Эксперт

Сергей

Задать вопрос

Мы готовы помочь Вам.

ВОПРОСЫ:

1. Понятие искусственного интеллекта и интеллектуальных технологий
2. Экспертные системы как одно из направлений развития искусственного интеллекта
3. Области применения экспертных систем
4. Нейронные сети
   1. ПОНЯТИЕ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

И ИНТЕЛЛЕКТУАЛЬНЫХ ТЕХНОЛОГИЙ.

ИИ как научная отрасль, начала формироваться к концу 40-х годов 20 века. Термин искусственный интеллект предложен в 1956 г. на семинаре в Дартмутском университете (США).

Искусственный интеллект — отрасль научного знания, связанная с созданием интеллектуальных информационных систем.

Искусственный интеллект — это программная система, имитирующая на компьютере мышление человека.

Цель искусственного интеллекта — построение компьютеров, действующих таким образом, что результаты их работы невозможно было бы отличить от результатов работы человеческого разума.

Такая работа связана, в первую очередь, с познанием процессов функционирования человеческого разума. В процессе работы были разграничены понятия знание и интеллект.

Знание — это информация, накопленная человеком в процессе его жизни и профессиональной деятельности. Реализуется памятью.

Интеллект — способность человека использовать накопленные знания некоторым полезным для себя образом. Реализуется сложной системой механизмов и их взаимодействием.

Работа в области искусственного интеллекта осуществляется в 2-х направлениях:

1. Нейрокибернетика — разработка и создание искусственных нейронов и их объединение в системы. Эти системы принято называть нейронными сетями, или нейросетями. Первые нейросети созданы Френком Розенблаттом и Мак-Каллоком в 1956-1965 гг. Это были попытки смоделировать человеческий глаз и его взаимодействие с мозгом. Созданное устройство называлось персептроном и умело различать буквы алфавита. В середине 80-х гг. в Японии был создан компьютер VI поколения (нейрокомпьютер), моделирующий структуру мозга человека. Основное направление применения — распознавание образов. В настоящее время используется три подхода к созданию нейросетей: а) аппаратный — создание специальных компьютеров, нейрочипов, микросхем, реализующих необходимые алгоритмы; б) программный — создание программ и инструментариев для высокопроизводительных компьютеров (сети создаются в памяти компьютера, всю работу выполняют его собственные процессоры); в) гибридный — комбинация первых двух (часть вычислений выполняют специальные платы расширений, часть – программные средства).
2. Кибернетика «черного ящика». Функции человеческого мозга рассматриваются как «черный ящик». Не имеет значения, как устроено «мыслящее» устройство. Главное, чтобы на заданные входные воздействия оно реагировало так же, как человеческий мозг. Использовалась идея моделировать конкретные знания специалистов-экспертов. В середине 70-х гг. в США появились первые коммерческие системы, основанные на знаниях, или экспертные системы. Пришел новый подход к решению задач искусственного интеллекта — представление знаний.

Интеллектуальная система – это информационная система, которая основана на концепции использования базы знаний для генерации алгоритмов решения экономических задач.

Задачи, стоящие перед искусственным интеллектом:

1. Распознавание зрительных образов, (например, идентификация отпечатков пальцев, сравнение человеческих лиц);
2. Синтез и распознавание речи;
3. Перевод литературных текстов с одного языка на другой;
4. Моделирование поведения в сложных динамических средах;
5. Моделирование сложных умственных процессов.

Задачи искусственного интеллекта — это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения.

2. ЭКСПЕРТНЫЕ СИСТЕМЫ, КАК ОДНО ИЗ НАПРАВЛЕНИЙ РАЗВИТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА.

Экспертная система – это интеллектуальная вычислительная система, в которую включены знания опытных специалистов (экспертов) о некоторой предметной области, и которая в пределах этой области способна принимать экспертные решения (давать советы, ставить диагноз).

С помощью ЭС решаются задачи, относящиеся к классу неформализованных или слабо формализованных задач. Алгоритмические решения таких задач или не существуют или такие решения не приемлемы на практике из-за сложности разрешающих алгоритмов. Поэтому ЭС используют логический вывод и эвристический поиск решения.

Преимущества экспертных систем перед человеком-экспертом:

1. Не действует человеческий фактор (нет предубеждений, нет болезней и др.);
2. Не делают поспешных выводов;
3. Работают систематизировано, рассматривая все детали, выбирая наилучшую альтернативу из всех возможных;
4. База знаний может быть очень большой. Знания, введенные один раз, сохраняются навсегда. Человек же имеет ограниченную базу знаний, и если знания долго не используются, то они забываются и утрачиваются навсегда;
5. Устойчивы к помехам, не поддаются влиянию внешних факторов;
6. Не заменяют специалистов, а являются инструментом в его руках.

