Всего за 54.99 руб. Купить полную версию
Системы речевого общения разрабатывались специально для реализации ЕЯ–общения с помощью устной речи. Исследования в данном направлении решают проблему синтеза речи, т.е. создания преобразователей типа "текст – речевой сигнал", и проблему анализа и распознавания речи, т.е. создания преобразователей типа "речевой сигнал – текст".
Системы переработки визуальной информации используются для решения трех типов задач:
1) обработки изображений, когда исходные данные и результаты обработки информации представлены в виде изображений;
2) анализа изображений, когда входные данные являются изображением, а результат представляется в иной форме;
3) синтеза изображений, когда входными данными является описание изображения, а на выходе по нему строится само изображение.
Системы машинного перевода предназначены для быстрого доступа к информации на иностранном языке и перевода больших потоков текстов.
80 МЕТОДЫ ПОСТРОЕНИЯ СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Выделяют несколько основных подходов к разработке систем искусственного интеллекта (СИИ).
В основе логического подхода лежит Булева алгебра, а также ее продолжение – исчисление предикатов. Можно сказать, что практически каждая СИИ, построенная на логическом принципе, представляет собой машину доказательства теорем.
Исходные данные при этом находятся в базе данных в виде аксиом, а правила логического вывода являются отношениями между ними.
Структурный подход представляет собой попытку разработать СИИ с помощью моделирования структуры человеческого мозга. Одним из первых представителей данного направления был Ф. Розенблатт. Созданный им персептрон положил начало широкомасштабным исследованиям ученых в этой области. На сегодняшний день разработано более десяти подобных моделей СИИ, известных как нейронные сети. Среди наиболее распространенных на практике вариантов нейронных сетей можно выделить ней–росети с обратным распространением ошибки, радиально–базисные сети, сети Хопфилда и Элма–на, самообучающуюся сеть Кохонена и др.
Эволюционный подход. При использовании данного подхода для разработки СИИ основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). При этом сама модель может быть и нейронной сетью, и набором логических правил, а также любой другой моделью. На первом этапе компьютер с помощью тестирования моделей отбирает самые лучшие из них, на основании которых затем по самым различным правилам генерируются новые модели, из которых вновь выбираются самые лучшие, и т.д. Таким образом, как таковых эволюционных моделей не существует, а разработаны лишь эволюционные алгоритмы обучения.
Имитационный подход. В основе данного подхода к построению СИИ лежит одно из базовых понятий кибернетики – "черный ящик". Черный ящик – это устройство, программный модуль или набор данных, информация о внутренней структуре и содержании которых отсутствуют полностью, но известны спецификации входных и выходных данных. "Черным ящиком" является объект, поведение которого имитируется при разработке СИИ. Задача создателя СИИ состоит в том, чтобы модель в аналогичных ситуациях вела себя точно так же, как и имитируемый объект.
Главный недостаток имитационного подхода заключается в низкой информационной способности большинства моделей, созданных на его основе.
Практически четкого разграничения между методами построения СИИ не существует, поэтому зачастую создаются комбинированные системы, где часть работы выполняется по одному методу, а часть – по другому.
81 ЭКСПЕРТНЫЕ СИСТЕМЫ
Предметная область – это конкретная сфера человеческой деятельности, в которой могут применяться системы искусственного интеллекта (СИИ). СИИ, созданная для решения задач в конкретной проблемной области, называется экспертной системой.
Экспертная система – это программный продукт, позволяющий имитировать творческую деятельность или усилить интеллектуальные возможности пользователя при выборе решения задачи в конкретной предметной области, используя в основном эвристические знания специалистов–экспертов (т.е. накопленный ранее опыт) и некоторый логический механизм вывода.
Можно назвать несколько областей применения экспертных систем, достижения в которых особенно заметны:
1) медицинская диагностика;
2) прогнозирование;
3) планирование;
4) интерпретация;
5) контроль и управление;
6) диагностика неисправностей в механических и электрических устройствах;
7) обучение.
