Гибридные интеллектуальные системы реферат

Обновлено: 05.07.2024

Ключевые слова: искусственный интеллект, гибридная парадигма, интеллектуальный агент, системная архитектура, кибернетический подход, взаимодействие со средой, функциональный подход, системотехника, системный анализ, объяснимый искусственный интеллект

Abstract: The subject of research is the architecture of artificial intelligent systems, developed as part of a hybrid approach to artificial intelligence. The article offers the author’s vision of the process of constructing artificial intelligent agents based on a hybrid approach using organismic principles. An artificial intelligent agent with a hybrid scheme is a “cybernetic machine” operating in a certain environment and functionally interacting with it. Of interest is the way the agent interacts and makes decisions, in which information from the environment passes through many sensors, and then it is cleaned up and sensory integrated with further translation into a symbolic form for decision making based on symbolic logic and the operation of a universal output machine. As the main research methodology, a systems engineering approach to the analysis and construction of technical systems was adopted, as well as a functional approach as an additional research method. The novelty of the study is in the use of a hybrid paradigm for constructing artificial intelligent systems in conjunction with systems and functional approaches in the design of technical systems, which made it possible to generalize the available data on the interaction of intelligent agents with the environment and identify interesting patterns for use in the development of artificial intelligence systems. The main conclusion of the study is the possibility of using a hybrid paradigm to obtain artificial intellectual agents that have important advantages of the upward and downward artificial intelligence paradigm - the ability to learn and behave appropriately in an unknown environment and the ability to explain the reasons for their decisions, respectively. This important finding will advance research into explainable artificial intelligence.

functional approach, interaction with environment, cybernetic approach, system architecture, intellectual agent, hybrid paradigm, artificial intelligence, system design, system analysis, explainable artificial intelligence

Наука об искусственном интеллекте – междисциплинарная область исследований, бурное развитие которой началось в XX веке. В середине XX века были предприняты попытки создать интеллектуальную систему в виде универсальной вычислительной машины, но быстро стало очевидно, что разработать интеллект in silico — чрезвычайно сложная задача. В дальнейшем благодаря совместным усилиям математиков и физиологов появилась модель искусственного нейрона и была создана первая искусственная нейронная сеть, в которой, к разочарованию ученых, тоже не зародился разум. Стало ясно, что само существование нейронной сети не гарантирует её разумность, и что разум, скорее всего, обусловлен какими-то неясными синергетическими эффектами внутри сети из многих миллионов нейронов [1] .

Фактически, две парадигмы, описанные выше, лежат в основе всякого подхода к разработке искусственных интеллектуальных систем.

И чистый, и грязный подход имеют свои достоинства и недостатки. К достоинствам чистого подхода можно отнести лёгкость интерпретации и объяснения результатов, полученных машиной логического вывода на основе символьных вычислений. При этом в рамках чистого подхода сложно работать с данными большого объёма из-за необходимости готовить для машины вывода слишком большую базу знаний, которая к тому же должна будет строиться с использованием лингвистических переменных, значение которых определено не строго [5] . Более того, вопрос обучения искусственных интеллектуальных систем, основанных на нисходящей парадигме, до сих пор скорее открыт — окончательного формализма для описания функции самостоятельного обучения интеллектуальных систем не предложено [1] .

Решение задачи построения искусственных интеллектуальных систем можно искать в совмещении возможностей чистого и грязного подхода. Можно попробовать построить архитектуру гибридной интеллектуальной системы, продолжая вдохновляться устройством разума и интеллекта человека, но на более общем уровне. Следующая диаграмма графически показывает общую схему взаимодействия компонентов в гибридной интеллектуальной системе, которая основана на таких принципах.

Рис. 1. Общая архитектура гибридного интеллектуального агента

Сенсоры (аффекторы) передают информацию на нейронную сеть обработки сенсорной информации, которая преобразует информацию с сенсоров к символьной информации, на основе которой универсальная машина логического вывода формирует входные данные для моторной нейронной сети. Результат работы моторной нейросети ― низкоуровневые команды, которые управляют исполнительными устройствами гибридной ИС. При этом сенсоры также воспринимают информацию о состоянии компонентов самой системы.

