FEDERALNA AGENCIJA ZA OBRAZOVANJE
DRŽAVNA OBRAZOVNA USTANOVA
VISOKA STRUČNA OBRAZOVANJA
"VOLGOGRADSKO DRŽAVNO TEHNIČKO SVEUČILIŠTE"
TEHNOLOŠKI INSTITUT KAMYSHIN (PODRUŽNICA)
GOU VPO "VOLGOGRADSKO DRŽAVNO TEHNIČKO SVEUČILIŠTE"
PRAKTIČNI TEČAJ IZ DISCIPLINE “SUSTAVI UMJETNE INTELIGENCIJE”
Edukativno elektroničko izdanje
Volgograd
NL – prirodni jezik
AI – umjetna inteligencija
LP – predikatna logika
Decision maker – donositelj odluka
MT – Turingov stroj
PGA – jednostavan genetski algoritam
PPF - ispravno konstruirana formula
PRO – primitivni rekurzivni operator
PRF – primitivno rekurzivna funkcija
RF – rekurzivna funkcija
SNI – sustav umjetne inteligencije
FP – fitnes funkcija
TF - funkcija cilja
ES – ekspertni sustav
UVOD
U početku se na umjetnu inteligenciju gledalo kao na znanost o stvaranju mislećih strojeva. Ovo se područje smatralo svetim gralom informatike. S vremenom je umjetna inteligencija evoluirala u pragmatičniju disciplinu. Ovo područje još uvijek uključuje proučavanje mehanizama mišljenja. U okviru umjetne inteligencije razmatraju se različite strategije za računalno rješavanje složenih praktičnih problema. Osim toga, danas je postalo jasno da je sama inteligencija previše složen entitet koji se ne može opisati u okviru jedne teorije. Razne teorije ga opisuju na različitim razinama apstrakcije. Učenje na najnižoj razini osiguravaju neuronske mreže, strojevi za prepoznavanje, genetski algoritmi i drugi oblici računalstva koji modeliraju sposobnost prilagodbe, percepcije i interakcije s fizičkim svijetom. Na višoj razini apstrakcije rade kreatori ekspertnih sustava, inteligentnih agenata, stohastičkih modela i sustava za razumijevanje prirodnog jezika. Ova razina uzima u obzir ulogu društvenih procesa u stvaranju, prijenosu i pronalaženju znanja. Najviša razina apstrakcije uključuje logičke pristupe, uključujući deduktivne, abduktivne modele, sustave podrške istini i druge oblike i metode zaključivanja.
Ovaj priručnik ocrtava osnove nekih teorija niske razine s praktičnim zadacima za proučavanje algoritama temeljenih na odredbama tih teorija. Osobito se razmatraju temelji teorije prepoznavanja uzoraka sa zadaćom proučavanja linearnih diskriminantnih funkcija i funkcija sličnosti; teorija umjetnih neuronskih mreža s formulacijom problema proučavanja svojstava umjetnih neuronskih mreža na problemu prepoznavanja uzoraka; genetski algoritmi s formulacijom problema proučavanja njihovih svojstava pri traženju ekstrema funkcije. Za obavljanje istraživačkih zadataka morate znati programirati u nekom programskom jeziku, po mogućnosti objektno orijentiranom.
1.1. Podrijetlo teorije umjetne inteligencije
1.1.1. Koncept umjetne inteligencije
Termin inteligencija(inteligencija) dolazi od latinskog intellectus, što znači um, razum, um, te misaone sposobnosti osobe. Odnosno umjetna inteligencija(AI, u engleskom ekvivalentu: artificial intelligence, AI) svojstvo je automatskih sustava da preuzimaju pojedinačne funkcije ljudske inteligencije.
Svaka umjetna inteligencija model je donošenja odluka koje provodi prirodna inteligencija osobe. Umjetna inteligencija može se kvalificirati za usporedbu s prirodnom inteligencijom pod uvjetom da kvaliteta generiranih rješenja nije lošija od prosječne prirodne inteligencije.
1.1.2. Umjetna inteligencija u automatiziranoj petlji
U takvim sustavima uvodi se regulacijski krug donositelj odluka(DM).
Donositelj odluke ima svoj sustav preferencija glede kriterija upravljanja objektom, pa čak i svrhe postojanja objekta. Donositelj odluke najčešće se ne slaže, barem djelomično, s načinima koje nudi tradicionalni automatizirani sustav upravljanja. Donositelj odluke, u pravilu, kontrolira glavne parametre sustava, dok ostatak kontroliraju lokalni sustavi upravljanja. Postavlja se zadatak automatizacije aktivnosti donositelja odluka u regulacijskom krugu.
AI je istraživačko područje koje stvara modele i odgovarajući softver koji omogućuje korištenje računala za rješavanje problema kreativne, nekomputatorske prirode, koji u procesu rješavanja zahtijevaju rješavanje semantike (problem značenja).
AI je softverski sustav koji oponaša ljudsko razmišljanje na računalu. Za stvaranje takvog sustava potrebno je proučiti proces razmišljanja donositelja odluka, istaknuti glavne korake tog procesa i razviti softver koji te korake reproducira na računalu.
1.1.3. Pojam intelektualne zadaće i aktivnosti
Značajka ljudske inteligencije je sposobnost rješavanja intelektualnih problema stjecanjem, pamćenjem i svrhovitom transformacijom znanja u procesu učenja iz iskustva i prilagođavanja različitim okolnostima.
Intelektualni zadaci– problemi, formalna podjela procesa pronalaženja rješenja za koje se u zasebne elementarne korake često pokazuje vrlo teškom, čak i ako samo njihovo rješavanje nije teško.
Moždanu aktivnost usmjerenu na rješavanje intelektualnih problema nazvat ćemo mišljenjem ili intelektualnom aktivnošću.
Intelektualna aktivnost pretpostavlja sposobnost zaključivanja, generiranja i konstruiranja rješenja koja nisu eksplicitno i gotova u sustavu. Zaključivanje rješenja moguće je samo ako postoji interna reprezentacija znanja u sustavu ( modeli vanjskog svijeta) – formalizirani prikaz znanja o vanjskom svijetu (predmetno područje koje se automatizira).
