Для людей, что хотят постоянно совершенствоваться, чему-то обучаться и постоянно изучать что-то новое, мы специально сделали эту категорию. В ней исключительно образовательный, полезный контент, который, безусловно, придется Вам по вкусу. Большое количество видео, пожалуй, могут посоревноваться даже с образованием, которое нам дают в школе, в колледже или университете. Самым большим достоинством обучающих видео является то, что они стараются давать самую свежую, самую актуальную информацию. Мир вокруг нас в эру технологий постоянно меняется, и печатные обучающие издания просто не успевают выдавать свежую информацию.
Среди роликов также можно найти и обучающие видео для детей дошкольного возраста. Там Вашего ребенка обучат буквам, цифрам, счету, чтению и т.д. Согласитесь, очень даже неплохая альтернатива мультикам. Для учеников начальных классов также можно найти обучения английскому языку, помощь в изучении школьных предметов. Для более старших учеников созданы обучающие ролики, которые помогут подготовиться к контрольным, к экзаменам либо же просто углубить свои познания в каком-то определенном предмете. Приобретенные знания могут качественным образом сказаться на их умственном потенциале, а также Вас порадовать отличными оценками.
Для молодых людей, что уже окончили школу, учатся или не учатся в университете, есть множество увлекательных образовательных видео. Они им могут помочь в углублении знаний по профессии, на которую учатся. Или же получить профессию, например программиста, веб-дизайнера, SEO-оптимизатора и прочее. Таким профессия пока в университетах не учат, поэтому специалистом в этой продвинутой и актуальной сфере можно стать только занимаясь самообразованием, в чем мы и стараемся помочь, собирая самые полезные ролики.
Для взрослых людей эта тема тоже актуальна, так как очень часто бывает, что проработав по профессии годы, приходит понимание, что это не твое и хочется освоить что-то более подходящее для себя и одновременно прибыльное. Также среди данной категории людей часто становятся ролики по типу самосовершенствования, экономии времени и денег, оптимизации своей жизни, в которых они находят способы жить гораздо качественнее и счастливее. Еще для взрослых людей очень хорошо подойдет тема создания и развития собственного бизнеса.
Также среди образовательных роликов есть видео с общей направленностью, которые подойдут для практически любого возраста, в них можно узнать о том, как зарождалась жизнь, какие теории эволюции существуют, факты из истории и т.д. Они отлично расширяют кругозор человека, делают его гораздо более эрудированным и приятным интеллектуальным собеседником. Такие познавательные видео, действительно, полезно смотреть всем без исключения, так как знание – это сила. Желаем Вам приятного и полезного просмотра!
В наше время просто необходимо быть, что называется «на волне». Имеется в виду не только новости, но и развитие собственного ума. Если Вы хотите развиваться, познавать мир, быть востребованным в обществе и интересным, то этот раздел именно для Вас.
1. В чем отличие знаний от данных.
Информация (данные) явл-ся неотъемлемой частью материального мира, характериз-его его упорядоченность или структуру в мире, обусловлена их способностью распознавать стр-ру окружающего мира и использовать рез-т распознавания (знаний о мире). Знания – это информация, воспринятая из внешнего мира. Знание субъективно. Знание уникально, и обмен знаниями м/у индивидами не происходит без потерь, в отличие от данных, в кот. закодирована информация и кот. м. передаваться без потерь. Знание передается посредством к-л метода представления знаний, типичным естественным языком.
Отличаются:
Знания более структурированы;
В знаниях наибольшее зн-ие имеют не атомарные эл-ты знаний, а взаимосвязи м/у ними;
Знания более самоинтерпритируемые, чем данные, т.е. в знаниях содержится информация о том, как их использовать;
Знания активны, в отличие от пассивных данных, т.е. м. порождать действия системы, использующей их.
2. Каковы два основных направления исследований в ИИ
1. Нейронные сети.
Идея. «Единственный объект, способный мыслить – это человеческий мир»; 10 21 нейронов в мозгу, кот. связаны м/у собой. Розенблед, Мак-Каллок – 1936 – 1965 модель percepton
Модель перцетона:
каж. точка предыдущего слоя связана со всеми точками данного слоя
1 слой 2 слой
Распределенная ВС. Индексирование БД. Это синтаксические системы, основанные на формальном подходе. (Модель нервных цепей).
2. Семантические модели.
Идея. Противоположная нейронной идеологии: «не имеет зн-ия, как устроено вычислительное устройство, главное чтобы на заданные входные действия оно реагировало как чел. мозг » - концепция «черного ящика».
Тезис Тьюринга, кот. определил семантический подход (ф-ии мозга).
Языки: Lisp, Fortran.
3. Приведите примеры нечетких знаний.
а)
Молодой б) Пусть S – множество людей. Пусть «высокий» - нечетное подмножество S, кот. ответит на вопрос: «какой человек X явл-ся высоким?». Каж. человеку из области наследования нужно назначить степень принадлежности к нечетному подмножеству «высокий». Для этого используем ф-ию принадлежности, основанную на росте человека:
0, если рост(х)<5 футов;
Высокий(х)= (рост(х) – 5ft)/2ft, если 5 футов<= рост(х) <=7 футов;
1, если рост(х) > 7 футов.
Графически:
4. Приведите пример, характеризующий поверхностные и глубинные знания.
Поверхностные знания:
Я знаю, что на авиазаводе в цехе собирают самолеты;
Y = a 0 x 0 + a 1 (x 0 *2) + a 2 (x 0 *3) + . . .
Глубинные знания:
Я знаю как, с помощью чего собирается самолет;
5. В чем отличие процедурных знаний от декларированных? Приведите примеры.
Процедурные знания – хранят информацию о том, как надо действовать, чтобы получить нужный результат. Декларированные знания – хранят в себе информацию о том, над чем надо выполнить эти действия.