Основные элементы экспертной системы:

1. База данных (рабочая память) предназначена для хранения исходных и промежуточных данных решаемой в текущий момент задачи.
2. База знаний в ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область и правил, описывающих целесообразные преобразования данных этой области.

Правила служат для представления эвристических знаний (эвристик), т.е. неформальных правил рассуждения, вырабатываемых экспертом на основе опыта его деятельности. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется. Все используемые в экспертной системе правила образуют систему правил.

База знаний основывается на одной или нескольких моделях представления знаний, которые можно разделить на универсальные (могут применяться в различных предметных областях) и специализированные (разработанные для конкретной предметной области). К типичным относятся следующие универсальные модели: продукционная, фреймовая, модель семантической сети.

База знаний накапливается в процессе ее построения и может пополняться и модифицироваться инженерами знаний (когнитологами) постоянно.

3. Решатель (другое название – машина логического вывода) – это программа, моделирующая (имитирующая) ход рассуждений эксперта на основании знаний, имеющихся в базе знаний, и данных, введенных пользователем.

Решатель – это «мозг» экспертной системы. С помощью решателя обрабатываются введенные данные и делаются соответствующие выводы.

Основные элементы решателя:

• Интерпретатор — выполняет выбранное задание, применяя соответствующие правила из БЗ;
• Планировщик — управляет процессом выполнения задания, оценивая эффект применения различных правил.

В основе любой экспертной системы лежит дедуктивный метод (вывод по правилам логики)

4. Интеллектуальный интерфейс пользователя — программный комплекс, позволяющий пользователю формировать запросы на языке, близком к естественному, и получать ответы в простой и понятной форме.

ЭС работает в двух режимах: режиме приобретения знаний и режиме решения задач. В режиме приобретения знаний эксперт общается с экспертной системой при посредничестве инженера знаний, в режиме решения задач в общении с экспертной системой участвует пользователь, которого интересует результат и способ его получения.

5. Подсистема приобретения знаний – предназначена для добавления в базу знаний новых правил и модификации имеющихся. Другое название подсистемы — интеллектуальный редактор базы знаний — программа, предоставляющая возможность создавать и пополнять базу знаний в интерактивном режиме. В ее задачу входит приведение правила к виду, позволяющему подсистеме вывода применять это правило в процессе работы. Интеллектуальный редактор включает в себя шаблоны представления знаний, подсказки и другие сервисные средства, облегчающие работу с базой. Хотя подготовленный эксперт может самостоятельно работать с интеллектуальным редактором, в ряде случаев требуется участие инженера по знаниям – специалиста в области искусственного интеллекта, который на основе общения с экспертом занимается формализацией знаний и их помещением в базу.

Источниками знаний экспертной системы могут быть учебники, справочники, материалы конкретных исследований, знания эксперта-профессионала в определенной предметной области, а также автоматическая генерация знаний, которая позволяет часть правил получать автоматически.

6. Подсистема объяснений – программа, позволяющая продемонстрировать, каким образом получен результат, то есть показать цепочку рассуждений электронного эксперта. Подсистема объяснений облегчает инженеру по знаниям выявление ошибок и модернизацию экспертной системы.

В разработке ЭС участвуют представители следующих специальностей:

1. Эксперт в проблемной области, задачи которой будет решать ЭС;
2. Инженер по знаниям — специалист по разработке ЭС;
3. Программист по разработке инструментальных средств, предназначенных для ускорения разработки ЭС.

• Особенности экспертных систем.

1. ЭС ограничена определенной предметной областью.
2. ЭС способна рассуждать при сомнительных исходных данных.
3. Машинное обучение — это модификация своей БЗ в процессе работы интеллектуальной системы, адаптация к проблемной области. Аналогична человеческой способности «набирать опыт».
4. Автоматическое доказательство (вывод) — способность системы выводить новые знания из старых, находить закономерности в БЗ. Некоторые авторы считают, что БЗ отличается от базы данных наличием механизма вывода.
5. Интроспекция — это контроль согласованности правил в БЗ, нахождение противоречий, нестыковок в БЗ, слежение за правильной организацией БЗ.
6. Доказательство заключения — способность системы «объяснить» ход её рассуждений по нахождению решения, причем «по первому требованию».
7. В результате работы ЭС формируется не решение задачи, а ставится диагноз, дается рекомендация, совет, как нужно поступать в конкретной ситуации или предположение о том, что произошло с исследуемым объектом.
8. ОБЛАСТИ ПРИМЕНЕНИЯ ЭКСПЕРТНЫХ СИСТЕМ

Создание ЭС позволяет:

1. «Обессмертить» опыт наиболее ценных специалистов, закрепив его в компьютерных программах.
2. Способствуют широкому распространению опыта лучших специалистов.

