Vodič za praktični tečaj sustava umjetne inteligencije. Suvremeni problemi znanosti i obrazovanja

S.G. TOLMAČEV

UMJETNA INTELIGENCIJA.

MODELI NEURONSKIH MREŽA

Ministarstvo obrazovanja i znanosti Ruske Federacije Baltičko državno tehničko sveučilište "Voenmeh"

Zavod za obradbu informacija i upravljačke sustave

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. un-t. - St. Petersburg, 2011. 132 str.

ISBN 978-5-85546-633-1

Dane su osnovne informacije o strukturi i principima funkcioniranja umjetnih neuronskih mreža. Razmatra se funkcioniranje 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 godina koji studiraju na specijalnostima "Informacijski sustavi i tehnologije" i "Automatizirani sustavi za obradu i upravljanje informacijama".

UDK 004.8(075.8)

Recenzenti: dr. tehn. znanosti prof., voditelj. znanstveni zaposlenik OJSC "Koncern "Granit-Electron"" S.N. Lopte; kand. tehn. znanosti, prof., pročel. kafić I5 BSTU N.N. Smirnova

Odobreno od uredničkog i izdavačkog odbora 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 ljudskog računala. Upravo ta činjenica već dugi niz godina motivira 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 današnjih najbržih računala. Primjer takvog zadatka je obična vizija. Funkcija vizualnog sustava je stvoriti predodžbu svijeta na način 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. Obavljanje sličnih zadataka manje složenosti na računalu može trajati nekoliko sati.

Da bismo shvatili golemost izazova izgradnje stroja koji radi jednako savršeno kao naš mozak, dovoljno je razmisliti o nekim od rutinskih zadataka koje obavljamo svaki dan. Pretpostavimo da sjedite za svojim stolom, au to vrijeme vaš kolega, koji se vratio s odmora, ulazi u sobu. 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 dotičnu knjigu, ispružite ruku prema njoj, izvadite je iz hrpe dokumenata i dajte kolegici. Takvi svakodnevni zadaci od nas ne zahtijevaju veliki intelektualni napor, ali rješavanje svakog od njih uključuje mnogo precizno proračunatih koraka. Složenost rješavanja takvih problema može se osjetiti kada se pokušava programirati računalni sustav da prepozna objekte po njihovom izgledu ili drugim značajkama, donosi odluke ovisno o kontekstu itd.

Jednostavniji primjer je sonar za šišmiše, koji je sustav aktivne eholokacije. Osim što daje informacije o udaljenosti do željenog objekta, ovaj lokator omogućuje izračunavanje parametara objekta kao što su relativna brzina, veličina pojedinih elemenata i smjer kretanja. Kako bi iz primljenog signala izvukao ovu informaciju, maleni mozak šišmiša izvodi složene neuronske izračune.

Što omogućuje mozgu osobe ili šišmiša da postigne takve rezultate? 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 osobito 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 radu neurona kao osnovnih jedinica za obradu informacija u ljudskom mozgu. Slično, umjetni neuroni su podešeni u ANN. Općenito, ANN je stroj koji simulira kako mozak rješava određeni problem. Ova mreža je implementirana pomoću elektroničkih komponenti (neuroprocesora) ili modelirana programom koji radi na digitalnom računalu. Kako bi se postigla visoka izvedba, ANN-ovi koriste puno međupovezanosti između elementarnih stanica izračuna – neurona. Među mnogim definicijama neuronskih mreža, najtočnija je definicija ANN-a kao adaptivnog stroja: umjetna neuronska mrežadistribuira se

paralelni procesor koji se sastoji od tipičnih elemenata za obradu informacija koji akumuliraju eksperimentalno znanje i daju ga za daljnju 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 prikupljanje znanja koriste se međuneuronske 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.

Modifikacija težine je tradicionalni način učenja 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 umrijeti, a mogu se stvoriti nove sinaptičke veze.

Dakle, ANN-ovi ostvaruju svoju računalnu snagu zahvaljujući svoja dva glavna svojstva: paralelno distribuiranu strukturu i sposobnost učenja i generalizacije stečenog znanja. Svojstvo generalizacije shvaća se kao sposobnost ANN-a da generira ispravne izlaze za ulazne signale koji nisu uzeti u obzir u procesu učenja (obuke). Ova dva svojstva čine ANN sustavom za obradu informacija sposobnim za rješavanje složenih višedimenzionalnih problema koji su trenutno nerješivi.

