Интеллектуальные системы и технологии в экономике реферат

Обновлено: 05.07.2024

Современная экономика немыслима без информации. Тысячи предприятий, миллионы налогоплательщиков, триллионы рублей, биржевые котировки, реестры акционеров - все эти информационные потоки необходимо оценить, обработать, сделать необходимые выводы, принять правильное решение.
Современный специалист - экономист должен уметь принимать обоснованные решения. Для этого наряду с традиционными знаниями, такими как основы менеджмента, основы внешнеэкономической деятельности, банковское дело, административное управление, налогообложение он должен владеть информацией по построению информационных систем.

Содержание

Введение 4
1.Понятие искусственного интеллекта 7
2.Структура и методы интеллектуальной системы 12
3.Перспективы развития искусственного интеллекта 26
Заключение 32
Приложение 1 34
Список литературы 36

Работа содержит 1 файл

реферат .doc

Современный специалист - экономист должен уметь принимать обоснованные решения. Для этого наряду с традиционными знаниями, такими как основы менеджмента, основы внешнеэкономической деятельности, банковское дело, административное управление, налогообложение он должен владеть информацией по построению информационных систем.

Интеллектуальные технологии – один из последних этапов развития аналитических технологий. Аналитическими технологиями называют методики, которые на основе каких-либо моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров. Простейший пример аналитической технологии - теорема Пифагора, которая позволяет по длинам сторон прямоугольного треугольника определить длину его третьей стороны. Другим примером являются способы, с помощью которых обрабатывает информацию человеческий мозг.

Аналитические технологии нужны в первую очередь людям, принимающим важные решения - руководителям, аналитикам, экспертам, консультантам. Доход компании в большой степени определяется качеством этих решений – точностью прогнозов, оптимальностью выбранных стратегий. Наиболее распространены аналитические технологии, используемые для решения следующих задач: для прогнозирования курсов валют, цен на сырье, спроса, дохода компании, уровня безработицы, числа страховых случаев, и т.д.

Как правило, для реальных задач бизнеса и производства не существует четких алгоритмов решения. Раньше руководители и эксперты решали такие задачи только на основе личного опыта. С помощью современных аналитических технологий строятся системы, позволяющие существенно повысить эффективность решений.

1.Понятие искусственного интеллекта

Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно означает свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

Искусственный интеллект (ИИ) – научная дисциплина, занимающаяся моделированием мышления человека при решении трудноформализуемых задач. В теории искусственного интеллекта основными моделями знаний являются: продукционные системы, семантические сети, сети фреймов, логика предикатов, системы онтологий, нейронные сети и т.д. Изучением таких моделей занимается инженерия знаний - специальный раздел теории искусственного интеллекта. Помимо традиционных моделей представления знаний, для автоматизации структурно-параметрического синтеза представляют особый интерес интегративные модели, являющиеся наиболее полными моделями знаний о классе объектов.

Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются метапроцедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти метапроцедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программно-аппаратные) модели таких метапроцедур.

Цель исследований в области искусственного интеллекта — создание арсенала метапроцедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения. Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистов-прикладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. В поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной или интуитивной.

Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперименты на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Их конструкция не имеет ничего общего с тем, как устроен человеческий мозг. Поэтому идет интенсивный поиск новых технических структур, которые будут способны лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое.

Существует много различных подходов к классификации информационных систем:

– по степени структурированности решаемых задач;

– по автоматизируемым функциям;

– по степени автоматизации реализуемых функций;

– по сфере применения и характеру использования информации, в частности, по уровням управления.

Известно, что при обучении людей существуют различные уровни предметной обученности: воспроизведение (память); решение стандартных задач (умения, навыки); решение нестандартных, творческих задач (знания, активное интеллектуальное понимание).

Интеллект может проявляется в различных областях, но мы рассмотрим его возможности в решении задач, т.к. эта область проявления является типичной для интеллекта. Задачи бывают стандартные и нестандартные. Для стандартных задач известны алгоритмы решения. Для нестандартных они неизвестны. Поэтому решение нестандартной задачи представляет собой проблему.

Разработка алгоритма решения задачи связано с тонкими и сложными рассуждениями, требующими изобретательности, опыта, высокой квалификации.