Чтобы собрать самолет необходимо скрепить его основные части (проц. знания), для его сбора необходимы крылья, носовая часть, хвостовая и т.п. и их нужно соединить (декларир. знания).
Различие между декларативным и процедурным предпочтением в том, что последнее определяет не только логические связи между головой предложения и целями в его теле, но еще и порядок в котором эти цели обрабатываются.
6. Охарактеризуйте морфологический, синтаксический, семантический и прагматический анализы в естественных языковых интерфейсах.
a) Морфологический анализ – анализ слова в предложении.
b) Семантический анализ – распознавание смысла в составных частях предложения на основе некоторой предметно - ориентированной БЗ.
c) Синтаксический анализ – анализ распознавания структуры предложения.
d) Прагматический анализ – анализ смысла предложения в реальном контексте на основе собственной БЗ.
7. В чем разница интенсионала и экстенсионала. Пример.
Интенсионал – способствует связи с выделением закономерностей.
Экстенсионал – способ перечисления фактографических сторон (описание на уровне данных)
Пр. : объект (философия): 1. Высокий уровень
2. Примитивный
8. Построить фрейм для следующего примера: “Пингвин и синица- птицы, однако пингвин не умеет летать, о умеет плавать и живет в Антарктиде”.
Все знают, что такое базы данных и как ими пользоваться. Созданы и постоянно расширяются самые разнообразные базы данных по любой тематике, от научной периодики до художественной литературы, от произведений искусства до справочников телефонных номеров.
Но это необходимое образование постепенно начинает терять свою былую значимость. Особенно это касается научной периодики. Главная проблема научных баз данных - это их избыточность. Любой запрос, выполненный по ключевым поисковым словам, выдаст столь огромное количество ссылок, что их просмотр становится отдельной работой. При этом многие материалы различаются столь незначительно, что трудно оценить полезность одного из них на фоне другого.
Вариантом выхода из этой ситуации является создание баз знаний или баз решений: систематезированной информации, которая обрабатывается по другим поисковым алгоритмам.
В чём главное отличие баз данных и баз знаний? В базе данных идёт поиск по ключевому слову, условно говоря - это ответ на вопрос “что?”. Например, задаём поисковый запрос “нанотрубки”. База данных выдаст всё, что касается этого запроса: и синтез, и окисление, и биоразложение, и спектральные характеристики. Число ссылок перевалит за тысячи. Можно задавать поиск по двум, трём и более ключевым словам. Это сократит вал ссылок, но может отсечь нужные. В базе знаний поиск проводится по нескольким вопросам, например: “Что?”, “Чем?”, “Как?”. При этом появляется следующий момент. В настоящее время написаны миллионы статей и патентов по всем областям знания. Но решений, отвечающих принципу базы знаний, только порядка 30 - 35 тысяч. Прирост числа решений, в отличие от прироста вала статей, протекает медленно. Подавляющее большинство статей - это лишь небольшие нюансы какого-либо решения. Например: закалка металла. Решение - что: металл, чем: охлаждающий материал, как: быстро. Это решение охватывает и все металлы и сплавы, и все типы закалочных жидкостей или газов, и все способы подачи хладагента. Далее из этого запроса может быть сформирована база данных, например, по типам хладагента (вода, масло, рассолы), вторая - по способам подачи материала (насосы, окунание детали, распыление раствора), третья - по маркам сталей. Может быть сформирована дополнительная база ссылок по второстепенным процессам: окислению поверхности металла, удалению нагара после закалки, специальным методам закалки. Поиск по базе знаний отличается от поиска по базе данных, для этого используются так называемые “ресурсы”. Ресурсы в понимании баз знаний - это материалы, катализаторы, поля и воздействия, приводящие к получению решения. Базы знаний могут обрабатывать также поисковые вопросы. Например, запрос “синтезировать сложный эфир” заданный в базу данных будет истолкован только по ключевому слову “сложный эфир”. В базе знаний можно также задать термины “синтез”, “распад”, “биоразложение” и семантические алгоритмы поиска по глаголам.
Теперь немного о минусах этой системы. Базы данных - это устоявшиеся правила формирования ключевых слов, единые (с небольшими вариациями) для всех научных изданий и унифицированные с алгоритмами поиска. Базы знаний необходимо будет создавать с нуля. Это немалая работа, ведь для того, чтобы вычленить ресурсы необходимо полное понимание процессов описанных в статье или патенте, что сильно усложняется при обработке мультидисциплинарных статей и защищённых от реинжиниринга патентов. Второй минус - базы знаний сейчас создаются “под инженеров”, то есть в основном прикладной направленности. Фундаментальные исследования, таким образом, в них не попадают.
Теперь немного о плюсах. Создание базы знаний - это великолепный процесс обучения. “Побочным продуктом” является значительное повышение уровня знаний разработчиков и получение высококлассных специалистов, умеющих решать поставленныезадачи. Второй плюс - при определённом алгоритме формирования запросов база знаний может быть источником новых решений, не описанных и ещё не созданных. Например, при запросе по закалке металла база знаний может выдать список ресурсов, которые обладают необходимыми свойствами (температура, текучесть) и подтолкнуть к созданию новых решений, таких как закалка в расплавах полимеров, закалка с одновременным окислением поверхности, точечная и неравномерная закалка. Третий плюс. Вероятно, многие даже не задумывались, что суть процессов изложенных в научной статье или патенте формулируется не более чем в сотне слов. В то же время, объём статей исчисляется минимум несколькими страницами, а патентов - до нескольких сотен страниц. Переработка материала под систему базы знаний позволит в дальнейшем не тратить время на чтение малозначащих подробностей и отличий от аналогов, непременно описываемых в исходных материалах.