Treba napomenuti da u praksi autonomni INS često ne mogu ponuditi gotova rješenja. Treba ih integrirati u složene sustave. Složen zadatak može se podijeliti na više jednostavnijih zadataka od kojih se neki mogu riješiti neuronskim mrežama.

Područja primjene ANN-ova 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 firma

Science Application International Corporation koristila je ANN u

njegov projekt TNA. Razvijeni uređaj namijenjen je detekciji 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 pregledati 10 komada prtljage u minuti.

2. Programski paketi neuronskih mreža na financijskim tržištima. American Chemical Bank koristi sustav neuronske mreže Neural Data za prethodnu obradu transakcija na mjenjačnicama, filtrirajući "sumnjive" transakcije. Citibank koristi predviđanja neuronske mreže od 1990. Automatsko trgovanje pokazuje povrate koji su veći od onih većine brokera. Može se primijetiti da je zbornik seminara „Umjetna inteligencija na Wall Street" čine nekoliko pozamašnih svezaka.

3. Praćenje i automatsko zaglavlje vijesti. Mjesto

poznavanje teme tekstualnih poruka još je jedan primjer korištenja ANN-a. Poslužitelj vijesti Convectis (proizvod tvrtke Aptex Software Inc.) omogućuje automatsku kategorizaciju poruka. Uspoređujući značenja riječi prema kontekstu, Convectis može prepoznati teme u stvarnom vremenu i kategorizirati ogromne tokove tekstualnih poruka koje se prenose preko mreža Reuters, NBC, CBS, itd. Nakon analize poruke, sažetak, popis generiraju se ključne riječi i popis naslova kojima poruka pripada.

4. Autopilotiranje bespilotnih letjelica. Hipersoničnu izviđačku letjelicu LoFLYTE (Low-Observable Flight Test Experiment), 2,5 m dugu mlaznu bespilotnu letjelicu, za NASA-u i američko ratno zrakoplovstvo razvila je tvrtka Accurate Automation Corp. u okviru programa potpore malom inovativnom gospodarstvu. Ovo je eksperimentalni razvoj za proučavanje novih principa pilotiranja. Uključuje neuronske mreže koje autopilotu omogućuju učenje kopiranjem pilotovih tehnika upravljanja. Tijekom vremena, neuronske mreže usvajaju iskustvo upravljanja, a brzina obrade informacija omogućuje vam brzo pronalaženje izlaza u ekstremnim i hitnim situacijama. LoFLYTE je namijenjen za nadzvučne letove gdje vrijeme reakcije pilota možda neće biti dovoljno da adekvatno odgovori na promjene u režimu leta.

Trenutno su ANN-ovi 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 do sada može učiniti samo osoba. Suvremena neuroračunala koriste se uglavnom u obliku programskih proizvoda i stoga rijetko koriste svoj potencijal "paralelizma". Era pravog paralelnog neuroračunalstva započet će pojavom na tržištu hardverskih implementacija specijaliziranih neuročipova i ploča za proširenje dizajniranih za obradu 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 fizički rad. Pametni pomoćnici trebali bi korisnicima olakšati interakciju s računalom. Njihovo obilježje bit će želja da što bolje razumiju što se od njih traži, promatrajući i analizirajući ponašanje svog "gospodara". Pokušavajući otkriti

V U ovom ponašanju postoje određeni obrasci, inteligentni agenti moraju ponuditi svoje usluge na vrijeme kako bi izvršili određene operacije, kao što su filtriranje poruka s vijestima, sigurnosno kopiranje dokumenata na kojima korisnik radi itd. Zato su ANN-ovi, sposobni generalizirati 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 kao trostupanjska struktura. 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 vezu našeg mozga s vanjskim svijetom, ostvarujući protok vizualnih, slušnih, okusnih, olfaktornih i taktilnih informacija u njega. 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 željeni 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 stanica i neurona. I premda se čini da je uloga glija stanica prilično značajna, većina znanstvenika vjeruje da je glavni način da se shvati kako mozak funkcionira proučavanje neurona ujedinjenih u jednu povezanu mrežu. Ovaj se pristup 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 kvantnim učincima koji su s njima povezani.