1.1.4. Prvi koraci u povijesti umjetne inteligencije
Prvi programi koji implementiraju značajke intelektualne aktivnosti:
1. Strojno prevođenje (1947). U SSSR-u je od 1955. rad na području strojnog prevođenja povezan s... Zadatak strojnog prevođenja zahtijevao je odvajanje znanja od koda. Pojava jezika posrednika označila je prvi pokušaj stvaranja jezika za internu reprezentaciju znanja.
2. Automatizirano apstrahiranje i pronalaženje informacija (1957., SAD). Ideja o izdvajanju sustava veza i odnosa između pojedinačnih činjenica, utjelovljena u konceptu tezaurusa.
3. Dokaz teorema (1956, SAD). Pojava programa za dokazivanje teorema propozicijske logike: “Logičar-teoretičar”. Godine 1965. pojavila se metoda rezolucije (J. Robinson, SAD), 1967. - obrnuta metoda (SSSR). Metode provode ideju korištenja heuristički– iskusna pravila za smanjenje traženja opcija prilikom izvođenja rješenja.
4. Prepoznavanje uzoraka (ranih 60-ih). Ideje u teoriji prepoznavanja vezane uz učenje pronalaženja odlučujućeg pravila iz niza pozitivnih i negativnih primjera.
Godine 1956. K. Shannon, M. Minsky i J. McCarthy organizirali su konferenciju u Dartmouthu (SAD) na kojoj su saželi praktična iskustva u razvoju inteligentnih programa.
1.1.5. Stvaranje teorijske osnove
Godine 1969. u Washingtonu je održana Prva međunarodna konferencija o umjetnoj inteligenciji (IJCAI). Godine 1976. počeo je izlaziti međunarodni časopis Artificial Intelligence. Tijekom 70-ih godina nastaju glavni teorijski pravci istraživanja u području inteligentnih sustava:
− reprezentacija znanja, formalizacija znanja o vanjskom okruženju, stvaranje unutarnjeg modela vanjskog svijeta;
− komunikacija, stvaranje jezika za interakciju između sustava i korisnika;
− rasuđivanje i planiranje, donošenje odluka u alternativnim situacijama;
− percepcija (strojni vid), dobivanje podataka iz vanjske okoline;
− obuka, izvlačenje znanja iz iskustva sustava;
− aktivnost, aktivno ponašanje sustava na temelju vlastitih operativnih ciljeva.
1.1.6. Filozofski problemi teorije umjetne inteligencije
Ovaj pododjeljak navodi glavna pitanja i neke komentare na njih o problemima o kojima se često i naširoko raspravlja u teoriji umjetne inteligencije.
Je li moguće reproducirati inteligenciju? Samoreprodukcija je teoretski moguća. Temeljna mogućnost automatizacije rješavanja intelektualnih problema pomoću računala osigurana je svojstvom algoritamske univerzalnosti. No, ne treba misliti da računala i roboti u principu mogu riješiti bilo koji problem. Postoje algoritamski nerješivi problemi.
Koji je cilj stvaranja umjetne inteligencije? Pretpostavimo da je osoba uspjela stvoriti inteligenciju koja nadilazi njegovu vlastitu inteligenciju (čak i ako ne kvalitetom, već kvantitetom). Što će se sada dogoditi s čovječanstvom? Koju će ulogu osoba imati? Za što se sada koristi? I općenito, je li u načelu potrebno stvarati AI? Čini se da je najprihvatljiviji odgovor na ova pitanja koncept "pojačivača inteligencije".
Je li sigurno stvarati umjetnu inteligenciju? Posjedujući inteligenciju i komunikacijske sposobnosti višestruko veće od ljudskih, tehnologija će postati moćna neovisna sila sposobna suprotstaviti se svom tvorcu.
1.1.7. Područja upotrebe
1. Obrada prirodnih jezika, prepoznavanje slika, govora, signala, kao i izrada modela inteligentnih sučelja, financijsko predviđanje, ekstrakcija podataka, dijagnostika sustava, praćenje mrežnih aktivnosti, enkripcija podataka (smjer - neuronske mreže).
2. Nanotehnologija, problemi samosastavljanja, samokonfiguriranja i samoiscjeljivanja sustava koji se sastoje od više istovremeno funkcionirajućih čvorova, višeagentni sustavi i robotika (smjer - evolucijski proračuni).
3. Hibridni sustavi upravljanja, obrada slike, alati za pretraživanje, indeksiranje i analizu značenja slika, prepoznavanje i klasifikacija slika (smjer - neizrazita logika).
4. Medicinska dijagnostika, obuka, savjetovanje, automatsko programiranje, testiranje i analiza kvalitete programa, projektiranje ultra velikih integriranih sklopova, tehnička dijagnostika i izrada preporuka za popravak opreme, planiranje u raznim tematskim područjima i analiza podataka (smjer - ekspertni sustavi (ES)).
5. Transportni zadaci, distribuirano računalstvo, optimalno učitavanje resursa (smjer - metode smanjenja pretraživanja).
6. Razvoj velikih softverskih sustava za projektiranje, generiranje koda, verifikacija, testiranje, procjena kvalitete, utvrđivanje mogućnosti ponovne upotrebe, rješavanje problema na paralelnim sustavima (smjer - inteligentni inženjering).
7. Stvaranje potpuno automatiziranih cyber tvornica.
8. Igre, društveno ponašanje ljudskih emocija, kreativnost.
9. Vojne tehnologije.
1.2. Arhitektura sustava umjetne inteligencije
1.2.1. Elementi ASI arhitekture
Arhitektura sustava umjetne inteligencije(SII) – organizacija strukture unutar koje se odvija odlučivanje i primjena znanja u određenom području. Najopćenitija shema SII prikazana je na sl. 1. U ovom obliku ne postoji niti jedan pravi AI; određeni blokovi možda nedostaju. U AIS-u uvijek postoje samo dva bloka: baza znanja i mehanizam zaključivanja.
Razmotrimo glavne vrste umjetne inteligencije u sustavima automatizirane obrade informacija i upravljanja:
− SII za kontrolu tehnološkog procesa;
− SII dijagnostika;
− SII planiranje i dispečiranje;
− inteligentni roboti.
https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">
Riža. 1. Generalizirana shema AIS-a
1.2.2. SII kontrola procesa
Arhitektura informacijskog sustava za automatizirano upravljanje procesima prikazana je na sl. 2.
