

1. Взаємозв’язок ЕС та систем штучного інтелекту……………..2
2. Логічне виведення в умовах невизначеності: представлення невизначеності знань і даних…………………………………...8

     3. Практичне  завдання №1………………………………………..15

     4. Практичне  завдання №2.

     5. Список використаних  джерел.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1. Взаємозв’язок  ЕС та систем штучного інтелекту

Загальні аспекти розробки систем зі штучним інтелектом 
Інтелектуальна діяльність — це дії та розумові висновки людей у нестандартних ситуаціях, коли схема, алгоритм задачі, яка постала перед спеціалістом, апріорі невідомі. Системами штучного інтелекту називають системи, які здатні виконувати операції, імітуючи інтелектуальні функції людини. 
Створення систем штучного інтелекту (ШІ) — це багатоаспектне дослідження, яке потребує вирішення кількох груп проблем. На рис.1 наведено чотири групи проблем досліджень у галузі штучного інтелекту. Перша група проблем пов'язана з імітацією творчої розумової діяльності людини. Сутність цього напрямку полягає в розробці комп'ютерних програм, які здатні до відтворення процедур, пов'язаних із творчими розумовими процесами. До таких процедур можна віднести гру в шахи, математичні задачі тощо. Частка робіт, пов'язаних з імітацією творчих процесів у загальному обсязі робіт, що мають на меті створення систем з ШІ, є невеликою. Ці дослідження, насамперед, цікаві з погляду психологів, а також для вироблення фундаментальних положень теорії ШІ. 
Друга група проблем пов'язана з інтелектуалізацією ЕОМ. Інтелектуалізація ЕОМ полягає в тому, що разом з обчислювальними операціями значна увага приділяється вмінню ЕОМ виконувати логічні операції і розумові висновки з орієнтацією на користувачів-непрофесіоналів. 
Третя група проблем присвячена розробці нових технологій розв'язування задач. Ця технологія базується на нових принципах обробки, в яких виконується маніпулювання нелише даними, а й знаннями таким чином, як це роблять спеціалісти, виконуючи творчу роботу.Четвертим важливим напрямком у створенні систем з ШІ є створення інтелектуальних роботів, здатних до цілеспрямованого поводження, які сприймають інформацію про зовнішнє середо-вище і залежно від цього виконують певні дії. 
 

Рис. 1. Схема взаємозв'язку проблем досліджень в галузі штучного інтелекту 

 

ЕКСПЕРТНІ СИСТЕМИ  ТА ЇХ ХАРАКТЕРИСТИКА 
 
Експертна система — це комп'ютерна система, яка втілює в собі досвід експерта, що грунтується на його знаннях в певній галузі. Експертна система (ЕС) на основі обробки цих знань може давати інтелектуальні поради, приймати рішення на рівні експерта-професіонала, а також за бажанням користувача пояснювати хід розв'язування в разі відшукання того чи іншого рішення. 
 
Основні характеристики експертної системи такі: 
 
1. Експертна система, як правило, обмежена певною предметною областю. 
 
2. ЕС має вміти приймати рішення за неповних чи неточних даних. 
 
3. ЕС має вміти пояснювати свої дії при розв'язуванні задачі. 
 
4. Система повинна мати властивість розширення та нарощування функцій. 
 
5. ЕС має вміти імітувати діяльність висококваліфікованого спеціаліста (експерта). 
 
6. ЕС при розв'язуванні задач використовує, як правило, не точні алгоритми, а так звані

евристики, тобто методи, які спираються на досвід та знання експерта. 
 
Головні відмінності систем обробки даних від експертних систем, що ґрунтуються на обробці знань, полягають ось у чому: 
 
1. На виході експертної системи користувач дістає не машино-чи відеограму, яка подана в табличному вигляді, а інтелектуальну пораду, що має вигляд тексту. 
 
2. В основу ЕС покладено технологію обробки символьної інформації, що здебільшого подається у формі правил. 
 
3. В узагальненому вигляді системи обробки даних можна подати такою конструкцією: 
 
ДАНІ + АЛГОРИТМ - СИСТЕМА ОБРОБКИ ДАНИХ. Структурно в узагальненому вигляді ЕС можна зобразити так: 
 
ЗНАННЯ + РОЗУМОВИЙ ВИСНОВОК = = ЕКСПЕРТНА СИСТЕМА. 
 