Области применения:

1. Проектирование экспертных систем;
2. Медицинский диагноз и консультации по лечению;
3. Автоматическое программирование, проверка и анализ программного обеспечения;
4. Проектирование сверхбольших интегральных схем. Обучение в различных предметных областях;
5. Техническая диагностика и разработка рекомендаций по ремонту оборудования;
6. Прогнозирование – предсказывают возможные результаты или события на основе данных о текущем состоянии объекта;
7. Планирование в различных предметных областях;
8. Интерпретация – обладают способностью получать определенные заключения на основе результатов наблюдения (в геологоразведке, оценка степени риска в экономике и др.);
9. Контроль и управление – используются в качестве интеллектуальных систем контроля, могут принимать решения, анализируя данные, поступающие от нескольких источников. Работают на атомных электростанциях, управляют воздушным движением, осуществляют медицинский контроль, используются при регулировании финансовой деятельности предприятия и оказывают помощь при выработке решений в критических ситуациях;

Примеры ЭС:

В 1965 г. учеными Стэндфордского НИИ (США) была создана ЭС, предназначенная для определения молекулярной структуры химических соединений — «Дэндрал «. В настоящее время она используется в химических лабораториях всего мира для определения неизвестных химических соединений (их молекулярной структуры). Ученые-химики упоминают Дендрал в своих статьях как равноправного сотрудника.

Экспертная система MYCIN (Мицин) (Стэндфордский университет) одна из первых и наиболее известных ЭС, разработана в середине 70-х годов двадцатого столетия. Система предназначена для диагностики инфекционных заболеваний.

PROSPECTOR – экспертная система, которая помогает геологам в поиске новых полезных ископаемых. На основании информации, введенной в ЭВМ с географических карт, из обзоров, и ответов на вопросы, которые задаются геологам, PROSPECTOR предсказывает местоположение новых залежей. Использование этой системы позволило обнаружить залежи молибдена в Британской Колумбии.

ТЭКА — система оценки эффективности мер по отражению угрозы, использующая 400 правил вывода. Решает такие вопросы (в помощь офицерам): отвечает ли отметка на экране радара вражеским кораблям или самолетам, у какой из оборонительных мер наибольшие шансы по отражению угрозы и т.д. (ВМС США)

Концерн Шелл — это система для оценки целесообразности капвложений за рубежом с учетом возможных политических и экономических изменений в стране и т.д.

4.НЕЙРОННЫЕ СЕТИ.

Нейросетевыми технологиями называют комплекс информационных технологий, основанных на применении искусственных нейронных сетей. Искусственные нейронные сети (ИНС) – это программно или аппаратно реализованные системы, построенные по принципу организации и функционирования их биологического аналога – нервной системы человека.

По данным нейробиологии нервная система человека и животных состоит из отдельных клеток – нейронов. Каждая такая клетка выполняет сравнительно простые действия: нейрон способен принимать сигналы от других клеток, и, в свою очередь, передавать сигнал другим клеткам. Исходящий сигнал формируется лишь в случае особой комбинации входящих сигналов. Таким образом, нейрон можно представить как простейший вычислительный элемент: он преобразует входящую информацию в исходящую. Это преобразование происходит в сравнительно короткий срок: время срабатывания нейрона – 2–5 мс.

Биологически нейрон человека состоит из ядра (сомы), дендритов, через которые информация поступает в клетку, и длинного и тонкого отростка — аксона, передающего сигналы в другие клетки. На конце аксон также разветвляется и образует контакты с дендритами других нейронов — синапсы.

Рис. 2. Схема межнейронного взаимодействия

В основе нейросетевых технологий лежит идея о том, что функционирование биологического нейрона можно промоделировать относительно простыми математическими моделями, а вся глубина и гибкость человеческого мышления и другие важнейшие качества нервной системы определяются не сложностью нейронов, а их большим числом и наличием сложной системы связей между ними.

Мозг человека содержит около 10 млрд. различных нейронов, связанных между собой в большую сеть. Каждый нейрон можно рассматривать как обладающий определенными весовыми коэффициентами пороговый элемент, имеющий около 200 тыс. входов и всего один выход. В живом организме все нервные клетки посредством синапсов (точек соединений входов и выходов нейронов) связаны друг с другом в длинные цепочки и образуют единую сеть, постоянно обучаемую в течение жизни. Процесс обучения состоит в образовании новых синапсов и в установке весовых коэффициентов, определяющих условия появления нервного сигнала на выходе того или иного нейрона. Накопление опыта выражается в изменении характера и силы связей между нейронами.