Небольшой итог. Базы знаний исключительно полезны для прикладных разработок, особенно на передовых рубежах науки. Они позволяют получать готовые решения для той или иной задачи. Их создание в то же время, сильно повышает профессиональный уровень разработчиков и позволяет получать отличных специалистов.
При изучении интеллектуальных систем традиционно возникает вопрос - что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.
Данные - это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.
При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:
1. данные как результат измерений и наблюдений;
2. данные на материальных носителях информации (таблицы, протоколы, справочники);
3. модели (структуры) данных в виде диаграмм, графиков, функций;
4. данные в компьютере на языке описания данных;
5. базы данных на машинных носителях информации.
Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.
Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.
При обработке на ЭВМ знания трансформируются аналогично данным.
1. знания в памяти человека как результат мышления;
2. материальные носители знаний (учебники, методические пособия);
3. поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;
4. знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы - см. далее);
5. база знаний на машинных носителях информации.
Часто используется такое определение знаний:
Знания - это хорошо структурированные данные, или данные о данных, или метаданные.
В базе данных идёт поиск по ключевому слову, условно говоря – это ответ на вопрос “что?”. Например, задаём поисковый запрос “нанотрубки”. База данных выдаст всё, что касается этого запроса: и синтез, и окисление, и биоразложение, и спектральные характеристики. Число ссылок перевалит за тысячи. Можно задавать поиск по двум, трём и более ключевым словам. Это сократит вал ссылок, но может отсечь нужные. В базе знаний поиск проводится по нескольким вопросам, например: “Что?”, “Чем?”, “Как?”. При этом появляется следующий момент. В настоящее время написаны миллионы статей и патентов по всем областям знания. Но решений, отвечающих принципу базы знаний, только порядка 30 – 35 тысяч. Прирост числа решений, в отличие от прироста вала статей, протекает медленно. Подавляющее большинство статей – это лишь небольшие нюансы какого-либо решения. Например: закалка металла. Решение – что: металл, чем: охлаждающий материал, как: быстро. Это решение охватывает и все металлы и сплавы, и все типы закалочных жидкостей или газов, и все способы подачи хладагента. Далее из этого запроса может быть сформирована база данных, например, по типам хладагента (вода, масло, рассолы), вторая – по способам подачи материала (насосы, окунание детали, распыление раствора), третья – по маркам сталей. Может быть сформирована дополнительная база ссылок по второстепенным процессам: окислению поверхности металла, удалению нагара после закалки, специальным методам закалки. Поиск по базе знаний отличается от поиска по базе данных, для этого используются так называемые “ресурсы”. Ресурсы в понимании баз знаний – это материалы, катализаторы, поля и воздействия, приводящие к получению решения. Базы знаний могут обрабатывать также поисковые вопросы. Например, запрос “синтезировать сложный эфир” заданный в базу данных будет истолкован только по ключевому слову “сложный эфир”. В базе знаний можно также задать термины “синтез”, “распад”, “биоразложение” и семантические алгоритмы поиска по глаголам.
Теперь немного о минусах этой системы. Базы данных – это устоявшиеся правила формирования ключевых слов, единые (с небольшими вариациями) для всех научных изданий и унифицированные с алгоритмами поиска. Базы знаний необходимо будет создавать с нуля. Это немалая работа, ведь для того, чтобы вычленить ресурсы необходимо полное понимание процессов описанных в статье или патенте, что сильно усложняется при обработке мультидисциплинарных статей и защищённых от реинжиниринга патентов. Второй минус – базы знаний сейчас создаются “под инженеров”, то есть в основном прикладной направленности. Фундаментальные исследования, таким образом, в них не попадают.
Теперь немного о плюсах. Создание базы знаний – это великолепный процесс обучения. “Побочным продуктом” является значительное повышение уровня знаний разработчиков и получение высококлассных специалистов, умеющих решать поставленныезадачи. Второй плюс – при определённом алгоритме формирования запросов база знаний может быть источником новых решений, не описанных и ещё не созданных. Например, при запросе по закалке металла база знаний может выдать список ресурсов, которые обладают необходимыми свойствами (температура, текучесть) и подтолкнуть к созданию новых решений, таких как закалка в расплавах полимеров, закалка с одновременным окислением поверхности, точечная и неравномерная закалка. Третий плюс. Вероятно, многие даже не задумывались, что суть процессов изложенных в научной статье или патенте формулируется не более чем в сотне слов. В то же время, объём статей исчисляется минимум несколькими страницами, а патентов – до нескольких сотен страниц. Переработка материала под систему базы знаний позволит в дальнейшем не тратить время на чтение малозначащих подробностей и отличий от аналогов, непременно описываемых в исходных материалах.
Базы знаний исключительно полезны для прикладных разработок, особенно на передовых рубежах науки. Они позволяют получать готовые решения для той или иной задачи. Их создание в то же время, сильно повышает профессиональный уровень разработчиков и позволяет получать отличных специалистов.
Применение баз знаний
Простые базы знаний могут использоваться для создания экспертных систем и хранения данных об организации: документации, руководств, статей технического обеспечения. Главная цель создания таких баз - помочь менее опытным людям найти существующее описание способа решения какой-либо проблемы предметной области.
Онтология может служить для представления в базе знаний иерархии понятий и их отношений. Онтология, содержащая еще и экземпляры объектов не что иное, как база знаний.
Системы основанные на знаниях реализуются на базе следующих интеллектуальных алгоритмов:
- экспертные системы;
- нейронные сети;
- нечёткая логика;
- генетические алгоритмы.
База знаний учебного назначения представляет собой информационную систему, содержащую, во-первых, систематизированные сведения из определенной предметной области, во-вторых, модель конкретной предметной области (определенный объем учебной информации по этой дисциплине), а также данные о формируемых умениях обучаемого и способах использования этих умений.
Учебная информация в базах знаний может быть представлена в виде текста, графиков, иллюстраций, анимационных роликов, видеофрагментов. Данные о формируемых умениях обучаемого обрабатываются в системе управления базами знаний с помощью
специальных языков, что позволяет контролировать процесс обучения и управлять им. По своим возможностям базы знаний представляют собой упрощенный вариант экспертной обучающей системы или ее часть.
Заключение
Зарубежная научная стажировка в ИТМО на кафедре «Прикладного программирования и технологических инноваций» мне очень понравился. Я узнала много интересного в области интелектуальой системы и базы знаний. Выполнял реферат на тему: Переход от базы данных до базы знаний(рис.-7). Общалась с людьми, работающими в области программирования уже много лет и приобрела опыт, который поможет мне в дальнейшем изучении своей диссертационной работе. Научная зарубежная стажировка позволила мне увидеть пропуски в моих знаниях, которые следует восполнить. В ходе прохождения стажировки был ознакомлен с нормативными документами по организации учебного процесса. Ознакомилась с каталогами диссертационных исследований магистрантов, кандидатов, изучила выпускные квалификационные работы, авторефераты, диссертации на соискание ученной степени кандидатов наук по теме магистерской работы.
В ходе практики были приобретены новые знания об особенностях процессов производства на машиностроительном предприятии ОАО НКМЗ. Была разработана блок-схема для моделирования программы, реализация которой осуществляется для определения оптимального количества транспортных тележек с учетом анализа экономической целесообразности разных вариантов закрепления тележек за станками.
Задача описанной блок-схемой модели состоит в необходимости подобрать такое количество тележек, которые перевозили бы готовые узлы на склад с учетом оптимального плана загрузки.
Полученные результаты представляют большой интерес и практическую полезность в перспективе применения их в будущем.
Участвовала в экскурсии по городу. Ознакомился с достопримечательностями города, памятниками, историей города. Также посещал главный музей города «Эрмитаж».
В целом хочется сделать вывод, что зарубежная стажировка была пройдена успешно. итогом продуктивно проделанной работы стал целый блок материалов из фондов хранилищ российских библиотек(рис.-3), собраннй по теме магистерской диссертации. Данный материал активно используется в написании научной работе, конечном итогом который явится магистерская диссертация.По завершению стажировки нам вручили сертификаты об успешном прохождении зарубежной практики в ИТМО. (рис.-4,5)
Список литературы
1. http://innovatika.boom.ru/UZ.htm
На сайте выложена первая глава книги В. П. Баранчеева «Управление знаниями». В. П. Баранчеев – доктор экономических наук, профессор Государственного университета управления (Институт инноватики и логистики, кафедра инновационного менеджмента). В книге рассматриваются современные концепции управления знаниями, неформализованное и формализованное знание, а также базы знаний.
2. http://www.knowbase.ru/
Сайт, посвященный базам данных. На странице вводятся понятия знаний, информации, управление знаниями, познание и т.д. Также описаны некоторые возможности баз знаний, а также рассказывается об их практическом применении и проблемах, связанных с их использованием. Каждому понятию отведена отдельная веб-страница.
3. http://lingvoworks.org.ua/index.php?option=com_content&view=article&id=57:2009-12-09-11-34-05&catid=2:misc&Itemid=3
В статье рассматриваются вопросы построения, структурирования, описания, классификации и использования онтологических баз знаний. Приведен обзор современных исследований, посвященных различным аспектам создания и использования онтологии. Пристальное внимание в работе уделено разграничению формальных и лингвистических онтологий. Также, предложена достаточно подробная методология построения ресурсов онтологического типа.
4. http://aimatrix.nm.ru/aimatrix/SemanticNetworks.htm
Статья, повященная семантическим сетям. Описывается история создания семантических сетей, а также принципы построения и классификация.
5. http://bibl.tikva.ru/base/B1253/B1253Part12-59.php
Статья о когнитивных картах. Приводится несколько примеров использования когнитивных карт.
6. http://lsdis.cs.uga.edu/projects/glycomics/report/Report2006.html
Сайт научно-исследовательского центра. Можно найти пример визуализации биохимической и биологической онтологии.
7. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.41.1007
Приложение
рис.1- Университет ИТМО
рис.2- Первый день в университете. Ознакомление
рис.3- В очень богатой библиотеке
рис.4- Вручение сертификатов о успешном прохождении зарубежной стажировки. Наш руководитель Супрун Антон Сергеевич.
рис.5- Сертификат
рис.6-Эксурсия по городу. Эрмитаж. Зимний дворец.
рис.7- Готовим презентации для защиты
рис.8-Экскурсия. Ночной город. Развод мостов.
Данные и знания
Информация
Данные
Процедурная декларативная
Предметной областью
Знания
Логический вывод
фактами Эвристики
механизмом вывода , логическим выводом или машиной вывода .
интерфейс
База знаний,
Механизм вывода,
Интерфейс с пользователем.
Понятие формальной системы
Основой логических моделей является понятие формальной системы, задаваемой четверкой M = (T , P , A , F ).
Множество T есть множество базовых элементов различной природы, например слов из некоторого ограниченного словаря. Предполагается, что существует процедура П(Т ) проверки принадлежности произвольного элемента множеству Т .
Множество P есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные выражения, например, из слов ограниченного словаря строятся синтаксически правильные выражения. Должна существовать процедура П(Р ), позволяющая определить, является ли
некоторое выражение синтаксически правильным.
В множестве Р выделяется подмножество А априорно истинных выражений (аксиом). Должна существовать процедура П(А ) проверки принадлежности любого синтаксически правильного выражения множеству А .
Множество F есть множество семантических правил вывода. Применяя их к элементам А , можно получать новые синтаксически правильные выражения, к которым снова можно применять правила из F . Так формируется множество выводимых в данной формальной системе выражений. Если имеется процедура П(F ), позволяющая определить для любого синтаксически правильного выражения является ли оно выводимым, то соответствующая формальная система называется разрешимой .