4. Експертна система має архітектуру, яка також відрізняється від архітектури традиційних систем обробки даних. Відмінності полягають у наявності в експертній системі таких блоків: 
 
1) бази знань; 
 
2) пояснень; 
 
3) нагромадження знань. 
 
Структуру експертної системи зображено на рис. 2. розглянемо характеристику основних блоків ЕС. 
 
База знань — це сукупність відомостей про предметну область, для якої розробляється експертна система. 
 
Для функціонування системи база знань має бути наповнена знаннями. Для цього запрошують висококваліфікованих спеціалістів у тій галузі, для якої розробляється система, вони відіграють роль експертів, завдання яких — описати всі відомі знання для функціонування ЕС. У базі знань мають бути наявні знання першого та другого родів. Знання першого роду — це загальновідомі факти, явища, закономірності, які визнані в даній предметній області й опубліковані. Знання другого роду — це набір емпіричних правил та інтуїтивних висновків, якими користуються спеціалісти, приймаючи рішення в умовах невизначеності за наявності неповної суперечливої інформації. Відомості про ці знання, як правило, не опубліковані.У базі знань ЕС переважно містяться знання першого роду, але мають бути й знання другого роду. Якщо ці знання відсутні, то це означає поганий вибір експертів (вони не вміють формулювати свої знання чи навпаки: не хотять цього робити, щоб зберегти за собою статус унікальних спеціалістів). 
 

 

                                     Рис. 2. Структура експертної системи 
Інженер з питань знань має такі обов'язки: знання, що їх подали експерти, він структурує і записує в базу знань з урахуванням правил побудови моделі знань, проектованої EC. 
 
Усі знання, які подані в базі знань поділяються на інтенсіо-нальні та екстенсіональні. 
 
Інтенсіональні, або абстрактні, знання являють собою по» нятійні (концептуальні) знання про об'єкти предметної області І зв'язки між ними. 
 
Екстенсіональні (конкретні) знання — це кількісні характе. ристики інтенсіональної частини знань, тобто база даних EC. 
 
Здебільшого блок розв'язків складається з двох частин: блока логічного виводу та управляючого блока. 
 
Блок логічного виводу виконує дії, аналогічні до інтелектуальної діяльності спеціаліста, коли той приймає рішення. Функції цього блока — побудова логічного висновку на базі існуючих знань, які зберігаються в БЗ. 
 
Блок управління керує процесом пошуку рішення, тобто визначає послідовність використання різних правил і процедур маніпулювання знаннями. 
 
Блок пояснень слугує для видачі за запитом користувача послідовності логічних висновків та міркувань, якими оперувала система у процесі пошуку рішення. Наявність такого блока в EC дає змогу використовувати її не лише для прийняття рішень, а й для процесу навчання як навчальну систему. 
 
Для того щоб ЕС змогла швидко і якісно пояснювати правильність своїх відповідей, а також доцільність поставлених запитань, вона записує в робочій пам'яті хід своїх міркувань та їх послідовність. 
 
Факт можливості дістати пояснення породжує в користувача ілюзію, ніби-то система перевіряє відповідність правил, що записані в базі знань. Між тим ЕС пояснює свої дії виключно лише видаючи інформацію про хід процесу міркувань. Наприклад, в ЕС продукційного типу пояснення записуються в базу знань за допомогою модифікованого правила продукції: 
 
Правило XXX ЯКЩО < умова > 
 
ТО < висновок чи дія > 
 
ТОМУ ЩО < обгрунтування > 
 
Обґрунтування — це текст, що його дістане користувач після використання даного правила, маючи намір дістати пояснення. 
 
Блок спілкування з користувачем або інтерфейс користувача необхідний для організації діалогової взаємодії між системою і користувачем. Основна вимога до цього блока — це реалізація спілкування природною мовою користувача. 
 
Блок нагромадження знань. ЕС здебільшого будується для таких предметних областей, які характеризуються необхідністю актуалізації та розширення знань. З огляду на це ЕС містить блок, який дає змогу експерту завантажувати базу знань, а також виконувати редагування знань, які зібрані в базі. Усе більший інтерес викликає питання автоматизованого набуття знань експертною системою (актуалізація, коригування та розширення знань ЕС через процес навчання ЕС). Проблему навчання можна звести до створення нових понять та правил на базі існуючих, а також підключення їх в базу знань таким чином, аби не було суперечливості знань.Отже, функція цього блока полягає у формуванні емпіричних залежностей із неповних знань, тобто здобуття знань першого роду на основі знань другого роду. Але через складність реалізації цих функцій не всі ЕС мають у своєму складі такий блок. 
 
