Представление информации в интеллектуальных системах. Данные и знания.

Представление информации в интеллектуальных системах. Данные и знания.

Важное место в теории искусственного интеллекта занимает проблема представления знаний, являющаяся, по мнению многих исследователей, ключевой. Знания представляют собой совокупность сведений (у индивидуума, общества или у системы ИИ) о мире, включающих в себя информацию о свойствах объектов, закономерностях процессов и явлений, правилах использования этой информации для принятия решений.

Первоначально вычислительная техника была ориентирована на обработку данных. Это было связано как с уровнем развития техники и ПО, так и со спецификой решаемых задач. Дальнейшее усложнение решаемых задач, их интеллектуализация, развитие вычислительной техники ставят задачу создания машин обработки знаний.

Существенным отличием знаний от данных является их интерпретируемость. Если для интерпретации данных необходимы соответствующие программы и сами по себе они не несут содержательной информации, то знания всегда содержательны. Другой отличительной чертой знаний является наличие отношений, например, вида «тип — подтип», «элемент—множество». Знания характеризуются наличием ситуативных связей, определяющих ситуативную совместимость отдельных событий и фактов, позволяющих устанавливать причинно - следственные связи Некоторые исследователи предпринимали попытки определить типы знаний, которые должны быть представлены в системах ИИ: структуру, форму, свойства, функции и возможные состояния объекта; возможные отношения между объектами, возможные события, в которых эти объекты могут участвовать; физические законы; возможные эффекты действий и состояний, причины и условия возникновения событий и состояний.

Модели представления знаний могут быть разделены на концептуальные и эмпирические. Концептуальная модель дает эвристический метод для решения некоторой проблемы. Метод эвристичен, поскольку концептуальное описание не дает гарантии того, что он может быть применен во всех соответствующих практических ситуациях. Практическое использование концептуальной модели влечет за собой необходимость преобразования ее в эмпирическую. Знания могут быть накоплены в виде эмпирических моделей описательного характера. Эти модели могут варьировать от простого набора правил до полного описания того, как решается задача. Модели представления знаний можно условно разделить на декларативные и процедурные. Декларативная модель представления знаний основывается на предположении, что проблема представления некоей предметной области решается независимо от того, как эти знания потом будут использоваться. Поэтому модель как бы состоит из двух частей: статических описательных структур знаний и механизма вывода, оперирующего этими структурами и практически независимого от их содержательного наполнения. В декларативных моделях не содержатся в явном виде описания выполняемых процедур. Эти модели представляют собой обычно множество утверждений. В процедурном представлении знания содержатся в процедурах - небольших программах, которые определяют, как выполнять специфичные действия. При этом можно не описывать все возможные состояния среды или объекта для реализации вывода. Достаточно хранить некоторые начальные состояния и процедуры, генерирующие необходимые описания ситуаций и действий. Деление моделей представления знаний на декларативные и процедурные весьма условно.

Понятие интеллектуальной системы (ИС). Структурная схема ИС.

Интеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Для ИИС характерны признаки: развитые коммуникативные способности; умение решать сложные плохо формализуемые задачи; способность к самообучению; адаптивность.

Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.

Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС: коммуникативные способности — способ взаимодействия конечного пользователя с системой; решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний; способность к самообучению — умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач; адаптивность — способность системы к развитию в соответствии с объективными изменениями области знаний.

Интеллектуальные информационные системы:

1) системы с интеллектуальным интерфейсом: интеллектуальные БД, естественно-языковой интерфейс, гипертекстовые системы, системы контекстной помощи, когнитивная графика;

2) экспертные системы: классифицирующие, доопределяющие, трансформирующие, мультиагентные;

3) самообучающиеся системы: индуктивные системы, нейронные сети, системы, основанные на прецедентах, информационные хранилища;

4) адаптивные информационные системы: компонентные технологии, Case-технологии.

Стохастические алгоритмы поиска решений. Метод отжига.

При обучении нейронных сетей могут возникать ловушки, связанные с попаданием в локальные минимумы. Стохастические методы обучения и принятия решений открывают некоторые проблемы решения этой проблемы. При модификации весов сети только на основе информации о направлении вектора градиента целевой функции в пространстве весов можно достичь локального минимума, но не возможно выйти из него, поскольку в точке экстремума градиент обращается в ноль и причина движения исчезает. Чтобы покинуть локальный экстремум и перейти к поиску глобального, нужно создать дополнительную силу, которая будет зависеть не от градиента целевой функции, а от каких-то других факторов. Один из простейших методов состоит в том, чтобы просто создать случайную силу и добавить ее к детерминистической.

Метод отжига является одним из методов глобальной оптимизации. Метод имитации отжига отражает поведение расплавленного материала при отвердевании с применением процедуры отжига (управляемого охлаждения) при температуре последовательно понижаемой для нуля. В процессе охлаждения кристаллизация расплава сопровождается глобальным уменьшением его энергии, однако допускаются ситуации, в которых она может на какое то время возрастать. Благодаря допустимости кратковременного повышения энергетического уровня, возможен выход из ловушек локальных минимумов энергии. Только понижение температуры до нуля делает невозможным какое-либо самостоятельное повышение энергетического уровня расплава.

Метод имитации отжига представляет собой алгоритмический аналог физического процесса управляемого процесса охлаждения.