Виробничі системи з штучним інтелектом

року міністерство освіти Російської Федерации.

Курганський державний университет.

Кафедра.

" Програмне забезпечення обчислювальної техніки та автоматизованих систем «.

Реферат.

На тему:

«Виробничі системи з штучним интеллектом».

| |Дисципліна: |Бази знань і | | | |експертні системи | | |Виконав: |Викулин А.В. | | | |ФМ-3308 | | |Перевірив: |Головко О.П. |.

Курган, 2001 г.

Аннотация.

Цей документ містить інформацію про виробничих системах з штучним інтелектом (ПСИИ), про їхнє архітектурі, проектуванні, інструментальних виборі засобів задля разработки.

Запровадження 3.

1. Нова інформаційна технологія в системах управління виробництвом 4.

1.1. Еволюція системам управління виробництвом 4.

1.2. ПСИИ — системи, що базуються на знаннях 5.

2. Уявлення знань у ПСИИ 6.

3. Архітектура ПСИИ 9.

3.1. Структура ПСИИ 9.

3.2. База знань 10.

3.3. Механізм виведення 10.

3.4. Діалоговий інтерфейс 10.

3.5. Пояснення та обґрунтування рішень на ПСИИ 11.

4. Проектування ПСИИ 13.

4.1. Етапи проектування й стадії існування ПСИИ 13.

4.2. Предметна область і з експертами 14.

5. Інструментальні кошти на розробки ПСИИ 15.

5.1. Програмні кошти 15.

5.2. Технічні кошти 16.

Заключение

18.

Література 19.

Нині нагромаджено великий політичний досвід створення автоматичних систем управління (АСУ) у різних галузях народного господарства. Цей досвід дозволяє зробити висновок у тому, що резерв підвищення ефективності АСУ залежить від збільшенні рівня інтелектуалізації цих систем, перехід до так званим «розумним» виробничим системам, орієнтованим на знания.

Область застосування існуючих нині систем штучного інтелекту (ІІ) охоплює медичну діагностику, інтерпретацію геологічних даних, наукові дослідження хімії, біології, військовій справі та інших галузей. Що ж до застосування систем у сфері управління промисловими виробництвами, то ще не знайшли належного відображення у літературі. Виробничі системи з штучним інтелектом є системами не лише якісно нових типів, а й системами, складовими органічне ланка у структурі сучасних автоматичних системам управління производством.

1. Нова інформаційна технологія в системах управління производством.

1.1. Еволюція системам управління производством.

Як відомо, управління технологічними процесами до 1960;х років грунтувалося на застосуванні нескладних регуляторів механічного, електричного і пневматичного типів, розрахунок яких базувався на лінійних одномірних моделях. Проектування складніших системам управління обмежувалося як можливостями технічних засобів і недостатньою теоретичної базою, так і відносній простотою більшості технологічних процесів того часу. Приблизно при цьому часу ставляться перші спроби застосування ЕОМ в плануванні і потребу керувати виробництвом. Щоправда технічна база залишалася що слабкою. ЕОМ першого покоління, у яких базувалася розробка АСУ були мало придатні вирішення завдань управління виробництвом. Тому ЕОМ застосовувалися переважно для бухгалтерського обліку. Застосування ЕОМ другого покоління, і навіть роботи у сфері методології проектування й впровадження АСУ дозволили б поставити завдання управління підприємством у межах функціональних підсистем. Досвід експлуатації АСУП, впроваджених наприкінці 1960;х років, показав їх ефективність, що у поліпшенні планування і врахування виробництва. Але досягнутий науково-технічний рівень АСУП не задовольняв ні розробників, ні замовників. Годі було обробляти дані у реальному масштабі часу. Високоефективні і надійні (на той час) ЕОМ третього покоління дозволили можливість перейти до складнішим формам організації системам управління тих. об'єктами. Підтримка процесу поблизу оптимальної робочої точки забезпечувалося шляхом оперативного на нього, тобто. значення вирахуваних установок перетворюються на настройки регуляторів. Функції оператора-технолога зводяться до нагляду і втручанню при аварійних ситуаціях. Проте задля низки промислових об'єктів реалізацію цих форм організації системам управління виявилася неможливою. Тоді почалися адаптивні самообучающиеся і самообучающиеся системи. Попри те що, що теоретично учнів і самообучающихся автоматичних систем отримано важливі результати, промислове застосування було чимало обмежена зза відсутності доступних інженерних методів синтезу та програмах технічної реалізації алгоритмів таких систем.