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 provodi impuls i prenosi udar na druge neurone ili mišićna vlakna. Na svom se kraju akson također grana i stvara kontakte s dendritima drugih neurona;

FEDERALNA AGENCIJA ZA OBRAZOVANJE

DRŽAVNA OBRAZOVNA USTANOVA

VISOKA STRUČNA OBRAZOVANJA

"VOLGOGRADSKO DRŽAVNO TEHNIČKO SVEUČILIŠTE"

TEHNOLOŠKI INSTITUT KAMYSHINSKY (PODRUŽNICA)

SEI HPE "VOLGOGRADSKO DRŽAVNO TEHNIČKO SVEUČILIŠTE"

PRAKTIČNI TEČAJ IZ DISCIPLINE "SUSTAVI UMJETNE INTELIGENCIJE"

Edukativno elektroničko izdanje

Volgograd

NL - prirodni jezik

AI – umjetna inteligencija

LP - logika predikata

donosilac odluka – donosilac odluka

MT - Turingov stroj

PGA - jednostavan genetski algoritam

PPF je dobro oblikovana formula

PRO - primitivni rekurzivni operator

PRF - primitivno rekurzivna funkcija

RF - rekurzivna funkcija

SNI - sustav umjetne inteligencije

FP - fitness funkcija

TF - funkcija cilja

ES - ekspertni sustav

UVOD

U početku se umjetna inteligencija smatrala znanošću 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 sam intelekt 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 koje prepoznaju strojeve, genetske algoritme i druge oblike računanja koji modeliraju sposobnost prilagodbe, percepcije i interakcije s fizičkim svijetom. Kreatori ekspertnih sustava, inteligentnih agenata, stohastičkih modela i sustava za razumijevanje prirodnog jezika rade na višoj razini apstrakcije. Ova razina uzima u obzir ulogu društvenih procesa u stvaranju, prijenosu i ekstrakciji znanja. Najviša razina apstrakcije uključuje logičke pristupe, uključujući deduktivne, abduktivne modele, sustave podrške istini i druge oblike i metode zaključivanja.

Ovaj priručnik ocrtava temelje nekih teorija niske razine s praktičnim zadacima za proučavanje algoritama temeljenih na odredbama tih teorija. Osobito se razmatraju osnove teorije prepoznavanja uzoraka sa zadatkom 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 potrebno je znati programirati u bilo kojem programskom jeziku, po mogućnosti objektno orijentiranom.

1.1. Porijeklo teorije umjetne inteligencije

1.1.1. Pojam umjetne inteligencije

Termin inteligencija(inteligencija) dolazi od latinskog intellectus, što znači um, razum, um, mentalne 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 uspoređivati 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(LPR).

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 režimima koje nudi tradicionalni ACS. Donositelj odluke kontrolira, u pravilu, glavne parametre sustava, dok ostatak kontroliraju lokalni sustavi upravljanja. Postoji problem automatizacije aktivnosti donositelja odluka u regulacijskom krugu.

AI je smjer istraživanja koji stvara modele i odgovarajuće softverske alate koji omogućuju korištenje računala za rješavanje problema kreativne, nekomputatorske prirode, koji u procesu rješavanja zahtijevaju pozivanje na semantiku (problem značenja).

AI je softverski sustav koji simulira ljudsko razmišljanje na računalu. Za stvaranje takvog sustava potrebno je proučiti proces razmišljanja donositelja odluka, istaknuti glavne korake tog procesa, 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 prilagodbe različitim okolnostima.

Intelektualni zadaci- problemi, čija se formalna podjela procesa pronalaženja rješenja u zasebne elementarne korake često pokazuje 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, projektiranja rješenja koje nije eksplicitno i gotovo u sustavu. Derivacija rješenja moguća je samo ako u sustavu postoji interna reprezentacija znanja ( modeli vanjskog svijeta) - formalizirani prikaz znanja o vanjskom svijetu (automatizirano predmetno područje).

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. godine 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 referenciranje i pronalaženje informacija (1957., SAD). Ideja o izdvajanju sustava veza-odnosa između pojedinačnih činjenica, utjelovljena u konceptu tezaurusa.

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

4. Prepoznavanje uzoraka (ranih 60-ih). Ideje teorije prepoznavanja povezane s učenjem pronalaženja pravila odlučivanja na skupu pozitivnih i negativnih primjera.