Створення нових знань повністю автоматизованим способом — це дуже проблематичний підхід, запропонований занадто захопленими прибічниками штучного інтелекту. Будь-які знання (особливо нові) потребують дуже ретельної перевірки, яку можуть виконати лише експерти. 
 
Основані на знаннях (інтелектуальні) або експертні комп'ютерні системи мають здатність показати вражаючу і інколи приголомшуючу продуктивність розглядати проблеми в порівнянні з людиною, що не є експертом. Вони роблять так за допомогою використання обширних баз знання, об'єднаних із спеціалізованим евристичним доведенням. Цей підхід привів до розробки систем, які пропонують наступні переваги: 
 
• У класах проблем, як наприклад діагностика дефектів, тера¬пія і вибір, вони можуть розв'язати деякі проблеми інколи краще ніж людина. 
 
• Вони можуть надати організаціям можливість краще управляти важливими активами управління і професійними знаннями і експертизою. Вони дозволили використовувати знання з управління і нагромаджений досвід, що в них зберігаються, центрально підтримуються і зручно розподілені. 
 
• Вони можуть відповісти простим запитам про їхні знання і досвід, і про те, як вони розв'язують проблеми. 
 
• Вони можуть функціонувати з менш досконалою і сумнівною інформацією. 
 
• Вони можуть використовувати тренувальні інструментальні засоби, щоб вдосконалити людський досвід; вони проводять експертизу відносно недорого. 
 
• Вони можуть часто бути легко зміненими, щоб відобразити зміни в робочому оточенні, як наприклад політику, правила і діючі процедури. 
 
• Вони не сплять, не хворіють, не тікають або не з'єднуються з іншими компаніями. 
 
Однак експертні системи на даний момент мають багато обмежень. 
 
• Вони звичайно працюють тільки у вузько визначених проблемних доменах, і їхній рівень розуміння середовища, в якому вони працюють, є до деякої міри поверховим. 
 
• Ці системи досі не мають «здорового глузду», як засоби вони звичайно не можуть обміркувати про проблему багатократними шляхами або на багатократних рівнях. Вони не знають те, коли вони не знають що-небудь, доречне до проблеми; це засіб, що вони можуть спробувати розв'язати проблеми, навіть коли їх знання і метод мислення є очевидно невідповідними, і вони не зможуть повідомити користувача-людину про цей факт. Вони не можуть глибоко знати логіку правил або достовірності правил, які зберігаються в їх базах знань, і вони не знають, коли доцільно порушити правила. 
 
• Вони не можуть самі навчитися. 
 
• Є проблеми продуктивності щодо тривалості відповіді в багатьох системах. 
 
• 3 метою вирішення проблеми продуктивності були створені спеціалізовані машини і мови для використання в експертних системах (наприклад, LISP машини). Однак, ці апаратні засоби і програмне забезпечення виявились важкими, щоб інтегрувати з існуючими корпоративними системами, і продавці цієї технології зазнають серйозних проблем з ринкової реалізації. 
 
• Експертні системи можуть бути дорогими і ризикованими, щоб розроблятися. Навіть коли спеціалізованих апаратних засобів і програмного забезпечення не вимагається, дистиляція людського досвіду, його кодування і збереження в базах знань для використання в експертних системах можуть вимагати значних витрат часу і бути трудомісткими. Майстерності, яка для цього вимагається, немає в багатьох випадках. 
 
• Успішні експертні системи можуть привести до реальних змін в шляхах людини виконувати свої завдання. Це може вима¬гати суттєвих організаційних і технологічних змін, які можуть стати на перешкоді повного успіху системи , навіть якщо система добре виконана з технічного боку. 

2. Логічне виведення  в умовах невизначеності: представлення  невизначеності знань і даних.

Для природної мови характерна нечіткість. Наприклад: маленьке число, висока температура, тощо. Прилад невизначеності - означення купи, коли можливі псевдоіндуктивні логічні висновки:

1) Один камінець не  утворює купу.