Можно улучшить схему на рис. 1, разделив систему управления на две подсистемы, и тогда общая схема гибридной интеллектуальной системы будет выглядеть так, как показано на следующей диаграмме:

Рис. 2. Расширенная архитектура гибридного интеллектуального агента

Теперь система управления разбивается на две части:

Цикл функционирования гибридной системы состоит в последовательном выполнении следующих шагов:

1. Со всех сенсоров, осуществляющих мониторинг параметров среды функционирования системы, собирается входная информация. Разные типы сенсоров в данном случае являются отдельными модальностями восприятия гибридной интеллектуальной системы.

2. После сбора входной информации осуществляется очистка её от шумов и выбирается путь дальнейшей обработки. Если входная информация соответствует каким-либо автоматическим шаблонам поведения системы, то фокус управления передается в реактивную подсистему, которая выбирает и исполняет конкретный шаблон.

3. Если для входной информации не находится автоматической реакции, то все модальности восприятия системы интегрируются в единый блок описания среды (этот блок аналогичен деятельности таламуса в человеческом мозге). На выходе этого блока формируется целостная картина восприятия среды, которая передается в проактивную управляющую подсистему.

4. Проактивной системой формируется новое правило для реактивной системы. Это управленческое воздействие в символьном виде, которое записывается в реактивную систему и направляется на исполнение. Правило выводится проактивной системой на основе моделей системы, её поведения и среды с помощью механизма символьного вывода, поэтому может быть легко интерпретировано человеком.

5. Символьное управленческое воздействие переводится на низкоуровневый язык и передается на исполнительные устройства, которые взаимодействуют со средой и объектом управления. Перевод может осуществляться различными механизмами. Например, нейронной сетью. После исполнения команды исполнительными устройствами цикл функционирования завершается.

Кроме всего прочего внутри гибридной интеллектуальной системы должны быть реализованы контрольные связи от всех её элементов к сенсорам. Тем самым реализуются адаптационные механизмы, основанные на постоянстве внутреннего состояния системы.

Гибридная искусственная интеллектуальная система получается из автоматических систем управления путём их интеллектуализации, то есть повышения адаптивности и автономности [8] . Поэтому примерами применения гибридных ИИ-систем могут служить многие хорошо знакомые, но интеллектуализированные в гибридной парадигме автоматические системы управления. Следующие примеры являются реальными примерами, взятыми из рабочей практики авторов, для которых приводятся соответствующие ссылки на более детальные описания реализаций.

Данная в настоящей работе архитектура гибридной интеллектуальной системы описывает отдельный класс ИС, который основан на высокоуровневом копировании отдельных аспектов функционирования человеческого интеллекта. Можно предположить, что уточнение предложенной архитектуры конкретными технологиями при реализации таких интеллектуальных систем позволит повысить эффективность применения решений на основе искусственного интеллекта.

Приведённые примеры применения описанной архитектуры показывают, что предлагаемая архитектура и подход достаточно универсальны, чтобы применяться в различных проблемных областях. Вместе с тем, эти вопросы пока ещё открыты, и требуются дополнительные исследования открывающихся возможностей, способов применения и возникающих эффектов.

Черненко В.В., Пискорская С.Ю. Экспертные системы // Актуальные проблемы авиации и космонавтики. 2012. №8. С. 322-323.

Душкин Р.В. Обзор подходов и методов искусственного интеллекта // Радиоэлектронные технологии. 2018. № 3. С. 85-89.

Нариньяни А.С. Недоопределенность в системах представления и обработки знаний // Известия АН СССР. Техн. кибернетика. 1986. № 5. С. 3-28.

Tong A., van Dijk D., Stanley J.S., Amodio M., Wolf G., Krishnaswamy S. Graph Spectral Regularization for Neural Network Interpretability. In Proc.: ICLR. 2019. p. 9.

Steiner E., Tata M., Frisén J. A fresh look at adult neurogenesis // Nature Medicine. 2019. p. 542–543.

Hofstadter D., Dennett D. The Mind's I: Fantasies and Reflections on Self and Soul. Philosophical Quarterly. 1981. 501 P.

Нечаев С.Ю. Китайская комната Дж. Р. Серля в контексте проблем философии искусственного интеллекта // Изв. Сарат. ун-та Нов. сер. Сер. Философия. Психология. Педагогика. 2010. №4. c. 19-24.

Душкин Р.В. Особенности функционального подхода в управлении внутренней средой интеллектуальных зданий // Прикладная информатика. 2018. Т. 13. № 6 (78). С. 20-31.

Душкин Р.В. Развитие методов адаптивного обучения при помощи использования интеллектуальных агентов // Искусственный интеллект и принятие решений. 2019. № 1. С. 87-96.

В связи с политикой двойного слепого рецензирования личность рецензента не раскрывается.
Со списком рецензентов издательства можно ознакомиться здесь.

Методология исследования основана на сочетании теоретического и модельного подходов с применением методов анализа, моделирования, сравнения, обобщения, синтеза.

Актуальность исследования обусловлена широким распространением интеллектуальных систем в различных отраслях современной экономики и, соответственно, необходимостью их изучения и проектирования, в том числе в части архитектуры гибридного интеллектуального агента.

Научная новизна связана с обоснованным автором подходом к проектированию архитектуры гибридного интеллектуального агента, которая описывает отдельный класс таких агентов, который основан на высокоуровневом копировании отдельных аспектов функционирования человеческого интеллекта. Предполагается, что уточнение предложенной архитектуры конкретными технологиями при реализации таких интеллектуальных агентов позволит повысить эффективность применения решений на основе искусственного интеллекта.

Стиль изложения научный. Статья написана русским литературным языком.

Содержание в целом соответствует названию. Вместе с тем обращает внимание, что представленная формулировка заголовка в большей степени подходит для монографии, нежели отдельной статьи. С учётом того, что практически все представленные примеры, иллюстрирующие предлагаемую автором схему построения искусственных интеллектуальных систем широко известны и распространены, следует конкретизировать научную новизну и практическую значимость проведённого исследования.

Апелляция к оппонентам (Ященко В. А., Рассел С., Норвиг П., Черненко В. В., Пискорская С. Ю., Нариньяни А. С., Tong A., Dijk D. van, Stanley J. S., Amodio M., Wolf G., Krishnaswamy S., Steiner E., Tata M., Frisén J., Thacher R. W., John E. R., Hofstadter D., Dennett D., Нечаев С. Ю., Андреева Е. А., Белкова Е. В., Жарков А. Д., Курочкин Е. А., Левин Н. В., Морозов В. П., Иванов Д. А., Ицкович Э. Л., Коптев А. П., Batty M. и др.) имеет место.

Аббревиатуры ИИ, MOOC при первом упоминании нужно привести полностью.

Просто выделите и скопируйте ссылку на эту статью в буфер обмена. Вы можете также попробовать найти похожие статьи

Модели миров задач и методов в системах поддержки принятия решений. Разработка моделей взаимодействия миров и классификация отношений интеграции разнородных знаний. Подходы к гибридам. Результаты методологии и технологии гибридных интеллектуальных систем.

Рубрика	Программирование, компьютеры и кибернетика
Вид	статья
Язык	русский
Дата добавления	16.01.2018
Размер файла	164,8 K

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Подобные документы

Классификация систем поддержки принятия решений. Сравнительный анализ методик для оценки рисков розничного кредитования. Структура системы поддержки принятия решений, формирование начальной базы знаний. Проектирование базы данных информационной системы.

дипломная работа [1,9 M], добавлен 10.07.2017

Анализ существующих решений системы поддержки принятия решений для корпоративной сети. Многоагентная система. Разработка концептуальной модели. Структура базы знаний. Разработка модели многоагентной системы на базе сетей Петри. Методика тестирования.

