1. Информация (informatio – осведомлять) – сведения об объектах окружающей среды, их параметрах, свойствах и состоянии, которые уменьшают имеющуюся о них степень неопределенности, неполноты знаний. Данные – это информация, зафиксированная и представленная в формализованном виде, подходящем для обработки и/или интерпретации. Данные – это сведения, представленные в определенной знаковой системе и на определенном материальном носителе для обеспечения возможностей хранения, передачи, приема и обработки. Знания – совокупность сведений, которая образует целостное описание, соответствующее некоторому уровню осведомленности об описываемом вопросе, предмете, проблеме и т.д. (Знания – информация и данные – теория вместе с опытом, находится в процессе модификации. Получаем знания каждую секунду) Взаимосвязь: Данные представляют собой формализованную информацию, которая может быть передана и обработана. Знания же возникают из данных и информации в результате их осмысления, интерпретации и систематизации, что приводит к пониманию предмета и повышению уровня осведомленности 2. Искусственный интеллект – комплекс технологических решений, имитирующий когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и позволяющий при выполнении задач достигать результаты, как минимум сопоставимые с результатами интеллектуальной деятельности человека. Комплекс технологических решений включает: информационно-коммуникационную инфраструктуру, программное обеспечение, в котором в том числе используются методы машинного обучения, процессы и сервисы по обработке данных и выработке решений Виды искусственного интеллекта: Конвенционный, Вычислительный Конвенционный – методы машинного самообучения, основанные на формализме и статистическом анализе (Экспертные системы, Рассуждение на основе аналогичных случаев, Байесовские сети, Поведенческий подход: модульный метод построения систем ИИ, при котором система разбивается на несколько сравнительно автономных программ поведения, которые запускаются в зависимости от изменений внешней среды). Вычислительный – итеративная разработка и обучение (Нейронные сети: системы с отличными способностями к распознаванию, Нечёткие системы: методики для рассуждений в условиях неопределенности (широко используются в современных промышленных и потребительских системах контроля), Эволюционные вычисления) 3. Классификация знаний: а) Поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области; б) Глубинные – абстракции, аналогии, схемы, отображающие целиком всю структуру предметной области и процессов, происходящих в ней. в) Понятийные знаний – набор понятий, которыми пользуются при решении данной задачи. г) Конструктивные – это знания о наборах возможных структур объектов и взаимодействии между их частями. д) Процедурные знания используемые в выбранной предметной области методы, алгоритмы и программы. е) Фактографические знания – количественные и качественные характеристики объектов и явлений. ё) Метазнания – знания о порядке и правилах применения знаний. Требования к представлению знаний: а) Наглядность или простота; б) Удобство для работы интеллектуальной системы (простота использования или обработки); в) Универсальность – способность представлять самые разные виды знаний; г) Расширяемость базы знаний, возможность интеграции различных баз знаний. 4. Искусственные нейронные сёти (ИНС) - математические модели, a также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей - сетей нервных клеток живого организма. Сеть способна самостоятельно адаптироваться и обучаться на основе входных данных для выполнения таких задач, как распознавание образов, обработка текста и прогнозирование. Искусственная нейронная сеть является основой философского течения философского течения коннективизма и основным направлением в структурном подходе структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов. Определения нейронной сети: 1. Нейронная сеть — это математическая модель, вдохновленная биологической нервной системой, состоящая из множества искусственных нейронов (или узлов), которые связаны между собой и передают информацию с помощью взвешенных соединений, что позволяет системе обучаться решению сложных задач, таких как классификация и предсказание. 2. Нейронная сеть — это система вычислений, построенная по аналогии с функционированием человеческого мозга, которая состоит из множества слоев искусственных нейронов. Сеть способна самостоятельно адаптироваться и обучаться на основе входных данных для выполнения таких задач, как распознавание образов, обработка текста и прогнозирование. Персептрон — это простейший тип искусственной нейронной сети, состоящий из одного слоя нейронов, который используется для бинарной классификации. Он принимает на вход несколько значений, умножает их на веса, суммирует результат и применяет пороговую функцию активации для определения класса. Достоинства нейронных сетей: 1. Обучаемость — нейронные сети могут обучаться на основе большого количества данных и улучшать свою точность в процессе обучения. 2. Универсальность — они способны решать различные задачи, такие как классификация, регрессия, распознавание образов, прогнозирование и многое другое. 3. Работа с неструктурированными данными — нейронные сети хорошо подходят для работы с изображениями, звуком и текстом, где традиционные алгоритмы могут быть менее эффективны. 4. Обработка больших объемов данных — благодаря параллельной обработке информации нейронные сети могут эффективно работать с большими наборами данных. Недостатки нейронных сетей: 1. Требования к вычислительным ресурсам — обучение нейронных сетей может требовать значительных вычислительных мощностей и памяти, особенно при работе с большими архитектурами и объемами данных. 2. Чувствительность к качеству данных — нейронные сети требуют большого количества качественных данных для обучения. Некачественные или недостаточные данные могут привести к плохой производительности модели. 3. Черный ящик — сложность нейронных сетей затрудняет интерпретацию и объяснение их решений, что делает их непрозрачными для пользователей. 4. Проблема переобучения — нейронные сети могут слишком точно подстраиваться под обучающие данные, что ухудшает их способность обобщать на новых данных. 5. Интеллектуальная система – это система, способная обрабатывать информацию и принимать решения на основе анализа, моделирования и извлечения знаний, с целью решения сложных, плохо формализуемых задач. Свойства: 1) Развитые коммуникативные способности (возможность обработки произвольных запросов в диалоге на языке максимально приближенном к естественному); 2) Направленность на решение слабоструктурированных, плохо формализуемых задач; 3) Способность работать с неопределенными и динамичными данными; 4) Способность к развитию системы и извлечению знаний из накопленного опыта конкретных ситуаций; 5) Возможность получения и использования информации, которая явно не хранится, а выводится из имеющихся в базе данных; 6) Способность к аддуктивным выводам – к выводам по аналогии; 7) Способность объяснять свои действия, неудачи пользователя, предупреждать пользователя о некоторых ситуациях, приводящих к нарушению целостности данных. Задачи, которые она решает: Слабоструктурированные задачи — задачи, где данные неполные или неопределенные, и формализация решения затруднена (например, прогнозирование). Диагностические задачи — задачи, связанные с анализом и поиском причинно-следственных связей, таких как диагностика неисправностей или проблем в сложных системах. ------------------------------------------------------------------------------6. Data Mining, добыча знаний – это процесс обнаружения в сырых данных ранее неизвестных, нетривиальных, практически полезных и доступных интерпретации знаний, необходимых для принятия решений в различных сферах человеческой деятельности. Методы Data Mining 1. Нейронные сети и нейросетевые технологии 2. Деревья решений – Анализируют решения, принятые человеком. Автоматизируют процесс принятия новых решений на основе исторических данных. Используются в случае формализованных процедур принятия решений в организации. 3. Системы рассуждений на основе аналогичных случаев. Метод "ближайшего соседа" – для прогнозирования или выбора правильного решения система находит в прошлом близкие аналоги ситуации и выбирает ответ, который был для них правильным, а решение принимается на основании всей информации, накопленной в памяти 4. Генетические алгоритмы 5. Эволюционное программирование 6. Нечеткая логика – применяется для анализа наборов данных, которые невозможно перечислить к какой-либо группе, данные можно перечислить к какой-либо группе с некоторой вероятностью в интервале от 0 до 1, но не принимающей крайние решения. Сведение к минимуму человеческого фактора «текучки» при принятия решения. Получение оперативных рекомендаций на основании правил, составленных экспертами 7. Статистические пакеты – кластеризация, прогнозирование 7. Экспертная система – это программный продукт, позволяющий имитировать творческую деятельность или усиливать интеллектуальные возможности пользователя при поиске решения задачи в конкретной предметной области, используя в основном эвристические знания специалистовэкспертов (т.е. накопленный ранее опыт) и некоторый логический механизм вывода. Объяснительный Диалоговый Компонент Компонент компонент приобр. Знаний | | / Решатель \ | Рабочая память --База знаний 8. Модели представления знаний в экспертных системах Логические модели: M = <T, P, A, B> Множество T –Множество базовых элементов различной природы Множество P – Множество синтаксических правил. С их помощью из элементов Т образуют синтаксически правильные совокупности. Множество A – Множество аксиом - подмножество синтаксически правильных совокупностей. Можно считать, что множество А образуют все информационные единицы, которые введены в базу знаний извне. Множество B – Множество правил вывода. Применяя их к элементам А, можно получать новые синтаксически правильные совокупности, к которым снова можно применять правила из B. С помощью правил вывода В из аксиом А выводятся новые производные знания. Продукционные модели – Продукция - выражение вида А -> B. ЕСЛИ А (посылка), ТО В (заключение). Система продукций = база правил (продукций) + глобальная база данных + система управления. База правил - это область памяти, которая содержит совокупность знаний в форме правил вида ЕСЛИ - ТО. Глобальная база данных - область памяти, содержащая фактические данные (факты). Система управления формирует заключения, используя базу правил и базу данных. Способы формирования: 1. Прямые выводы: выбирается один из элементов данных, содержащихся в базе данных, и если при сопоставлении этот элемент согласуется с левой частью правила (посылкой), то из правила выводится соответствующее заключение и помещается в базу данных или исполняется действие, определяемое правилом, и соответствующим образом изменяется содержимое базы данных 2. Обратный вывод: если поставленная цель согласуется с правой частью правила (заключением), то посылка правила принимается за подцель или гипотезу. Этот процесс повторяется до тех пор, пока не будет получено совпадение подцели с данными. 9. Принципы фреймовой модели представления знаний в экспертных системах: Фрейм – это форма представления некоторой ситуации, которую можно (или целесообразно) описывать некоторой совокупностью понятий и сущностей. Фрейм состоит из слотов (множеств элементов). Значений слота – это конкретная информация, относящаяся к объекту, описываемому этим фреймом: числа, формулы, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма, набор слотов более низкого уровня. Связи между уровнями задаются значениями специального слота с именем «Связь». Принципы сетевой (семантической) модели представления знаний в экспертных системах: Основная идея состоит в том, что предметная область рассматривается как совокупность объектов и связей между ними. Семантическая сеть — это ориентированный граф, вершины которого — понятия (объекты предметной области), а дуги — отношении между ними. ------------------------------------------------------------------------------10. Режим приобретения знаний – эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области. Режим приобретения знаний = этапы алгоритмизации, программирования и отладки, разработку программ осуществляет эксперт (с помощью ЭС), не владеющий программированием. Режим консультации – Общение с ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из Б3 формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операций, но и предварительно формирует ее
