«Горячие точки» ии (д.А. Поспелов, г.С. Осипов)

1. Переход от достоверного вывода к правдоподобному (от классического вывода к аргументации)

Дедукция → индукция + абдукция + аналогии + аргументация

2. Проблема обоснования результата

СОД: Решение = данные + алгоритм

ИИ (СОЗ): Решение = знания + вывод + обоснование

3. Порождение объяснения

Продукционные правила: Если <условие применимости>, то <результат, k>

Why

How

F₁ v F₂ → c_i, k_i

F₃ & F₄ → c_j, k_j

c_i & c_j → R, k_R

Движение вниз

how

why

k_j

k_i

k_R

c_i

c_j

R

F₁

F₂

F₃

F₄

Трассировка вверх

Пример:

Человек разглядывает портрет. "Чей это портрет вы рассматриваете?" - спрашивают у него, и человек отвечает: "В семье я рос один, как перст, один. И все ж отец того, кто на портрете, - сын моего отца". Чей портрет разглядывает человек?

С – смотрящий, П – портрет, отношение Сын (х, у)

1. Сын (Отец(С), Отец(П))

2. х (Сын(Отец(С), х))→х=С \\ «нет братьев и сестер»

(П) = С

4. Поиск релевантных знаний (data mining & knowledge discovery)

DM – прагматический аспект:

Хранилище → отбор данных → информация (связанные структурированные данные, которые точно имеют отношение к задаче) → знания → метод решения.

KD – когнитивный познавательный аспект:

Наблюдаемые факты → обобщенные факты → эмпирические гипотезы → теоретические законы.

5. Понимание текста

Система ТЕКРИС: текст ↔ образ

6. Синтез текста

Синтактика – формализуема

Семантика – частично формализуема

Прагматика - ?

Semantic Web

7. Когнитивная графика

Когнитивные науки (связанные с познавательными процессами)

Лица Чернова (Chernoff)

8. М ультиагентные системы

Реактивные агенты когнитивные агенты интеллектуальные агенты

Карл Саган «Драконы Эдема: рассуждения об эволюции»

Мозг 1375грамм в среднем

Homo habilis – 500 – 800 гр

Homo erectus – 750 – 1250 гр

Homo sapiens – 1100 – 2200 гр

9. Семантические сети (СС) + антологии

10. Формализация метазнаний (знания о знаниях)

Основные этапы развития ис (эс)

И И

Бионический подход Информационный подход

(

Попытки моделировать человека или органы человека

(распознавание образов, символов)

Х → F → Y

Y = F(X)

Нейробиологический) (символьно-логический)

				α1 1 1 11 λ1
				Σ Ψ
				λn θ
				αn

Ψ(х) = 1 

Сейчас популярен системный подход – используются оба направления.

Soft computing («мягкие» вычисления) – нейро-сети + генетические алгоритмы + нечеткие логики → эволюционное моделирование

Конец 50х-60е – логическая парадигма (моделирование левополушарных механизмов)

Была построена GPS (Newell, Shaw, Simon)

1958г – LISP (McCarthy)

70е – Prolog

70е годы – отказались от парадигмы универсальных решений; упор на системы, основанные на знаниях (ЭС); ориентировка на решение определенного класса задач на уровне эксперта.

Для плохо формализованных слабо структурированных задач:

F (x) → ext

x X_доп

Модели (средства) представления знаний:

1. Логические МПЗ (ИППП) → неклассические логики

Дедукция → абдукция + индукция + аналогии + аргументация

2. Продукционные МПЗ (90% всех систем)

С помощью правил продукции «если <УП>, то <результат, k>»

1975г – OPS5 (написан на LISP): правила продукции + фреймы; плохо представляются структурированные знания (поэтому использовались фреймы)

1965г – Dendral (спектрограммы)

1969г – Macsima

70е годы – системы Hearsai I → Hearsai II – агент-коммуникатор (идея классной доски); Mycin → ЕMycin → Teirasias Prospection (полезные ископаемые, используется байесовский метод) → Kas

3. Модели представления структурированных знаний

Семантические сети и фреймы (M. Minsky)

< имя фрейма, <слот>>

<имя слота, тело, комметарий>

4. Интегрированные (объектно-ориентированные) МПЗ

85г – CLIPS(COOL)

1948г – Н.Виннер «Кибернетика»

1955г – «Логик-теоретик», Newell, Simon, Shaw

1955-56г – J. McCarthy → AI

1956г – школа-семинар – официально озвучили термин AI

1957г – универсальный решатель задач GPS

1971-74г – Prolog

Начало 70х – новые исследования в ИИ (ЭС) и представлении знаний, работы по анализу естественного языка и машинного обучения, машинное зрение и тп.

1975г – Minsky предложил Frame

Середина 70х – ЭС – Dendral и Mycin

Конец 70х – первые коммерческие ЭС: XCon для фирмы Dec (3000 правил, позволила комплектовать 10 типов компьютеров)

У стройство: дисковод

Т ип: Е1203 фрейм

…

1980г - создание американской ассоциации ИИ (AAAI)

• Середина 80х – бум по поводу успехов ЭС

• Prospector

• Folio

• Willard

• Empty и Shell (пустые ЭС и системные оболочки)

• LISP и Prolog машины для разработки ЭС

Конец 80х – проблемы:

1. сложность поддержки массивных БЗ,

2. негибкость,

3. высокая стоимость разработки,

4. трудности работы с противоречиями,

5. невозможность обмена знаниями между ЭС,

6. необучаемость,

7. проблема извлечения и структурирования знаний.

Появилось направление «Инженерия Знаний» (Knowledge Engineering)

Статические ЭС

Интерфейс с внешними программными средствами

Ядро ЭС

Пользователь

Блок приобретения и накопления знаний

Блок объяснения результата

Интерфейс пользователя

ЛПР Э (КЕ)

БД(РП) Решатель БЗ

1. ф

   этапы

   ормирование знаний → полнота, неопределенность

2. принятие решений

1997г – Deep Blue vs Каспаров

Конец 1999-2000е – коммерческие ИС:

• Звук в текст (распознавание речи > 100 тыс слов+дикторский текст, распознавание голосовых сообщений <1000 слов+ «зашумленные» данные)

• Автоматизированное реферирование текста (Semantic Web)

• СППР (финансы, банковская сфера)

• Множественные ЭС

• Системы-помощники (Help Desk Support Systems)

• Интегрированные и динамические ЭС

Динамические ЭС:

С татическая ЭС Блок моделирования

1. Генерация исходной информации

2. Прогнозы при нескольких вариантах решения

3. Прогнозы последствий принимаемых решений

Интерфейс с внешним объектом

Датчики Контроллеры

Rethink

GDA

NeurOnline (моделирование нейронных сетей)

G 2

Основные преимущества ЭС:

1. Расширение сферы решаемых задач на трудно формализуемые и слабо структурированные

2. Тиражирование уникальных знаний экспертов

3. Устранение недостатков современного программирования

4. Объединение технологии ИИ и современного программирования

5. Широкая доступность ЭС

6. Робастность ЭС (по мере ухудшения исходных данных уменьшается качество ответа, но система не отказывается найти его)

7. Устойчивость работы

8. Быстрый отклик системы, возможность объяснения результата

9. Используются как интеллектуальный доступ к информации и в качестве учителя