дипломная работа [5,1 M], добавлен 19.01.2017

Основные модели представления знаний. Системы поддержки принятия решений. Диаграмма UseCase. Разработка базы данных на основе трех моделей: продукционные правила, семантическая сеть, фреймовая модель. Программная реализация системы принятия решений.

курсовая работа [715,1 K], добавлен 14.05.2014

Классификация задач системы поддержки принятия решений, их типы и принципы реализации при помощи программы "Выбор". Обзор современных систем автоматизированного проектирования "Компас", "AutoCad", "SolidWorks", оценка преимуществ и недостатков программ.

курсовая работа [1,4 M], добавлен 22.07.2014

Методы решения проблем, возникающих на стадиях и этапах процесса принятия решений, их реализация в информационных системах поддержки принятия решений (СППР). Назначение СППР, история их эволюции и характеристика. Основные типы СППР, области их применения.

За рубежом ранние результаты по гибридам в континуально-дискретном пространстве состояний (W-модели) принадлежат. Позже разработаны интересные, базовые модели L. Tavernini (T-модель), A. Nerode и W. Kohn (NK-модель) и J. Antsaklis, J. Stiver, M. Lemmon (ASL-модель), использующие только автономное переключение. В модели A. Back, J. Guckenheimer, M. Myer (BGM-модель) есть автономное переключение… Читать ещё >

гибридные интеллектуальные системы для поддержки принятия решений

Гибридные системы и гибридные интеллектуальные системы ( реферат , курсовая , диплом , контрольная )

За рубежом ранние результаты по гибридам в континуально-дискретном пространстве состояний (W-модели) принадлежат [Witsenhausen, 1966]. Позже разработаны интересные, базовые модели L. Tavernini (T-модель), A. Nerode и W. Kohn (NK-модель) и J. Antsaklis, J. Stiver, M. Lemmon (ASL-модель) [Branicky et al., 1994], использующие только автономное переключение. В модели A. Back, J. Guckenheimer, M. Myer (BGM-модель) [Branicky et al., 1994] есть автономное переключение и скачки. Модель R. Brockett (B-модель) [Branicky et al., 1994] и NK-модель обобщают T-модель. С точки зрения управления T — и BGM-модели — автономные системы, а NK — и ASL-модели сфокусированы только на управляющем автомате. B-модель обеспечивает уже более высокий уровень математического моделирования, различая непрерывное и дискретное управление.

Развитием базовых моделей в сторону многокомпонентности и связности следует считать модель [Branicky et al., 1994], модель [Puri et al., 1994], предложивших гибридную систему коммутируемых и координируемых компонент — гибридных автоматов, модель [Walsh, 1996], использующую расширенную W-модель для математического моделирования управляющей сети и модель [Praehofer et al., 1995] - спецификацию систем для элементарных и связанных моделей.

Н.П. Бусленко [Бусленко, 1978] внес стохастичность в континуально-дискретное поведение объектов, предложив унифицированные математические модели — агрегат и агрегативную систему (25, "https://referat.bookap.info").

Следующая группа моделей отличается от рассмотренных тем, что авторы создают подходы с существенно более слабыми требованиями к математическим формализмам и тем самым расширяют класс систем, доступных исследованию как в классической математике, так и в computer science. Так, например, в [Осипов, 1998] предложены интегрированные динамические системы, основанные на знаниях, естественным образом сочетающие различные парадигмы моделирования, в [Вагин и др., 1997] - семиотическая система логико-лингвистического типа, в [Тарасов, 1998] - нечеткая эволюционная многоагентная система, в [Валькман, 1998] введено исчисление моделей, а в [Рыбина, 1998] - формализм интегрированной ЭС.

Все рассмотренные результаты вошли в созданную нами онтологию мира гибридов.

Для учеников 1-11 классов и дошкольников
Бесплатные сертификаты учителям и участникам

ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ. ОСОБЕННОСТИ ИХ РАЗВИТИЯ

Системы, состоящие из нескольких разных подсистем, имеющих одну цель и общие действия, носят название Гибридных систем (ГС). Направление ГИС объединяет специалистов, которые занимаются разработкой методов имитации умственной деятельности человека. Обычно

· искусственных нейронных сетей,

· имитационных статистических моделей.