Для знаний, входящих в базу знаний, можно считать, что множество А образуют все информационные единицы, введенные в базу знаний, а с помощью правил вывода из них выводятся новые производные знания . Другими словами, формальная система представляет собой генератор новых знаний, образующих множество выводимых в данной системе знаний .
Данная модель лежит в основе построения многих дедуктивных ИИС . В таких системах база знаний описывается в виде предложений и аксиом теории, а механизм вывода реализует правила построения новых предложений из имеющихся в базе знаний. На вход системы поступает описание задачи на языке этой теории в виде запроса (предложения, теоремы), явно не представленного в БЗ. Процесс работы механизма вывода называют доказательством запроса (теоремы).
Использование логик различного типа при построении синтаксических и семантических правил порождает логические модели различных типов.
Исчисление высказываний
Исчисление высказываний изучает предложения, которые могут быть либо истинными, либо ложными. Не всякое предложение является высказыванием. Например, бессмысленно говорить об истинности вопросительных предложений. Не являются высказываниями предложения, для которых нет единого мнения о том, истинны эти предложения или ложны. По-видимому, далеко не все согласятся с утверждением «математическая логика – увлекательный предмет».
Предложение «Шел снег» также не является высказыванием, так как, чтобы судить о его истинности, нужны дополнительные сведения о том, когда и где шел снег.
Объединяя предложения с помощью связок типа «и» , «или» ,«если… то…» , можно образовывать новые предложения.
В исчислении высказываний используется пять логических связок: отрицание, конъюнкция, дизъюнкция, импликация и эквивалентность.
Конъюнкция (логическое И ) истинна только тогда, когда оба составляющих ее высказывания истинны.
Дизъюнкция (логическое ИЛИ ) ложна только тогда, когда ложны оба составляющих ее высказывания.
У импликации (соответствует связке «Если…, то… ») первый операнд называется посылкой, а второй – заключением. Импликация ложна только тогда, когда ее посылка истинна, а заключение – ложно.
Логическая операция эквивалентность соответствует связке «тогда и только тогда ». Ее результатом является истина , если оба высказывания или одновременно истинны, или одновременно ложны.
Логическое отрицание выполняется над одним высказыванием. Высказывание и его отрицание всегда имеют противоположные истинностные значения.
Символы, используемые для обозначений высказываний, называют атомами .
Правильно построенные формулы в логике высказываний рекурсивно определяются следующим образом:
1) атом есть формула;
2) если A и B – формулы, то формулами являются
и ØA , A Ù B , A Ú B , A ® B , A « B .
Здесь связки обозначены символами:
Ú - логическое ИЛИ (дизъюнкция);
Ù - логическое И (конъюнкция);
® - логическое СЛЕДУЕТ (импликация);
« - логическое ЭКВИВАЛЕНТНО (эквиваленция);
Ø - логическое отрицание.
Интерпретацией формулы называется приписывание каждому атому, входящему в формулу, истинностного значения (истина или ложь ).
Формула, состоящая из n различных атомов, имеет 2 n различных интерпретаций.
Формула, истинная при всех интерпретациях, называется общезначимой (например, A Ú ØA ).
Формула, ложная при всех интерпретациях, называется противоречивой (например, A ÙØA ).
Формула, для которой существует хотя бы одна интерпретация, при которой она истинна, называется выполнимой.
Эквивалентными называются формулы, истинностные значения которых совпадают при всех интерпретациях. С помощью эквивалентных замен формулы можно преобразовывать из одной формы в другую.
Для преобразований формул исчисления высказываний применяют следующие эквивалентности:
1) A Ú ØA = true (истина);
A Ù ØA = false (ложь);
2) правило двойного отрицания
Ø (ØA ) = A ;
3) A ® B = ØA Ú B ;
4) A « B = (A ® B ) Ù (B ® A );
5) законы коммутативности
A Ú B = B Ú A , A Ù B = B Ù A ;
6) законы ассоциативности
(A Ú B ) Ú C =A Ú (B Ú C ), (A Ù B ) ÙC = A Ù (B Ù C );
7) законы дистрибутивности
A Ú (B Ù C ) = (A Ú B ) Ù (A Ú C ), A Ù (B Ú C ) = (A Ù B ) Ú (A Ù C );
8) законы де Моргана
Ø(A Ú B ) = ØA Ù ØB , Ø(A Ù B ) = ØA Ú ØB ;
9) A ® B = ØB ® ØA .
Исчисление предикатов
Аппарат исчисления высказываний во многих случаях не позволяет удовлетворительно описать предметную область. Значительная часть предметных областей может быть описана средствами исчисления предикатов первого порядка. Для этого в рассмотрение вводятся:
а) константы, обозначающие индивидуальный объект или понятие;
б) переменные, которые в разное время могут обозначать разные объекты;
в) термы, простейшими из которых являются константы и переменные, а в более общем случае представляемые выражениями типа , где - функциональный символ, а - термы;
г) предикаты, используемые для представления отношений между объектами в некоторой предметной области;
д) кванторы – средство задания количественных характеристик предметной области.
Предикат – это логическая функция, принимающая только истинностные значения «истина » или «ложь ».
Предикат состоит из предикатного символа и соответствующего ему упорядоченного множества термов, являющихся его аргументами. Предикатный символ P используется для именования отношений между объектами. Если он имеет n аргументов, то называется n-местным предикатным символом.
Запись , являющаяся простейшей (атомарной) формулой, означает, что истинно высказывание: объекты связаны отношением P.
С помощью тех же логических связок, что и в исчислении высказываний (И, ИЛИ, НЕ, СЛЕДУЕТ, ЭКВИВАЛЕНТНО ), можно строить более сложные формулы.