Značajke ovog sustava:
− korištenje tehnoloških informacija za upravljanje (izmjerene karakteristike proizvoda o parametrima i strukturi opreme);
− mehanizam zaključivanja koristi se za modificiranje podataka i razvoj preporuka i upravljačkih odluka;
− potreba za radom u realnom vremenu;
− potreba za provedbom vremenskog rasuđivanja (uzimajući u obzir promjenjive uvjete).
Sustav funkcionira na tri razine:
− baza znanja (KB) uključuje pravila za rješavanje problema, procedure za rješavanje problema, podatke o problemskom području, odnosno sama tehnologija i cjelokupna strategija upravljanja procesima organizirani su na razini baza znanja;
− radna memorija sadrži podatke o određenim karakteristikama i podatke o procesu koji se razmatra (DB);
− izlazni mehanizam (u konvencionalnom sustavu je regulator) sadrži opći kontrolni mehanizam za postizanje konačnog cilja (prihvatljivog rješenja).
Važna komponenta su komunikacijski blokovi između tehnološkog procesa s bazom podataka i bazom znanja (blokovi “Analiza podataka” i “Procesni podaci”). Omogućuju korisniku vršni pristup proizvodnim informacijama o tehnološkom procesu iz objekata niže razine, odnosno ažuriranjem održavaju sadržaj baze podataka i baze znanja ažurnim. Jedinice također pružaju nadzorne funkcije za sprječavanje kritičnih situacija.
Opravdanje i objašnjenje ravnoteže i primjerenosti odgovora sustava na razvoj proizvodne situacije osiguravaju blokovi "Dijalog sučelja" i "Kontrolni podaci".
https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">
Riža. 2. Struktura automatiziranih upravljačkih sustava za upravljanje tehnološkim procesima
1.2.3. SII dijagnostika
Ovaj sustav se u osnovi ne razlikuje od prethodnog sustava. A budući da se znakovi različitih defekata mogu u velikoj mjeri podudarati, a njihove manifestacije mogu biti promjenjive, ovi sustavi sadrže sveobuhvatnije komponente potkrepljenja i objašnjenja dijagnoze. Stoga se vrlo često u takvim sustavima odluke procjenjuju sa stajališta subjektivne vjerojatnosti.
1.2.4. SII robotskih linija i fleksibilnih proizvodnih sustava
Značajka takvih sustava je prisutnost svjetskog modela. Robotski sustav radi u svom specifičnom okruženju, a detaljan opis tog okruženja je načelno moguć. Ovaj matematički model okolina se zove model vanjskog svijeta. To je glavni sadržaj baze znanja AI robota, a drugi dio baze znanja je znanje o ciljevima sustava (slika 3).
https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">
Riža. 3. SII robotske linije i fleksibilni proizvodni sustavi
Sustav za sagledavanje stanja okoliša uključuje:
− senzori izravno povezani s vanjskim okruženjem;
− podsustav pretprocesiranja;
− blok segmentacije karakterističnih obilježja;
− simbolički opis stanja okoliša;
− semantički opis stanja okoliša;
− blok za formiranje modela stanja okoliša.
Mehanizam zaključivanja ili sustav planiranja ponašanja određuje radnje robota u vanjskom okruženju kao rezultat trenutne situacije iu skladu s globalnim ciljem. Sadrži:
− izlazni sustavi odlučivanja;
− jedinica za planiranje kretanja aktuatora.
Sustav izvršenja akcije uključuje:
− podsustav upravljanja pogonom;
− pogon;
− aktuatori.
1.2.5. SII planiranje i otprema
Namjena: rješavanje problema operativnog upravljanja, usporedba rezultata praćenja funkcioniranja objekta u smislu planiranih zadataka, kao i praćenje (slika 4).
Praćenje– kontinuirano ili periodično tumačenje signala i izdavanje poruka kada se pojave situacije koje zahtijevaju intervenciju.
Posebnost ovih sustava je djelovanje u stvarnom vremenu, komunikacija s distribuiranom bazom podataka integriranog upravljačkog sustava. Takav sustav je neophodan budući da su AIS podaci dio sustava upravljanja.
https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">
Riža. 4. SII planiranje i otprema
1.3. Problem reprezentacije znanja u AIS-u
1.3.1. Znanje i podaci
Problem reprezentacije znanja pojavio se kao jedan od problema umjetne inteligencije. Povezan je sa stvaranjem praktično korisnih sustava, prvenstveno ES, koji se koriste u medicini, geologiji i kemiji. Stvaranje takvih sustava zahtijeva intenzivne napore da se formalizira znanje akumulirano u relevantnoj znanosti.
Pojam "reprezentacija znanja" povezuje se s određenom fazom u razvoju računalnog softvera. Ako su u prvoj fazi programi dominirali, a podaci su igrali pomoćnu ulogu kao neka vrsta "hrane" za "gladne" programe, onda je u kasnijim fazama uloga podataka stalno rasla. Njihova je struktura postala složenija: od strojne riječi smještene u jednoj memorijskoj ćeliji računala, došlo je do prijelaza na vektore, nizove, datoteke i liste. Vrhunac tog razvoja bili su apstraktni tipovi podataka – klase. Dosljedan razvoj struktura podataka doveo je do njihove kvalitativne promjene i prijelaza s prikaza podataka na prikaz znanja.
stjecanje znanja
Razina reprezentacije znanja razlikuje se od razine reprezentacije podataka ne samo po svojoj složenijoj strukturi, već i po značajnim značajkama: interpretabilnosti, prisutnosti klasificiranih veza, prisutnosti situacijski odnosi(simultanost, boravak u jednoj točki prostora itd., ti odnosi određuju situacijsku kompatibilnost određenih znanja pohranjenih u memoriji). Osim toga, razinu znanja karakteriziraju takve značajke kao što su prisutnost posebnih postupaka za generalizaciju, nadopunjavanje znanja dostupnog u sustavu i niz drugih postupaka.
Prezentacija podataka ima pasivni aspekt: knjiga, tablica, memorija ispunjena informacijama. Teorija umjetne inteligencije naglašava aktivni aspekt reprezentacije znanja: stjecanje znanja treba postati aktivna operacija koja omogućuje ne samo pamćenje, već i primjenu percipiranog (stečenog, asimiliranog) znanja za zaključivanje na temelju njega.
