8 Общее понятие о системе искусственного интеллекта. Основные сферы использования систем искусственного интеллекта
Искусственный интеллект (ИИ) - это наука о концепциях, позволяющих ВМ делать такие вещи, которые у людей выглядят разумными. Центральные задачи ИИ состоят в том, что бы сделать ВМ более полезными и чтобы понять принципы, лежащие в основе интеллекта. Ученым и инженерам, специализирующимся в вычислительной технике, необходимо знать, каким образом ИИ может помочь им в разрешение трудных проблем.
Помимо информационно-вычислительных задач, решение которых осуществляется по заданному алгоритму, в последнее десятилетие компьютерные технологии все активнее пытаются применить для реализации интеллектуальных процессов, то есть, процессов поиска решения, при которых конечный результат непредсказуем и является плодом логических самостоятельных заключений и выводов компьютера.
В основу мыслительной деятельности компьютера положен программный принцип реализации. Однако принципы моделирования интеллектуальных процессов - процессов приобретения, накопления, и использования знаний имеют свои ярко выраженные особенности, которые позволяют выделить их в отдельный класс компьютерных систем и технологий, относящихся к системам искусственного интеллекта.
Под системами, обладающими искусственным интеллектом (ИИ), понимают устройства или программы, имеющие такие характеристики, присущие человеческому интеллектуальному поведению, как понимание и использование языка, причинная обусловленность поведения, способность гибко реагировать на ситуацию, использовать преимущество благоприятных ситуаций, проводить разграничения между сходными ситуациями, выводить новые идеи, заключения и др. Разграничение интеллектуального и неинтеллектуального поведения весьма условно. Программные системы, основанные на естественно - научных теориях о природных процессах и математических методах, не относят к интеллектуальным.
Программные системы, реализующие алгоритмы, для которых не существует формальной модели решения, называют эвристическими и относят к классу интеллектуальных систем (или систем искусственного интеллекта). Принципиальное отличие интеллектуальных систем от традиционных компьютерных программ состоит в следующем. К творческим, интеллектуальным задачам относят задачи, для которых пока еще не существует формальной модели решения, например, игра в шахматы.
Задачи искусственного интеллекта - это такие задачи, в которых формализуется не процесс решения, а процесс поиска решения. В связи с этим развиваются такие направления, как экспертные системы, база знаний, нейронные сети, нейрокомпьютеры, DM - системы.
Область применения.
Доказательства теорем;
Игры;
Распознавание образов;
Принятие решений;
Адаптивное программирование;
Сочинение машинной музыки;
Обработка данных на естественном языке;
Обучающиеся сети (нейросети);
Вербальные концептуальные обучения.
Итак, задачей систем-классификаторов является установление принадлежности образа к одному из формально определенных классов. Формальные признаки могут быть определены посредством правил типа “если..-то..”, а системы, оперирующие с такими правилами, получили название экспертных систем. Традиционной областью применения классификаторов на нейронных сетях является экспериментальная физика высоких энергий, где одной из актуальных задач выступает выделение среди множества зарегистрированных в эксперименте событий с элементарными частицами событий, представляющих интерес для данного эксперимента.
Проблема категоризации находится на ступеньку выше по сложности в сравнении с классификацией. Особенность ее заключается в том, что помимо отнесения образа к какой-либо группе, требуется определить сами эти группы, т.е. сформировать категории.
В случае обучения с учителем (например, в персептроне) формирование категорий происходит методом проб и ошибок на основе примеров с известными ответами, предоставляемыми экспертом. Формирование категорий весьма напоминает процесс обучения у живых организмов, поэтому обычно эксперта называют “супервизором” или учителем. Учитель управляет обучением при помощи изменения параметров связей и, реже, самой топологии сети.
Задачей системы-категоризатора является формирование обобщающих признаков в совокупности примеров. При увеличении числа примеров несущественные, случайные признаки сглаживаются, а часто встречающиеся - усиливаются, при этом происходит постепенное уточнение границ категорий. Хорошо обученная нейросетевая система способна извлекать признаки из новыхпримеров, ранее неизвестных системе, и принимать на их основе приемлемые решения.
Нейронные сети применяются кроме перечисленных областей и в задачах с плохо структурированной информацией, например при распознавании образов, рукописного текста, анализе речи и т.д.
- Автоматизированные информационные системы
- 1 Информационное обеспечение управления. Информационная система, информационная технология. Информационные ресурсы. Информационные продукты и услуги
- 2 Компоненты информационной системы. Автоматизированные и неавтоматизированные информационные системы
- Компоненты информационной системы
- 3 Классификационные признаки информационных систем. Основные направления автоматизации управления: сапр, асу тп, асуп, асу гпс, иасу
- 4 База знаний, Методы принятия решений. Компьютерная поддержка принятия управленческих решений
- 5 Система поддержки принятия решений и ее состав. Внешние данные, система управления данными и ее возможности. Модели: стратегические, тактические, оперативные, математические.
- 6 Экспертные системы, их разновидности и классификация. Экспертные системы как инструмент интеллектуализации процессов обработки информации. Области применения экспертных систем .
- Области применения экспертных систем.
- 7 Компоненты информационной технологии в экспертной системе. Решение, объяснение решения, система правил, семантические модели, интерпретатор, модуль создания системы, оболочка экспертных систем
- А теперь кратко
- Второй вариант ответа на этот же вопрос:
- Подсистема приобретения знаний
- База знаний
- Подсистема вывода
- 2.4.1 Подсистема вывода, способы логического вывода
- 2.4.2. Компонент вывода
- 2.4.3. Управляющий компонент.
- 2.5. Диалог с эс. Объяснение.
- Основные компоненты экспертных систем
- 8 Общее понятие о системе искусственного интеллекта. Основные сферы использования систем искусственного интеллекта
- 9 Моделирование ис. Математические модели системы. Классификация математических моделей
- Математическое моделирование
- Правила для успешного математического моделирования:
- Определения
- Классификация моделей Формальная классификация моделей
- Классификация по способу представления объекта
- Содержательные и формальные модели
- Содержательная классификация моделей
- Тип 1: Гипотеза(такое могло бы быть)
- Тип 2: Феноменологическая модель (ведем себя так, как если бы…)
- Тип 3: Приближение (что-то считаем очень большим или очень малым)
- Тип 4: Упрощение (опустим для ясности некоторые детали)
- Тип 5: Эвристическая модель (количественного подтверждения нет, но модель способствует более глубокому проникновению в суть дела)
- Тип 6: Аналогия (учтём только некоторые особенности)
- Тип 7: Мысленный эксперимент(главное состоит в опровержении возможности)
- Тип 8: Демонстрация возможности (главное — показать внутреннюю непротиворечивость возможности)
- 10 Подходы к построению ис. Ис как среда реализации функций управления. Основные модули ис
- 11 Стандарты рекомендаций по управлению производством (mrp II, erp, csrp, и другие подходы). Типичные представители данного подхода.
- 12.Автоматизация управления как процесс – ориентированной деятельности. Понятие бизнес – процесса. Основные характеристики данного подхода. Workflow диаграммы.
- 13. Технологии виртуальных предприятий и разработка ис под конкретную организацию.
- 14.Реинжиниринг бизнес – процессов. Управление процессом разработки ис.
- 16.Построение ис на основе прототипов. Достоинства и недостатки данного подхода к построению ис.
- 17.Построение ис на основе пакетов программ. Критерии оценки пакетов программ. Достоинства и недостатки данного подхода к построению ис.