Сучасні АСУ що неспроможні обходитися без наявності у них спеціальних коштів організації діалог із людиною. Кінцеві користувачі, усвідомлюючи можливості, що може сьогодні дати їм обчислювальна технік, претендують на безпосередній контакти з ПК чи інтелектуальними терміналами. У багатьох впроваджених системам управління цей контакт обмежується найпростішими режимами діалогу й допомагає користувачеві вибирати підходящий обчислювальний алгоритм, визначати й ставити свої пропозиції стосовно виведення рішення, уявлення результатів. Більше розвинені кошти дають можливість організовувати діалог із самої моделлю реалізації її інформаційних і структурних модифікацій. Саме взаємодія кінцевого користувача з оптимизационными моделями в процес прийняття управлінські рішення представляє нині найбільше зацікавлення і великі трудности.

1.2. ПСИИ — системи, що базуються на знаниях.

Історично теоретичні напрацювання у сфері штучного інтелекту проводили у двох основних напрямах Перше напрям пов’язані з спробами розробки інтелектуальних машин шляхом моделювання їх біологічного прототипу — людського мозку. Оптимізм кібернетиків 1950;х років, що покладали сподівання дане напрям не увінчався успіхом через непридатності цих цілей існували тоді апаратних і програмних засобів. Другий напрямок — розробляються методи, прийомів, пристроїв і програм для ЕОМ, які забезпечують рішення складних математичних і логічних завдань, дозволяють автоматизувати окремі інтелектуальні дії людини. Першим кроком у цьому напрямі, можна вважати розробку GPS-универсального решателя завдань. У його основу було покладено уявлення про евристичному пошуку, де забезпечувалося розбивка завдання на подзадачи до того часу, поки що не отримана легко розв’язувана подзадача. Спроби уникнути неоправдавших себе універсальних эвристик під час вирішення інтелектуальних завдань сприяли висновку у тому, що головне, ніж має фахівець, — це накопичений їм у процесі своєї професійної діяльності певний набір різноманітних прийомів і неформальних правил. Згодом розробили ЕС Dendral, що базується на знаннях, яка стала прототипом усіх наступних ЕС. Базова структура «системи, що базується на знаннях» полягає з таких блоків: бази знань, що містить знання про певну обмеженою предметної області; решателя, чи логічного висновку, здійснює активізацію знань, відповідних поточну ситуацію; блоку верифікації БЗ, забезпечує додавання нових знань і коригування вже існуючих; блоку пояснення, що дозволяє користувачеві простежувати весь ланцюжок міркувань системи, що призводять до кінцевому результату, і, нарешті, інтерфейсу, забезпечує зручну зв’язок між користувачем і системой.

Існує безліч доказів на користь те, що ПСИИ можуть і мають стати найважливішої складовою в технології сучасних виробництв. Головною проблемою, що стоїть перед підприємством, себто управління, — це проблема подолання складності під час виборів з багатьох рішень. Це може бути інженерний вибір рішення, вибір розклади і т.д. Управління виробництвом вимагає обробки великого об'єму інформації. Проблема отримання з об'єктів у часі вирішена. З’явилася інша проблема: як зменшити частку інформації рівня, який необхідний прийняття рішень? Втрата ж інформації може істотно сказати на кінцевий результат. Нестача часу бути прийнятим рішення — ще одне проблема, яка проявляється принаймні ускладнення виробництва. Так само важлива й проблема координації. Якщо проектування не оптимально стосовно стадіям виробництва, складування, розподілу, це може збільшити ціну виробництва та знизити якість виробів. І, нарешті, дуже важливий чинник — необхідність збереження та розподілу знань окремих досвідчених експертів, отриманих ними на процесі багаторічної праці та великого практичний досвід. Проблема вилучення знань та його розподілу — сьогодні одне з головних проблем виробничих організацій. Отже, необхідна автоматизація інтелектуальної діяльності людини у виробничих системах управления.

2. Уявлення знань у ПСИИ.

