Средства и уровни понимания СИИ

Капля, В. И.

Системы искусственного интеллекта: учеб. пособие/ В. И. Капля, Е. В. Капля, В.А. Носенко, И.С. Мокрецова; ВПИ (филиал)ВолгГТУ. – Волгоград: ИУНЛ ВолгГТУ, 2011. – 96 с.

ISBN

Содержит сведения о принципах построения и структуре систем искусственного интеллекта, о средствах и методах моделирования, об организации систем аппаратной реализации.

Рекомендуется для использования в учебном процессе по естественным и техническим специальностям при изучении дисциплин "Системы искусственного интеллекта" и "Интеллектуальные системы" для студентов дневной, вечерней и заочной форм обучения.

Введение

Интеллектуальные системы (ИС) – это перспективное направление развития систем управления производственными и сервисными процессами, которое основано на интенсивном взаимодействии с контролируемыми объектами путем анализа входной (измерительной) информации, учета предыдущих состояний системы и прогнозирования результатов управления [1-3]. Интеллектуальность системы – это сложное и многогранное понятие, которое включает, но не сводится к понятиям оптимальности, адаптивности и обучаемости. Реализация систем искусственного интеллекта осуществляется посредством разработки аппаратно-программных комплексов, имеющих развитую периферию для ввода измерительно-мультимедийной информации и для реализации управляющих команд.

Известны работы направленные на обоснование целесообразности применения ИС для определения параметров качества деталей в механообработке, оптимизации процессов формообразования и автоматизированного управления [4,5]. Большинство широко используемых офисных и научных программ имеют в своей структуре интеллектуальные опции, например, проверка правописания, распознавание текста (изображений, звуков), запоминание часто повторяемых операций. Программы, специализированные в определенных областях деятельности человека, принято называть “экспертными системами”. Автономное воплощение ИС находят в специальных интеллектуальных системах, в частности в роботах, нейрокомпьютерах.

С точки зрения общих проблем познания предпринимаются попытки создания ИС для решения двух основных интеллектуальных задач [12]:

· интенсификации процесса диалога человек-ЭВМ с целью создания новых творческих произведений;

· модельной проверки гипотез о структуре и особенностях творческих процессов.

Многообразие интеллектуальных задач требует привлечения широкого круга математических объектов и методов, в первую очередь математический и функциональный анализ, методы оптимизации, алгебру множеств (классическую и нечеткую), теорию вероятности.

Основой данного учебного пособия является ранее изданное пособие [19], которое было расширено новой информацией и откорректировано по результатам практических занятий со студентами.

Основные направления исследования СИИ

Назначение СИИ состоит в освобождении человека от трудоемких процессов обработки информации, накопления и применения знаний при решении сложных научно-технических задач.

Основные направления исследования ИС [12]:

1. Представление знаний (формализация).

2. Манипулирование знаниями: пополнение, классификация, обобщение, вывод новых знаний.

3. Общение на естественных языках и носителях с ЭВМ.

4. Восприятие зрительных сцен, речевых сообщений и текстов.

5. Обучение решению новых задач, повышению качества решений.

6. Поведение (учет состояния окружения).

Приведенная классификация исследовательских направлений не единственная. Все указанные направления не имеют четких границ, и в некоторой степени в каждом из них присутствуют все другие направления.

Разработка ИС предполагает: определение структуры исходной информации; разработку алгоритмов обучения и работы; создание баз данных и знаний.

Распознавание образов – основной вид задач, решаемых ИС. Термин “распознавание” является эквивалентом понятия “классификация” и предназначен для указания сложной структуры исходной информации. Объектами распознавания могут служить изображения, звуки, характеристики статистических данных. Выходным сигналом ИС является вектор решений, отражающий принадлежность входного образа определенному множеству.

Классификация ИС

Множественность параметров и свойств ИС предполагает несколько способов классификации этих систем. Рассмотрим классификацию по уровню обученности системы [6,7]. Такая классификация отображает уровень универсальности системы и значимость априорной информации для ее работы. Возможность обучения технической системы является эффективным способом настройки, который можно противопоставить процессу предварительного определения всех параметров системы до начала ее работы. Решение задачи обучения требует знания лишь структуры системы, а параметры ее настроек определяются в процессе обучения, что гораздо проще и реалистичнее, чем полное и предварительное решение всех возможных ситуационных задач.