1.3.2. Ideja samorazvijajućih strojeva
Istraživanja u području umjetne inteligencije nastala su pod utjecajem ideja kibernetike - prije svega ideje o zajedničkosti procesa upravljanja i prijenosa informacija u živim organizmima, društvu i tehnologiji, posebice u računalima.
Filozofska prihvatljivost problema umjetne inteligencije u njegovom tradicionalnom obliku nastala je zbog temeljne ideje da su red i povezanost ideja isti kao red i povezanost stvari. Stoga je stvaranje strukture u računalu koje reproducira “svijet ideja” jednostavno značilo stvaranje strukture izomorfne strukturi materijalnog svijeta, tj. izgradnja “elektroničkog modela svijeta”. Ovaj model smatran je računalnim modelom – modelom ljudskog znanja o svijetu. Proces ljudskog mišljenja je u računalu protumačen kao strojna potraga za takvim transformacijama modela koje su trebale dovesti računalni model u određeno konačno stanje. AGI-ju je bilo potrebno znanje o tome kako provesti transformacije stanja modela koje vode do unaprijed određenog cilja - stanja s određenim svojstvima. Isprva je bilo rašireno uvjerenje o temeljnoj sposobnosti računala da samostalno proučava model pohranjen u njemu, odnosno da samopodučava strategiju za postizanje zadanog cilja.
Ova hipotetska sposobnost tumačena je kao mogućnost strojne kreativnosti, kao temelja za stvaranje budućih "strojeva koji misle". I premda je u sustavima koji se zapravo razvijaju cilj postignut na temelju ljudskog iskustva uz pomoć algoritama temeljenih na teoretskoj analizi modela koji se stvaraju i rezultata eksperimenata koji su na njima provedeni, ideje izgradnje samoučenja sustavi su se mnogima činili najperspektivnijima. Tek osamdesetih godina 20. stoljeća shvaća se značaj problema korištenja ljudskog znanja o stvarnosti u inteligentnim sustavima, što dovodi do ozbiljnog razvoja baza znanja i metoda za izvlačenje osobnog znanja stručnjaka.
1.3.3. Refleksija kao sastavnica intelektualne aktivnosti
S razvojem ovog smjera pojavila se ideja refleksivnog upravljanja. Do sada se u kibernetici upravljanje smatralo prijenosom signala objektu koji izravno utječu na njegovo ponašanje, a učinkovitost upravljanja postizala se povratnom spregom – dobivanjem informacija o reakcijama upravljanog objekta. Refleksivna ili kontrolirati– je prijenos informacija koje utječu na sliku svijeta koju objekt ima. Time se povratna informacija pokazuje nepotrebnom - stanje subjekta poznato je prenositelju informacije, odnosno objektu.
Tradicionalni AGI temelji se na ideologiji ciljano usmjerenog ponašanja kao što je šahovska partija, gdje je cilj oba partnera matirati po cijenu svake žrtve. Nije slučajnost da su se šahovski programi pokazali toliko važnima za razvoj metoda umjetne inteligencije.
Analiza funkcioniranja vlastitog modela ili modela "cjelokupne okolne stvarnosti" (u okviru zadatka), kontrola nad njegovim stanjem, predviđanje stanja nije ništa drugo nego provedba refleksije. Refleksija je određena meta-razina. Upotrebom programskih jezika visoke razine, kao što je Prolog, koji vam omogućuje formuliranje ciljeva i izgradnju logičnih zaključaka o ostvarivosti tih ciljeva, zadatak implementacije refleksije već se može djelomično riješiti. Uz njihovu pomoć možete izgraditi određenu nadgradnju, određenu meta-razinu koja vam omogućuje procjenu ponašanja prethodne. Međutim, pri razmatranju pojma “duboka refleksija” ili “višerazinska refleksija” javlja se problem konstruiranja modela od strane samog sustava. Ovdje u pomoć dolaze apstraktni tipovi podataka. Omogućuju vam rad s podatkovnim strukturama bilo koje ograničene složenosti. Stoga možemo smatrati da sustavi umjetne inteligencije mogu sadržavati model refleksije.
Dakle, nemoguće je smatrati intelektualni sustav cjelovitim bez sposobnosti vrednovanja i "razumijevanja" njegovih postupaka, odnosno promišljanja. Štoviše, refleksiju treba smatrati jednim od glavnih alata za konstruiranje ponašanja sustava. Govoreći jezikom matematike, refleksija je nužan uvjet za postojanje intelektualnog sustava.
1.3.4. Jezici za reprezentaciju znanja
U određenom smislu svaki računalni program sadrži znanje. Program za sortiranje u obliku mjehurića sadrži programerovo znanje o tome kako poredati elemente popisa. Shvatiti bit računalnog programa koji rješava problem sortiranja lista nije nimalo lako. Sadrži znanje programera o načinu rješavanja problema, ali osim ovih znanja sadrži i druga:
− kako manipulirati jezičnim konstruktima korištenog programskog jezika;
− kako postići visoku izvedbu programa;
− kako odabrati odgovarajuće metode za rješavanje pojedinih problema obrade podataka, koji ipak igraju važnu ulogu u postizanju konačnog rezultata, te kako organizirati upravljanje procesom.
Jezici za reprezentaciju znanja su jezici visoke razine posebno dizajnirani za eksplicitno kodiranje fragmenata ljudskog znanja, kao što su pravila utjecaja i skup svojstava tipičnih objekata, a visoka razina jezika očituje se u činjenici da, koliko je to moguće, tehnički detalji mehanizma za predstavljanje znanja skriveni su od korisnika. Za razliku od konvencionalnijih programskih jezika, jezici za reprezentaciju znanja izuzetno su ekonomični u pogledu količine programskog koda. To je uglavnom zbog činjenice da prevoditelj jezika vodi računa o mnogim malim detaljima.
Unatoč istaknutim prednostima takvih jezika, ne smijemo zaboraviti postojanje određenih problema u njihovoj uporabi.
Prijelaz s opisivanja znanja o domeni svim razumljivim "ljudskim" jezikom na njegovu reprezentaciju u obliku neke vrste formalizma koji percipira računalo zahtijeva određenu vještinu, budući da je nemoguće (barem danas) opisati kako mehanički izvesti takav transformacija. Budući da su mogućnosti logičkog zaključivanja koje program može implementirati izravno povezane s izborom načina predstavljanja znanja, predstavljanje znanja, a ne njegovo izdvajanje, predstavlja usko grlo u praksi dizajna ES-a.
Ovaj vodič uključuje osnove programiranja u Prologu, rješavanje problema pomoću metode pretraživanja, probabilističke metode, osnove neuronskih mreža, kao i principi reprezentacije znanja pomoću semantičkih mreža. Svaki dio udžbenika opremljen je praktičnim i laboratorijskim radom. U prilozima se nalaze kratki opisi okruženja SWI-Prolog, softvera neuronske mreže
Ovaj vodič uključuje osnove programiranja u Prologu, rješavanje problema pomoću metoda pretraživanja, probabilističke metode, osnove neuronskih mreža i principe predstavljanja znanja pomoću semantičkih mreža. Svaki dio udžbenika opremljen je praktičnim i laboratorijskim radom. Prilozi sadrže kratke opise okruženja SWI-Prolog, programa za modeliranje neuronske mreže NeuroGenetic Optimizer i programa za vizualizaciju semantičkog znanja. U skladu s važećim zahtjevima Federalnog državnog obrazovnog standarda visokog obrazovanja i tehnička područja.
Knjiga " Sustavi umjetne inteligencije. Tutorial "Autor Bessmertny Igor Aleksandrovich ocijenjen je od strane posjetitelja KnigoGuida, a njezina ocjena čitatelja bila je 0,00 od 10.
Za besplatno pregledavanje dostupni su: sažetak, publikacija, prikazi, kao i datoteke za preuzimanje.
S.G. TOLMAČEV
UMJETNA INTELIGENCIJA.
MODELI NEURONSKIH MREŽA
Ministarstvo obrazovanja i znanosti Ruska Federacija Baltičko državno tehničko sveučilište "Voenmech"
Zavod za obradbu informacija i sustave upravljanja
S.G. TOLMAČEV
UMJETNA INTELIGENCIJA.
MODELI NEURONSKIH MREŽA
Tutorial
Sankt Peterburg
UDK 004.8(075.8) T52
Tolmačev, S.G.
T52 Sustavi umjetne inteligencije. Modeli neuronskih mreža: udžbenik / S.G. Tolmačev; Balt. država tehn. sveuč. – Sankt Peterburg, 2011. 132 str.
ISBN 978-5 -85546-633-1
Daju se osnovni podaci o strukturi i principima rada umjetnih neuronskih mreža. Razmatra se funkcioniranje formalnog neurona, klasifikacija neuronskih mreža prema njihovoj arhitekturi i vrsti učenja, tipične formulacije različitih problema neuronskih mreža i metode za njihovo rješavanje.
Namijenjeno studentima viših godina koji studiraju u specijalnostima "Informacijski sustavi i tehnologije" i "Automatizirana obrada informacija i sustavi upravljanja".
UDK 004.8(075.8)
RECENZENTI: dr. tehn. znanosti prof., pročel. znanstveni zaposlenik OJSC “Koncern “Granit-Electron”” S.N. Sharov; dr.sc. tehn. znanosti, prof., voditelj. odjelu I5 BSTU N.N. Smirnova
Odobreno od strane Uredničkog i izdavačkog vijeća Sveučilišta
UVOD
Jedan od najmoćnijih alata za stvaranje inteligentnih sustava su umjetne neuronske mreže (ANN), koje modeliraju osnovne mehanizme obrade informacija svojstvene ljudskom mozgu. Poznato je da mozak radi na bitno drugačiji način i često učinkovitije od bilo kojeg računalnog stroja koji je stvorio čovjek. Upravo je ta činjenica godinama motivirala znanstvenike da rade na stvaranju i istraživanju umjetnih neuronskih mreža.
Mozak je izuzetno složen sustav za obradu informacija. Ima sposobnost organiziranja svojih strukturnih komponenti, zvanih neuroni, tako da mogu obavljati određene zadatke (prepoznavanje uzoraka, senzorna obrada, motoričke funkcije) mnogo puta brže od najbržih modernih računala. Primjer takvog zadatka je normalan vid. Funkcije vizualnog sustava uključuju stvaranje ideje o okolnom svijetu u obliku koji pruža mogućnost interakcije s njim. Mozak sekvencijalno obavlja zadatke prepoznavanja (na primjer, prepoznavanje poznatog lica u nepoznatom okruženju) i na to troši 100...200 ms. Izvršavanje sličnih, manje složenih zadataka na računalu može trajati nekoliko sati.
Da bismo razumjeli veličinu izazova stvaranja stroja koji radi jednako savršeno kao naš mozak, trebamo samo razmisliti o nekim rutinskim zadacima koje obavljamo svaki dan. Recimo da sjedite za svojim stolom, au to vrijeme u sobu ulazi vaš kolega koji se vratio s godišnjeg odmora. Nosi novu majicu, sunčane naočale na preplanulom licu, a izgleda nešto mlađe jer je obrijao bradu. Prepoznajete li ga? Nedvojbeno, budući da prerušavanje nije dio njegovih planova. U razgovoru vas pita: “Gdje je knjiga koju sam ti dao da pročitaš?” Pitanje tumačite kao zahtjev za povrat knjige. Zatim pogledajte svoj stol i
Vidite među knjigama i hrpama papira koji leže na njoj tu knjigu, dohvatite je, izvadite je iz hrpe dokumenata i date kolegici. Takvi svakodnevni zadaci od nas ne zahtijevaju veliki mentalni napor, ali rješavanje svakog od njih uključuje mnogo precizno proračunatih koraka. Poteškoće u rješavanju takvih problema mogu se osjetiti kada se pokušava programirati računalni sustav da prepozna objekte po njihovom izgledu ili drugim karakteristikama, donoseći odluke ovisno o kontekstu itd.
Jednostavniji primjer je sonar za šišmiše, koji je aktivni sustav za lociranje jeke. Osim pružanja informacija o udaljenosti do željenog objekta, ovaj lokator omogućuje izračunavanje parametara objekta kao što su relativna brzina, veličina pojedinačnih elemenata i smjer kretanja. Kako bi izdvojio ovu informaciju iz primljenog signala, sićušni mozak šišmiša izvodi složene neuronske izračune.
Što omogućuje ljudskom mozgu ili mozgu šišmiša postizanje takvih rezultata? Pri rođenju mozak već ima savršenu strukturu koja mu omogućuje da izgradi vlastita pravila na temelju onoga što se obično naziva iskustvom. Iskustvo se skuplja tijekom vremena do posljednjih dana čovjekova života, a posebno velike promjene događaju se u prve dvije godine života.
Razvoj neurona povezan je s konceptom plastičnosti mozga - sposobnošću prilagodbe živčanog sustava u skladu s uvjetima okoline. Plastičnost igra najvažniju ulogu u funkcioniranju neurona kao elementarne jedinice za obradu informacija u ljudskom mozgu. Na sličan način, umjetni neuroni su konfigurirani u ANN. Općenito, ANN je stroj koji modelira način na koji mozak rješava određeni problem. Ova mreža je implementirana pomoću elektroničkih komponenti (neuroprocesora) ili modelirana programom koji radi na digitalnom računalu. Kako bi postigli visoke performanse, ANN-ovi koriste mnoge veze između elementarnih računalnih stanica – neurona. Među mnogim definicijama neuronskih mreža, najtočnija je definicija ANN-a kao adaptivnog stroja: umjetna neuronska mrežadistribuira se
paralelni procesor koji se sastoji od standardnih elemenata za obradu informacija koji akumuliraju eksperimentalno znanje i daju ga za kasniju obradu. Neuronska mreža slična je mozgu na dva načina:
1) znanje ulazi u neuronsku mrežu iz okoline
I koristi mreža u procesu učenja;
2) Za akumuliranje znanja koriste se interneuronske veze, koje se nazivaju i sinaptički utezi.
Postupak koji se koristi za izvođenje procesa učenja naziva se algoritam učenja. Njegova funkcija je modificirati sinaptičke težine ANN-a na određeni način tako da mreža dobije potrebna svojstva.
Modificiranje težine tradicionalni je način treniranja ANN-a. Ovaj pristup blizak je teoriji adaptivnih linearnih filtara koji se koriste u upravljanju. Međutim, za ANN također postoji mogućnost modificiranja vlastite topologije, na temelju činjenice da u živom mozgu neuroni mogu odumrijeti, te se mogu stvoriti nove sinaptičke veze.
Dakle, ANN ostvaruju svoju računalnu snagu zahvaljujući svoja dva glavna svojstva: paralelno distribuiranoj strukturi i sposobnosti učenja i generalizacije stečenog znanja. Svojstvo generalizacije odnosi se na sposobnost ANN-a da generira ispravne izlaze za ulazne signale koji nisu uzeti u obzir tijekom procesa učenja. Ova dva svojstva čine ANN sustavom za obradu informacija sposobnim za rješavanje složenih višedimenzionalnih problema koji su trenutno nerješivi.
Treba napomenuti da u praksi autonomne ANN često ne mogu ponuditi gotova rješenja. Oni bi trebali biti integrirani u složene sustave. Složen problem može se rastaviti na više jednostavnijih problema, od kojih se neki mogu riješiti neuronskim mrežama.
Područja primjene ANN-a vrlo su raznolika: prepoznavanje i analiza teksta i govora, semantičko pretraživanje, ekspertni sustavi i sustavi za podršku odlučivanju, predviđanje cijena dionica, sigurnosni sustavi. Postoji nekoliko primjera korištenja ANN-a u različitim područjima.
1. Sigurnosni sustavi u prometu. Američka tvrtka
Science Application International Corporation koristila je ANN u
njegov TNA projekt. Uređaj koji se razvija dizajniran je za otkrivanje plastičnih eksploziva u pakiranoj prtljazi. Prtljaga je bombardirana česticama koje uzrokuju sekundarno zračenje, čiji spektar analizira neuronska mreža. Uređaj pruža vjerojatnost otkrivanja eksploziva iznad 97% i sposoban je skenirati 10 komada prtljage u minuti.
2. Programski paketi neuronske mreže na financijskim tržištima. American Chemical Bank koristi sustav neuronske mreže iz Neural Data za prethodnu obradu transakcija na mjenjačnicama, filtrirajući "sumnjive" transakcije. Citibank koristi predviđanja neuronske mreže od 1990. Automatizirano trgovanje pokazuje povrate koji premašuju one većine brokera. Može se primijetiti da je zbornik seminara “Umjetna inteligencija u Wall Street" sastoji se od nekoliko teških svezaka.
3. Praćenje i automatska klasifikacija vijesti. Mjesto
Poznavanje predmeta tekstualnih poruka još je jedan primjer korištenja ANN-a. Poslužitelj vijesti Convectis (proizvod tvrtke Aptex Software Inc.) omogućuje automatsku klasifikaciju poruka u kategorije. Provjerom značenja riječi prema kontekstu, Convectis je u stanju prepoznati teme u stvarnom vremenu i kategorizirati ogromne protoke tekstualnih poruka koje se prenose preko mreža Reuters, NBC, CBS, itd. Nakon analize poruke, komentar, popis ključnih riječi i generira se popis kategorija kojima ova poruka pripada
4. Autopilotiranje bespilotnih letjelica. Hipersoničnu izviđačku letjelicu LoFLYTE (Low-Observable Flight Test Experiment), 2,5 m dugu mlaznu bespilotnu letjelicu, razvila je Accurate Automation Corp. za NASA-u i američko ratno zrakoplovstvo. u okviru programa potpore malom inovativnom gospodarstvu. Ovo je eksperimentalni razvoj za istraživanje novih principa pilotiranja. Uključuje neuronske mreže koje autopilotu omogućuju učenje kopiranjem pilotovih tehnika letenja. S vremenom neuronske mreže stječu iskustvo upravljanja, a brzina obrade informacija omogućuje im brzo pronalaženje izlaza u ekstremnim i hitnim situacijama. LoFLYTE je dizajniran za let pri nadzvučnim brzinama, pri čemu vrijeme reakcije pilota možda neće biti dovoljno da adekvatno odgovori na promjene u uvjetima leta.
Danas su ANN važno proširenje koncepta računanja. Već su omogućili suočavanje s nizom teških problema i obećavaju stvaranje novih programa i uređaja koji će moći riješiti probleme koje trenutno mogu samo ljudi. Moderna neuroračunala koriste se prvenstveno kao softverski proizvodi i stoga rijetko iskorištavaju svoj potencijal za "paralelizam". Era pravih paralelnih neurokomputacija započet će pojavom na tržištu hardverskih implementacija specijaliziranih neuročipova i kartica za proširenje namijenjenih obradi govora, videa, statičnih slika i drugih vrsta figurativnih informacija.
Drugo područje primjene ANN-a je njihova upotreba
V specijalizirani softver robotski agenti dizajnirani za obradu informacija, a ne za obavljanje fizičkog rada. Inteligentni pomoćnici trebali bi korisnicima olakšati komunikaciju s računalom. Njihova posebnost bit će želja da što bolje razumiju što se od njih traži, kroz promatranje i analizu ponašanja svog "gospodara". Pokušavajući otkriti
V Ovo ponašanje ima neke zakonitosti, inteligentni agenti moraju ponuditi svoje usluge na vrijeme kako bi izvršili određene operacije, na primjer, za filtriranje poruka s vijestima, za sigurnosno kopiranje dokumenata na kojima korisnik radi itd. Zato su ANN-ovi, sposobni sažimati podatke i pronalaziti obrasce u njima, prirodna komponenta takvih softverskih agenata.
1. RAČUNALA I MOZAK
1.1. Biološki neuron
Ljudski živčani sustav može se pojednostaviti u strukturu od tri stupnja. Središte ovog sustava je mozak, koji se sastoji od mreže neurona (slika 1.1). Prima informacije, analizira ih i donosi odgovarajuće odluke. Receptori pretvaraju signale iz okoline i unutarnjih organa u električne impulse koje percipira neuronska mreža (mozak). Receptori osiguravaju komunikaciju između našeg mozga i vanjskog svijeta, omogućujući mu primanje vizualnih, slušnih, okusnih, olfaktornih i taktilnih informacija. Ef-
Fektori pretvaraju električne impulse koje generira mozak u izlazne signale koji kontroliraju mišiće, unutarnje organe i stijenke krvnih žila. Tako mozak kontrolira rad srca, disanje, krvni tlak, temperaturu, održava potreban sadržaj kisika u krvi itd. Intermedijarni neuroni obrađuju informacije primljene od osjetnih neurona i prenose ih efektorskim neuronima.
Riža. 1.1. Pojednostavljeni dijagram živčanog sustava
Valja napomenuti da je mozak građen od dvije vrste stanica: glija i neurona. I premda se čini da je uloga glijalnih stanica prilično značajna, većina znanstvenika vjeruje da je velik dio načina da se razumije kako mozak funkcionira proučavanjem neurona povezanih u jednu povezanu mrežu. Ovaj pristup se koristi u izgradnji umjetnih neuronskih mreža (ANN).
Treba napomenuti da postoje i drugačija mišljenja. Neki istraživači vjeruju da se glavni procesi ne odvijaju u neuronskoj mreži, već u samim stanicama, odnosno u njihovom citoskeletu, u takozvanim mikrotubulama. Prema ovom gledištu, i pamćenje, pa čak i svijest određeni su promjenama u proteinima u unutarstaničnim strukturama i povezanim kvantnim učincima.
Broj neurona u mozgu procjenjuje se na 1010...1011. U biološkom neuronu mogu se razlikovati sljedeće strukturne jedinice (slika 1.2):
tijelo stanice (soma);
dendriti su mnoga razgranata kratka (ne više od 1 mm) živčana vlakna koja prikupljaju informacije od drugih neurona;
Akson je jedino tanko, dugo (ponekad više od jednog metra) živčano vlakno. Akson osigurava provođenje impulsa i prijenos učinaka na druge neurone ili mišićna vlakna. Na svom završetku, akson se također grana i stvara kontakte s dendritima drugih neurona;
Udžbenik uvodi čitatelje u povijest umjetne inteligencije, modele reprezentacije znanja, ekspertne sustave i neuronske mreže. Opisuju se glavni pravci i metode koje se koriste u analizi, razvoju i implementaciji inteligentnih sustava. Razmatraju se modeli reprezentacije znanja i metode rada s njima, metode razvoja i kreiranja ekspertnih sustava. Knjiga će čitatelju pomoći u svladavanju vještina logičkog oblikovanja domenskih baza podataka i programiranja u jeziku ProLog.
Za studente i nastavnike pedagoških sveučilišta, nastavnike srednjih škola, gimnazija, liceja.
Pojam umjetne inteligencije.
Sustav umjetne inteligencije (AI) softverski je sustav koji simulira ljudski proces razmišljanja na računalu. Za stvaranje takvog sustava potrebno je proučiti sam proces razmišljanja osobe koja rješava određene probleme ili donosi odluke u određenom području, istaknuti glavne korake tog procesa i razviti softver koji ih reproducira na računalu. Stoga metode umjetne inteligencije imaju jednostavan strukturirani pristup razvoju složenih softverskih sustava za donošenje odluka.
Umjetna inteligencija je grana računalne znanosti čiji je cilj razviti hardverske i softverske alate koji omogućuju korisniku koji nije programer da postavlja i rješava svoje tradicionalno smatrane intelektualne probleme, komunicirajući s računalom u ograničenom podskupu prirodnog jezika.