Важливе місце у теорії штучного інтелекту займає проблема уявлення знань, що є, на думку багатьох дослідників, ключовою. Що ж являють собою знання і набутий у чому їхня на відміну від даних? Знання є сукупність відомостей (у індивідуума, суспільства або в системи ІІ) про мир (конкретної предметної області, сукупності об'єктів чи об'єкта), які включають у собі інформацію про властивості об'єктів, закономірності процесів і явищ, правилах використання цієї інформації прийняття рішень. Спочатку обчислювальної техніки була на обробку даних. Це була пов’язана і з рівнем розвитку техніки та програмного забезпечення, і зі специфікою розв’язуваних завдань. Подальше ускладнення розв’язуваних завдань, їх інтелектуалізація, розвиток ЗТ ставлять завдання створення машин обробки знань. Істотною відмінністю знань від даних був частиною їхнього интерпретируемость. Якщо інтерпретації даних необхідні відповідні програми розвитку й самі собою де вони несуть змістовної інформації, то знання завжди змістовні. Інший відмінністю знань служить наявність відносин, наприклад, виду «тип-подтип», «элемент-множество» тощо. Знання характеризуються наявністю ситуативних зв’язків, визначальних ситуативну сумісність окремих подій і фактів, які дозволяють установлювати причинно-наслідкових зв’язків. Деякі дослідники пробували визначити типи знань, що їх представлені у системах ІІ. Приміром, цей перелік може охоплювати: структуру, форму, властивості, функції і можливі стану об'єкта; можливі відносини між об'єктами, можливі події, де ці об'єкти можуть брати участь; фізичні закони; можливі наміри, мети, плани, угоди. Нерідко уявлення знань проголошується ядром ІІ, а дослідження механізмів уявлення — визначальною рисою ІІ. Так, М. Нильсон вважає, що «штучний інтелект — це наука знань, — як представляти знання, як отримувати використовувати їх» Щоправда, одностайності із цього питання немає. Як показало опитування, проведений серед 300 дослідників. Виявилося «приголомшуюче суперечність у цьому, що означає уявлення знань…» Можна виділити ряд загальних всім систем уявлення знань (СПЗ) чорт. А саме: Усі СПЗ починають працювати з двох світів — представляемым тим що складає. Разом вони утворюють систему до подання. Існує й ряд загальних всім СПЗ проблем. До них віднести, зокрема, проблеми: здобути нові знань і їхню взаємодію з роботи вже існуючими, організації асоціативних зв’язків, неоднозначності і вибору семантичних примітивів, явності знань і доступності, вибору співвідношення декларативної і процедуральной складових уявлення, що впливає економічність системи, повноту, легкість кодування і понимания.

Моделі уявлення знань можна умовно розділити на декларативні і процедуральные. Декларативна модель полягає в припущенні, що проблему уявлення певної предметної області вирішується незалежно від цього, як ці знання потім будуть його використовуватися. Тому модель хіба що складається з двох частин: статичних описових структур знань і механізму виведення, яка оперує цими структурами та практично незалежного від своїх змістовного наповнення. Причому у якійсь мірі виявляються роздільними синтаксичні і семантичні аспекти знання, що певним гідністю зазначених форм уявлення через можливість досягнення їхньої певної універсальності. У декларативних моделях не зберігають у явному вигляді описи виконуваних процедур. Ці моделі є зазвичай безліч тверджень. Предметна область представляється як синтаксичного висвітлення її стану (наскільки можна повного). Висновок рішень грунтується переважно на процедурах пошуку просторі станів У процедуральном поданні знання зберігають у процедурах — невеликих програмках, які визначають, як виконувати специфічні дії (як вступати у специфічних ситуаціях). У цьому годі й описувати все можливі стану середовища чи об'єкта для реалізації виведення. Досить зберігати деякі початкові гніву й процедури, генеруючі необхідні описи ситуацій і безкомпромісність дій. Семантика безпосередньо закладена у опис елементів бази знань, за рахунок чого підвищується ефективність пошуку рішень. Статична база знань мала проти процедуральной частиною. Вона має звані «затвердження», які прийнятні в момент, але можуть змінитися чи віддалені будь-якої миті. Загальні знання і набутий правила виведення представлені у вигляді спеціальних цілеспрямованих процедур, активизирующихся принаймні потреби. Процедури можуть активізувати одне одного, виконання може перериватися, та був відновлюватися. Можливо використання процедур — «демонів», активизирующихся і під час операцій запровадження, зміни чи видалення даних. Засобом підвищення ефективності генерації виведення в процедуральных моделях є додавання до системи знання застосуванні, тобто. знання тому, як використовувати накопичені знання на вирішення конкретної завдання. Ці знання, зазвичай, теж видаються в процедуральной формі. Головна перевага процедуральных моделей уявлення знань залежить від більшої ефективності механізмів виведення з допомогою запровадження додаткових знання застосуванні, що, проте знижує їх спільність. Інше важливе перевагу укладено в виразної силі. Ці системи здатні змоделювати будь-яку модель уявлення знань. Виразна сила процедуральных систем проявляється у розширеній системі висновків, що реалізуються них. Більшість розширених форм висновків то, можливо охарактеризоване поняттям «припущення про відсутність» і зводиться до схемою: «Якщо, А (попередню умову) — істинно немає і доказів проти У, то запропонувати У». Такі правила виведення корисні переважно у разі: 1. Неповнота знань. Якщо системі уявлення окремі факти не представлені чи невиведені, правила виведення дозволяють гіпотетично визнавати їх вірними за умови, що у системі немає або у ній невиведені докази супротивного. 2. Висновок за умов обмеженості ресурсів. Через обмеженість ресурсів процеси виведення що неспроможні завершитися, а мали бути зацікавленими залишені щоб одержати результатів. І тут правила визначають подальші дії системи. Системи уявлення, містять подібні правила, виявляються немонотонными, тобто. додавання нових тверджень може заборонити генерацію виведення, який первісно міг стати отримано. Додавання нових фактів можуть призвести до виникнення протиріч. У деяких системах крім самих тверджень містяться також записи причин, якими було прийнято ці твердження. При додаванні нових фактів здійснюється перевірка того, зберігаються чи справедливість і відповідність причинам.