Типичным видом задач, решаемых ИС, является задача классификации элементов некоторого множества на два или более классов. В пространстве признаков, используемых для решения этой задачи, необходимо определить разделяющую функцию , которая принимает положительные значения для элементов подмножества и отрицательные для подмножества . На рис.2.1. показан пример решения такой задачи для случая = .

Рис.2.1. Разделение множеств в пространстве признаков.

Разделяющая функция является параметрической, то есть зависит от набора параметров, образующих матрицу . Качество работы ИС во многом определяется свойствами разделяемых подмножеств, которые могут не иметь четкой границы. В случае решения подобной задачи для 3-х и большего числа подмножеств используется принцип дихотомии, который состоит в группировании разделяемых подмножеств и построении множества разделяющих функций.

Системы без обучения

Система устанавливает принадлежность объектов множества w классам . Свойства объекта определяются техническими средствами измерения (ТСИ), которые формируют вектор признаков объекта . Анализ свойств производится с помощью блока алгоритмов распознавания (БАР) с использованием априорной информации (АИ). Схема ИС без обучения приведена на рис.2.2.

Рис.2.2. Схема системы без обучения

В системах без обучения первоначальная априорная информация должна быть полной для того, чтобы определить априорный алфавит классов, построить априорный словарь признаков, произвести описание каждого класса на языке этих признаков, определить решающие границы и правила [7]. ИС без обучения в качестве априорной информации должна располагать разделяющей функцией и всеми ее параметрами.

Обучающиеся системы

В тех случаях, когда первоначальной априорной информации достаточно для того, чтобы определить априорный алфавит классов и построить априорный алфавит признаков, но недостаточно для описания классов на языке признаков (либо использование априорной информации нецелесообразно), применяют обучающиеся системы.

Исходную информацию, необходимую для построения обучающихся систем распознавания, можно представить в следующем виде:

(2.1)

Множество объектов w₁,...,w_z представляет собой обучающую последовательность объектов, каждый из которых характеризуется набором признаков x₁,...,x_N. Цель процедуры обучения - определение разделяющих функций , i=1,...,m. Обучение проводится путем многократного предъявления системе распознавания различных объектов с указанием классов, к которым эти объекты принадлежат.

Обучающиеся системы распознавания "работают с учителем", как показано на рис.2.3.

Рис.2.3. Схема обучающейся системы

режим обучения; режим экзамена

Процесс обучения заключается в том, что "учитель" (У) многократно предъявляет системе обучающие объекты (ОО) всех выделенных классов и указывает, к каким классам они принадлежат. Затем "учитель" начинает экзаменовать систему распознавания, корректируя ее ответы до тех пор, пока количество ошибок в среднем не достигнет допустимого уровня.

В состав обучающейся системы входят: ТСИ - технические средства измерения; БАО - блок алгоритмов обучения; АИ - априорная информация; БАР - блок алгоритмов распознавания. Обучаемая система распознавания реализует разделяющую функцию , однако, в начальной стадии обучения матрица параметров является неизвестной и алгоритмы обучения направлены на поиск значений элементов этой матрицы.

Обучаемые системы обладают гибкость в том смысле, что перенастройка системы для решения нового вида задач реализуется путем дополнительного цикла обучения, без изменения ее физической конфигурации. Обучение является формой адаптации системы при смене условий функционирования.

Самообучающиеся системы

В случае, если первоначальной априорной информации достаточно лишь для определения словаря признаков , но недостаточно для проведения классификации объектов, используются самообучающиеся системы. На стадии формирования самообучающейся системе предъявляют исходную совокупность объектов w₁,...,w_z, заданных значениями своих признаков для w₁ - ; ... ; для w_z - . Однако из-за ограниченного объема первоначальной информации система при этом не получает указаний о том, к какому классу объекты исходной совокупности принадлежат. Эти указания заменяются набором правил, в соответствии с которыми на стадии самообучения система распознавания сама вырабатывает классификацию и в дальнейшем ее придерживается. Выбранная системой классификация может отличаться от естественной. Обобщенная структура самообучающейся ИС приведена на рис.2.4.

Рис.2.4. Схема самообучающейся системы

режим самообучения; распознавание неизвестных объектов

В состав самообучающейся системы входят: ОС - объекты для самообучения; ТСИ - технические средства измерения; АИ - априорная информация; БАР - блок алгоритмов распознавания; ПК - правила классификации; ФК - формирователь классов.

Результаты решения задачи распознавания неизвестных объектов следует использовать для уточнения априорного описания классов, поэтому при построении систем распознавания целесообразно использовать принцип обратной связи. Блок априорной информации должен быть снабжен специальными алгоритмами корректировки априорных описаний классов. Разделяющие функции в случае самообучающейся ИС определены лишь структурно, размерность выходного сигнала определяется в процессе самообучения.

Обучающиеся и самообучающиеся системы получают недостающую априорную информацию в процессе обучения или самообучения. Цель обучения и самообучения – выработать такое количество информации, которое необходимо для функционирования системы распознавания. Создание обучающихся и самообучающихся систем распознавания обусловлено тем, что на практике достаточно часто встречаются ситуации, когда отсутствует полная первоначальная априорная информация.

Средства и уровни понимания СИИ

Понимание – постижение смысла текста (или другого вида информации) и значения содержащейся в нем информации [12].

Средства понимания текстов:

· Герменевтика – использование только текста.

· Экзогетика – использование текста и всех сведений о контексте, в рамках которого этот текст создавался.

· Гомелетика – использование общих сведений о морально-этических нормах времени создания текста, мотивы и цели автора, его личностные характеристики.

Элементы средств понимания и их обозначения:

T – текст на естественном языке, предъявленный СИИ;

E – расширенный текст, включающий условия его порождения в некоторой среде (условия применения системы);

P – расширенный текст, включающий его невербальные (неформальные) параметры, относящиеся к субъекту, создавшему текст (устройство системы);

TR – правила пополнения текста, опирающиеся на его структуру;

ER – правила пополнения текста, опирающиеся на знания о среде;

PR – правила пополнения текста, опирающиеся на знания о психологии личности;

A – ответ, формируемый системой;

K – знания в базе знаний;

F – факты, хранящиеся в базе фактов;

FRK – правила порождения знаний из фактов;

KM – метафорические знания (обобщение, ассоциации, интуиция);

KRM – правила порождения знаний метафорического уровня.

СИИ понимает текст, если она дает ответы, правильные с точки зрения человека (эксперта).

Рис.3.1. Общая структура системы понимания

Первый уровень понимания характеризуется схемой “T A”. СИИ этого уровня формирует ответ только на основе прямого содержания введенного текста Т. Лингвистический процессор проводит морфологический, синтаксический и семантический анализ текста и вопросов.

Рис.3.2. Первый уровень понимания (справочная система)

Второй уровень понимания характеризуется схемой “{T,TR} A”. СИИ использует средства логического вывода, то есть порождается информация, которая в явном виде в первоначальном тексте отсутствует. Например, при решении задачи поиска неисправности система способна локализовать положение неисправного элемента.

Рис.3.3. Второй уровень понимания (диагностическая система)

Третий уровень понимания характеризуется схемой “{T,TR,ER} A”. СИИ использует дедуктивный вывод и вывод по сценариям. Например, при решении задачи поиска неисправности система способна сообщить методы устранения выявленной неисправности.

Рис.3.4. Третий уровень понимания (советующая система)

Четвертый уровень понимания характеризуется схемой “{E,TR,ER} A”. СИИ выделяет условия возникновения текста и использует их для решения задачи. Например, при решении задачи поиска неисправности система способна сообщить причины возникновения неисправности.

Рис.3.5. Четвертый уровень понимания (анализ причин неисправностей)

Пятый уровень понимания характеризуется схемой “{P,TR,PR} A”. СИИ использует информацию о конкретном субъекте для коррекции своих ответов.

Рис.3.6. Пятый уровень понимания (анализ состояния системы с учетом персональных данных)

Первый метауровень понимания характеризуется схемой “{F,FRK} K”. СИИ должна обучаться и пополнять свою базу знаний.

Второй метауровень понимания характеризуется схемой “{K,KRM} KM”. СИИ использует методы аналогий и ассоциации.