Практическое задание (к семинарским занятиям)

1 В рамках компьютерного класса создать и настроить действующую локальную сеть объединяющую ряд компьютеров;

2 Создать ряд документов и произвести их размещение в сети internet, описать их internet-адреса.

 

Вопросы для обсуждения на семинаре, самостоятельного изучения и проверки знаний студентов

 

1. Сформулируйте понятие системы телеобработки данных.

2. Поясните блок-схему типовой системы телеобработки данных.

3. Приведите определение компьютерной сети.

4. Сформулируйте классификацию компьютерных сетей.

5. Приведите сравнительную характеристику топологий компью­терных сетей.

6. Охарактеризуйте модель взаимодействия открытых систем.

7. Охарактеризуйте техническое обеспечение компьютерных сетей.

8. Приведите классификацию локальных вычислительных сетей.

9. Какие устройства предназначены для реализации межсетевого
интерфейса?

10.Проиллюстрируйте процесс передачи информации.

11. Сформулируйте понятие пропускной способности системы.

12. Приведите классификацию каналов связи.

13. В чем заключается сущность корпоративной информационной
системы?

14. Каковы основные функции сети Интернет?

15. Поясните понятие протокола взаимодействия компьютеров в сети.

16. Охарактеризуйте систему адресации в сети Интернет.

17. Перечислите основные службы сети Интернет.

 

 

ТЕХНОЛОГИИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

 

Системы искусственного интеллекта ориентированы на решение большого класса задач, называемых неформализуемыми (трудно фор­мализуемыми). Такие задачи обладают следующими свойствами:

алгоритмическое решение задачи неизвестно или нереализуемо
из-за ограниченности ресурсов ЭВМ;

задача не может быть представлена в числовой форме;

цели решения задачи не могут быть выражены в терминах точно
определенной целевой функции;

большая размерность пространства решения;

динамически изменяющиеся данные и знания.

В исследованиях по искусственному интеллекту можно выделить два основных направления.

Программно-прагматическое — занимается созданием программ,
с помощью которых можно решать те задачи, решение которых до это­го считалось исключительно прерогативой человека (программы рас­познавания, решения логических задач, поиска, классификации). Это направление ориентировано на поиски алгоритмов решения интеллек­туальных задач на существующих моделях компьютеров.

Бионическое — занимается проблемами искусственного воспроизведения тех структур и процессов, которые характерны для человеческого мозга и которые лежат в основе процесса решения задач чело­веком. В рамках бионического подхода сформировалась новая наука — нейроинформатика, одним из результатов которой стала разработка нейрокомпьютеров.

Классическим принято считать программно-прагматическое на­правление. В рамках этого направления сначала велись поиски моде­лей и алгоритма человеческого мышления.

Существенный прорыв в практических приложениях систем искус­ственного интеллекта произошел в середине 70-х годов, когда на сме­ну поискам универсального алгоритма мышления пришла идея моде­лировать конкретные знания специалистов-экспертов. Так появились системы, основанные на знаниях, — экспертные системы.Сформиро­вался новый подход к решению интеллектуальных задач — представле­ние и использование знаний. Интересно, что понятие «знание» не имеет на сегодняшний день какого-либо исчерпывающего определения.

Знания — это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. С точки зрения искусственного интеллекта знания можно определить как формализованную информацию, на которую ссылаются в процес­се логического вывода.

Приведем ряд определений.

База знаний— это совокупность знаний, описанных с использова­нием выбранной формы их представления. База знаний является ос­новой любой интеллектуальной системы. База знаний содержит опи­сание абстрактных сущностей: объектов, отношений, процессов.

Знания можно разделить на процедурные и декларативные. Исто­рически первыми использовались процедурные знания, то есть зна­ния, представленные в алгоритмах. Алгоритмы, в свою очередь, были реализованы в программах. Однако развитие систем искусственного интеллекта повысило приоритет декларативных знаний, то есть зна­ний, сосредоточенных в структурах данных.

Процедурные знания хранятся в памяти ИС в виде описаний проце­дур, с помощью которых можно получить знания. Так обычно описыва­ются способы решения задач предметной области, различные инструк­ции, методики и т. д. Процедурные знания составляют ядро базы знаний.

Декларативные знания — это совокупность сведений о качественных и количественных характеристиках объектов, явлений, представлен­ных в виде фактов и эвристик. Традиционно такие знания накаплива­лись в виде разнообразных таблиц и справочников, а с появлением ЭВМ приобрели форму информационных массивов и баз данных. Де­кларативные знания часто называют просто данными.

Одной из наиболее важных проблем разработки систем искусствен­ного интеллекта является представление знаний.

Представление знаний — это их формализация и структурирование, с помощью которых отражаются характерные признаки знаний: вну­тренняя интерпретируемость, структурированность, связность, семан­тическая метрика и активность.

Согласно логическому подходу, вся система знаний, необходимая для решения прикладных задач, рассматривается как совокупность утверждений.

Система знаний представляется совокупностью формул логики предикатов. Эта логика оперирует простыми высказываниями, рас­члененными на субъект (нечто лежащее в основе) и предикат (нечто утверждаемое о субъекте). Предикат отображает наличие или отсут­ствие у субъекта того или иного признака.

Формулы в базе знаний неделимы. Модификация базы предполага­ет лишь добавление и удаление формул. Логические методы обеспе­чивают развитый аппарат вывода новых фактов на основе тех, что Представлены в базе знаний.

Основной недостаток логических методов — отсутствие четких принципов организации фактов в базе знаний. Без формулирования таких принципов модель может превратиться в плохо обозримый кон­гломерат независимых фактов, не поддающихся анализу и обработке. Поэтому логические методы используются преимущественно в тех предметных областях, где система знаний невелика по объему и отно­сительно проста по структуре.

В основе логических моделей лежит формальная система, задава­емая четверкой вида:

 

Множество T есть множество базовых элементов различной приро­ды, входящих в состав некоторого набора. Важно, что для множества Т существует некоторый способ определения принадлежности или не­принадлежности произвольного элемента к этому множеству.

Множество Р есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные совокупности.

В множестве синтаксически правильных совокупностей выделяет­ся подмножество А. Элементы А называются аксиомами.

Множество В есть множество правил вывода. Применяя их к эле­ментам A, можно получить новые синтаксически правильные совокуп­ности, к которым снова можно применять правила из В.

Правила вывода являются наиболее сложной составляющей фор­мальной системы. В базе знаний хранятся лишь те знания, которые образуют множество А, а все остальные знания получаются из них по правилам вывода.

Психологические исследования процессов принятия решений по­казали, что, рассуждая и принимая решения, человек использует про­дукционные правила (от англ. production — правило вывода). В общем случае продукционное правило можно представить в следующем виде:

 

                                                

где i — индивидуальный номер продукции; S — описание класса ситу­аций, в котором данная структура может использоваться; L — условие, при котором продукция активизируется; А—>В — ядро продукции, на­пример: «ЕСЛИ A₁ A₂,..., А_п ТО 5». Такая запись означает, что «если все условия от А₁, до А_п являются истиной, то В также истина»; Q — постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В.

В левой части правила продукции ставится некоторое условие, а в пра­вой части — действие. Если все условия истинны, то выполняется дей­ствие, заданное в правой части продукции.

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называ­ется машиной вывода. Механизм вывода связывает знания воедино, а затем выводит из последовательности знаний заключение.

Недостатки продукционных систем проявляются тогда, когда число правил становится большим и возникают непредсказуемые побочные эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна оценка целостного образа знаний, содержащих­ся в системе.

Семантическая сеть — это модель формализации знаний в виде ориентированного графа с размеченными вершинами и дугами. Верши­нам соответствуют объекты, понятия или ситуации, а дугам — отно­шения между ними.

В качестве понятий обычно выступают абстрактные или конкрет­ные объекты, а отношения — это связи типа: «это» («АКО — A-Kind-Of», «is»), «имеет частью» («has part»), «принадлежит».

Термин фрейм (frame— каркас, рамка) предложен М. Минским в 70-е годы для обозначения структуры знаний по восприятию про­странственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование. Под фреймом понимается абстрактный образ или ситуация. Например, слово «комната» вызы­вает образ комнаты — «жилое помещение с четырьмя стенами, по­лом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже чулан, а не комнату. Но в нем есть «слоты» — незаполненные значения некоторых атри­бутов — количество окон, цвет стен, высота потолка, покрытие пола и др. Такой образ и называется фреймом (фреймом минимального описания). Фреймом называется также и формализованная модель этого образа.