Области применения

Представляется совершенно естественным исключить из класса интеллектуальных такие задачи, для которых существуют стандартные методы решения. Для решения вычислительных задач (решение системы линейных алгебраических уравнений, численное интегрирование дифференциальных уравнений и т.д. ) имеются стандартные алгоритмы. Они определенную последовательность элементарных операций, которая может быть легко реализована в виде программы для компьютера. В противоположность этому для широкого класса интеллектуальных задач, таких, как распознавание образов, игра в шахматы, доказательство теорем и т.п., напротив, это формальное разбиение процесса поиска решения на отдельные элементарные шаги часто оказывается весьма затруднительным, даже если само их решение несложно. Поэтому применение ИИ позволяет :

строить интеллектуальный (дружественный) интерфейс в информационных системах
решать задачи, которые не могут быть решены обычными методами
значительно увеличить скорость и качество решения задач
решать задачи в условиях неполноты данных
анализировать большие объемы информации
понимать речь, ручное письмо и т.д.

2.Структура и методы интеллектуальной системы

Интеллектуальная информационная система представляет собой сумму искусственного интеллекта и баз знаний.

База знаний представляет собой совокупность сред, хранящих знания различных типов. Рассмотрим кратко их назначение.

В свою очередь база знаний включает:

База фактов (данных) хранит конкретные данные, а база правил — элементарные выражения, называемые в теории искусственного интеллекта продукциями.
База процедур содержит прикладные программы, с помощью которых выполняются все необходимые преобразования и вычисления.
База закономерностей включает различные сведения, относящиеся к особенностям той среды, в которой действует система.
База метазнаний (база знаний о себе) содержит описание самой системы и способов ее функционирования: сведения о том, как внутри системы представляются единицы информации различного типа, как взаимодействуют различные компоненты системы, как было получено решение задачи.
База целей содержит целевые структуры, называемые сценариями, позволяющие организовать процессы движения от исходных фактов, правил, процедур к достижению той цели, которая поступила в систему от пользователя либо была сформулирована самой системой в процессе ее деятельности в проблемной среде.

Управление всеми базами, входящими в базу знаний, и организацию их взаимодействия осуществляет система управления базами знаний. С ее же помощью реализуются связи баз знаний с внешней средой. Таким образом, машина базы знаний осуществляет первую функцию интеллектуальной системы.

Выполнение второй функции обеспечивает часть интеллектуальной системы, называемая решателем и состоящая из ряда блоков, которые управляются системой управления решателя. Часть из блоков реализует логический вывод.

Блок дедуктивного вывода осуществляет в решателе дедуктивные рассуждения, с помощью которых из закономерностей из базы знаний, фактов из базы фактов и правил из базы правил выводятся новые факты. Кроме этого, данный блок реализует эвристические процедуры поиска решений задач как поиск путей решения задачи по сценариям при заданной конечной цели.

Для реализации рассуждений, которые не носят дедуктивного характера, т. е. для поиска по аналогии, по прецеденту и т. д., используются блоки индуктивного и правдоподобного выводов.

Общая структура интеллектуальной системы

Блок планирования применяется в задачах планирования решений совместно с блоком дедуктивного вывода.

Назначение блока функциональных преобразований состоит в решении задач расчетно-логического и алгоритмического типов.

Третья функция - функция общения - реализуется как с помощью компоненты естественно-языкового интерфейса, так и с помощью рецепторов и эффекторов, которые осуществляют так называемое невербальное общение и используются в интеллектуальных роботах.

В зависимости от набора компонентов, реализующих рассмотренные функции, можно выделить следующие основные разновидности интеллектуальных систем:

интеллектуальные информационно-поисковые системы;
экспертные системы (ЭС);
расчетно-логические системы;
гибридные экспертные системы.

Интеллектуальные информационно-поисковые системы являются системами взаимодействия с проблемно-ориентированными (фактографическими) базами данных на естественном, точнее, ограниченном как грамматически, так и лексически (профессиональной лексикой) естественном языке (языке деловой прозы). Для них характерно использование (помимо базы знаний, реализующей семантическую модель представления знаний о проблемной области) лингвистического процессора.

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую очередь стали создаваться в математически слабо формализованных областях науки и техники, таких как медицина, геология, биология и другие. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычислительного процесса. В общем случае по описанию проблемы на языке предметной области обеспечивается автоматическое построение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компонентов дедуктивного вывода и планирования.

Понятие и классификация интеллектуальных информационных систем

Интеллектуальная информационная система (ИИС) – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач различных классов в зависимости от конкретных информационных потребностей пользователей.