Godine 1956. K. Shannon, M. Minsky i J. McCarthy organizirali su konferenciju u Dartmouthu (SAD) kako bi saželi praktična iskustva razvoja intelektualnih programa.

1.1.5. Stvaranje teorijske baze

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 formiraju se glavni teorijski pravci istraživanja u području inteligentnih sustava:

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

− komunikacija, stvaranje jezika interakcije između sustava i korisnika;

− rasuđivanje i planiranje, donošenje odluka u alternativnim situacijama;

− percepcija (strojni vid), dobivanje podataka iz vanjske okoline;

− osposobljavanje, izvlačenje znanja iz iskustva funkcioniranja sustava;

- aktivnost, aktivno ponašanje sustava na temelju vlastitih ciljeva funkcioniranja.

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.

Može li se inteligencija reproducirati? Samoreprodukcija je teoretski moguća. Temeljnu mogućnost automatizacije rješavanja intelektualnih problema uz pomoć računala pruža svojstvo algoritamske univerzalnosti. No, ne treba misliti da računala i roboti u principu mogu riješiti bilo kakve probleme. Postoje algoritamski nerješivi problemi.

Koja je svrha stvaranja umjetne inteligencije? Pretpostavimo da je čovjek uspio stvoriti intelekt koji nadilazi njegov vlastiti intelekt (ako ne kvalitetom, onda kvantitetom). Što će se sada dogoditi s čovječanstvom? Koju će ulogu osoba imati? Zašto je on sada potreban? I općenito, je li u načelu potrebno stvoriti 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, nadzor mreže, enkripcija podataka (smjer - neuronske mreže).

2. Nanotehnologije, problemi samosastavljanja, samokonfiguriranja i samoiscjeljivanja sustava koji se sastoje od više istovremeno funkcionirajućih čvorova, višeagentni sustavi i robotika (smjer - evolucijsko računalstvo).

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, provjera i analiza kvalitete programa, projektiranje vrlo velikih integriranih sklopova, tehnička dijagnostika i davanje preporuka za popravak opreme, planiranje u raznim predmetnim područjima i analiza podataka (smjer - ekspertni sustavi (E.S.) )).

5. Transportni problemi, distribuirano računalstvo, optimalno učitavanje resursa (smjer - metode redukcije brojanja).

6. Razvoj velikih softverskih sustava za projektiranje, generiranje koda, verifikacija, testiranje, procjena kvalitete, utvrđivanje mogućnosti ponovne upotrebe, rješavanje problema na paralelnim sustavima (smjer - intelektualni inženjering).

7. Stvaranje potpuno automatiziranih kibernetičkih tvornica.

8. Igre, društveno ponašanje ljudskih emocija, kreativnost.

9. Vojna tehnologija.

1.2. Arhitektura sustava umjetne inteligencije

1.2.1. Elementi AIS arhitekture

Arhitektura sustava umjetne inteligencije(SII) - organizacija strukture unutar koje se donose odluke i primjenjuju znanja u određenom području. Najopćenitija shema SII prikazana je na sl. 1. U ovom obliku ne postoji niti jedan pravi AIS, određeni blokovi mogu nedostajati. U SII uvijek postoje samo dva bloka: baza znanja i mehanizam za zaključivanje.

Razmotrite glavne vrste AIS-a u sustavima automatizirane obrade informacija i upravljanja:

− SII kontrola procesa;

− IIS za dijagnosticiranje;

− AIS za planiranje i otpremu;

− inteligentni roboti.

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

Riža. 1. Generalizirana SII shema

1.2.2. Kontrola procesa ISIS

Arhitektura ISIS kontrole procesa prikazana je na sl. 2.

Značajke ovog sustava:

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

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

− potreba za radom u realnom vremenu;

− potreba za provedbom vremenskog rasuđivanja (uzimajući u obzir promjenjive uvjete).

Rad sustava organiziran je na tri razine:

- baza znanja (KB) uključuje pravila za rješavanje problema, procedure za rješavanje problema, podatke o problemskom području, odnosno na razini baza znanja organizirana je sama tehnologija i cjelokupna strategija upravljanja procesima;

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

− mehanizam zaključivanja (u konvencionalnom sustavu to je regulator) sadrži opći kontrolni mehanizam za postizanje konačnog cilja (prihvatljivog rješenja).

Važna komponenta su blokovi komunikacije tehnološkog procesa s bazom podataka i bazom znanja (blokovi "Analiza podataka" i "Procesni podaci"). Omogućuju korisniku gornju razinu pristupa proizvodnim informacijama o tehnološkom procesu iz objekata niže razine, odnosno ažuriranjem održavaju sadržaj baze podataka i baze znanja ažurnim. Blokovi također pružaju nadzorne funkcije za sprječavanje kritičnih situacija.

Opravdanost i objašnjenje ravnoteže i primjerenosti odgovora sustava na razvoj proizvodne situacije daju blokovi "Dijaloško sučelje" i "Kontrolni podaci".

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

Riža. 2. Struktura FIS-a upravljanja procesima

1.2.3. AIS za dijagnosticiranje

Ovaj sustav se u osnovi ne razlikuje od prethodnog sustava. A budući da se znakovi različitih nedostataka mogu u velikoj mjeri podudarati, a njihove manifestacije mogu biti nedosljedne, tada u tim sustavima postoje detaljnije komponente opravdanja i objašnjenja dijagnoze. Stoga vrlo često u takvim sustavima uvode procjenu odluka u smislu subjektivne vjerojatnosti.

1.2.4. AIS robotskih linija i fleksibilnih proizvodnih sustava

Značajka takvih sustava je prisutnost modela svijeta. Robotski sustav radi u svojim specifičnim uvjetima, te je u načelu moguć detaljan opis tog okruženja. Ovaj matematički model okoline naziva se model vanjskog svijeta. To je glavni sadržaj KB-a AI robota, a drugi dio KB-a je znanje o ciljevima sustava (slika 3).

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

Riža. 3. AIS robotskih linija i fleksibilnih proizvodnih sustava

Sustav percepcije stanja okoline uključuje:

− senzori izravno povezani s vanjskim okruženjem;

− podsustav pretprocesiranja;

− blok segmentacije obilježja;

− simbolički opis stanja okoliša;

− semantički opis stanja okoliša;

− blok formiranja modela stanja okoline.

Mehanizam zaključivanja ili sustav planiranja ponašanja određuje radnje robota u vanjskom okruženju kao rezultat trenutne situacije i prema globalnom cilju. Sadrži:

− sustavi odlučivanja;

− blok planiranja kretanja aktuatora.

Sustav izvršenja akcije uključuje:

− podsustav upravljanja pogonom;

− pogon;

− izvršni uređaji.

1.2.5. AIS planiranje i dispečiranje

Namjena: rješavanje problema operativnog upravljanja, usporedba rezultata praćenja funkcioniranja objekta u smislu planiranih ciljeva, kao i praćenje (slika 4).

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

Značajka ovih sustava je djelovanje u stvarnom vremenu, komunikacija s distribuiranom bazom podataka integriranog upravljačkog sustava. Takav sustav je neophodan jer su podaci IS dio sustava upravljanja.

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

Riža. 4. AIS planiranje i dispečiranje

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 "predstavljanje znanja" povezuje se s određenom fazom u razvoju računalnog softvera. Ako su u prvoj fazi programi dominirali, a podaci su igrali pomoćnu ulogu kao svojevrsna "hrana" za "gladne" programe, onda je u kasnijim fazama uloga podataka stalno rasla. Njihova struktura postala je kompliciranija: od strojne riječi smještene u jednoj memorijskoj ćeliji računala, došlo je do prijelaza na vektore, nizove, datoteke, liste. Kruna 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 složenijoj strukturi, već i po bitnim značajkama: interpretabilnosti, prisutnosti klasificiranih odnosa, prisutnosti situacijski odnosi(simultanost, boravak na istoj točki u prostoru 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 zajedništvu procesa kontrole i prijenosa informacija u živim organizmima, društvu i tehnologiji, posebno 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. Dakle, stvoriti strukturu u računalu koje reproducira “svijet ideja” znači jednostavno stvoriti strukturu izomorfnu strukturi materijalnog svijeta, odnosno izgraditi “elektronički model 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 neko konačno stanje. AIS je trebao znati kako izvesti transformacije stanja modela koje vode do unaprijed određenog cilja - stanja s određenim svojstvima. U početku je bilo rašireno uvjerenje o temeljnoj sposobnosti računala da samostalno proučava model koji je u njemu pohranjen, odnosno da samo uči strategiju za postizanje zadanog cilja.