Математическую модель нейрона, а также разработанные на ее основе программные и аппаратные реализации называют искусственным, или формальным нейроном.

Первые разработки в области нейромоделирования относятся к середине XX века. В 1943 году американские ученые У. Мак-Каллок и У. Питтс предложили первую модель формального нейрона – математической абстракции от нейрофизиологических данных (модель Мак-Каллока–Питтса). Через несколько лет канадский физиолог Д. Хебб предложил теорию обучения нейронов. В 1957 году американский психолог Ф. Розенблатт впервые реализовал техническую модель процесса восприятия, получившую название персептрона (перцептрона).

Однако ограниченные возможности одиночного персептрона и построенных на его основе одноуровневых сетей были наглядно показаны в книге М.Минского и С.Пейперта, вышедшей в 1969. Это вызвало резкое снижение интереса к тематике искусственных нейронных сетей во всем мире. Только отдельные исследователи (Т.Кохонен, С.Гроссберг, Дж.Андерсон, И.Фукусима, В.Л.Дунин-Барковский, А.А.Фролов и др.) продолжали исследования нейросетей в 70-х годах.

Лишь в начале 80-х годов искусственные нейронные сети вновь привлекли интерес научного сообщества. Это связано, с одной стороны, с появлением ряда работ Дж.Хопфилда и других ученых, в которых были предложены эффективные модели многослойных искусственных нейронных сетей, и, с другой стороны, с бурным развитием технологии производства полупроводниковых устройств сверхбольшой степени интеграции. В последующие два десятилетия теория нейронных сетей развивалась стремительными темпами, и превратилась в высокоразвитую отрасль знаний.

Одним из направлений бионического подхода к созданию интеллектуальных компьютерных систем являются исследования в области создания нейрокомпьютера.

В основе этих работ лежат исследования:

1. Структуры и процессов функционирования человеческого мозга;
2. Нейронных сетей низших типов животных;
3. Методов получения мономолекулярных органических пленок и многослойных структур на их основе;
4. Методов получения биологических проводников электрического тока;
5. По созданию искусственных нейронных сетей в виде специализированных электронных схем, состоящих из электронных аналогов клеток головного мозга.

Рис. 3. Схема многослойной нейронной сети

Подобно живому мозгу нейрокомпьютеры состоят из электронных нейросхем, весьма упрощенно моделирующих поведение реальных нейронов. Поведение обученного до рождения или в процессе жизни нейрокомпьютера определяется набором весовых коэффициентов или синоптической матрицей.

Отличительные черты нейросетевой технологии:

1. Способность обучаться на конкретном множестве примеров (а не программироваться в привычном смысле этого слова); технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение.
2. Умение распознавать, прогнозировать новые ситуации с высокой степенью точности, причем в условиях внешних помех (например, появления противоречивых или неполных значений в потоках информации). Реализуется с помощью метода генетического алгоритма.

Генетический алгоритм реализован в популярных версиях нейропакетов, например, в России — Brain Maker Professional.

Нейросети можно применять в анализе финансовой и банковской деятельности, биржевых рынков. Точность прогноза, достигаемая нейросетевыми технологиями, превышает 95%. Одно из перспективных направлений использования нейросетевых технологий в управлении — создание компьютерных моделей поведения клиента для оценки риска или перспективности работы с конкретными клиентами. Эти модели основаны на анализе проведенных сделок и оценке вероятности того, согласится ли конкретный клиент на то или иное предложение.

На мировом рынке представлен широкий спектр нейросетевых технологий — от систем, ориентированных на суперкомпьютеры, стоимость которых превышает 50 тыс. долл., до недорогих (несколько сотен долларов) нейропакетов, работающих на платформе персональных компьютеров и рабочих станций.

Области применения нейросетей

1. Оценка рейтинга ценных бумаг (нейропакет S&PCBRS);
2. Контроль валютных операций в двадцати трех странах мира (Inspector);
3. Анализ займов, кредитное планирование и прогноз экономической активности (Nexpert Object);
4. Формирование портфеля ценных бумаг (Open Interface);
5. Оценка кредитных займов, прогноз курсов валют, анализ биржевой и рыночной активности, прогноз экономических и биржевых индексов (BrainMaker);
6. Биржевые прогнозы, проверка подлинности кредитных карт (HNC);
7. Идентификация непривычных для людей образов, распознавание речи (Avalanche);
8. Синтез речи и текста (Back propagation);
9. Управлением роботом (Cerebellatron);
10. Идентификация написанных от руки символов (Неокогнитрон) и др.