На основе обобщения различных классификаций в работе предложена классификация по признаку усложнения задач и потребностей пользователя (табл. 7.1).

Классификации интеллектуальных информационных систем

1. Системы с интеллектуальным интерфейсом (коммуникативные способности)

1.1. Интеллектуальные базы данных.

1.3.Гипертекстовые системы, мультимедиа.

1.4. Контекстные системы помощи.

1.5. Когнитивная графика

2. Экспертные системы (решение сложных интеллектуальных задач)

2.1. Классифицирующие системы.

2.2. Доопределяющие системы.

2.3. Трансформирующие системы.

2.4. Многоагентные системы

3. Самообучающиеся системы (способность к самообучению)

3.1. Индуктивные системы.

3.2. Нейронные сети.

3.3.Системы, основанные на прецедентах.

3.4. Информационное хранилище

Системы с интеллектуальным интерфейсом. Интеллектуальная БД реализует функции, обратные функциям экспертной системы. Интеллектуальные БД отличаются от обычных возможностью выбора по запросу информации, явно не хранящейся в базе. Эта информация может выводиться из имеющихся в БД информации. Система данного класса без помощи пользователя по структуре базы данных сама способна строить путь доступа к файлам данных, формируя при этом запрос в диалоге с пользователем. Последовательность шагов этого запроса реализуется в максимально удобной для пользователя форме, а сам запрос может формулироваться с применением ИИС естественно-языкового интерфейса.

Естественного-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Естественно-языковой интерфейс реализуется, например, в системах, обеспечивающих перевод на иностранные языки. Эта задача стояла перед разработчиками ИИС еще в самом начале развития интеллектуальных систем. Однако до настоящего момента задача адекватного автоматизированного перевода с (на) иностранные языки не решена, несмотря на достаточно большое количество ИИС в этом направлении. Для реализации естественно-языкового интерфейса необходимо решать задачи синтаксического, морфологического и семантического анализа, а также синтеза высказываний на естественном языке.

Естественно-языковой интерфейс используется для:

• доступа к интеллектуальным базам данных (о чем уже было упомянуто);

• контекстного поиска документальной текстовой информации;

• голосового ввода команд в системе управления (сейчас это направление широко развивается);

• машинного перевода с иностранных языков (существует множество проблем, указанных выше).

Гипертекстовые системы предназначены для реализации поиска на основе ключей (ключевых слов) по базам текстовой информации, а также нахождения мультимедийной информации, которая включает помимо текстовой и цифровой информации различные образы — графические, аудио, видео.

Системы контекстной помощи являются частным случаем интеллектуальных гипертекстовых и естественно-языковых систем. Эти системы отличаются от обычных систем помощи тем, что пользователь не применяет помощник как навигатор или руководство, а изначально описывает проблему. Интеллектуальная информационная система в этом случае с применением дополнительного диалога конкретизирует эту проблему, а затем сама реализует процесс относящихся к проблеме рекомендаций. Эти системы, по мнению многих исследователей, можно также отнести к классу систем распространения знаний.

2. Экспертные системы для решения интеллектуальных задач. Назначение экспертных систем (ЭС) заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Преимущество применения экспертных систем достигается за счет возможности адекватного принятия решений в уникальных ситуациях. При этом алгоритм не известен заранее, а формируется по исходным данным на основе правил принятия решения из базы знаний. Кроме того, решения здесь могут приниматься в условиях неполноты информации, необходимой для принятия решения, ее неточности, зашумленности. Не всегда возможно дать количественное решение, зачастую предполагается только качественная оценка процессов.

Экспертная система усиливает интеллектуальные особенности эксперта. Она может исполнять следующие функции: консультанта для неопытных или непрофессиональных пользователей, ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений, партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности (см. 7.3).

Экспертные системы возможно классифицировать различным образом. Приведем краткое описание классов экспертных систем (табл. 7.2)

Возможности электронно-вычислительных машин уже никого не удивляют. Компьютеризация различных областей человеческой деятельности, помимо прямого эффекта от внедрения вычислительной техники, зачастую порождает новые классы программных продуктов и технологии их разработки. Любая технология - это прежде всего поле интеллектуальной деятельности для специалистов, однако, в отличии от других видов деятельности технологии разработки программных продуктов немедленно становятся объектами автоматизации, что выводит соответствующий раздел программирования на новый уровень развития.