Ta se hipotetska sposobnost tumačila kao mogućnost strojne kreativnosti, kao temelja za stvaranje budućih "strojeva koji misle". I premda se u stvarno razvijenim sustavima postizanje cilja provodilo na temelju ljudskog iskustva uz pomoć algoritama temeljenih na teoretskoj analizi stvorenih modela i rezultata eksperimenata provedenih na njima, ideje izgradnje samo -sustavi učenja mnogima su se činili najperspektivnijima. Tek 1980-ih godina shvaća se značaj problema korištenja ljudskog znanja o stvarnosti u intelektualnim 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 refleksivne kontrole. Do sada se u kibernetici upravljanje smatralo prijenosom signala objektu koji izravno utječe na njegovo ponašanje, a učinkovitost upravljanja postizala se povratnom spregom – dobivanjem informacija o reakcijama upravljanog objekta. refleksivna isti kontrolirati- dolazi do prijenosa informacija koje utječu na objektovu sliku svijeta. Tako se povratna informacija pokazuje suvišnom - stanje subjekta poznato je prijenosniku informacija, odnosno objektu.

Tradicionalni AIS 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 tako važnima za razvoj metoda umjetne inteligencije.

Analiza funkcioniranja vlastitog modela ili modela "cijele okolne stvarnosti" (u okviru zadatka), kontrola nad njegovim stanjem, predviđanje stanja nije ništa drugo nego provedba refleksije. Refleksija je određena meta-razina. Uz korištenje 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 neku vrstu nadgradnje, neku vrstu meta-razine koja vam omogućuje procjenu ponašanja prethodne. Međutim, pri razmatranju pojma “duboka refleksija” ili “višerazinska refleksija” javlja se problem izgradnje modela od strane samog sustava. Ovdje u pomoć dolaze apstraktni tipovi podataka. Omogućuju vam rad s podatkovnim strukturama bilo koje ograničene složenosti. Stoga možemo pretpostaviti da sustavi umjetne inteligencije mogu sadržavati model refleksije.

Dakle, nemoguće je smatrati intelektualni sustav cjelovitim bez sposobnosti vrednovanja, "razumijevanja" svojih postupaka, odnosno promišljanja. Štoviše, refleksiju treba smatrati jednim od glavnih alata za konstruiranje ponašanja sustava. 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 znanja programera o načinu rješavanja problema, ali osim ovih znanja sadrži i druga:

− kako manipulirati jezičnim konstruktima programskog jezika koji se koristi;

− 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 kontrolu procesa.

Jezici za predstavljanje 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 tehnički detalji reprezentacije znanja mehanizam skriven od korisnika, što je više moguće. Za razliku od konvencionalnijih programskih jezika, jezici za reprezentaciju znanja iznimno su ekonomični u pogledu veličine koda. To je uvelike zbog činjenice da prevoditelj jezika vodi računa o puno sitnica.

Unatoč istaknutim prednostima takvih jezika, ne treba zaboraviti postojanje određenih problema u njihovoj primjeni.

Prijelaz od opisivanja znanja o predmetnom području svim razumljivim "ljudskim" jezikom do njihovog predstavljanja u obliku neke vrste formalizma koji percipira računalo zahtijeva određenu vještinu, budući da je nemoguće (barem danas) opisati kako mehanički izvesti takvu transformaciju. Budući da su mogućnosti zaključivanja koje program može implementirati izravno povezane s izborom načina reprezentacije znanja, upravo je reprezentacija znanja, a ne njihova ekstrakcija, usko grlo u praksi projektiranja ES-a.

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 pomoći čitatelju da ovlada vještinama 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) je softverski sustav koji simulira proces ljudskog 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 programske alate koji ih reproduciraju na računalu. Stoga metode umjetne inteligencije uključuju jednostavan strukturni pristup razvoju složenih softverskih sustava za donošenje odluka.

Umjetna inteligencija je grana računalne znanosti, čija je svrha razviti hardverske i softverske alate koji omogućuju korisniku koji nije programer da postavlja i rješava svoje tradicionalno smatrane intelektualne zadatke, 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
Literatura 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 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 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 na nizovima
2.8. Datoteke u Prologu
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. Stvaranje dinamičkih baza podataka u Prologu
2.9.1. Baze podataka na Prologu
2.9.2. Predikati dinamičke baze podataka u Prologu
2.10. Izrada ekspertnih sustava
2.10.1. Struktura ekspertnog sustava
2.10.2. Predstavljanje znanja
2.10.3. Izlazne metode
2.10.4. UI sustav
2.10.5. Stručni sustav temeljen na pravilima
Kontrolna pitanja i zadaci za 2. poglavlje
Literatura 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. 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 Fundamentals of Artificial Intelligence, Borovskaya E.V., Davydova N.A., 2016. - fileskachat.com, brzo i besplatno preuzimanje.

Tutorial « DBMS: SQL jezik u primjerima i zadacima, Astakhova I.F., Todstobrova A.P., Melnikova V.M., Fertikova V.V., objavio FIZMATLIT 2007. godine i ovjerio Ministarstvo obrazovanja i znanosti, sadrži izbor primjera i vježbi različitih stupnjeva složenosti izvoditi praktičnu i laboratorijsku nastavu o učenju osnova SQL jezika u okviru tečaja posvećenog informacijskim sustavima s bazama podataka u smjeru osposobljavanja i specijalnosti "Primijenjena matematika i informatika". Informacijski sustavi koji koriste baze podataka danas su jedno od najvažnijih područja moderne računalne tehnologije. Velik dio modernog softverskog tržišta vezan je za ovo područje. 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. Bez sumnje, kako bi se studentima pružila prilika za stjecanje stabilnih vještina u SQL jeziku, odgovarajući tečaj, osim teorijskog upoznavanja s osnovama jezika, nužno mora sadržavati dovoljno veliki broj laboratorijskih nastava o njegovoj praktičnoj upotrebi . Predloženi udžbenik prvenstveno je usmjeren na metodičku potporu upravo ovakvoj nastavi. S tim u vezi, fokusira se na izbor praktičnih primjera, zadataka i vježbi različitog stupnja složenosti u sastavljanju SQL upita koji omogućuju izvođenje praktične nastave iz učenja jezika tijekom akademskog semestra.

Udžbenik “Sustavi umjetne inteligencije. Praktični tečaj” Astakhova I.F., Chulyukov V.A., Potapov A.S., Milovskoy L.S., Kashirina I.L., Bogdanova M.V., Prosvetova Yu.V. klasično sveučilišno obrazovanje i objavljeno u izdavačkim kućama BINOM. KNOWLEDGE LABORATORY i FIZMATLIT 2008. godine pripremio predavanja i laboratorijske vježbe iz disciplina "Banke podataka i ekspertni sustavi", "Baze podataka i ekspertni sustavi", "Sustavi umjetne inteligencije", "Informacijski inteligentni sustavi". Ova knjiga posvećena je smjeru informatika u kojem je posljednjih godina vrlo malo domaće obrazovne literature za visokoškolske ustanove. Prevedene knjige više su nalik znanstvenim publikacijama nego udžbenicima. Bilo je potrebno osmisliti mnoštvo primjera, laboratorijskih zadataka koje bi učenici radili na računalu i stjecali znanja, vještine i sposobnosti (u smislu 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. TUTORIJALI „DBMS: JEZIK SQL 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 koje izdaje izdavačka kuća "Academy of Natural History"

Ovaj tutorijal uključuje osnove programiranja u jeziku Prolog, rješavanje problema metodom pretraživanja, probabilističke metode, osnove neuronskih mreža, kao i principe reprezentacije znanja pomoću semantičkih mreža. Svaki od dijelova priručnika 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. Odgovara trenutnim zahtjevima Saveznog državnog obrazovnog standarda za visoko obrazovanje. Za studente visokoškolskih ustanova koji studiraju u inženjerska i tehnička područja.

Knjiga " Sustavi umjetne inteligencije. Tutorial» autoricu Bessmertny Igor Aleksandrovich ocijenili su posjetitelji KnigoGuidea, a njezina ocjena čitatelja bila je 0,00 od 10.
Za besplatno gledanje dostupni su: anotacije, publikacije, recenzije, kao i datoteke za preuzimanje.