2) Додавання одного камінця  до «не купи» не перетворює  її на купу.

3) Отже, будь-яка кількість  камінців не утворює купу.

Для формалізації нечітких понять запропоновано апарат нечітких (розмитих) множин (fuzzy sets).

Функція належності - основна  характеристика нечіткої множини.

Якщо деяке поняття  не можна окреслити точно, то його можна описати наближено. Наприклад, людина з ростом 135 см зовсім не висока, 170см - більш-менш висока, 185 см - досить висока. Тобто для кожного росту можна задати ступінь того, наскільки такий ріст відповідає поняттю висока людина.

Зі звичайними множинами  тісно пов'язане поняття характеристичної функції.

Характеристичною функцією ч(х) називається функція, значення якої вказують, чи належить елемент  х множині А: чА(х)=1, якщо хА і чА(х)=0, якщо хА.

Професор Л.Заде у 1965 р. запропонував розширити поняття характеристичної функції. Він ввів поняття функції нечіткої належності м(х) елемента до множини, дозволивши цій функції набувати будь-якого значення від 0 до 1. Чим більшим є значення функції належності, тим більшою мірою належить елемент до множини.

Якщо мА(х)=1, то елемент  х чітко належить множині А, якщо ж мА(х)=0 , то елемент х чітко  не належить А. При 0<мА(х)<1 елемент  належить множин нечітко. Чим більшим  є значення функції належності, тим  більшою мірою елемент належить множині.

Означення. Нехай Е - довільна непуста множина. Нечіткою підмножиною  А множини Е називається множина  парде .

Функція називається функцією належності нечіткої підмножини А, а  Е - базовою множиною (базовою шкалою).

Значення мА(х), визначене  для кожного х, називається ступенем належності елемента до множини.

Приклад. Формалізуємо поняття  „високий зріст”. Для цього слід визначити функцію належності для  відповідної нечіткої множини. Базова множина Е - множина невід'ємних  цілих чисел.

Тоді відповідь на запитання  „Чи є високою людина зі зростом 185 см?” може бути відповідь: „Ступінь належності 0,7”, що означає „досить  висока”.

Цю саму нечітку множину  можна задати явно, перелічивши деякі  ступені належності:

А={ (1,5; 0), (1,6; 0,2), (1,7; 0,4), (1,8; 0,6), (1,9; 0,8), (2,1) }

Для нечітких множин є такі особливості:

1. Функція належності  не може бути визначена однозначно, оскільки вона є суб'єктивною (кожна людина може запропонувати  свої варіанти).

2. Самі значення функції  належності можна розглядати  як розмиті. Наприклад, дехто  оцінив зріст 185 см як високий  зі ступенем належності 0,8; але  ступінь належності може приймати  також значення 0,78 або 0,82. Тому  можна говорити про інтервали  оцінок ступенів належності. Якщо  ступінь належності кожного елемента  оцінюється інтервалом, то говорять  про нечіткі множини другого  роду з функцією належності .Такі  міркування можна продовжити  й далі. Проте на практиці звичайно  користуються нечіткими множинами  першого роду (з конкретними значеннями  ступенів належності).

3. незважаючи на те, що  функція належності є суб'єктивною  оцінкою, її не можна вибрати  довільно. У нашому випадку функція  належності, яка описує поняття  „високий зріст”, повинна бути  неспадною: неможливо, щоб хтось  оцінював зріст 165 см більшим  ступенем належності, ніж зріст  195 см.

Розглянемо деякі операції:

1. Рівність. Дві нечіткі  підмножини базової Е називаються  рівними між собою, якщо ; позначається  рівність А=В.

2. Включення. А є підмножиною  В (), якщо .

3. Перетин. Перетином двох  нечітких множин А і В називається  нечітка множина з функцією  належності .

4. Об'єднання. Об'єднанням  двох нечітких множин А і  В називається нечітка множина  з функцією належності .

5. Доповнення. Нечітка множина  В є доповненням нечіткої множини  А, якщо .

Для нечітких множин виконуються  всі основні властивості звичайних  чітких множин, крім двох: об'єднання  не обов'язково дорівнює базовій множині; перетин не обов'язково дорівнює порожній множині.