Типичную эволюцию от конкретных программ до инструментальных средств разработки прошли системы, основанные на знаниях, и в первую очередь - экспертные системы, предназначенные для решения задач из тех областей, где решающую роль играют знания и опыт профессиональной деятельности. В экспертных системах поиск решений осуществляется посредством имитации рассуждений, присущих выдающимся профессионалам. Формализованные знания составляют ядро экспертной системы - ее базу знаний. Остальные блоки системы реализуют функции преобразования знаний и определяются не столько содержимым знаний, сколько свойствами их формальных структур.

Термин интеллект (intelligence) происходит от латинского intellectus — что означает ум, рассудок, разум; мыслительные способности человека. Соответственно искусственный интеллект (artificial intelligence) — ИИ (AI) обычно толкуется как свойство автоматических систем брать на себя отдельные функции интеллекта человека, например, выбирать и принимать оптимальные решения на основе ранее полученного опыта и рационального анализа внешних воздействий.

Интеллектом называется способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.

В этом определении под термином "знания" подразумевается не только ту информацию, которая поступает в мозг через органы чувств. Такого типа знания чрезвычайно важны, но недостаточны для интеллектуальной деятельности. Дело в том, что объекты окружающей нас среды обладают свойством не только воздействовать на органы чувств, но и находиться друг с другом в определенных отношениях. Ясно, что для того, чтобы осуществлять в окружающей среде интеллектуальную деятельность (или хотя бы просто существовать), необходимо иметь в системе знаний модель этого мира. В этой информационной модели окружающей среды реальные объекты, их свойства и отношения между ними не только отображаются и запоминаются, но и, как это отмечено в данном определении интеллекта, могут мысленно "целенаправленно преобразовываться". При этом существенно то, что формирование модели внешней среды происходит "в процессе обучения на опыте и адаптации к разнообразным обстоятельствам".

1.2. Представление знаний

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении) и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В Искусственном интеллекте (ИИ) основная цель — научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

· Как люди представляют знания?

· Какова природа знаний и как мы их представляем?

· Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?

· Насколько выразительна данная схема представления?

· Должна ли быть схема декларативной или процедурной?

В области искусственного интеллекта, решение задач может быть упрощено правильным выбором метода представления знаний. Определенный метод может сделать какую-либо область знаний легко представимой. Например диагностическая экспертная система Мицин использовала схему представления знаний основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

Проблема формирования баз знаний является сложной и многогранной. Если ограничить рассмотрение этой проблемы задачей извлечения личных знаний эксперта, то можно сформулировать основные требования и принципы построения программных систем, автоматизирующих процесс формирования баз знаний. Системы такого рода именуются автоматизированными системами инженерии знаний.

1.3. Задача формирования баз знаний

При всей претенциозности своего названия, инженерия знаний является дисциплиной сугубо прозаической, в ее задачу входит разработка практически полезных программ для слабо "математизированных" областей человеческой деятельности. Главным аргументом в пользу плодотворности такого подхода является факт существования в реальной жизни института экспертов - классных профессионалов, способных решать плохо формализуемые задачи из той или иной проблемной области.

С точки зрения инженерии знаний, в любой прикладной программе (по-крайней мере теоретически) можно выделить компоненту, содержащую знания о проблемной области. Именно эта компонента, именуемая базой знаний, определяет практическую ценность программы. Построение базы знаний требует специальных изысканий в проблемной области, в то время как остальные блоки программы находятся полностью в ведении программиста.

В настоящее время известны четыре основных способа представления знаний, из которых можно конструировать "гибридные" способы представления знаний.

· Продукционные системы

· Семантические сети

· Логические исчисления

· Комбинированные способы представления знаний

· Модели проблемных областей

2. Распознавание образов и машинный перевод

2.1 Понятие образа

Образ, класс – классификационная группировка в системе классификации, объединяющая определенную группу объектов по некоторому признаку. Образное восприятие мира – одно из свойств живого мозга, позволяющее разобраться в бесконечном потоке воспринимаемой информации и сохранять ориентацию в разрозненных данных о внешнем мире. Воспринимая внешний мир, мы всегда производим классификацию информации, т. е. разбиваем их на группы похожих, но не тождественных явлений. Это свойство мозга позволяет сформулировать такое понятие, как образ.