Для определения областей действия переменных в формулах используются кванторы (всеобщности) и (существования). Кванторы позволяют строить высказывания о множестве объектов и формулировать утверждения, истинные для этого множества.
Формулы исчисления предикатов (ППФ – правильно построенные формулы) определяются рекурсивно следующим образом:
1. атом есть формула;
2. если A и B – формулы, то формулами являются и
ØA , A Ù B , A Ú B , A ® B , A « B ;
3. если - есть формула, то формулами являются и и .
Интерпретация формул в исчислении предикатов – это задание областей значений всем константам, функциональным и предикатным символам. Формула, интерпретируемая на области D , принимает значения истина или ложь по следующим правилам:
а) если заданы значения формул A и B , то истинностные значения формул ØA , A Ù B , A Ú B , A ® B , A « B получаются по таблицам истинности, справедливым для исчисления высказываний;
б) формула получает значение истина , если для каждого из D имеет значение истина , в противном случае ее значение – ложь .
в) формула получает значение истина , если хотя бы для одного из D имеет значение истина , в противном случае ее значение – ложь.
Формула A
есть логическое следствие
формул , тогда и только тогда, когда для любой интерпретации, в которой формула 
истинна, формула A
также истинна.
Кроме формул эквивалентных преобразований, приведенных для исчисления высказываний, в исчислении предикатов справедливы следующие:
Ø($ ) = () (Ø );
Ø() = () (Ø ).
Виды фреймов
По познавательному назначению различают два типа фреймов: фрейм – прототип и фрейм – пример. Фрейм – прототип отражает знания об абстрактных стереотипных понятиях, которые являются классами каких-то конкретных объектов. Фреймы-прототипы отражают интенсиональные знания, т.е. обобщенные знания о закономерностях, присущих рассматриваемому классу объектов. Фреймы – примеры отражают знания о конкретных фактах предметной области, или так называемые экстенсиональные знания. Переход от фрейма-прототипа к фрейму-экземпляру выполняется при проведении процедуры означивания фрейма-прототипа в процессе работы механизма логического вывода.
В качестве примера рассмотрим упрощенную схему фрейма – прототипа понятия ДАТА:
<ДАТА> (<МЕСЯЦ><имя>)(<ДЕНЬ><целые числа {1,2,…, 31}>)
(<ГОД><функция>)(<ДЕНЬ НЕДЕЛИ><перечень {ПНД,ВТР,…,ВСК}>
<функция>)
Имя фрейма – прототипа – ДАТА. В слоте МЕСЯЦ на месте значения записано ИМЯ, т.е. значением слота может быть любое буквенное выражение. Значением слота ДЕНЬ являются целые числа, причем перечень их приведен в слоте. В слоте ГОД указана функция, которая может реализовать следующие действия. Если во входном предложении указан год, то он вносится в поле значения слота во фрейме – примере; если год не указан, то отсутствующее значение заполняется текущим годом. Такого рода функции называются функциями, выполняемыми по умолчанию.
В слоте ДЕНЬ НЕДЕЛИ также определена функция, которая при обработке входного сообщения будет вызываться автоматически для проверки на непро-
тиворечивость значения дня недели, указанного пользователем, либо вычисле-
ния этого значения, если пользователь его не указал.
Конкретный фрейм – пример фрейма ДАТА может выглядеть следующим образом:
<ISA ДАТА>(<МЕСЯЦ><ИЮНЬ>)(<ДЕНЬ><5>)
Метка ISA обозначает, что данный фрейм является фреймом – примером. Здесь заполнены только 2 слота. Значения остальных могут быть вычислены с помощью соответствующих процедур.
Процедуры, включаемые в слот, делят на два типа: процедуры – демоны и
процедуры – слуги.
Процедуры – демоны активизируются автоматически каждый раз, когда данные попадают в соответствующий фрейм – пример или удаляются из него. Так, процедура, встроенная в слот ДЕНЬ НЕДЕЛИ в описанном выше примере, является представителем процедуры – демона. С помощью процедур этого типа выполняются все рутинные операции, связанные с ведением баз данных и знаний.
Процедуры – слуги активизируются только по запросу. Примером такой процедуры является функция, встроенная в слот ГОД в фрейме – прототипе ДАТА, которая вызывается только в том случае, если пользователь не указал год.
Рис. 4.6 Сеть фреймов
на фрейм Ребенок. Наследование слота «любит» из фрейма Ребенок.
Запрос 2. Каков возраст учеников?
Ответ: 6-17 – значение слота «возраст» берется из фрейма Ученик. Значение из фрейма Ребенок не берется, т.к. значение указано явно в самом фрейме «ученик», относительно которого задается вопрос.
По функциональному назначению различают следующие виды фреймов:
Фреймы – объекты (пример выше);
Фреймы – операции (например, фрейм «процесс синтеза корректирующих устройств», слоты: модель, алгоритм расчета, параметры и т.д.);
Фреймы – ситуации (например, фрейм «Аварийный режим работы аналогового датчика», слоты: напряжение, сила тока и т.д.);
Фреймы – сценарии (например, фрейм «Тушение пожара», слоты: место пожара, средства тушения и т.д.).
Фреймовая модель представления знаний используется в языках FRL (Frame Representation Language ) ,KRL (Knowledge Representation Language ) и др.
Особенности логического вывода
Во фреймовых языках основной операцией является поиск по образцу . Образец представляет собой фрейм, в котором заполнены не все структурные единицы, а только те, по которым среди фреймов, хранящихся в памяти системы, будут отыскиваться нужные фреймы. Образец может, например, содержать имя фрейма, а также имя некоторого слота во фрейме с указанием значения слота. Такой образец проверяет наличие в памяти системы фрейма с данным именем и данным значением слота, указанного в образце. В образце может быть указано имя некоторого слота и его значение. Тогда процедура поиска по образцу должна обеспечить выборку всех фреймов, в которых содержится слот с таким именем и таким значением слота, как у образца. Наконец, может быть задана некоторая логическая функция от имени фрейма, каких-то имен слотов и значений слотов. Таким образом, логический вывод в сети фреймов основан на операции сопоставления.
Другими процедурами, характерными для фреймовых языков, являются процедуры наполнения слотов данными, а также процедуры введения в систему новых фреймов-прототипов (т.е. новых знаний) и введения новых связей между ними.
Рассмотрим фрагмент описания из "мира блоков" (рис. 4.7) в виде фреймов на языке FRL.
Рис. 4.7 «Мир блоков»
(frame (name (Cube )) (length (NULL )) (width (IF-DEFAULT (use length ))) (height (IF-DEFAULT (use length )))) (frame (name (B 1)) (AKO (Cube )) (color (red )) (length (80))) (frame (name (B 2)) (AKO (Cube )) (color (green )) (length (65))))
Слот AKO указывает на то, что объекты B 1 и B 2 являются подтипом объекта Cube и наследуют его свойства, а именно, length = width = height. Процедура - демон IF-DEFAULT заполняет значения слотов по умолчанию.
Допустим, роботу дается приказ «Возьми желтый предмет, который поддерживает пирамиду». На языке представления знаний вопрос записывается так:
(object X (color (yellow )) (hold Y (type (pyramid ))))
Программа сопоставления с образцом находит в базе знаний описание объектов:
(frame (name (B 3)) (type (block )) (color (yellow )) (size (20 20 20)) (coordinate (20 50 0)) (hold (P 2)))
(frame (name (P 2)) (type (pyramid )) ...)
Ответ получен: X = B 3, Y = P 2, и роботу выдается команда take (object B 3).
Достоинства фреймов как модели представления знаний – возможность структуризации базы знаний благодаря свойствам иерархичности и наследования. Недостатком является сложность организации логического вывода.
Лекция. Основы построения продукционной системы
Применение метаправил
Иногда, для того чтобы решить, какое правило следует активизировать, желательно использовать конкретные знания, а не следовать общей стратегии разрешения конфликтов. С этой целью в некоторые интерпретаторы правил включены средства, позволяющие программисту сформулировать и ввести в программу метаправила. Метаправила определяют правила, по которым выполняется отбор из списка заявок тех правил, которые следует рассматривать в первую очередь или, более того, выполнять обязательно.
Метаправила позволяют значительно сузить круг правил - кандидатов на основании какого-либо критерия или изменить порядок приоритетов правил. Метаправила часто используют знания из конкретной предметной области. Примером может служить приведенное ниже метаправило, относящееся к сис-
теме медицинской диагностики MYCIN .
МЕТАПРАВИЛО 001
ЕСЛИ (1) инфекция относится к классу pelvic-abscess , и
(2) существуют правила, в предпосылках которых упоминается
enterobacteria , и
(3) существуют правила, в предпосылках которых упоминается
грамположительная окраска,
ТО с уверенность 0.4 приоритет следует отдать первым из перечисленных правил.
Лекция. Основные понятия в области искусственного интеллекта
Область науки, получившая название «искусственный интеллект», имеет целью выявить принципиальные механизмы, лежащие в основе человеческой деятельности, чтобы применить их при решении конкретных научно-технических задач. «Разумные» системы создаются для работы в средах, где присутствие человека невозможно или опасно для жизни. Этим устройствам придется действовать в условиях большого разнообразия возможных ситуаций. Невозможно заранее описать эти ситуации с той степенью подробности и однозначности, которые позволили бы заложить в создаваемую систему жестко запрограммированные алгоритмы поведения. Поэтому системы, вооруженные искусственным интеллектом, должны располагать механизмами адаптации, которые позволили бы им строить программы целесообразной деятельности по решению поставленных перед ними задач на основании конкретной ситуации, складывающейся на данный момент в окружающей их среде.
Такая постановка проблемы выдвигает перед исследователями особые задачи, не возникавшие ранее при проектировании технических систем. К числу таких задач относятся: описание богатой внешней среды и ее отражение внутри системы (эту задачу называют задачей представления знаний); управление банком знаний, его пополнение, обнаружение противоречий и недостатка в знаниях; восприятие внешней среды с помощью различного рода рецепторов (зрительных, тактильных, слуховых и т.д.); понимание естественного языка, который служит для человека универсальным средством коммуникации; восприятие печатного текста и устной речи и преобразование содержащейся в сообщениях информации в форму представления знаний; планирование деятельности – задача, решение которой позволит системе формировать планы достижения цели с помощью имеющихся в ее распоряжении средств; адаптация и обучение на основе накопленного опыта.
Таково поле деятельности специалистов в области систем искусственного интеллекта. Оно лежит на стыке самых разнообразных дисциплин: программирования и психологии, техники и лингвистики, математики и физиологии.
Итак, теория искусственного интеллекта – это наука о знаниях, о том, как их извлекать, представлять в искусственных системах, перерабатывать внутри системы и использовать для решения практических задач. Другими словами, системы, изучаемые в рамках искусственного интеллекта и создаваемые в русле этой науки, - это системы, работа которых опирается на знания, отражающие семантику и прагматику того внешнего мира, в котором действуют интеллектуальные системы.
Таким образом, основными проблемами искусственного интеллекта являются представление и обработка знаний. Решение этих проблем состоит как в разработке эффективных моделей представления знаний, методов получения новых знаний, так и в создании программ и устройств, реализующих эти модели и методы.
Элементы искусственного интеллекта находят широкое применение для создания интеллектуальных программных средств ЭВМ, автоматизированных систем управления (АСУ), систем автоматизации проектирования (САПР), информационно-поисковых систем (ИПС), систем управления базами данных (СУБД), экспертных систем (ЭС), систем поддержки принятия решений (СППР), т.е. позволяют повысить уровень интеллектуальности создаваемых информационных систем.