Кроме перечисленных экспертных систем, можно выделить в отдельную группу экспертные системы финансового планирования и экспертные системы в области торговли.
Исторически экспертные системы принято делить на интеллектуальные системы первого и второго поколений.
К экспертным системам первого поколения относятся компьютерные системы, способные лишь повторить логический вывод эксперта. Отличительными чертами знаний в экспертных системах первого поколения являются следующие:
1) знания системы в целом представлены только знаниями эксперта, функция накопления знаний не предусматривается;
2) методы представления знаний позволяли описывать лишь статические предметные области;
3) модели представления знаний ориентированы на простые области.
Однако пользователю необходимо, чтобы экспертная система была способна выполнить следующие функции:
1) проведение анализа нечисловых данных;
2) генерацию новых и отбраковку ненужных гипотез;
3) оценивание достоверности фактов;
4) самостоятельное пополнение базы знаний;
5) контроль над непротиворечивостью имеющихся знаний;
6) выдачу собственных заключений на основе прецедентов;
7) решение новых, т.е. ранее не рассматривавшихся, задач.
Если экспертная система обладает большинством из вышеперечисленных возможностей, то она относится к экспертным системам второго поколения. Экспертные системы второго поколения называют партнерскими, или усилителями интеллектуальных способностей человека. Отличительными чертами знаний в экспертных системах второго поколения являются следующие:
1) предусмотрена функция накопления и расширения базы знаний, а также возможно дополнение предметной области;
2) экспертная система способна решать задачи динамической базы данных предметной области.
82 СТРУКТУРА КЛАССИЧЕСКОЙ ЭКСПЕРТНОЙ СИСТЕМЫ. МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ В ЭКСПЕРТНЫХ СИСТЕМАХ
В составе классической экспертной системы выделяют следующие компоненты:
1) база знаний (БЗ);
2) база данных (БД);
3) механизм логического вывода (МЛВ);
4) блок объяснения полученных решений;
5) блок обучения (адаптация ЭС к изменяющейся действительности);
6) блок введения, пополнения и корректировки баз знаний.
База знаний содержит не столько количественные характеристики фактов (данные), сколько субъективные эвристические знания экспертов. База знаний – единственная изменяемая часть экспертной системы, которая может пополняться и модифицироваться как в процессе эксплуатации ЭС, так и между консультациями со специалистами–экспертами (а в некоторых системах и в процессе консультации). Базы знаний бывают динамическими и статическими.
Динамическая база знаний способна со временем изменяться. Новые знания или факты, которые добавляются в базу знаний, получены в результате применения механизма логического вывода, состоящего в применении известных правил к имеющимся фактам.
Статическая база знаний используется в экспертных системах с монотонным выводом, в которых факты, хранимые в базе знаний, являются статичными, т.е. не изменяются и не удаляются в процессе решения задачи.
База данных содержит количественные характеристики фактов из базы знаний.
Механизм логического вывода (МЛВ) составляет наиболее важную часть экспертной системы. МЛВ – это логико–математический аппарат, который непосредственно осуществляет поиск решения задачи и получение достоверного вывода на основе знания базой знаний данных базы данных.
Блок объяснения предназначен для разъяснения сгенерированных выводов. Данный блок позволяет проследить цепочку логических рассуждений экспертной системы и вмешиваться в ход решения задачи.
Блок введения, пополнения и корректировки баз знаний необходим для поддержки мощности и актуальности базы знаний с помощью исключения устаревших и несовершенных правил или добавления новых.
В экспертных системах знания могут быть представлены посредством типичных моделей представления знаний:
1) формальные модели, основанные на применении методов математической логики и исчислении предикатов, или логические модели;
2) модель, основанная на использовании правил (продукционная модель);
3) модель, основанная на использовании фреймов;
4) модель семантической сети.
Общей характеристикой перечисленных моделей является то, что знания представлены в символьной форме, т.е. элементарными структурными единицами представления знаний являются тексты, списки и другие символьные структуры.