Способность восприятия внешнего мира в форме образов позволяет с определенной достоверностью узнавать бесконечное число объектов на основании ознакомления с конечным их числом, а объективный характер основного свойства образов позволяет моделировать процесс их распознавания.

2.2 Проблема распознавания образов

Распознавание образов – это задача идентификации объекта или определения каких-либо его свойств по его изображению (оптическое распознавание) или аудиозаписи (акустическое распознавание). В процессе биологической эволюции многие животные с помощью зрительного и слухового аппарата решили эту задачу достаточно хорошо. Создание искусственных систем с функциями распознавания образов остаётся сложной технической проблемой.

Рис. 2.1. Пример объектов обучения.

В целом проблема распознавания образов (ПРО) состоит из двух частей: обучения и распознавания. Обучение осуществляется путем показа отдельных объектов с указанием их принадлежности тому или другому образу. В результате обучения распознающая система должна приобрести способность реагировать одинаковыми реакциями на все объекты одного образа и другими реакциями - на все объекты отличимых образов. Очень важно, что процесс обучения должен завершиться только путем показов конечного числа объектов. В качестве объектов обучения могут быть либо картинки (рис. 2.1), либо другие визуальные изображения (буквы, цифры). Важно, что в процессе обучения указываются только сами объекты и их принадлежность образу. За обучением следует процесс распознавания новых объектов, который характеризует действия уже обученной системы. Автоматизация этих процедур и составляет проблему обучения распознаванию образов. В том случае, когда человек сам разгадывает или придумывает, а затем навязывает машине правило классификации, проблема распознавания решается частично, так как основную и главную часть проблемы (обучение) человек берет на себя.

Круг задач, которые могут решаться с помощью распознающих систем, чрезвычайно широк. Сюда относятся не только задачи распознавания зрительных и слуховых образов, но и задачи классификации сложных процессов и явлений, возникающих, например, при выборе целесообразных действий руководителем предприятия или выборе оптимального управления технологическими, экономическими, транспортными или военными задачами. Прежде чем начать анализ какого-либо объекта, нужно получить о нем определенную, упорядоченную информацию.

Выбор исходного описания объектов является одной из центральных задач проблемы распознавания образов. При удачном выборе исходного описания (пространства признаков) задача распознавания может оказаться тривиальной и, наоборот, неудачно выбранное исходное описание может привести либо к очень сложной дальнейшей переработку информации, либо вообще к отсутствию решения.

2.5 Обучение, самообучение и адаптация

Обучением обычно называют процесс выработки в некоторой системе той или иной реакции на группы внешних идентичных сигналов путем многократного воздействия на систему внешней корректировки. Такую внешнюю корректировку в обучении принято называть " поощрениями" и " наказаниями". Механизм генерации этой корректировки практически полностью определяет алгоритм обучения. Самообучение отличается от обучения тем, что здесь дополнительная информация о верности реакции системе не сообщается.

Адаптация – это процесс изменения параметров и структуры системы, а возможно, и управляющих воздействий на основе текущей информации с целью достижения определенного состояния системы при начальной неопределенности и изменяющихся условиях работы.

Возможен способ построения распознающих машин, основанный на различении каких-либо признаков подлежащих распознаванию фигур. В качестве признаков могут быть выбраны различные особенности фигур, например, их геометрические свойства (характеристики составляющих фигуры кривых), топологические свойства ( взаимное расположение элементов фигуры) и т.п. Известны распознающие машины, в которых различение букв или цифр производится, по так называемому “методу зондов” (рис. 2.2), т.е. по числу пересечений контура фигуры с несколькими особым образом расположенными прямыми.

Рис. 2.2 Схема расположения зондов для распознавания цифр.

Если проектировать цифры на поле с зондами, то окажется, что каждая из цифр пересекает вполне определенные зонды, причем комбинации пересекаемых зондов различны для всех десяти цифр. Эти комбинации и используются в качестве признаков, по которым производится различение цифр. Такие машины успешно справляются, например, с чтением машинописного текста, но их возможности ограничены тем шрифтом (или группой сходных шрифтов), для которого была разработана система признаков. Работа по созданию набора эталонных фигур или системы признаков должна производиться человеком. Качество работы машины, т. е. надежность “узнавания” предъявляемых фигур определяется качеством этой предварительной подготовки и без участия человека не может быть повышено. Описанная машина не являются обучающейся машиной.