Достижения в области искусственного интеллекта применяются в промышленности (открытие и разработка месторождений, космонавтика, автомобилестроение, химия, и т.д.), в экономике (финансы, страхование, и т.д.), в непромышленной сфере (транспорт, медицина, связь и т.д.), в сельском хозяйстве.
Средства искусственного интеллекта позволяют разрабатывать модели и программы решения задач, для которых неизвестны прямые и надежные методы решения. Такие задачи относятся к области творческой деятельности человека. Специалисты по искусственному интеллекту ставят такие научные проблемы, как доказательство математических теорем, диагностика заболеваний или неисправностей в оборудовании, финансовый анализ субъектов хозяйствования, синтез программ на основе спецификаций, понимание текста на естественном языке, анализ изображения и идентификация его содержимого, управление роботом и др.
Данные и знания
Приведем определения основных понятий изучаемой дисциплины и рассмотрим различия между понятиями «данные» и «знания».
Информация – совокупность сведений, воспринимаемых из окружающей среды, выдаваемых в окружающую среду либо сохраняемых внутри информационной системы (ИС).
Данные – представленная в формализованном виде конкретная информация об объектах предметной области, их свойствах и взаимосвязях, отражающая события и ситуации в этой области.
Данные представляются в виде, позволяющем автоматизировать их сбор, хранение и дальнейшую обработку. Данные – это запись информации в соответствующем виде, пригодном для хранения, передачи, обработки и получения новой информации.
Информация, с которой имеет дело ЭВМ, разделяется на процедурную и декларативную.
Процедурная информация представляется программами, которые выполняются в процессе решения задач, а декларативная – данными, которые обрабатывают эти программы.
Любая интеллектуальная деятельность опирается на знания о предметной области, в которой ставятся и решаются задачи.
Предметной областью называют совокупность взаимосвязанных сведений, необходимых и достаточных для решения определенного множества задач. Знания о предметной области включают описания объектов, явлений, фактов, а также отношений между ними.
Знания – это обобщенная и формализованная информация о свойствах и законах предметной области, с помощью которой реализуются процессы решения задач, преобразования данных и самих знаний, и которая используется в процессе логического вывода.
Логический вывод – это генерирование новых утверждений (суждений) на основе исходных фактов, аксиом и правил вывода.
Знания с точки зрения решаемых задач в некоторой предметной области делят на 2 большие категории - факты и эвристики. Под фактами обычно понимают общеизвестные в данной предметной области истины, обстоятельства. Эвристики – это эмпирические алгоритмы, основанные на неформальных соображениях, которые ограничивают число вариантов решения и обеспечивают целенаправленность поведения решающей системы, не гарантируя, однако, получения наилучшего решения. Такие знания основаны на опыте специалиста (эксперта) в данной предметной области.
Со знаниями тесто связано понятие процедуры получения решений задач (стратегии обработки знаний). В ИИС такую процедуру называют механизмом вывода , логическим выводом или машиной вывода .
Знания, с которыми работает система, хранятся в базе знаний (БЗ).
Для организации взаимодействия с ИИС в ней должны быть средства общения с пользователем, т.е. интерфейс . Интерфейс обеспечивает работу с БЗ и механизмом вывода на языке достаточно высокого уровня, приближенном к профессиональному языку специалистов в той предметной области, к которой относится ИИС. Кроме того, в функции интерфейса входит поддержка диалога пользователя с системой, позволяющего пользователю получать объяснения действий системы, участвовать в поиске решения задачи, пополнять и корректировать базу знаний. Таким образом, основными частями ИИС являются:
База знаний,
Механизм вывода,
Интерфейс с пользователем.
Особенности знаний, отличающие их от данных
Пример . Пусть в качестве предметной области выступают родственные связи. Объектами этой предметной области являются такие понятия, как мать,
отец, дочь, мужчина, женщина и т.п.
Пусть известны факты:
Виктор является отцом Тани.
Владимир является отцом Виктора.
На языке Пролог эти факты описываются следующим образом:
отец (виктор, таня).
отец (владимир, виктор).
Здесь «отец» является именем отношения или предикатом, а «виктор», «таня» и «владимир» - константами.
Пусть X , Y , Z – переменные. Используя переменные X и Z , можно в общем случае записать отношение «X является отцом Z » на языке Пролог:
отец (X , Z ).
Используя предикат «отец» и переменные X , Y , Z , сформулируем новое отношение «дед», а именно:
Если X является отцом Z и
Z является отцом Y
то X является дедом Y .
Такая форма записи отношения «Если.…То» называется продукционным правилом , продукцией или просто правилом .
На языке Пролог отношения «дед» записывается следующим образом:
дед (X , Y ): – отец (X , Z ), отец (Z , Y ).
Символ « : – » интерпретируется как «Если».
На примере отношения «дед» сформулирована общая закономерность определения понятия «дед» через понятие «отец». Имя «владимир», взятое вне зависимости от отношения, ни о чем не свидетельствует. Возможно это имя человека или наименование города. Точно так же рассматриваются числовые или другие данные, например, в файле данных. Данное, взятое вместе с отношением, определяет некоторый смысл и таким образом представляет собой знание.
Рассмотрим особенности знаний, в которых заключается их отличие от данных.
1. Интерпретируемость . Данные, хранимые в памяти ЭВМ, могут интерпретироваться только соответствующей программой. Данные без программы не несут никакой информации, в то время как знания имеют интерпретацию, так как они содержат одновременно и данные, и соответствующие им имена, описания, отношения, т.е. вместе с данными представлены информационные структуры, которые позволяют не только хранить знания, но и использовать их.