Розглянемо типову задачу логічного виведення в умовах невизначеності:

Дано (нечітке) продукцій не правило „Якщо А, то В”.

Спостерігається А/ (А в  певній мірі).

Яким повинно бути В?

Формальніше задані носії U і V та їх нечіткі підмножини А і  В. Задано або елемент , або множину . Потрібно визначити елемент , що являє  висновок - результат застосування нечіткого правила.

Приклад. Дано нечітке продукцій не правило:

„Якщо студент багато працює в бібліотеці, то він отримає високу оцінку”.

Як множину U ми розглянемо множину чисел, яка визначає кількість  годин на тиждень (0..30), які студент  проводить в бібліотеці: U={0, 3, 6, 9, 12, 18, 21, 27}.

Як множину V оцінок (рейтингів) за 100-бальною шкалою розглянемо діапазон чисел від 59 до 100: V={59, 72, 84, 91, 96, 100}.

Задамо функції належності для нечітких множин А („багато працює в бібліотеці”) та В („високий рейтинг”) таким чином:

А={(3, 0); (6, 0.1); (9, 0.4); (12, 0.6); (18, 0.8); (21, 1); (27, 1)}.

В={(59, 0); (72, 0.2); (84, 0.4); (91, 0.7); (96, 0.9); (100, 1)}.

- Нечітким відношенням  між множинами А та В називається  нечітка підмножина їх декартового добутку. Тобто, якщо

то відношення А R В визначається як множина пар

Відношення нечіткої імплікації А>В можна виводити по різному. Часто використовується формула min-імплікації:

Для задання імплікації задають  також й інші формули:

1) нечітке розширення  класичної імплікації:

2) нечітка імплікація  Лукашевича:

Тепер ми можемо отримати множину  В/ - нечітку множину висновків, які  відповідають множині А/. Це є результатом  композиції множини А/ й нечіткої імплікації:

де - знак композиції, що обчислюється за формулою

Але отримати лише множину  В/ недостатньо, треба ще знайти конкретну  числову відповідь (провести дефадзифікацію). Найчастіше за числову відповідь береться центр тяжіння знайденої нечіткої множини, який обчислюється за формулою .

Увесь описаний метод нечіткого  логічного виведення часто називають  методом центру тяжіння композиції максимум-мінімум.

Повернемося до попереднього прикладу.

Ми задали функції належності для нечітких множин А („багато працює в бібліотеці”) та В („високий рейтинг”) таким чином:

А={(3, 0); (6, 0.1); (9, 0.4); (12, 0.6); (18, 0.8); (21, 1); (27, 1)}.

В={(59, 0); (72, 0.2); (84, 0.4); (91, 0.7); (96, 0.9); (100, 1)}.

Нехай дано, що „студент працює в бібліотеці середню кількість  часу”. Задамо нечітку множину А/ (середня кількість часу):

A/={(3, 0); (6, 0.2); (9, 0.7); (12, 1); (18, 0.6); (21, 0.2); (27, 0)}.

Таблиця 1- Відношення імплікації нечітких множин А та В

		59	72	84	91	96	100
	А/В	0	0.2	0.4	0.7	0.9	1
3	0	0	0	0	0	0	0
6	0.1	0	0.1	0.1	0.1	0.1	0.1
9	0.4	0	0.2	0.4	0.4	0.4	0.4
12	0.6	0	0.2	0.4	0.6	0.6	0.6
18	0.8	0	0.2	0.4	0.7	0.8	0.8
21	1	0	0.2	0.4	0.7	0.9	1
27	1	0	0.2	0.4	0.7	0.9	1

 

 

 

 

 

 

Таблиця 2 - Композиція множини  А/ та щойно знайденого відношення А>В. Результатом буде нечітка множина  В/:

 

		59	72	84	91	96	100
	А/В	0	0.2	0.4	0.7	0.9	1
3	0	0	0	0	0	0	0
6	0.2	0	0.1	0.1	0.1	0.1	0.1
9	0.7	0	0.2	0.4	0.4	0.4	0.4
12	1.0	0	0.2	0.4	0.6	0.6	0.6
18	0.6	0	0.2	0.4	0.6	0.6	0.6
21	0.2	0	0.2	0.2	0.2	0.2	0.2
27	0	0	0	0	0	0	0
	B/	0	0.2	0.4	0.6	0.6	0.6