а) никакие сведения о подлежащих классификации образах в машину заранее не вводятся;

б) в ходе обучения машине предъявляется некоторое количество объектов каждого из подлежащих классификации образов и (при моделировании процесса обучения “с учителем”) сообщается, к какому образу относится каждый объект;

в) машина автоматически обрабатывает полученную информацию, после чего

г) с достаточной надежностью различает сколь угодно большое число новых, ранее ей не предъявлявшихся объектов из образов.

Машины, работающие по такой схеме, называются узнающими машинами.

2.6 Преобразование изображений в цифровой код

Для того чтобы ввести изображение в машину, нужно перевести его на машинный язык, т.е. закодировать, представить в виде некоторой комбинации символов, которыми может оперировать машина. Кодирование плоских фигур можно осуществить самым различным образом. Лучше стремиться к наиболее “ естественному” кодированию изображений. Будем рисовать фигуры на некотором поле, разбитом вертикальными и горизонтальными прямыми на одинаковые элементы – квадратики. Элементы, на которые упало изображение, будем сплошь зачернять, остальные – оставлять белыми. Условимся обозначать черные элементы единицей, белые – нулем. Введем последовательную нумерацию всех элементов поля, например, в каждой строке слева направо и по строкам сверху вниз. Тогда каждая фигура, нарисованная на таком поле, будет однозначно отображаться кодом, состоящим из стольких цифр (единиц и нулей), сколько элементов содержит поле.

Рис 2.3 Примеры проецирования и кодирования изображений.

Такое кодирование (рис. 2.3) считается “ естественным” потому, что разбиение изображения на элементы лежит в основе работы нашего зрительного аппарата. Действительно, сетчатка глаза состоит из большого числа отдельных чувствительных элементов (так называемых палочек и колбочек), связанных нервными волокнами со зрительными отделами головного мозга. Чувствительные элементы сетчатки передают по своим нервным волокнам в головной мозг сигналы, интенсивность которых зависит от освещенности данного элемента. Таким образом, изображение, спроектированное оптической системой глаза на сетчатку, разбивается палочками и колбочками на отдельные участки, и по элементам в некотором коде передается в мозг. Отдельные элементы поля называются рецепторами, а само поле – полем рецепторов.

Совокупность всех плоских фигур, которые можно изобразить на поле рецепторов, составляет некое множество. Каждая конкретная фигура из этой совокупности есть объект этого множества. Любому их таких объектов соответствует определенный код. Точно также любому коду соответствует определенное изображение на поле рецепторов. Взаимно однозначное соответствие между кодами и изображениями позволит оперировать только кодами, помня о том, что изображение всегда может быть воспроизведено по его коду.

Емкость ИНС – число образов, предъявляемых на входы ИНС для распознавания. Для разделения множества входных образов, например, по двум классам достаточно всего одного выхода. При этом каждый логический уровень – "1" и "0" – будет обозначать отдельный класс. На двух выходах можно закодировать уже 4 класса и так далее. Для повышения достоверности классификации желательно ввести избыточность путем выделения каждому классу одного нейрона в выходном слое или, что еще лучше, нескольких, каждый из которых обучается определять принадлежность образа к классу со своей степенью достоверности, например: высокой, средней и низкой. Такие ИНС позволяют проводить классификацию входных образов, объединенных в нечеткие (размытые или пересекающиеся) множества. Это свойство приближает подобные ИНС к условиям реальной жизни.

3. Нейрокомпьютеры и сети

Введение 1. Понятие искусственного интеллекта. Представление знаний и разработка систем, основанных на знаниях 1.1 Основные понятия искусственного интеллекта 1.2 Представление знаний 1.3 Задача формирования баз знаний 2. Распознавание образов и машинный перевод 2.1 Понятие образа 2.2 Проблема распознавания образов 2.3 Обучение, самообучение и адаптация 2.4 Преобразование изображений в цифровой код 3. Нейрокомпьютеры и сети 3.1 Нейрокомпьютеры 3.2 Что такое нейронные сети? 4. Экспертные системы (ЭС), их структура и классификация. Инструментальные средства построения ЭС. Технология разработки ЭС. 4.1 Назначение экспертных систем 4.2 Классификация экспертных систем 4.3 Структура экспертных систем (на примере статической и динамической ЭС) 4.4 Этапы разработки экспертных систем 5. Использование и поддержка ЭС. Реинжиниринг бизнеса. 5.1 Использование финансовых экспертных систем 5.2 ЭС, основанные на примерах 5.3 Реинжиниринг бизнеса 6. Стратегия получения знаний. Практические методы извлечения знаний. Структурирование знаний. Программная реализация базы знаний.
ВВЕДЕНИЕ

1. Понятие искусственного интеллекта. Представление знаний и разработка систем, основанных на знаниях 1.1. Основные понятия искусственного интеллекта

1.2. Представление знаний

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

· Как люди представляют знания?