ГИС быстро развиваются, они объединяют формализуемые и неформализуемые знания.

Интеллектуальные системы (ИС), в зависимости от строения можно разделить на однокомпонентные и многокомпонентные. Однокомпонентные ИС используют какое-то одно средство искусственного интеллекта (ИИ). Многокомпонентные ИС используют разные средства ИИ. Многокомпонентные ИС более сложны по архитектуре, работа такой системы напрямую зависит от работы других слоев.

ГИС по архитектуре делятся на четыре типа (Рисунок 1):

Рисунок 1.Типы архитектуры ГИС.

В связи с быстрым ростом информации, можно выделить еще один тип ГИС распределенный, который использует данные, поступающие из Интернета.

Системы первого типа представляют объединение Экспертных Систем (ЭС) и нейронных сетей и соединяют формализуемые знания, с которыми работает ЭС с неформализуемыми знаниями в нейронных сетях.

Работа ЭС второго типа использует алгоритм с применением индукционного дерева. Этот алгоритм создает правила. Они позволяют осуществлять как прямые, так и обратные запросы.

В строении интегрированных ГИС все решает модуль-интегратор, который, находит интеллектуальные модули и объединяет отзывы работающих модулей. БД доступна и нейронной сети. Нейронная сеть представлена, как инструмент для обучения. Нейронная сеть берет входные данные и применяет их как примеры для обучения.

Примерами Систем третьего типа можно отнести ГЭС для инвестиций, ГЭС для распознавания неисправностей.

Системы четвертого вида не получили пока большого распространения, так как они еще недостаточно надежны.

Распределенные ИС предлагают многоагентный подход в области распределенного ИИ (рисунок 2). В этом случае каждый модуль работает автономно и связывается с другими путем передачи информации через сеть.

Рисунок 2. Архитектура распределенной ГИС

Существуют пять стратегий создания ГИС:

- полностью интегрированные модели.

Автономные модели применяются для построения нулевого образца. Автономные модели состоят из независимых программ, поэтому при поступлении новых данных сразу должны измениться.

Результатом разработки трансформационных моделей должна стать автономная, не связанная с другими частями модель. Основное отличие трансформационной модели от автономной заключается том, что она начинает функционировать как система, которая использует один автономный метод, а заканчивает как система, использующая другой метод. Трансформационные модели быстро создаются и требуют меньше затрат.

В слабосвязанные модели приложение делится на элементы, которые общаются через файлы данных. Они просты для разработки и применяют коммерческие программы.

Сильносвязанные ГИС требуют меньше затрат, но имеют большую производительность по сравнению со слабосвязанными моделями. Однако они имеют три принципиальных ограничения:

1)Их сложно разрабатывать и поддерживать в рабочем состоянии.

2) Излишество накопленных данных.

3) Трудность проверки адекватности.

Полностью интегрированные ГИС вместе пользуются общими структурами данных и представлениями знаний. Это вид гибридов быстро развивается. В них выделяют создание концептуальных нейросетей, экспертных систем, в которых элементы связываются быстро и просто, а общая информация доступна тому и другому компоненту. К преимуществам полной интеграции можно отнести надежность, увеличение скорости обработки, адаптацию и дедукцию.

Список литературы :

1. Боев, В.Д. Моделирование систем. Инструментальные средства GPSS World СПб.: БХВ-Петербург, 2004, – 105 с.

2. Клачек П. М., Корягин С. И., Колесников А. В., Минкова Е. С. Гибридные адаптивные интеллектуальные системы. Ч. 1: Теория и технология разработки: монография. — Калининград: Изд-во БФУ им. И. Канта,2011. — 374 с.

2.Колесов, Ю. Сениченков Моделирование систем. Динамические и гибридные системы М: БХВ-Петербург, 2006, – 224с.

4. Колесников А.В. Гибридные интеллектуальные системы: Теория и технология разработки. – СПБ: зд-во СПбГТУ, 2001, – 711 с.

Читайте также: