Технологии искусственного интеллекта

     В последнее время в специальный  класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и информационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

     Наиболее  значительные успехи в настоящее  время достигнуты в таком классе интеллектуальных систем, как экспертные системы.

     Экспертная  система (ЭС) – это программа, которая  в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области. ЭС предназначены для решения практических задач, возникающих в слабо структурированных и трудно формализуемых предметных областях.

     Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей. Экспертные системы используются в маркетинге для сегментации рынка и выработке маркетинговых программ, а также в банковском деле для определения тенденции рынка, трейдинг для программирования котировок акций и валют, в аудите для подготовки заключений о финансовом состоянии предприятий.¹

     Можно выделить две научные школы с разными подходами к проблеме ИИ:   конвенционный ИИ и вычислительный ИИ.  В  конвенционном ИИ главным   образом   используются   методы   машинного   самообучения, основанные на формализме и статистическом анализе. Вычислительный ИИ подразумевает итеративную разработку и обучение. Обучение основано на эмпирических данных и ассоциируется с не-символьным ИИ и нечеткими системами. Методы конвенционного ИИ реализуются в следующих подходах и системах:

     • Экспертные   системы:   программы,   которые,   действуя   по определенным правилам, обрабатывают большое количество информации, и в результате выдают заключение или рекомендацию на ее основе.

     • Рассуждение по аналогии (Case-based reasoning).

     • Байесовские сети доверия: вероятностные модели, представляющие собой систему из множества переменных и их вероятностных зависимостей.

     • Поведенческий подход: модульный метод построения систем ИИ, при котором   система   разбивается   на   несколько   сравнительно   автономных программ поведения,  которые   запускаются   в  зависимости от  изменений внешней среды

     Основные  методы вычислительного  ИИ:

     • Нейронные   сети:   коннекционистские   модели   нервной системы, демонстрирующие,   в   частности,   высокие   способности   к   распознаванию образов.

     • Нечеткие   системы:   методики   для   рассуждения   в   условиях неопределенности.

     • Эволюционные   вычисления:   модели,   использующие   понятие естественного отбора, обеспечивающего отсеивание наименее оптимальных согласно заданному критерию решений. В этой группе методов выделяют генетические алгоритмы и т.н. муравьиный алгоритм.²

     Экспертная   система   (ЭС)   –   компьютерная   программа,   способная заменить специалиста-эксперта в решении проблемной ситуации. ЭС начали разрабатываться исследователями ИИ в 1970-х годах, а в 1980-х получили коммерческое  подкрепление.  Обобщенная   структура   экспертной  системы может быть выражена следующей схемой (рис. 1.10).Главным элементом экспертной системы является база знаний (БЗ), состоящая из правил анализа информации от пользователя по конкретной проблеме.

     База  знаний  - это совокупность единиц знаний,  которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей,  действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.

     Интеллектуальные  базы  данных отличаются от обычных баз данных возможностью выборки по запросу необходимой информации, которая может явно не храниться, а выводиться из имеющейся  в  базе данных.

     Интерфейс   пользователя   –   комплекс   программных   средств, реализующих диалог пользователя с ЭС как для ввода информации, так и для получения результатов работы ЭС.

     Задачи,   решаемые   при   помощи   экспертных   систем,   чаще   всего относятся к одной из следующих областей:

     • Интерпретация   данных   –   это   одна   из   традиционных   задач   для экспертных систем.  Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Примеры   существующих   ЭС:   SIAP   (обнаружение   и   идентификация различных   типов   океанских   судов),   АВТАНТЕСТ,   МИКРОЛЮШЕР (определение   основных   свойств   личности   по   результатам психодиагностического тестирования).

     • Диагностика – это обнаружение неисправности в некоторой системе. Трактовка неисправности как отклонения от нормы позволяет с единых теоретических   позиций   рассматривать   и   неисправность   оборудования  в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Примеры существующих ЭС: ANGY (диагностика и терапия   сужения   коронарных   сосудов),   CRIB   (диагностика   ошибок   в аппаратуре и математическом обеспечении компьютера).

     • Мониторинг – это непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы – «пропуск тревожной ситуации» и инверсная задача «ложного» срабатывания. Сложность этих проблем состоит в   размытости   симптомов   тревожных   ситуаций   и   необходимости   учета временного контекста. Примеры существующих ЭС: СПРИНТ (контроль за работой   электростанций),   REACTOR   (помощь   диспетчерам   атомного реактора), FALCON (контроль аварийных датчиков на химическом заводе).

     • Проектирование   состоит в подготовке   спецификаций на   создание «объектов»   с   заранее   определенными   свойствами.   Под   спецификацией понимается весь набор необходимых документов – чертеж, пояснительная записка   и   т.д.   Примеры   существующих   ЭС:   XCON   (проектирование конфигураций   ЭВМ),   CADHELP   (проектирование   БИС),   SYN   (синтез электрических цепей).

     • Прогнозирование – это логический вывод вероятных следствий из заданных   ситуаций.   В   прогнозирующей   системе   обычно   используется параметрическая   динамическая   модель,   в   которой   значения параметров «подгоняются»   под   заданную   ситуацию.   Выводимые   из   этой   модели следствия составляют основу для прогнозов с вероятностными оценками. Примеры  существующих ЭС:  WILLARD  (предсказание  погоды),  PLANT (оценки будущего урожая), ECON (экономические прогнозы).

     • Планирование   –   нахождение   планов   действий,   относящихся   к объектам,   способным   выполнять   некоторые   функции.   В   таких   ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.  Примеры существующих ЭС:   STRIPS   (планирование   поведения   робота),   ISIS   (планирование промышленных заказов), MOLGFN (планирование эксперимента).

     • Обучение – процесс диагностирования ошибки при изучении какой-либо   дисциплины  с   помощью компьютера   и   подсказывают   правильные решения.  Они аккумулируют  знания о  гипотетическом «ученике» и  его характерных ошибках,  а затем в ходе работы способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства их ликвидации.  Кроме того,  они планируют процесс общения с учеником в зависимости   от   успехов   ученика   с   целью   передачи   знаний.   Примеры существующих ЭС: PROUST (обучение языку программирования Pascal).

     CBR-системы   представляют   собой   реализацию   методологии искусственного   интеллекта,   применяемую   при   построении компьютеризированных консультационных систем, которые базируются на накопленном   опыте.   В   отличие   от   классических   экспертных   систем, действующих на основе логических правил, CBR-системы хранят успешные решения ряда реальных проблем, называемых примерами или прецедентами, и при появлении новой проблемы находят по определенному алгоритму (зачастую  при   помощи  машины  логического   вывода,   с   количественной оценкой)   наиболее   подходящие   (похожие)   прецеденты,   после   чего предлагает  соответственно модифицированную комбинацию их решений. Если новая проблема оказывается таким образом успешно решенной, это решение   заносится   в   базу   прецедентов   для   повышения   эффективности работы системы в будущем. Главный недостаток CBR-систем состоит в том, что они не создают моделей или правил, обобщающих накопленный опыт.

     Как уже было сказано, байесовская сеть – это вероятностная модель, представляющая   собой   множество   переменных   и   их   вероятностных зависимостей.  Например,  байесовская сеть может быть использована для вычисления   вероятности   того,   чем   болен   пациент   по   наличию   или отсутствию ряда симптомов, основываясь на данных о зависимости между симптомами  и   болезнями.   Существуют   эффективные   методы,   которые используются для вычислений и обучения байесовских сетей. Байесовские сети  используются   для моделирования   в   биоинформатике  (генетические сети, структура белков), медицине, классификации документов, обработке изображений, обработке данных и системах принятия решений.

     Нейронная сеть (НС) – это распределенный параллельный процессор, состоящий из элементарных единиц обработки информации, накапливающих экспериментальные   знания   и   предоставляющих   их   для   последующей обработки. Она представляет собой действующую модель нервной системы и сходна с мозгом с двух точек зрения:

     Знания   поступают   в   нейронную   сеть   из   окружающей   среды   и используются в процессе обучения.

     Для   накопления   знаний   применяются   связи   между   нейронами, называемые синаптическими весами.³

     Использование   нейронных   сетей   обеспечивает следующие  полезные свойства систем:

     • Нелинейность. Это качество нейронной сети особенно важно в том случае,  если   сам   физический   механизм,   отвечающий   за   формирование входного сигнала, сам является нелинейным (например, человеческая речь).

     • Адаптивность. Нейронные сети обладают способностью адаптировать свои синаптические веса к изменениям окружающей среды. Для работы в нестационарной среде могут быть созданы нейронные сети,  изменяющие синаптические веса в реальном времени.

     • Контекстная информация. Знания представляются в самой структуре нейронной сети. Каждый нейрон сети потенциально может быть подвержен влиянию всех остальных ее нейронов.

     • Отказоустойчивость.   Аппаратно   реализованные   нейронные   сети потенциально   отказоустойчивы.   Это   значит,   что   при   неблагоприятных условиях   их   производительность   падает   незначительно.  Например,   если поврежден   какой-то   нейрон   или   его   связи,   извлечение   запомненной информации  затрудняется.  Однако,    принимая  в расчет  распределенный характер хранения информации в нейронной сети, можно утверждать, что только   серьезные   повреждения   структуры  нейронной   сети   существенно повлияют на ее работоспособность.

     Представим  некоторые проблемы, решаемые применением  нейронных сетей:

     • Классификация образов. Задача состоит в указании принадлежности входного   образа,   представленного   набором   признаков,   одному   или нескольким   предварительно   определенным   классам.   К   известным приложениям   относятся   распознавание   букв,   распознавание   речи, классификация сигнала электрокардиограммы и т.п.

     • Кластеризация/категоризация.  Кластеризация основана  на  подобии образов: НС размещает близкие образы в один кластер. Известны случаи применения   кластеризации   для   извлечения   знаний,   сжатия   данных   и исследования свойств данных.

     • Аппроксимация   функций.   Задача   аппроксимации   состоит   в нахождении оценки некоторой искаженной шумом функции, генерирующей обучающую выборку.

     • Предсказание/прогноз.   Задача   прогнозирования   состоит   в предсказании   некоторого   значения   для   заданного   момента   времени   на основании ряда значений, соответствующим другим моментам времени.

     • Оптимизация.  Задачей оптимизации является нахождение решения, которое   удовлетворяет   системе   ограничений   и   максимизирует   или минимизирует целевую функцию.

     • Ассоциативная   память.  Данная   сфера   применения  НС  состоит   в организации памяти,  адресуемой по содержанию,  позволяющей извлекать содержимое по частичному или искаженному образцу. Дальнейшее   повышение   производительности   компьютеров   все   в большей степени   связывают   с  НС,   в   частности,   с  нейрокомпьютерами, основу которых также составляют аппаратно реализованные нейронные сети.