Системы с интеллектуальным интерфейсом реферат
Обновлено: 03.07.2024
Интеллектуальные интерфейсы могут обладать различной мощностью. По-видимому, при их развитом промышленном производстве в продаже будет находиться спектр таких устройств — от самых простых до тех, которые реализуют все описанные выше функции. Ведущие специалисты по интеллектуальным системам считают, что, скорее всего, интеллектуальные интерфейсы будут набираться из стандартных блоков, образующих… Читать ещё >
Интеллектуальный интерфейс ( реферат , курсовая , диплом , контрольная )
Содержание
- ВВЕЕДЕНИЕ
- 1. ОБЗОР СИСТЕМ С ИНТЕЛЛЕКТУАЛЬНЫМ ИНТЕРФЕЙСОМ 41.1 Основные функции интеллектуального интерфейса
- 1. 2. Варианты структур интеллектуального интерфейса
1.3 Основные элементы интеллектуального интерфейса. .. .. .. .. .. .. 142. РЕАЛИЗАЦИЯ ИНТЕЛЛЕКТУАЛЬНЫХ ИНТЕРФЕЙСОВ В ИЗМЕРИТЕЛЬНЫХ СИСТЕМАХ. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. .. 17
Кроме этого, в интеллектуальных датчиках обеспечивается возможность обмена цифровой информацией, используя стандартную сеть с НART-протоколом [2].
В этой сети цифровые сигналы передаются по той же линии связи, что и аналоговые. Для передачи цифровой информации НART-протокол использует принцип частотной модуляции: логическая единица соответствует одному полному периоду частоты 1200
Гц, а логический ноль—двум периодам синусоиды 2200
Цифровой и аналоговый сигналы передаются по одной паре проводов путем простого наложения НART на токовую петлю.
К недостаткам таких систем можно отнести:
— физические ограничения интеграции микроэлектронного интеллекта и элементов сенсора;
— экономические ограничения интеграции микроэлектронного интеллекта и элементов сенсора;
— ограничение полосы аналоговых сигналов порядка 10 Гц в связи с необходимостью разделения с низкочастотным цифровым сигналом;
Процесс тесной интеграции интеллекта в датчиках требует сочетания смешанных технологий изготовления интегральных схем с производственной технологией, применяемой при создании соответствующих датчиков. Для преодоления несовместимости могут потребоваться действия, нерациональные с экономической точки зрения. Например, термопара для работы в температурном диапазоне 300−500 °С будет являться источником вредных примесей, ничтожное количество которых может привести к отказу в работе микроэлектронных устройств.
Рассмотрим возможность создания интеллектуального интерфейса на основе НART-протокола, обеспечивающего более эффективное объединение аналогового и цифрового интерфейсов и свободного от перечисленных выше недостатков.
От указанных недостатков свободен аналоговый интерфейс [3] на основе дифференциально-токовых структур, позволяющих формировать на передающем конце дифференциальные и синфазные сигналы для разного типа передаваемой информации, работающий со стандартными датчиками.
Например, дифференциальные сигналы могут быть испотьзованы атя передачи аналоговой информации, а синфазныецифровой. При этом они могут находиться в одной и той же потоке частот, расширенной за счет более эффективного их разделения на приемном конце измерительным усилителем с дифференциально-токовыми входами. Такой интерфейс может работать с обычными датчиками и с помощью универсальных интеллектуальных интерфейсных блоков обеспечить множество наиболее полезных свойств, пгедусмотрешплх стандартами IEEE 14 512.
Рис. 9 Структурная схема интеллектуального аналогового интерфейса.
Это обеспечит обесточивание аналоговой секции передающей части интерфейса до тех пор, пока не поступит команда от ведущего устройства — ПК или HART -коммуникатора. Таким образом может быть реализовала шинная архитектура сети.
Информационный сигнал при этом создается с помощью дифференциально-токового модулятора ДТМ, соединенного своими выходами непосредственно с дифференциальными лилиями капала связи. Синфазные токи формируются с помощью управляемого источника напряжения питания Un, расположенного на передающем конце интерфейса, подключаемого к третьему (общему) проводу канала связи.
Разделение дифференциальных и синфазных сигналов на приемном конце осуществляется с помощью суммо-разностного преобразователя ток-напряжение СРПТП, при этом выходное напряжение СРПТП U1 пропорционально разности токов I1 и I2 протекающих в дифференциальных линиях канала связи. Выходное напряжение СРПТ1 U2 пропорционально сумме токов I1 и I2. Разность токов I1 и I2 формируется на передающем конце интерфейса пропорционально информационному аналоговому сигналу с помощью последовательной цепи преобразования выходного сигнала датчика Д, измерительного преобразователя ИП и частотного модулятора U формирующего два противофазных треугольных напряжения, частота которых пропорциональна выходному сигналу датчика. Эти напряжения поступают па дифференциальные управляющие аноды дифференциально-токового модулятора ДТМ, создающего токи I1 и I2 в канале связи. Нa приемном конце выходное напряжение U1, формируемое с помощью СРПТН пропорционально разности токов I1 и I2 будет иметь треугольную форму и частоту пропорциональную измеряемому параметру.
Дтя восстановления формы измерительного сигнала выходной сигнал преобразователя напряжение-частота с импульсной обратной связью поступает на вход восстанавливающего фильтра ВФ, выполненного на основе итерационных интерферирующих преобразователей, что обеспечивает высокую точность и быстродействие восстановления исходного сигнала.
Рис. 10 Осциллограммы входного и выходного сигналов
10 представлены осциллограммы прямоугольного модулирующего сигнала с частотой 30 Гц на входе и выходе аналогового интерфейса.
Таким образом, интеллектуальные интерфейсы позволяют решать главную проблему — обеспечивать практически мгновенный выход неподготовленного пользователя на режим решения интересующих его задач.
Интеллектуальные интерфейсы могут обладать различной мощностью. По-видимому, при их развитом промышленном производстве в продаже будет находиться спектр таких устройств — от самых простых до тех, которые реализуют все описанные выше функции. Ведущие специалисты по интеллектуальным системам считают, что, скорее всего, интеллектуальные интерфейсы будут набираться из стандартных блоков, образующих целые семейства (ряды). Предполагается, что в качестве стандартных блоков будут выступать именно те блоки, которые показаны на рис [17, "https://referat.bookap.info"].
По многим прогнозам, системы, подобные интеллектуальным интерфейсам, получат массовое распространение.
Рассмотренный в курсовой работе интеллектуальный аналоговый интерфейс имеет следующие преимущества
— более высокая точность и помехозащищенность:
— использование одного итого же канала связи для передачи аналоговой и цифровой информации в одной и той же полосе частот:
— возможность использования топологии сетишина:
— на порядок более широкая полоса полезного сигнала.
— возможность работы без модемов и частотной модуляции полезного сигнала (при ограниченных расстояниях) благодаря эффективному разделению синфазного и дифференциального сигналов в более широкой полосе частот с помощью дифференциально-токовых структур.
Было проведено физическое и математическое моделирование элементов описанного интерфейса, подтверждающее его высокие технико-экономические показатели.
Роspelov D. Мodels of Human Communication: Dialogue with Computer// International Journal of General Systems. — 1986. — Vol.12, № 4. — P.333−338.
Лингвистическое обеспечение информационных систем. — М.: ИНИОН АН СССР, 1987.
Севбо И. П. Структура связного текста и автоматизация реферирования. — М.: Наука, 1987.
Микулич Л.И., Поспелов Д. А. Как эволюционируют диалоговые системы// Механизмы вывода и обработки знаний в системах понимания текста. Ученые записки Тар
ГУ. Вып. 621.- Тарту: Тар
ГУ, 1983. — С.86−100.
Поспелов Д. А. Ситуационное управление. Теория и практика. — М.: Наука, 1986.
Шенк Р. Обработка концептуальной информации: Пер. с англ.- М.: Энергия, 1980.
Schank R. Reminding and Memory Organization: an Introduction to MOP’s// Strategies
for Natural Language Processing/ Ed. by W.G.Lehnert, M.H.Ringle. — Hillsdale NJ: Lawrence Erlbaum, 1982. — P.455−494.
Уинстон П. Искусственный интеллект: Пер. с англ. — М: Мир, 1980.
Поспелов Д.А. Логико-лингвистические модели в системах управления. — М.: Энергоатомиздат, 1981.
Микулич Л. И. Проблемы создания экспертных систем// Теория и модели знаний. Ученые записки Тартуского госуниверситета. Вып. 714. — Тарту: Тар
ГУ, 1985. — С.87−115.
Нильсон Н. Принципы искусственного интеллекта: Пер. с англ. — М.: радио и связь, 1985.
В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:
- получение информации о текущей проблеме;
- сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
- выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
- адаптация выбранного прецедента к текущей проблеме;
- проверка корректности каждого полученного решения;
- занесение детальной информации о полученном решении в БЗ.
Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем до-пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адап-тируются к реальным ситуациям с помощью специальных алгоритмов.
Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.
Информационные хранилища отличаются от интеллектуальных баз данных, тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их "историчность", т.е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.
Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы.
Для извлечения значимой информации из хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов мате-матической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др.
Технология OLAP (On-line Analytical Processing - оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечеия знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.
Обработка естественного языка
Материал из Википедии — свободной энциклопедии
Обработка естественного языка (Natural Language Processing, NLP) — общее направление искусственного интеллекта и математической лингвистики. Оно изучает проблемы компьютерного анализа и синтеза естественных языков. Применительно к искусственному интеллекту анализ означает понимание языка, а синтез — генерацию грамотного текста. Решение этих проблем будет означать создание более удобной формы взаимодействия компьютера и человека.
Задачи и ограничения
Сложности понимания
В русском языке
Качество понимания зависит от множества факторов: от языка, от национальной культуры, от самого собеседника и т. д. Вот некоторые примеры сложностей, с которыми сталкиваются системы понимания текстов.
Главные задачи
- Синтез речи
- Распознавание речи
- Анализ текста
- Синтез текста
- Машинный перевод
- Вопросно-ответные системы
- Информационный поиск
- Извлечение информации
- Анализ тональности текста
- Анализ высказываний
- Упрощение текста
- Технология перевода
- Робот (программа)
- Автореферат
Программное обеспечение для обработки естественного языка
- AlchemyAPI
- Expert System S.p.A.
- General Architecture for Text Engineering (GATE)
- Modular Audio Recognition Framework
- MontyLingua
- Natural Language Toolkit (NLTK)
Анализ текста — процесс получения высококачественной информации из текста на естественном языке. Как правило, для этого применяется статистическое обучение на основе шаблонов: входной текст разделяется с помощью шаблонов, затем производится обработка полученных данных.
Адаптивные информационные системы
Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:
- адекватно отражать знания проблемной области в каждый момент времени;
- быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.
Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний - репозито-рии. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.
В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с "чистого листа" на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.).
При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация про-граммного обеспечения, а при использовании сборочной технологии - конфигурирование программ и только в редких случаях - их переработка.
Интеллектуальная информационная система
Материал из Википедии — свободной энциклопедии
Перейти к: навигация, поиск
Интеллектуальная информационная система (ИИС, англ. intelligent system) — разновидность интеллектуальной системы, один из видов информационных систем, иногда ИИС называют системой, основанной на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке. [ источник не указан 502 дня ]
Содержание
- 1 Классификация ИИС
- 2 Обеспечение работы ИИС
- 3 Классификация задач, решаемых ИИС
- 4 См. также
- 5 Ссылки
- Экспертные системы
- Собственно экспертные системы (ЭС)
- Интерактивные баннеры (web + ЭС)
- Интеллектуальные поисковики (например, система Старт)
- Виртуальные собеседники
- Виртуальные цифровые помощники
Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.
Известно, что только небольшую часть своих знаний человек может точно сформулировать вербальным или формальным способом. Обширная область интуитивных знаний специалистов, которые необходимы для успешной работы интеллектуальных систем, остаётся недоступной из-за отсутствия средств их извлечения и представления.
Искусственный интеллект всегда был междисциплинарной наукой, являясь одновременно и наукой, и искусством, и техникой, и психологией. Методы искусственного интеллекта разнообразны. Они активно заимствуются из других наук, адаптируются и изменяются под решаемую задачу. Для создания интеллектуальной системы необходимо привлекать специалистов из прикладной области, поэтому в рамках искусственного интеллекта сотрудничают лингвисты, нейрофизиологи, психологи, экономисты, информатики, программисты и т.д.
Основные направления исследований в области интеллектуальных информационных систем
Интеллектуальные информационные системы проникают во все сферы нашей жизни, поэтому трудно провести строгую классификацию направлений, по которым ведутся активные и многочисленные исследования в области ИИ. Рассмотрим кратко некоторые из них.
Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем являются выявление, исследовании и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабоструктурированных проблем. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС).
Генерация и распознавание речи. Системы речевого общения создаются в целях повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии. В таких системах под текстом понимают фонемный текст (как слышится).
Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются в данные другого типа, например, в текстовые описания. При синтезе изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной графики).
Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных. К данному направлению относятся не так давно появившиеся системы добычи данных (Data Mining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery).
Распознавание образов. Это одно из самых ранних направлений ИИ, в котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам, а классы описываются совокупностями определённых значений признаков.
Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки, стихов, интеллектуальные системы для изобретения новых объектов. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения.
Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (КЕ, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, не прибегая к программированию.
Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров, однако в настоящее время они имеют весьма высокую стоимость, а также недостаточную совместимость с существующими вычислительными средствами.
Интеллектуальные роботы. Создание интеллектуальных роботов составляет конечную цель робототехники. В настоящее время в основном используются программируемые манипуляторы с жёсткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных разработок, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нерешённые проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и обработки трёхмерной визуальной информации.
Основные типы интеллектуальных информационных систем и их характеристика
Интеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.
Для ИИС характерны следующие признаки:
– развитые коммуникативные способности;
– умение решать сложные плохо формализуемые задачи;
– способность к самообучению;
Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления. Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС.
Классифицируются признаками, которые являются интеллектуальными функциями:
− коммуникативные способности - способ взаимодействия конечного пользователя с системой;
− решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределённостью и динамичностью исходных данных и знаний;
− способность к самообучению – умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;
− адаптивность – способность системы к развитию в соответствии с объективными изменениями области знаний. Системы с интеллектуальным интерфейсом. Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы.
− задачи не могут быть представлены в числовой форме;
− исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;
− цели нельзя выразить с помощью чётко определённой целевой функции;
− не существует однозначного алгоритмического решения задачи;
− алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).
Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.
ЭС охватывают самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Для классификации ЭС используются следующие признаки:
− способ формирования решения;
− способ учёта временного признака;
− вид используемых данных и знаний;
− число используемых источников знаний.
По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.
В зависимости от способа учёта временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.
По видам используемых данных и знаний различают ЭС с детерминированными и неопределёнными знаниями. Под неопределённостью знаний и данных понимаются их неполнота, ненадёжность, нечёткость.
ЭС могут создаваться с использованием одного или нескольких источников знаний. В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС, классифицирующие, доопределяющие, трансформирующие и мультиагентные.
Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.
Доопределяющие ЭС используются для решения задач с не полностью определёнными данными и знаниями. В таких ЭС возникают задачи интерпретации нечётких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределённых знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечёткая логика.
Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:
− генерация и проверка гипотез;
− логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определённого класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
− использование метазнаний (более общих закономерностей) для устранения неопределённостей в ситуациях.
Мультиагентные системы – это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:
− реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;
− распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
− применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
− обработка больших массивов информации из баз данных;
− использование математических моделей и внешних процедур для имитации развития ситуаций.
Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определённого исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.
Технология OLAP (On-Line Analytical Processing – оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.
Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:
− адекватно отражать знания проблемной области в каждый момент времени;
− быть пригодными для лёгкой и быстрой реконструкции при изменении проблемной среды.
Адаптивные свойства информационных систем обеспечиваются за счёт интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний -репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.
При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAANIV, Prodis и др.).
Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ и только в редких случаях – их переработка.
Отличия систем искусственного интеллекта от обычных программных систем
Рассмотрим отработанные на сегодняшний день элементы технологии создания ИИС на примере разработки экспертных систем. Этот выбор обусловлен тем, что ЭС получили весьма широкое распространение во многих сферах человеческой деятельности, а технологии их создания имеют универсальный характер и не требуют аппаратных реализаций.
Интеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.
На рисунке 1.1 приведена классификация ИИС, признаками которой являются следующие интеллектуальные функции:
• коммуникативные способности – способ взаимодействия конечного пользователя с системой;
• решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;
• способность к самообучению – умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;
• адаптивность – способность системы к развитию в соответствии с объективными изменениями области знаний.
Рисунок 1.1 – Классификация интеллектуальных информационных систем.
Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.
Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы.
Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.
Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. В интеллектуальных гипертекстовых системах, механизм поиска сначала работает с базой знаний ключевых слов, а затем – с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей, кроме текста, графическую информацию, аудио- и видеообразы.
Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи – частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций.
Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах и оперативных системах принятия решений, работающих в режиме реального времени.
Интеллектуальные базы данных отличаются тем, что могут дать ответ на запрос, данные для которого в явном виде в базе отсутствуют. Такая информация генерируется на основе следующих зависимостей:
![]()
Рис. 8.1. Классификация интеллектуальных информационных систем
В интеллектуальных базах данных осуществляется поиск по условию, которое доопределяется в ходе решения задачи и информационная система без помощи пользователя по структуре базы данных сама строит путь доступа к файлам. Запрос пользователя осуществляется на основе естественно-языкового интерфейса в максимально удобной для него форме.
Естественно-языковый интерфейс предполагает трансляцию запросов и команд естественного языка на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического видов анализа и синтеза высказываний на естественном языке. Естественно языковый интерфейс используется:
— для доступа к интеллектуальным базам данных;
— для контекстного поиска документальной текстовой информации;
— голосового ввода команд в системах управления;
— машинного перевода с иностранных языков.
Гипертекстовые системы предназначены для реализации поиска по ключевым словам в базах текстовой информации.
Интеллектуальные гипертекстовые системы отличаются возможностью более сложной семантической организации ключевых слов, которая отражает различные смысловые отношения терминов. Механизм поиска работает с базой знаний ключевых слов, а затем непосредственно с текстом. Такие механизмы распространяются и на поиск мультимедийной информации, включающей текст, цифровую информацию, графические, аудио- и видеообразы.
Системы контекстной помощи можно рассматривать как частный случай интеллектуальных гипертекстовых и естественноязыковых систем. В таких системах пользователь описывает проблему, а система с помощью дополнительного диалога ее конкретизирует и сама выполняет поиск относящихся к ситуации рекомендаций. Их можно отнести к классу систем распространения знаний, а область применения связана преимущественно с приложениями к технической документации и к инструкциям по эксплуатации.
Системы когнитивной графики осуществляют интерфейс пользователя с помощью графических образов, которые генерируются в соответствии с происходящими событиями. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации. Системы когнитивной графики широко используются в обучающих и тренажерных системах на основе виртуальной реальности, когда графические образы моделируют ситуацию.
Экспертные системы предназначены для решения задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Системы такого типа позволяют принимать решения в уникальных ситуациях, для которых алгоритм заранее неизвестен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Экспертная система — инструмент усиления интеллектуальных способностей эксперта. Она выполняет 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.
Архитектура экспертной системы (рис.
8.2) включает два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизма вывода заключений (решения), приобретения знаний, объяснения полученных результатов и интеллектуального
![]()
Рис. 8.2. Архитектура экспертной системы
Центральным компонентом экспертной системы является база знаний, выступающая по отношению к остальным компонентам как содержательная подсистема. Стоимость ее превышает остальные компоненты на порядок.
База знаний содержит совокупность единиц знаний, которые формализованы с помощью некоторого метода представления знаний об объектах предметной области, их взаимосвязи, действий над объектами и неопределенности, с которой эти действия осуществляются.
В качестве методов представления знаний используются либо правила, либо объекты (фреймы), либо их комбинации.
Правила представляют собой конструкции следующего типа:
То CF (Фактор определенности)
В качестве фактора определенности (CF) выступают условные вероятности байесовского подхода (от 0 до 1) либо коэффициент уверенности нечеткой логики (от 0 до 100). Фреймы представляют собой совокупность атрибутов, описывающих свойства и отношения с другими фреймами. В отличие от обычных записей, в базах данных каждый фрейм имеет уникальное имя. Для фреймового представления (объектно-ориентированного) применяется механизм наследования атрибутов, т.е. значения передаются от вышестоящего к нижестоящему.
Интеллектуальный интерфейс — это программа, осуществляющая обмен данными между пользователем и экспертной системой. Диалог должен вестись на языке, максимально приближенном к естественному. Последовательность решения задачи должна быть гибкой, должна соответствовать представлениям пользователя и вестись в профессиональных терминах.
Механизм вывода — это программа, формирующая из базы знаний конкретный алгоритм решения задачи.
В основе лежит процесс связывания конкретной ситуации с единицами знаний и образования цепочки рассуждений (прямой или обратной).
Механизм приобретения знаний. База знаний отражает знания экспертов в данной области знаний. Выявлением подобных знаний и представлением их в базе знаний занимаются инженеры знаний. Для ввода знаний и их последующего обновления экспертная система должна иметь в простейшем случае интеллектуальный редактор, проверяющий новые единицы знаний на непротиворечивость, проводящий синтаксический и семантический контроль. В более сложных случаях используются специальные сценарии опроса экспертов или извлекаются единицы знаний из опыта работы самой экспертной системы.
Читайте также:
