Vodič za praktični kurs sistema umjetne inteligencije. Savremeni problemi nauke i obrazovanja

S.G. TOLMAČEV

VEŠTAČKA INTELIGENCIJA.

MODELI NEURALNE MREŽE

Ministarstvo obrazovanja i nauke Ruske Federacije Baltički državni tehnički univerzitet "Voenmeh"

Odjel za obradu informacija i sisteme upravljanja

S.G. TOLMAČEV

VEŠTAČKA INTELIGENCIJA.

MODELI NEURALNE MREŽE

Tutorial

St. Petersburg

UDK 004.8(075.8) T52

Tolmačev, S.G.

T52 Sistemi umjetne inteligencije. Modeli neuronskih mreža: udžbenik / S.G. Tolmachev; Balt. stanje tech. un-t. - Sankt Peterburg, 2011. 132 str.

ISBN 978-5-85546-633-1

Date su osnovne informacije o strukturi i principima funkcionisanja veštačkih neuronskih mreža. Razmatra se funkcionisanje formalnog neurona, klasifikacija neuronskih mreža prema njihovoj arhitekturi i tipovima učenja, tipične formulacije različitih problema neuronskih mreža i metode za njihovo rješavanje.

Namijenjen je studentima viših razreda koji studiraju na specijalnostima "Informacioni sistemi i tehnologije" i "Automatizovani sistemi za obradu i upravljanje informacijama".

UDK 004.8(075.8)

Recenzenti: Dr. tech. nauka prof., dr. naučnim radnik OJSC "Koncern "Granit-Electron"" S.N. Lopte; cand. tech. nauka, prof., dr. cafe I5 BSTU N.N. Smirnova

Odobreno od strane uredništva i izdavačkog odbora univerziteta

UVOD

Jedan od najmoćnijih alata za stvaranje inteligentnih sistema su umjetne neuronske mreže (ANN), koje modeliraju osnovne mehanizme obrade informacija svojstvene ljudskom mozgu. Poznato je da mozak radi na fundamentalno drugačiji način i često efikasnije od bilo kojeg kompjutera koji je napravio čovjek. Upravo ta činjenica već dugi niz godina motiviše naučnike da rade na stvaranju i istraživanju veštačkih neuronskih mreža.

Mozak je izuzetno složen sistem za obradu informacija. Ima sposobnost da organizira svoje strukturne komponente, nazvane neuroni, tako da mogu obavljati specifične zadatke (prepoznavanje obrazaca, senzorna obrada, motoričke funkcije) mnogo puta brže od današnjih najbržih kompjutera. Primjer takvog zadatka je obična vizija. Funkcija vizuelnog sistema je da stvori predstavu sveta na način koji pruža mogućnost interakcije sa njim. Mozak sekvencijalno izvršava zadatke prepoznavanja (na primjer, prepoznavanje poznatog lica u nepoznatom okruženju) i na to troši 100-200 ms. Obavljanje sličnih zadataka manje složenosti na računaru može potrajati nekoliko sati.

Da bismo shvatili veličinu izazova stvaranja mašine koja radi savršeno kao i naš mozak, dovoljno je razmisliti o nekim od rutinskih zadataka koje obavljamo svaki dan. Pretpostavimo da sjedite za svojim stolom, a u to vrijeme u sobu ulazi vaš kolega koji se vratio s odmora. Nosi novu majicu, sunčane naočale na preplanulom licu i izgleda malo mlađe jer je obrijao bradu. Da li ga prepoznajete? Nesumnjivo, pošto maskiranje nije dio njegovih planova. U razgovoru te pita: „Gdje je knjiga koju sam ti dao da pročitaš?“. Pitanje tumačite kao zahtjev za vraćanje knjige. Zatim pogledajte svoj sto i

vidite među knjigama i hrpama papira koji na njoj leže dotičnu knjigu, ispružite ruku prema njoj, izvadite je iz gomile dokumenata i dajte je svom kolegi. Ovakvi svakodnevni zadaci od nas ne zahtijevaju mnogo intelektualnog napora, ali rješenje svakog od njih uključuje mnogo precizno proračunatih koraka. Složenost rješavanja ovakvih problema može se osjetiti kada se pokušava programirati kompjuterski sistem da prepozna objekte po izgledu ili drugim karakteristikama, donosi odluke u zavisnosti od konteksta itd.

Jednostavniji primjer je sonar slepih miševa, koji je aktivni sistem eholokacije. Osim što pruža informacije o udaljenosti do željenog objekta, ovaj lokator vam omogućava da izračunate parametre objekta kao što su relativna brzina, veličina pojedinačnih elemenata i smjer kretanja. Da bi izvukao ovu informaciju iz primljenog signala, sićušni mozak šišmiša izvodi složene neuronske proračune.

Šta omogućava mozgu osobe ili šišmiša da postigne takve rezultate? Pri rođenju, mozak već ima savršenu strukturu, što mu omogućava da izgradi vlastita pravila na osnovu onoga što se obično naziva iskustvom. Iskustvo se akumulira tokom vremena do posljednjih dana čovjekovog života, a posebno velike promjene nastaju u prve dvije godine života.

Razvoj neurona povezan je sa konceptom plastičnosti mozga - sposobnošću prilagođavanja nervnog sistema u skladu sa uslovima okoline. Plastičnost igra najvažniju ulogu u radu neurona kao osnovnih jedinica za obradu informacija u ljudskom mozgu. Slično, umjetni neuroni su podešeni u ANN. Općenito, ANN je mašina koja simulira kako mozak rješava određeni problem. Ova mreža se realizuje korišćenjem elektronskih komponenti (neuroprocesora) ili modeluje programom koji radi na digitalnom računaru. Da bi postigle visoke performanse, ANN koriste mnogo međusobnih veza između elementarnih ćelija proračuna - neurona. Među mnogim definicijama neuronskih mreža, najpreciznija je definicija ANN-a kao adaptivne mašine: umjetna neuronska mrežadistribuiran je

paralelni procesor koji se sastoji od tipičnih elemenata za obradu informacija koji akumuliraju eksperimentalno znanje i daju ga za dalju obradu. Neuronska mreža je slična 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 sinaptičkim težinama.

Postupak koji se koristi za izvođenje procesa učenja naziva se algoritam učenja. Njegova funkcija je da modificira sinaptičke težine ANN-a na određeni način tako da mreža dobije potrebna svojstva.

Modifikacija težine je tradicionalni način učenja ANN-a. Ovaj pristup je blizak teoriji adaptivnih linearnih filtera koji se koriste u upravljanju. Međutim, za ANN postoji i mogućnost modifikacije sopstvene topologije, zasnovane na činjenici da u živom mozgu neuroni mogu umrijeti, a mogu se stvoriti nove sinaptičke veze.

Dakle, ANN ostvaruju svoju računarsku moć zahvaljujući svoja dva glavna svojstva: paralelno distribuiranu strukturu i sposobnost učenja i generalizacije stečenog znanja. Svojstvo generalizacije se shvata kao sposobnost ANN-a da generiše ispravne izlaze za ulazne signale koji nisu uzeti u obzir u procesu učenja (obuci). Ova dva svojstva čine ANN sistemom za obradu informacija sposobnim da riješi složene višedimenzionalne probleme koji su trenutno nerešivi.

Treba napomenuti da u praksi autonomni INS često ne može pružiti gotova rješenja. Oni moraju biti integrisani u složene sisteme. Složen zadatak može se podijeliti na niz jednostavnijih zadataka, od kojih se neki mogu riješiti neuronskim mrežama.

Područja primjene ANN-a su veoma raznolika: prepoznavanje i analiza teksta i govora, semantička pretraga, ekspertni sistemi i sistemi za podršku odlučivanju, predviđanje cijena dionica, sigurnosni sistemi. Postoji nekoliko primjera upotrebe ANN-a u različitim područjima.

1. Transportni sigurnosni sistemi. Američka firma

Science Application International Corporation je koristila ANN u

njegov projekat TNA. Razvijeni uređaj je dizajniran za otkrivanje plastičnog eksploziva u upakovanom prtljagu. Prtljag je bombardovan česticama koje izazivaju sekundarno zračenje, čiji spektar analizira neuronska mreža. Uređaj pruža vjerovatnoću detekcije eksploziva iznad 97% i sposoban je pregledati 10 komada prtljaga u minuti.

2. Softverski paketi za neuronske mreže na finansijskim tržištima. American Chemical Bank koristi sistem neuronske mreže Neural Data za prethodnu obradu transakcija na mjenjačnicama, filtrirajući "sumnjive" transakcije. Citibank koristi predviđanja neuronske mreže od 1990. godine. Automatsko poslovanje pokazuje prinose koji su veći od onih kod većine brokera. Može se primijetiti da je zbornik radova seminara „Vještačka inteligencija na Wall Street" čine nekoliko pozamašnih tomova.

3. Praćenje i automatsko određivanje naslova vijesti. Lokacija

poznavanje teme tekstualnih poruka je još jedan primjer upotrebe ANN-a. Convectis server vijesti (proizvod Aptex Software Inc.) omogućava automatsku kategorizaciju poruka. Uspoređujući značenje riječi prema kontekstu, Convectis je u stanju prepoznati teme u realnom vremenu i kategorizirati ogromne tokove tekstualnih poruka koje se prenose preko mreža Reutersa, NBC-a, CBS-a, itd. Nakon raščlanjivanja poruke, apstrakt, lista generiraju se ključne riječi i lista naslova kojima ova poruka pripada.

4. Autopilotiranje bespilotnih letjelica. Hipersonični izviđački avion LoFLYTE (Low-Observable Flight Test Experiment), 2,5 m dugačak mlazni bespilotni avion, razvijen je za NASA-u i američko ratno zrakoplovstvo od strane Accurate Automation Corp. u okviru programa podrške malom inovativnom biznisu. Ovo je eksperimentalni razvoj za proučavanje novih principa pilotiranja. Uključuje neuronske mreže koje omogućavaju autopilotu da uči kopiranjem pilotovih tehnika pilotiranja. Vremenom, neuronske mreže usvajaju iskustvo upravljanja, a brzina obrade informacija omogućava vam da brzo pronađete izlaz u ekstremnim i hitnim situacijama. LoFLYTE je namijenjen za nadzvučni let gdje vrijeme reakcije pilota možda neće biti dovoljno da adekvatno odgovori na promjene u režimu leta.

Trenutno, ANN su važno proširenje koncepta računanja. Oni su već omogućili da se izbore sa nizom teških problema i obećavaju stvaranje novih programa i uređaja sposobnih za rješavanje problema koje do sada može samo čovjek. Moderni neuroračunari se uglavnom koriste u obliku softverskih proizvoda i stoga rijetko koriste svoj potencijal "paralelizma". Era pravog paralelnog neuroračunarstva počet će pojavom na tržištu hardverskih implementacija specijalizovanih neuročipova i ploča za proširenje dizajniranih za obradu govora, videa, statičkih slika i drugih vrsta figurativnih informacija.

Još jedno područje primjene ANN-a je njihova upotreba

in specijalizovani softver robotski agenti dizajnirani za obradu informacija, a ne za fizički rad. Pametni asistenti bi trebali olakšati korisnicima interakciju s računarom. Njihovo obeležje biće želja da što bolje shvate šta se od njih traži, posmatrajući i analizirajući ponašanje svog "gospodara". Pokušavam otkriti

in U ovakvom ponašanju postoje određeni obrasci, inteligentni agenti moraju blagovremeno ponuditi svoje usluge za obavljanje određenih operacija, kao što je filtriranje vijesti, pravljenje rezervnih kopija dokumenata na kojima korisnik radi itd. Zbog toga su ANN, sposobne da generalizuju podatke i pronalaze obrasce u njima, prirodna komponenta takvih softverskih agenata.

1. RAČUNARI I MOZAK

1.1. biološki neuron

Ljudski nervni sistem može se pojednostaviti kao trostepena struktura. Centar ovog sistema 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 unutrašnjih organa u električne impulse koje percipira neuronska mreža (mozak). Receptori osiguravaju vezu našeg mozga sa vanjskim svijetom, ostvarujući protok vizualnih, slušnih, gustatornih, olfaktornih i taktilnih informacija u njega. ef-

Fektori pretvaraju električne impulse koje generira mozak u izlazne signale koji kontroliraju mišiće, unutrašnje organe i zidove krvnih žila. Tako mozak kontroliše rad srca, disanje, krvni pritisak, temperaturu, održava željeni sadržaj kiseonika u krvi itd. Srednji neuroni obrađuju informacije primljene od senzornih neurona i prenose ih do efektorskih neurona.

Rice. 1.1. Pojednostavljeni dijagram nervnog sistema

Treba napomenuti da je mozak izgrađen od dvije vrste ćelija: glijalnih ćelija i neurona. I iako se čini da je uloga glijalnih ćelija prilično značajna, većina naučnika vjeruje da je glavni način da se shvati kako mozak radi proučavanje neurona ujedinjenih u jednu povezanu mrežu. Ovaj pristup se koristi u izgradnji umjetnih neuronskih mreža (ANN).

Treba napomenuti da postoje i druga 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 ovoj tački gledišta, i pamćenje, pa čak i svijest su određeni promjenama u proteinima u unutarćelijskim strukturama i kvantnim efektima povezanim s njima.

Broj neurona u mozgu procjenjuje se na 1010 ... 1011 . U biološkom neuronu se mogu razlikovati sljedeće strukturne jedinice (slika 1.2):

tijelo ćelije (soma);

dendriti su mnoga razgranana kratka (ne više od 1 mm) nervna vlakna koja prikupljaju informacije od drugih neurona;

akson je jedino tanko dugo (ponekad više od metra) nervno vlakno. Akson provodi impuls i prenosi udar na druge neurone ili mišićna vlakna. Na svom kraju, akson se takođe grana i formira kontakte sa dendritima drugih neurona;

FEDERALNA AGENCIJA ZA OBRAZOVANJE

DRŽAVNA OBRAZOVNA USTANOVA

VISOKO STRUČNO OBRAZOVANJE

"VOLGOGRADSKI DRŽAVNI TEHNIČKI UNIVERZITET"

TEHNOLOŠKI INSTITUT KAMYSHINSKY (FILIJALA)

SEI HPE "VOLGOGRADSKI DRŽAVNI TEHNIČKI UNIVERZITET"

PRAKTIČNI KURS IZ DISCIPLINE "SISTEMI VEŠTAČKE INTELIGENCIJE"

Edukativno elektronsko izdanje

Volgograd

NL - prirodni jezik

AI - umjetna inteligencija

LP - logika predikata

donosilac odluke - donosilac odluke

MT - Turing mašina

PGA - jednostavan genetski algoritam

PPF je dobro formirana formula

PRO - primitivni rekurzivni operator

PRF - primitivna rekurzivna funkcija

RF - rekurzivna funkcija

SNI - sistem umjetne inteligencije

FP - fitnes funkcija

TF - funkcija cilja

ES - ekspertni sistem

UVOD

U početku se umjetna inteligencija smatrala naukom o stvaranju mašina za razmišljanje. Ovo područje se smatralo svetim gralom kompjuterske nauke. S vremenom je umjetna inteligencija evoluirala u pragmatičniju disciplinu. Ovo područje još uvijek uključuje proučavanje mehanizama mišljenja. U okviru vještačke inteligencije razmatraju se različite strategije za kompjutersko rješavanje složenih praktičnih problema. Osim toga, danas je postalo jasno da je sam intelekt previše složen entitet koji se ne može opisati u okviru jedne teorije. Različite teorije to opisuju na različitim nivoima apstrakcije. Učenje na najnižem nivou osiguravaju neuronske mreže koje prepoznaju mašine, genetske algoritme i druge oblike računanja koji modeliraju sposobnost prilagođavanja, percepcije i interakcije s fizičkim svijetom. Kreatori ekspertnih sistema, inteligentnih agenata, stohastičkih modela i sistema razumevanja prirodnog jezika rade na višem nivou apstrakcije. Ovaj nivo uzima u obzir ulogu društvenih procesa u stvaranju, transferu i ekstrakciji znanja. Najviši nivo apstrakcije uključuje logičke pristupe, uključujući deduktivne, abduktivne modele, sisteme podrške istini i druge oblike i metode zaključivanja.

Ovaj priručnik opisuje osnove nekih teorija niskog nivoa sa praktičnim zadacima za proučavanje algoritama zasnovanih na odredbama ovih teorija. Posebno se razmatraju osnove teorije prepoznavanja obrazaca sa zadatkom proučavanja linearnih diskriminantnih funkcija i funkcija sličnosti; teorija umjetnih neuronskih mreža sa formulacijom problema proučavanja svojstava umjetnih neuronskih mreža na problem prepoznavanja obrazaca; genetski algoritmi sa formulacijom problema proučavanja njihovih svojstava pri traženju ekstremuma funkcije. Za obavljanje istraživačkih zadataka potrebno je biti sposoban programirati na bilo kojem programskom jeziku, po mogućnosti objektno orijentisanom.

1.1. Poreklo teorije veštačke inteligencije

1.1.1. Koncept vještačke inteligencije

Termin inteligencija(inteligencija) dolazi od latinskog intellectus, što znači um, razum, um, mentalne sposobnosti osobe. Odnosno umjetna inteligencija(AI, u engleskom ekvivalentu: umjetna inteligencija, AI) je svojstvo automatskih sistema da preuzimaju pojedinačne funkcije ljudske inteligencije.

Svaka umjetna inteligencija je model donošenja odluka koje provodi prirodna inteligencija osobe. Umjetna inteligencija može tvrditi da se može porediti s prirodnom inteligencijom, pod uslovom da kvalitet generiranih rješenja nije lošiji od prosječne prirodne inteligencije.

1.1.2. Umjetna inteligencija u petlji automatizacije

U takvim sistemima se uvodi upravljačka petlja donosilac odluka(LPR).

Donosilac odluke ima svoj sistem preferencija u pogledu kriterijuma upravljanja objektom, pa čak i svrhe postojanja objekta. Donosilac odluka se najčešće ne slaže, barem djelimično, sa režimima koje nudi tradicionalni ACS. Donosilac odluka kontroliše, po pravilu, glavne parametre sistema, dok ostale kontrolišu lokalni kontrolni sistemi. Postoji problem automatizacije aktivnosti donosilaca odluka u kontrolnoj petlji.

AI je istraživački pravac koji kreira modele i odgovarajuće softverske alate koji omogućavaju korištenje kompjutera za rješavanje problema kreativne, neračunarske prirode, koji u procesu rješavanja zahtijevaju pozivanje na semantiku (problem značenja).

AI je softverski sistem koji simulira ljudsko razmišljanje na računaru. Za kreiranje ovakvog sistema potrebno je proučiti proces razmišljanja donosioca odluka, istaknuti glavne korake ovog procesa, razviti softver koji ove korake reprodukuje na računaru.

1.1.3. Koncept intelektualnog zadatka i aktivnosti

Odlika ljudske inteligencije je sposobnost rješavanja intelektualnih problema sticanjem, 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 na zasebne elementarne korake često pokaže vrlo teškom, čak i ako samo njihovo rješavanje nije teško.

Aktivnost mozga, usmjerenu na rješavanje intelektualnih problema, nazvat ćemo mišljenjem ili intelektualnom aktivnošću.

Intelektualna aktivnost podrazumijeva sposobnost zaključivanja, generiranja, dizajniranja rješenja koje nije eksplicitno i gotovo u sistemu. Izvođenje rješenja je moguće samo ako postoji interna reprezentacija znanja u sistemu ( modeli spoljašnjeg sveta) - formalizirana reprezentacija znanja o vanjskom svijetu (automatizirana predmetna oblast).

1.1.4. Prvi koraci u istoriji veštačke inteligencije

Prvi programi koji implementiraju karakteristike intelektualne aktivnosti:

1. Mašinsko prevođenje (1947). U SSSR-u je od 1955. godine rad u oblasti mašinskog prevođenja bio povezan sa, . Zadatak mašinskog prevođenja zahtevao je odvajanje znanja od koda. Pojava posredničkog jezika označila je prvi pokušaj stvaranja jezika za unutrašnje predstavljanje znanja.

2. Automatsko referenciranje i pronalaženje informacija (1957, SAD). Ideja izolacije sistema veza-odnosa između pojedinačnih činjenica, oličena u konceptu tezaurusa.

3. Dokaz teorema (1956, SAD). Pojava programa za dokazivanje teorema propozicionalne logike: "Logic-Theorerist". 1965. godine pojavila se metoda rezolucije (J. Robinson, SAD), 1967. godine reverzna metoda (, SSSR). Metode implementiraju ideju korištenja heuristički– eksperimentalna pravila za smanjenje nabrajanja opcija pri izvođenju rješenja.

4. Prepoznavanje uzoraka (rane 60-e). Ideje teorije prepoznavanja koje se odnose na učenje pronalaženja pravila odluke na skupu pozitivnih i negativnih primjera.

Godine 1956. K. Shannon, M. Minsky i J. McCarthy organizovali su konferenciju u Dartmouth-u (SAD) kako bi sumirali praktično iskustvo razvoja intelektualnih programa.

1.1.5. Stvaranje teorijske osnove

1969. godine održana je Prva međunarodna konferencija o umjetnoj inteligenciji (IJCAI) u Washingtonu DC. Godine 1976. počeo je da izlazi međunarodni časopis "Vještačka inteligencija". Tokom 70-ih godina formirani su glavni teorijski pravci istraživanja u oblasti inteligentnih sistema:

− reprezentacija znanja, formalizacija znanja o vanjskom okruženju, stvaranje unutrašnjeg modela vanjskog svijeta;

− komunikacija, kreiranje jezika interakcije između sistema i korisnika;

− rasuđivanje i planiranje, donošenje odluka u alternativnim situacijama;

− percepcija (mašinski vid), dobijanje podataka iz spoljašnje sredine;

− obuka, izvlačenje znanja iz iskustva funkcionisanja sistema;

- aktivnost, aktivno ponašanje sistema zasnovano na sopstvenim ciljevima funkcionisanja.

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.

Da li se inteligencija može reprodukovati? Samoreprodukcija je teoretski moguća. Fundamentalnu mogućnost automatizacije rješavanja intelektualnih problema uz pomoć računara pruža svojstvo algoritamske univerzalnosti. Međutim, ne treba misliti da kompjuteri i roboti u principu mogu riješiti bilo kakve probleme. Postoje algoritamski nerješivi problemi.

Koja je svrha stvaranja vještačke inteligencije? Pretpostavimo da je osoba uspjela stvoriti intelekt koji nadmašuje vlastiti intelekt (ako ne kvalitetom, onda kvantitetom). Šta će sada biti sa čovečanstvom? Kakvu će ulogu ta osoba imati? Zašto je sada potreban? I općenito, da li je u principu potrebno stvoriti AI? Očigledno, najprihvatljiviji odgovor na ova pitanja je koncept "pojačala inteligencije".

Da li je bezbedno stvarati veštačku inteligenciju? Posjedujući inteligenciju i komunikacijske sposobnosti mnogo puta veće od ljudskih, tehnologija će postati moćna nezavisna sila sposobna da se suprotstavi svom tvorcu.

1.1.7. Područja upotrebe

1. Obrada prirodnih jezika, prepoznavanje slika, govora, signala, kao i izrada inteligentnih modela interfejsa, finansijsko predviđanje, ekstrakcija podataka, dijagnostika sistema, praćenje mrežne aktivnosti, enkripcija podataka (smjer - neuronske mreže).

2. Nanotehnologije, problemi samosastavljanja, samokonfiguracije i samoizlječenja sistema koji se sastoje od mnogih istovremeno funkcionalnih čvorova, multiagentskih sistema i robotike (smjer - evolucijsko računanje).

3. Hibridni sistemi upravljanja, obrada slika, alati za pretraživanje, indeksiranje i analizu značenja slika, prepoznavanje i klasifikacija slika (smjer - fuzzy logika).

4. Medicinska dijagnostika, obuka, konsalting, automatsko programiranje, provera i analiza kvaliteta programa, projektovanje veoma velikih integrisanih kola, tehnička dijagnostika i davanje preporuka za popravku opreme, planiranje u različitim predmetnim oblastima i analiza podataka (smer – ekspertski sistemi (ES )).

5. Transportni problemi, distribuirano računanje, optimalno opterećenje resursa (smjer - metode redukcije nabrajanja).

6. Razvoj velikih sistema za projektovanje softvera, generisanje koda, verifikacija, testiranje, procena kvaliteta, identifikacija mogućnosti ponovne upotrebe, rešavanje problema na paralelnim sistemima (smer – intelektualni inženjering).

7. Stvaranje potpuno automatizovanih sajber fabrika.

8. Igre, društveno ponašanje ljudskih emocija, kreativnost.

9. Vojna tehnologija.

1.2. Arhitektura sistema veštačke inteligencije

1.2.1. Elementi AIS arhitekture

Arhitektura sistema veštačke inteligencije(SII) - organizacija strukture u okviru koje se donose odluke i primjenjuje znanje u određenoj oblasti. Najopštija šema SII prikazana je na sl. 1. U ovom obliku, ne postoji niti jedan pravi AIS, određeni blokovi mogu nedostajati. U SII-u uvijek postoje samo dva bloka: baza znanja i mehanizam zaključivanja.

Razmotrite glavne vrste AIS-a u automatiziranoj obradi informacija i kontrolnim sistemima:

− kontrola procesa SII;

− IIS za dijagnostiku;

− AIS za planiranje i otpremu;

− inteligentni roboti.

https://pandia.ru/text/78/057/images/image005_133.gif" width="357" height="360 src=">

Rice. 1. Generalizirana SII shema

1.2.2. Kontrola procesa ISIS

Arhitektura upravljanja procesom ISIS prikazana je na sl. 2.

Karakteristike ovog sistema:

− korištenje tehnoloških informacija za kontrolu (izmjerene karakteristike proizvoda o parametrima i strukturi opreme);

− mehanizam zaključivanja se koristi za modificiranje podataka i razvoj preporuka i kontrolnih odluka;

− potreba za radom u realnom vremenu;

− potreba za implementacijom vremenskog rezonovanja (uzimajući u obzir promjenjive uslove).

Rad sistema je organizovan na tri nivoa:

- baza znanja (KB) obuhvata pravila za rješavanje problema, procedure rješavanja problema, podatke o problemskom području, odnosno na nivou baza znanja organizovana je sama tehnologija i cjelokupna strategija upravljanja procesom;

− radna memorija sadrži informacije o navedenim karakteristikama i podatke o procesu koji se razmatra (DB);

− mehanizam zaključivanja (u konvencionalnom sistemu to je regulator) sadrži opšti kontrolni mehanizam za postizanje konačnog cilja (prihvatljivo rešenje).

Važna komponenta su blokovi komunikacije između tehnološkog procesa sa bazom podataka i bazom znanja (blokovi "Analiza podataka" i "Procesni podaci"). Omogućuju korisniku viši nivo pristupa proizvodnim informacijama o tehnološkom procesu iz objekata nižeg nivoa, odnosno ažuriranjem sadržaja baze podataka i baze znanja održavaju ažurnim. Blokovi također pružaju funkcije nadzora kako bi se spriječile kritične situacije.

Opravdanje i objašnjenje ravnoteže i adekvatnosti odgovora sistema na razvoj proizvodne situacije dato je blokovima "Dialog interface" i "Control data".

https://pandia.ru/text/78/057/images/image007_118.gif" width="357" height="149 src=">

Rice. 2. Struktura upravljanja procesom FIS

1.2.3. AIS za dijagnostiku

Ovaj sistem se u osnovi ne razlikuje od prethodnog sistema. A budući da se znakovi različitih kvarova mogu u velikoj mjeri podudarati, a njihove manifestacije mogu biti nedosljedne, tada u ovim sistemima postoje detaljnije komponente opravdanja i objašnjenja dijagnoze. Stoga vrlo često u takvim sistemima uvode procjenu odluka u smislu subjektivne vjerovatnoće.

1.2.4. AIS robotskih linija i fleksibilnih proizvodnih sistema

Karakteristika takvih sistema je prisustvo modela svijeta. Robotski sistem radi pod svojim specifičnim uslovima i u principu je moguć detaljan opis ovog okruženja. Ovaj matematički model okruženja se zove model spoljašnjeg sveta. To je glavni sadržaj KB robota AI, a drugi dio KB-a je znanje o ciljevima sistema (slika 3).

https://pandia.ru/text/78/057/images/image009_112.gif" width="294" height="100 src=">

Rice. 3. AIS robotskih linija i fleksibilnih proizvodnih sistema

Sistem percepcije stanja životne sredine uključuje:

− senzori direktno povezani sa spoljašnjim okruženjem;

− podsistem za prethodnu obradu;

− blok segmentacije karakteristika;

− simbolički opis stanja životne sredine;

− semantički opis stanja životne sredine;

− blok formiranja modela stanja okruženja.

Mehanizam zaključivanja ili sistem planiranja ponašanja određuje radnje robota u vanjskom okruženju kao rezultat trenutne situacije i prema globalnom cilju. Sastoji se od:

− sistemi zaključivanja odluka;

− blok planiranja kretanja aktuatora.

Sistem izvršenja radnji uključuje:

− podsistem upravljanja pogonom;

− pogon;

− izvršni uređaji.

1.2.5. AIS planiranje i dispečiranje

Svrha: rješavanje problema operativnog upravljanja, poređenje rezultata praćenja funkcionisanja objekta u smislu planiranih ciljeva, kao i praćenje (slika 4).

Monitoring– kontinuirano ili periodično tumačenje signala i izdavanje poruka kada se pojave situacije koje zahtijevaju intervenciju.

Karakteristika ovih sistema je akcija u realnom vremenu, komunikacija sa distribuiranom bazom podataka integrisanog sistema upravljanja. Takav sistem je neophodan, jer su IS podaci dio sistema upravljanja.

https://pandia.ru/text/78/057/images/image011_89.gif" width="365" height="167 src=">

Rice. 4. AIS planiranje i dispečiranje

1.3. Problem zastupljenosti znanja u AIS-u

1.3.1. Znanje i podaci

Problem predstavljanja znanja pojavio se kao jedan od problema AI. Povezuje se sa stvaranjem praktično korisnih sistema, prvenstveno ES, koji se koriste u medicini, geologiji i hemiji. Stvaranje ovakvih sistema zahteva intenzivne napore da se formalizuje znanje akumulirano u relevantnoj nauci.

Pojam "reprezentacija znanja" vezuje se za određenu fazu u razvoju kompjuterskog softvera. Ako su u prvoj fazi dominirali programi, a podaci su imali pomoćnu ulogu svojevrsne “hrane” za “gladne” programe, onda je u kasnijim fazama uloga podataka stalno rasla. Njihova struktura je postala komplikovanija: od mašinske reči koja se nalazi u jednoj ćeliji memorije računara, došlo je do prelaska na vektore, nizove, datoteke, liste. Kruna ovog razvoja bili su apstraktni tipovi podataka - klase. Dosljedan razvoj struktura podataka doveo je do njihove kvalitativne promjene i prelaska sa reprezentacije podataka na reprezentaciju znanja.

sticanje znanja

Nivo reprezentacije znanja razlikuje se od nivoa reprezentacije podataka ne samo po složenijoj strukturi, već i po bitnim karakteristikama: interpretabilnosti, prisutnosti klasifikovanih odnosa, prisutnosti situacioni odnosi(simultanost, biti u istoj tački u prostoru, itd., ovi odnosi određuju situacionu kompatibilnost određenog znanja pohranjenog u memoriji). Pored toga, nivo znanja karakterišu karakteristike kao što su prisustvo posebnih procedura za generalizaciju, dopunjavanje znanja dostupnih u sistemu i niz drugih procedura.

Prezentacija podataka ima pasivan aspekt: knjiga, tabela, memorija ispunjena informacijama. Teorija AI naglašava aktivni aspekt predstavljanja znanja: sticanje znanja treba postati aktivna operacija koja omogućava ne samo pamćenje, već i primjenu opaženog (stečenog, asimiliranog) znanja za razmišljanje na osnovu njega.

1.3.2. Ideja samorazvijajućih mašina

Istraživanja u oblasti veštačke inteligencije nastala su pod uticajem ideja kibernetike - prvenstveno ideje o zajedničkosti procesa kontrole i prenosa informacija u živim organizmima, društvu i tehnologiji, posebno u kompjuterima.

Filozofska prihvatljivost AI problema u njegovom tradicionalnom obliku bila je posljedica temeljne ideje da je poredak i povezanost ideja isti kao i poredak i povezanost stvari. Dakle, stvoriti strukturu u kompjuteru koja reproducira “svijet ideja” značilo je jednostavno stvoriti strukturu izomorfnu strukturi materijalnog svijeta, odnosno izgraditi “elektronski model svijeta”. Ovaj model se smatrao kompjuterskim modelom – modelom ljudskog znanja o svijetu. Proces ljudskog razmišljanja tumačen je u kompjuteru kao mašinsko traženje ovakvih transformacija modela, koje bi trebalo da kompjuterski model prenesu u neko konačno stanje. AIS je trebao znati kako izvršiti transformacije stanja modela koje vode do unaprijed određenog cilja - stanja sa određenim svojstvima. U početku je bilo rašireno vjerovanje u temeljnu sposobnost kompjutera da samostalno proučava model koji je u njemu pohranjen, odnosno da samostalno nauči strategiju za postizanje postavljenog cilja.

Ova hipotetička sposobnost tumačena je kao mogućnost mašinske kreativnosti, kao osnova za stvaranje budućih "mašina koje misle". I premda se u stvarno razvijenim sistemima postizanje cilja odvijalo na osnovu ljudskog iskustva uz pomoć algoritama zasnovanih na teorijskoj analizi stvorenih modela i rezultata eksperimenata koji su na njima izvedeni, ideje izgradnje samopomoći sistemi učenja su se mnogima činili najperspektivnijim. Tek 1980-ih godina spoznat je značaj problema upotrebe ljudskog znanja o stvarnosti u intelektualnim sistemima, što je dovelo do ozbiljnog razvoja baza znanja i metoda za izvlačenje ličnih znanja stručnjaka.

1.3.3. Refleksija kao komponenta intelektualne aktivnosti

S razvojem ovog smjera nastala je ideja o refleksivnoj kontroli. Do sada se u kibernetici upravljanje smatralo kao prenošenje signala objektu koji direktno utiču na njegovo ponašanje, a efikasnost upravljanja postizala se uz pomoć povratne sprege – dobijanja informacija o reakcijama kontrolisanog objekta. refleksivan isto kontrolu- dolazi do prijenosa informacija koje utiču na sliku svijeta objekta. Dakle, povratna informacija se ispostavlja suvišnom - stanje subjekta poznato je informaciji koja prenosi, odnosno objektu.

Tradicionalni AIS se bazira na ideologiji ponašanja usmjerenog ka cilju, kao što je šahovska partija, gdje je cilj oba partnera mat po cijenu svake žrtve. Nije slučajno što se pokazalo da su šahovski programi toliko važni za razvoj AI metoda.

Analiza funkcionisanja vlastitog modela ili modela "cijele okolne stvarnosti" (u okviru postavljenog zadatka), kontrola nad njegovim stanjem, predviđanje stanja nije ništa drugo do implementacija refleksije. Refleksija je određeni meta-nivo. Uz korištenje programskih jezika visokog nivoa kao što je Prolog, koji vam omogućava da formulirate ciljeve i izgradite logične zaključke o ostvarivosti ovih ciljeva, zadatak implementacije refleksije već se može djelomično riješiti. Uz njihovu pomoć možete izgraditi neku vrstu nadgradnje, neku vrstu meta-nivoa koji vam omogućava da procijenite ponašanje prethodnog. Međutim, kada se uzme u obzir pojam „duboka refleksija“ ili „višerazinska refleksija“, javlja se problem izgradnje modela od strane samog sistema. Ovdje u pomoć priskaču apstraktni tipovi podataka. Oni vam omogućavaju da radite sa strukturama podataka bilo koje konačne složenosti. Dakle, možemo pretpostaviti da sistemi veštačke inteligencije mogu sadržati model refleksije.

Dakle, nemoguće je smatrati intelektualni sistem potpunim bez sposobnosti procene, „razumevanja“ svojih postupaka, odnosno refleksije. Štaviše, refleksiju treba smatrati jednim od glavnih alata za konstruisanje ponašanja sistema. U jeziku matematike, refleksija je neophodan uslov za postojanje intelektualnog sistema.

1.3.4. Jezici za predstavljanje znanja

U određenom smislu, svaki kompjuterski program sadrži znanje. Program za sortiranje mehurića sadrži znanje programera o tome kako da poredi elemente liste. Razumijevanje suštine kompjuterskog programa koji rješava problem sortiranja lista nije nimalo lako. Sadrži znanje programera o načinu rješavanja problema, ali osim ovih znanja sadrži i druga:

− kako manipulisati jezičkim konstrukcijama programskog jezika koji se koristi;

− kako postići visok učinak programa;

- kako odabrati odgovarajuće metode za rješavanje pojedinih problema obrade podataka koji ipak igraju važnu ulogu u postizanju konačnog rezultata i kako organizirati kontrolu procesa.

Jezici za predstavljanje znanja jezici su visokog nivoa posebno dizajnirani da eksplicitno kodiraju fragmente ljudskog znanja, kao što su pravila utjecaja i skup svojstava tipičnih objekata, a visok nivo jezika očituje se u činjenici da, koliko je to moguće, tehnički detalji mehanizma predstavljanja znanja su skriveni od korisnika. Za razliku od konvencionalnijih programskih jezika, jezici za predstavljanje znanja su izuzetno ekonomični u smislu veličine koda. To je uglavnom zbog činjenice da tumač jezika vodi računa o mnogim sitnicama.

Uprkos uočenim prednostima ovakvih jezika, ne treba zaboraviti postojanje određenih problema u njihovoj primeni.

Prelazak sa opisivanja znanja o predmetnoj oblasti svim razumljivim “ljudskim” jezikom na njegovo predstavljanje u obliku neke vrste formalizma koji se percipira kompjuterom zahtijeva određenu vještinu, jer je nemoguće (barem danas) opisati kako se mehanički izvršiti takvu transformaciju. Budući da su mogućnosti zaključivanja koje program može implementirati direktno povezane sa izborom načina predstavljanja znanja, upravo predstavljanje znanja, a ne njihovo izdvajanje, predstavlja usko grlo u praksi dizajniranja ES.

Tutorijal upoznaje čitaoce sa istorijom vještačke inteligencije, modelima predstavljanja znanja, ekspertnim sistemima i neuronskim mrežama. Opisani su glavni pravci i metode koje se koriste u analizi, razvoju i implementaciji inteligentnih sistema. Razmatraju se modeli predstavljanja znanja i metode rada sa njima, metode razvoja i kreiranja ekspertnih sistema. Knjiga će pomoći čitatelju da savlada vještine logičkog dizajna domenskih baza podataka i programiranja na ProLog jeziku.
Za studente i nastavnike pedagoških univerziteta, nastavnike srednjih škola, gimnazija, liceja.

Koncept vještačke inteligencije.
Sistem veštačke inteligencije (AI) je softverski sistem koji simulira proces ljudskog razmišljanja na računaru. Za kreiranje ovakvog sistema potrebno je proučiti sam proces razmišljanja osobe koja rješava određene probleme ili donosi odluke u određenoj oblasti, istaknuti glavne korake ovog procesa i razviti softverske alate koji ih reprodukuju na računaru. Dakle, AI metode uključuju jednostavan strukturalni pristup razvoju složenih softverskih sistema za donošenje odluka.

Umjetna inteligencija je grana informatike, čija je svrha razvoj hardverskih i softverskih alata koji omogućavaju korisniku koji nije programer da postavlja i rješava svoje tradicionalno smatrane intelektualne zadatke, komunicirajući s računarom na ograničenom podskupu prirodnog jezika.

SADRŽAJ
Poglavlje 1. Vještačka inteligencija
1.1. Uvod u sisteme veštačke inteligencije
1.1.1. Koncept vještačke inteligencije
1.1.2. Veštačka inteligencija u Rusiji
1.1.3. Funkcionalna struktura sistema veštačke inteligencije
1.2. Pravci razvoja vještačke inteligencije
1.3. Podaci i znanje. Zastupljenost znanja u inteligentnim sistemima
1.3.1. Podaci i znanje. Osnovne definicije
1.3.2. Modeli predstavljanja znanja
1.4. Ekspertni sistemi
1.4.1. Struktura ekspertnog sistema
1.4.2. Razvoj i korištenje ekspertnih sistema
1.4.3. Klasifikacija ekspertnih sistema
1.4.4. Zastupljenost znanja u ekspertnim sistemima
1.4.5. Alati za izgradnju ekspertnih sistema
1.4.6. Ekspertska tehnologija razvoja sistema
Kontrolna pitanja i zadaci za 1. poglavlje
Literatura za Poglavlje 1
Poglavlje 2 Logičko programiranje
2.1. Metodologije programiranja
2.1.1. Metodologija imperativnog programiranja
2.1.2. Metodologija objektno orijentisanog 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. Kratak uvod u predikatski račun i dokazivanje teorema
2.3. Proces zaključivanja u Prologu
2.4. Struktura programa u Prologu
2.4.1. Korištenje složenih objekata
2.4.2. Korištenje alternativnih domena
2.5. Organiziranje ponavljanja u Prologu
2.5.1. Metoda vraćanja nazad nakon neuspjeha
2.5.2. Cut and rollback metoda
2.5.3. jednostavna rekurzija
2.5.4. Metoda generaliziranog rekurzivnog pravila (GRR)
2.6. Liste u Prologu
2.6.1. Operacije na listama
2.7. Žice u Prologu
2.7.1. Operacije na nizovima
2.8. Fajlovi u Prologu
2.8.1. Prolog predikati za rad sa fajlovima
2.8.2. Opis domene datoteke
2.8.3. Pišite u fajl
2.8.4. Čitanje iz datoteke
2.8.5. Izmjena postojeće datoteke
2.8.6. Dodavanje na kraj postojeće datoteke
2.9. Kreiranje dinamičkih baza podataka u Prologu
2.9.1. Baze podataka na Prologu
2.9.2. Predikati dinamičke baze podataka u Prologu
2.10. Kreiranje ekspertnih sistema
2.10.1. Struktura ekspertnog sistema
2.10.2. Reprezentacija znanja
2.10.3. Izlazne metode
2.10.4. UI sistem
2.10.5. Stručni sistem zasnovan na pravilima
Kontrolna pitanja i zadaci za 2. poglavlje
Literatura za 2. poglavlje
Poglavlje 3 Neuralne mreže
3.1. Uvod u neuronske mreže
3.2. Model umjetnog neurona
3.3. Primjena neuronskih mreža
3.4. Trening neuronske mreže
Kontrolna pitanja i zadaci za 3. poglavlje
Literatura za 3. poglavlje.

Besplatno preuzmite e-knjigu u prikladnom formatu, gledajte i čitajte:
Preuzmite knjigu Osnovi umjetne inteligencije, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, brzo i besplatno.

Tutorial « DBMS: SQL jezik u primjerima i zadacima autora Astahove I.F., Todstobrove A.P., Melnikove V.M., Fertikove V.V., koju je objavio FIZMATLIT 2007. godine i certificirano od strane Ministarstva prosvjete i nauke, sadrži izbor primjera i vježbi različitog stepena složenosti za obezbijediti praktičnu i laboratorijsku nastavu o učenju osnova SQL jezika u okviru kursa obuke posvećenog informacionim sistemima sa bazama podataka na smjeru obuke i specijalnosti „Primijenjena matematika i informatika“. Informacioni sistemi koji koriste baze podataka trenutno su jedno od najvažnijih područja moderne računarske tehnologije. Velik dio savremenog softverskog tržišta povezan je s ovim područjem. S obzirom na mjesto koje SQL jezik zauzima u savremenim informacionim tehnologijama, njegovo poznavanje je neophodno svakom specijalistu koji radi u ovoj oblasti. Stoga je njegov praktični razvoj sastavni dio kurseva obuke usmjerenih na proučavanje informacionih sistema sa bazama podataka. Trenutno su takvi kursevi uključeni u nastavne planove i programe brojnih univerzitetskih specijalnosti. Nesumnjivo, da bi studentima pružili priliku da steknu stabilne vještine u SQL jeziku, odgovarajući kurs obuke, pored teorijskog upoznavanja sa osnovama jezika, mora nužno sadržavati i dovoljno veliki broj laboratorijskih časova o njegovoj praktičnoj upotrebi. . Predloženi udžbenik je prvenstveno usmjeren na metodičku podršku upravo ove vrste nastave. S tim u vezi, fokusira se na odabir praktičnih primjera, zadataka i vježbi različitog stepena složenosti u sastavljanju SQL upita, koji omogućavaju izvođenje praktične nastave iz učenja jezika tokom akademskog semestra.

Udžbenik „Sistemi umjetne inteligencije. Praktični kurs” Astahove I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. klasično univerzitetsko obrazovanje i u izdanju izdavačkih kuća BINOM. LABORATORIJ ZNANJA i FIZMATLIT 2008. godine pripremljen za predavanja i laboratorijsku nastavu iz disciplina "Baze podataka i ekspertni sistemi", "Baze podataka i ekspertni sistemi", "Sistemi umjetne inteligencije", "Informaciono inteligentni sistemi". Ova knjiga je posvećena smjeru informatike, u kojem posljednjih godina postoji vrlo malo domaće obrazovne literature za visokoškolske ustanove. Prevedene knjige više liče na naučne publikacije nego na udžbenike. Bilo je potrebno osmisliti mnogo primjera, laboratorijskih zadataka koje bi studenti izvodili na računaru i sticali znanja, vještine i sposobnosti (u smislu kompetencijskog pristupa obrazovanju).

Osnovna prednost i značajna razlika ovog udžbenika od sličnih publikacija je prisustvo u njemu oko 100 primjera, 235 vježbi, 79 pitanja za ponavljanje obrađenog materijala, 11 laboratorijskih radova u kojima se proučava 6 različitih softverskih proizvoda.

Bibliografska veza

Astahova I.F., Tolstobrov A.P., Chulyukov V.A., Potapov A.S. TUTORALI "DBMS: SQL JEZIK U PRIMJERIMA I ZADACIMA", "VJEŠTAČKA INTELIGENCIJA. PRAKTIČNI PREDMET” // Savremeni problemi nauke i obrazovanja. - 2009. - br. 1.;
URL: http://science-education.ru/ru/article/view?id=901 (datum pristupa: 17.09.2019.). Predstavljamo Vam časopise koje izdaje izdavačka kuća "Academy of Natural History"

Ovaj tutorijal uključuje osnove programiranja na jeziku Prolog, rješavanje problema metodom pretraživanja, probabilističke metode, osnove neuronskih mreža, kao i principe predstavljanja znanja pomoću semantičkih mreža. Svaki od odjeljaka priručnika opremljen je praktičnim i laboratorijskim radom. Dodaci sadrže kratke opise okruženja SWI-Prolog, NeuroGenetic Optimizer programa modeliranja neuronske mreže i programa vizualizacije semantičkog znanja.Odgovara aktuelnim zahtjevima Federalnog državnog obrazovnog standarda za visoko obrazovanje.Za studente visokoškolskih ustanova koji studiraju u inženjerske i tehničke oblasti.

knjiga " Sistemi veštačke inteligencije. Tutorial» autora Bessmertnyja Igora Aleksandroviča ocijenili su posjetioci KnigoGuide-a i njena ocjena čitalaca bila je 0,00 od 10.
Za besplatno gledanje su obezbeđene: napomene, publikacije, recenzije, kao i fajlovi za preuzimanje.