· Какова природа знаний и как мы их представляем?

· Должна ли схема представления связываться с частной областью знаний, или она должна быть общецелевой?

· Насколько выразительна данная схема представления?

· Должна ли быть схема декларативной или процедурной?

* Данная работа не является научным трудом, не является выпускной квалификационной работой и представляет собой результат обработки, структурирования и форматирования собранной информации, предназначенной для использования в качестве источника материала при самостоятельной подготовки учебных работ.

Компьютерные системы окружают нас повсюду и являются важнейшим компонентом в функционировании бизнеса, правительственных и военных организаций, учреждений здравоохранения, программ обучения и т.д. Эффективность компьютерных систем зависит от возможностей доступа, обработки и анализа информации. Для полного сотрудничества с пользователем компьютерные системы должны иметь зачатки интеллекта, чтобы квалифицированно сохранять и обрабатывать большие объемы информации, используя аналоги естественных средств коммуникации.

Искусственный интеллект (интеллектуальная система) - это концепция, позволяющая компьютерам делать такие вещи, которые у людей выглядят разумно. Область применения: доказательства теорем, игры, распознавание образов, принятие решений, адаптивное программирование, сочинение машинной музыки, обработка данных на естественном языке, обучающиеся сети (нейросети), вербальные концептуальные системы обучения и т.д.

Аналитические технологии - это методики, которые на основе определенных моделей, алгоритмов, математических теорем позволяют по известным данным оценить значения неизвестных характеристик и параметров. Другим примером аналитической технологии можно назвать алгоритм обработки информации человеческим мозгом. Для применения алгоритма необходимо, чтобы данная задача целиком описывалась определенной детерминированной моделью. В таком случае алгоритм дает точный ответ. Но на практике часто встречаются задачи, связанные с наблюдением случайных величин - например, задача прогнозирования курса акций. Для подобных задач применяется принципиально другой, вероятностный подход. Параметры вероятностных моделей - это распределения случайных величин, их средние значения, дисперсии и т.д. Как правило, эти параметры заранее неизвестны, а для их оценки используются статистические методы, применяемые к выборкам зафиксированных значений.

В последние 10 лет происходит бурное развитие аналитических систем нового типа. В их основе - технологии искусственного интеллекта, имитирующие естественные процессы, например, деятельность нейронов мозга или процесс естественного отбора.

При разработке аналитических технологий учитывается их способность:

понимания задачи, общего процесса и знания возможностей других систем и людей, принимающих участие во взаимодействии;

связь с пользователями с помощью понимания естественного языка, рисунков, изображений и знаков;

знания, основанные на здравом смысле;

координирование принятия решений, планирования и действия;

обучение на предыдущем опыте и адаптация поведения.

Компьютерные технологии для интеллектуальных вычислений переживают свой расцвет. Сейчас происходит стремительный рост числа программных продуктов, использующих новые технологии, а также типов задач, где их применение дает значительный экономический эффект.

Элементы автоматической обработки и анализа данных, которые называют Data Mining (добыча знаний) становятся неотъемлемой частью концепции электронных хранилищ данных и организации интеллектуальных вычислений.

Хотя инструментарий интеллектуального анализа и освобождает пользователя от возможных сложностей в применении статистических методов, он все-таки требует от него понимания работы и алгоритмов, на которых он базируется. Кроме этого, технология нахождения нового знания в базы данных не может дать ответа на не заданные вопросы. Она не заменяет аналитиков или менеджеров, а дает им современный, мощный инструмент для улучшения выполняемой работы.

Современные технологии интеллектуального анализа перерабатывают информацию с целью автоматического поиска шаблонов, характерных для каких-нибудь фрагментов неоднородных многомерных данных. Тяжесть формулирования гипотез и выявления необычных шаблонов переведена с человека на компьютер.

Читайте также: