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,..., Ап ТО 5». Такая запись означает, что «если все условия от А1, до Ап 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;
vi – 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! |
Мы поможем в написании ваших работ!