Фреймовая модель,основанная па теории М. Минского, представ­ляет собой систематизированную в виде единой теории технологиче­скую модель памяти человека и его сознания. В общем случае фрейм определяется следующим образом:

                                  

где f – имя фрейма;

  v_i – значение слота,

 

или

ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота; значение 2-го слота),

(имя n-го слота: значение n-го слота)).

Значением слота может быть практически все что угодно.

Все фреймы взаимосвязаны и образуют единую фреймовую струк­туру, в которой органически объединены декларативные и процедур­ные знания. Это дает возможность достаточно быстро производить композицию и декомпозицию информационных структур аналогично тому, как это делал бы человек при описании структуры своих знаний.

Важнейшим свойством фреймов является заимствованное из те­ории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по связям типа «это» (ЛКО — A-Kind-Of). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов, причем наследование свойств может быть частичным.

Фреймовые модели является достаточно универсальными, посколь­ку позволяют отобразить все многообразие знаний о мире посред­ством:

Однако фрейм-представление является не конкретным языком пред­ставления знаний, а некоторой идеологической концепцией, реализу­емой по-разному в различных языках. Теория фреймов послужила толчком к разработке нескольких языков представления знаний, ко­торые благодаря своим широким возможностям и гибкости стали в последние годы довольно распространенными. Основным недо­статком фреймовых моделей является отсутствие механизмов управ­ления выводом.

При попытке формализовать человеческие знания исследователи столкнулись с проблемой, затруднявшей использование традиционного математического аппарата для их описания. Существует целый класс описаний, оперирующих качественными характеристиками объектов (много, мало, сильный, очень сильный и т. п.). Эти характе­ристики обычно размыты и не могут быть однозначно интерпретиро­ваны, однако содержат важную информацию.

В задачах, решаемых интеллектуальными системами, часто прихо­дится пользоваться неточными знаниями, которые не всегда могут иметь четкие значения истинности.

В начале 70-х американский математик Лотфи Заде предложил формальный аппарат нечеткой (fuzzy) алгебры и нечеткой логики. Позднее это направление получило широкое распространение и поло­жило начало одной из ветвей искусственного интеллекта под назва­нием мягкие вычисления. Л. Заде ввел одно из главных понятий в нечеткой логике — понятие лингвистической переменной.

Лингвистическая переменная(ЛП) — это переменная, значение ко­торой определяется набором словесных характеристик некоторого свойства.

Например, ЛП «ветер» определяется через набор (слабый, умерен­ный, сильный, очень сильный). Значения лингвистической перемен­ной определяются через так называемые нечеткие множества.

Нечеткое множество определяется через некоторую базовую шкалу В ифункцию принадлежности нечеткому множеству  при­нимающую значения на интервале [0...1]. Таким образом, нечеткое множество В — это совокупность пар вида . Часто встречается и такая запись:

 

                                        

 

где:  - i-е значение базовой шкалы.

Функция принадлежности определяет субъективную степень уве­ренности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству.

Экспертные системы (ЭС) — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных об­ластях и тиражирующие этот опыт для консультаций менее квали­фицированных пользователей.

В целом процесс функционирования ЭС можно представить следу­ющим образом: пользователь, желающий получить необходимую ин­формацию, через пользовательский интерфейс посылает запрос к ЭС. Решатель, па основе базы знаний, генерирует и выдает пользователю подходящую рекомендацию, объясняя ход своих рассуждений при по­мощи подсистемы объяснений.

Приведем ряд определений.

Пользователь — специалист предметной области, для которого пред­назначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи экспертной системы.

Инженер по знаниям — специалист в области искусственного интел­лекта, выступающий в роли посредника между экспертом и базой знаний.

Интерфейс пользователя — комплекс программ, реализующих диа­лог пользователя с ЭС как на стадии ввода информации, так и при по­лучении результатов,

База знаний (БЗ) — ядро ЭС, совокупность знаний предметной об­ласти, реализованная на основе выбранной модели представления зна­ний и записанная на машинный носитель в форме, понятной эксперту и пользователю.

Решатель — программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ.

Подсистема объяснений — программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная реко­мендация?» и «Почему система приняла такое решение?».

Интеллектуальный редактор БЗ — программа, предоставляющая инженеру по знаниям возможность создавать БЗ в диалоговом режи­ме. Включает в себя систему вложенных меню, шаблонов языка пред­ставления знаний, подсказок и других сервисных средств, облегча­ющих работу с базой.

В настоящее время существует несколько тысяч программных ком­плексов, называемых экспертными системами. Автономные ЭС рабо­тают непосредственно в режиме консультаций с пользователем для специфически «экспертных» задач, решение которых не требует при­влечения традиционных методов обработки данных (расчеты, моде­лирование и т. д.).

Все системы, основанные на знаниях, можно разделить на системы, решающие задачи анализа,и системы, решающие задачи синтеза.Ос­новное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потен­циально не ограничено и строится из решений подпроблем. Задачами анализа являются интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, пла­нирование, управление:

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени.

Квазидинамические ЭС интерпретируют ситуацию, которая меня­ется с некоторым фиксированным интервалом времени.

Динамические ЭС работают режиме реального времени, обеспечи­вая непрерывную интерпретацию поступающих в систему данных.

Гибридные ЭС представляют программный комплекс, включающий стандартные пакеты прикладных программ и средства манипулирова­ния знаниями.

Под коллективом разработчиков (КР) будем понимать группу спе­циалистов, ответственных за создание ЭС.

В состав КР входят пользователь, эксперт, инженер по знаниям и программист. Обычно КР насчитывает 8-10 человек.

При формировании КР должны учитываться психологические свой­ства участников.

От пользователя зависит, будет ли применяться разработанная ЭС.

Необходимо, чтобы пользователь имел некоторый базовый уровень квалификации, который позволит ему правильно истолковать рекомендации ЭС.

Обычно требования к квалификации пользователя не очень велики, иначе он переходит в разряд экспертов и не нуждается в ЭС. Эксперт — важная фигура в группе КР. В конечном счете, его под­готовка определяет уровень компетенции базы знаний.

Часто встает вопрос о количестве экспертов. Поскольку проблема совмещения подчас противоречивых знаний остается открытой, обыч­но с каждым из экспертов работают индивидуально, иногда создавая альтернативные базы.

Инженер по знаниям ведет диалог с экспертом, обеспечивая полу­чение знаний для ЭС. От инженера зависит продуктивность этого про­цесса.

Инженерия знаний — это технология построения экспертных сис­тем. Этот процесс требует особой формы взаимодействия создателя экспертной системы, которого называют инженером по знаниям, и од­ного или нескольких экспертов в некоторой предметной области. Ин­женер по знаниям «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. Одной из наиболее сложных проблем, возникающих при создании экспертных систем, является преобразование знаний эксперта и описаний применяемых им способов поиска решений в форму, позволяющую представить их в базе знаний системы, а затем эффективно использовать для решения задач в данной предметной области.

Обычно эксперт не прибегает к процедурным или количественным методам. Его основные средства — аналогия, интуиция и абстрагиро­вание. Часто эксперт даже не может объяснить, как именно им было найдено решение.

Построение базы знаний включает три этапа:

Первый шаг при построении базы знаний заключается в выделении предметной области, на решение задач которой ориентирована эксперт­ная система. По сути, эта работа сводится к очерчиванию инженером знаний границ области применения системы и класса решаемых ею задач.

Выделение предметной области представляет собой первый шаг аб­страгирования реального мира.

После того как предметная область выделена, инженер по знаниям должен ее формально описать. Для этого ему необходимо выбрать мо­дель представления знаний. Формально это должна быть модель, с по­мощью которой можно лучше всего отобразить специфику предмет­ной области.

Инженер по знаниям прежде всего обязан провести опрос эксперта и только потом приступать к построению системы. При этом необхо­димо определить целевое назначение системы. При этом главная цель разбивается на подцели.

На следующем этапе необходимо очертить границы исходных дан­ных. Для построения пространства поиска решения необходимо определить подцели на каждом уровне иерархии целей общей задачи. В вер­шине иерархии следует поместить задачу, которая по своей общности отражает принципиальные возможности и назначение системы.

После выявления объектов предметной области необходимо уста­новить, какие между ними имеются связи. Следует стремиться к вы­явлению как можно большего количества связей.

Полученное качественное описание предметной области должно быть представлено средствами какого-либо формального языка, что­бы привести это описание к виду, позволяющему поместить его в базу знаний системы. Для решения этой задачи выбирается подходящая модель представления знаний, с помощью которой сведения о пред­метной области можно выразить формально.

 

---

Дата добавления: 2018-04-15; просмотров: 211; Мы поможем в написании вашей работы!

Поделиться с друзьями:

---

---

Мы поможем в написании ваших работ!