SADRŽAJ
Poglavlje 1. Umjetna inteligencija
1.1. Uvod u sustave umjetne inteligencije
1.1.1. Pojam umjetne inteligencije
1.1.2. Umjetna inteligencija u Rusiji
1.1.3. Funkcionalna struktura sustava umjetne inteligencije
1.2. Smjerovi razvoja umjetne inteligencije
1.3. Podaci i znanje. Predstavljanje znanja u inteligentnim sustavima
1.3.1. Podaci i znanje. Osnovne definicije
1.3.2. Modeli reprezentacije znanja
1.4. Ekspertni sustavi
1.4.1. Struktura ekspertnog sustava
1.4.2. Razvoj i korištenje ekspertnih sustava
1.4.3. Klasifikacija ekspertnih sustava
1.4.4. Reprezentacija znanja u ekspertnim sustavima
1.4.5. Alati za izgradnju ekspertnih sustava
1.4.6. Tehnologija razvoja ekspertnog sustava
Kontrolna pitanja i zadaci za 1. poglavlje
Reference za 1. poglavlje
Poglavlje 2. Logičko programiranje
2.1. Metodologije programiranja
2.1.1. Metodologija imperativnog programiranja
2.1.2. Metodologija objektno orijentiranog programiranja
2.1.3. Metodologija funkcionalnog programiranja
2.1.4. Metodologija logičkog programiranja
2.1.5. Metodologija programiranja ograničenja
2.1.6. Metodologija programiranja neuronske mreže
2.2. Kratki uvod u račun predikata i dokazivanje teorema
2.3. Proces zaključivanja u Prologu
2.4. Struktura programa u jeziku Prolog
2.4.1. Korištenje složenih objekata
2.4.2. Korištenje alternativnih domena
2.5. Organiziranje ponavljanja u Prologu
2.5.1. Metoda vraćanja nakon kvara
2.5.2. Metoda rezanja i vraćanja
2.5.3. Jednostavna rekurzija
2.5.4. Metoda generaliziranog pravila rekurzije (GRR).
2.6. Popisi u Prologu
2.6.1. Operacije na listama
2.7. Žice u Prologu
2.7.1. Operacije nizova
2.8. Datoteke u Prolog jeziku
2.8.1. Prolog predikati za rad s datotekama
2.8.2. Opis domene datoteke
2.8.3. Zapiši u datoteku
2.8.4. Čitanje iz datoteke
2.8.5. Izmjena postojeće datoteke
2.8.6. Dodavanje na kraj postojeće datoteke
2.9. Izrada dinamičkih baza podataka u Prologu
2.9.1. Baze podataka u Prologu
2.9.2. Predikati dinamičke baze podataka u Prologu
2.10. Izrada ekspertnih sustava
2.10.1. Struktura ekspertnog sustava
2.10.2. Reprezentacija znanja
2.10.3. Metode povlačenja
2.10.4. Sustav korisničkog sučelja
2.10.5. Stručni sustav temeljen na pravilima
Kontrolna pitanja i zadaci za 2. poglavlje
Reference za 2. poglavlje
Poglavlje 3. Neuronske mreže
3.1. Uvod u neuronske mreže
3.2. Model umjetnog neurona
3.3. Primjena neuronskih mreža
3.4. Uvježbavanje neuronske mreže
Kontrolna pitanja i zadaci za 3. poglavlje
Reference za 3. poglavlje.
Besplatno preuzmite e-knjigu u prikladnom formatu, gledajte i čitajte:
Preuzmite knjigu Fundamentals of Artificial Intelligence, Borovskaya E.V., Davydova N.A., 2016. - fileskachat.com, brzo i besplatno preuzimanje.
Tutorial « DBMS: SQL jezik u primjerima i problemima” I.F.Astahova, A.P.Todstobrova, V.M.Fertikova, objavljen u izdanju FIZMATLIT-a 2007. godine, sadrži izbor primjera, problema i vježbi različitih oblika. stupnja složenosti izvoditi praktičnu i laboratorijsku nastavu izučavanja osnova SQL jezika u sklopu tečaja za informacijske sustave s bazama podataka u smjeru studija i specijalnosti "Primijenjena matematika i računarstvo". Informacijski sustavi koji koriste baze podataka danas predstavljaju jedno od najvažnijih područja suvremene računalne tehnologije. Većina suvremenog softverskog tržišta povezana je s ovim područjem. S obzirom na mjesto koje jezik SQL zauzima u modernim informacijskim tehnologijama, njegovo poznavanje neophodno je svakom stručnjaku koji se bavi ovim područjem. Stoga je njegova praktična izrada sastavni dio tečajeva usmjerenih na proučavanje informacijskih sustava s bazama podataka. Trenutno su takvi tečajevi uključeni u nastavne planove i programe niza sveučilišnih specijalnosti. Nema sumnje da kako bi se osiguralo da studenti imaju priliku steći stabilne vještine u SQL jeziku, odgovarajući tečaj, osim teorijskog upoznavanja s osnovama jezika, mora nužno sadržavati dovoljno veliku količinu laboratorijskih vježbi. na njegovu praktičnu upotrebu. Predloženi udžbenik prvenstveno je usmjeren na metodičku potporu upravo ovoj vrsti aktivnosti. U tom smislu, usredotočen je na odabir praktičnih primjera, zadataka i vježbi različitih stupnjeva složenosti u izradi SQL upita, što omogućuje izvođenje praktičnih sesija učenja jezika tijekom akademskog semestra.
Udžbenik “Sustavi umjetne inteligencije. Praktični tečaj" Astakhova I.F., Chulyukova V.A., Potapov A.S., Milovskaya L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V., koji ima žig UMO prema klasičnom sveučilišnom obrazovanju i objavljen u izdavačkim kućama BINOM. KNOWLEDGE LABORATORY i PHYSMATLIT 2008. godine pripremili predavanja i laboratorijske vježbe iz disciplina “Baze podataka i ekspertni sustavi”, “Baze podataka i ekspertni sustavi”, “Sustavi umjetne inteligencije”, “Informacijski inteligentni sustavi”. Ova knjiga posvećena je području informatike u kojem se posljednjih godina Vrlo je malo domaće obrazovne literature za visokoškolske ustanove. Prevedene knjige vjerojatnije su znanstvene publikacije nego udžbenici. Bilo je potrebno osmisliti mnoštvo primjera, laboratorijskih zadataka koje bi učenici radili na računalu i stjecali znanja, vještine i sposobnosti (sa stajališta kompetencijskog pristupa obrazovanju).
Glavna prednost i značajna razlika ovog udžbenika od sličnih publikacija je prisutnost u njemu oko 100 primjera, 235 vježbi, 79 pitanja za ponavljanje obrađenog gradiva, 11 laboratorijskih radova u kojima se proučava 6 različitih softverskih proizvoda.
Bibliografska poveznica
Astakhova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. PRIRUČNIK ZA NASTAVU “DBMS: SQL JEZIK U PRIMJERIMA I ZADACIMA”, “UMJETNA INTELIGENCIJA. PRAKTIKUM" // Suvremeni problemi znanosti i obrazovanja. – 2009. – br. 1.;URL: http://science-education.ru/ru/article/view?id=901 (datum pristupa: 17.09.2019.). Predstavljamo vam časopise izdavačke kuće "Akademija prirodnih znanosti"