Розглянемо різноманітні форми моделей уявлення знань. Продукционные моделі є набір правив у вигляді «умова — дію», де умови є твердженнями про вмісті БД (фактів), а дії є певні процедури, що потенційно можуть модифікувати вміст БД. Продукционные моделі через модульного уявлення знань, легкого розширення й модифікації знайшли широке використання у експертних системах. Інша важлива схема уявлення знань — семантичні мережі, які становлять спрямований граф, у якому вершин ставляться в відповідність конкретні об'єкти, а дугам, їх що зв’язують, — семантичні відносини між тими об'єктами. Семантичні мережі можуть використовуватися як декларативних, так процедуральных знань. Перспективною формою уявлення знань є фрейми, які швидко завоювали популярність у розробників систем ІІ завдяки їхній універсальності і гнучкості. Принциповим методом для логічного уявлення знань є використання логіки предикатів першого порядку (літочислення предикатів). За такого підходу знання про певну предметної області спроможні розглядатися як сукупність логічних формул. Зміни у моделі уявлення знань відбуваються у результаті додавання чи видалення логічних формул. У редукционных моделях здійснюється декомпозиція вихідної завдання на цілий ряд подзадач, вирішуючи які послідовно визначають рішення поставленої завдання. Логічні уявлення легкі розуміння і мають правилами виведення, необхідні операцій з них. Однак у логічних моделях уявлення знань відносини між елементами знань виражаються обмежений набір коштів використовуваної формальної системи, що ні дозволяє повною мірою відбити специфіку предметної області. Недоліком логічного уявлення є й тенденція споживати великі обсяги пам’яті ЕОМ. Ряд понять людських знань виявляється важко, котрий іноді неможливо описати кількісно, використовуючи детермінований чи стохастические методи. Труднощі виникають під час створення моделей в повному обсязі певних, неточних, нечітких знань. Це з тим, що людському мисленню властива лінгвістична невизначеність; знання і набутий поняття, якими оперує людина, мають якісну природу, вони ситуативны, бувають неповними. Для формалізації знань подібного типу використовується апарат теорії нечітких множин, створення якої пов’язаний з ім'ям відомого американського вченого Л. Заді. Неточність, невизначеність чи неповнота, укладені значеннєвих значеннях чи висновках, притаманні природним мовам зі своїми складної структурою і різноманіттям понять. Розрізняють кілька типів невизначеності в прикладних системах ІІ. Перший з ненадійністю вихідної інформації - неточність вимірів, невизначеність понять і термінів, непевністю експертів у своїх висновках. Другий — обумовлений нечіткістю мови уявлення правил, наприклад, у експертних системах. Невизначеність виникає також, коли висновок в ПСИИ виходить з неповної інформації, тобто. нечітких посилках. Ще одна тип невизначеності може з’являтися при агрегації правил, походять із різних джерел знань чи то з різних експертів. Ці правила може бути суперечливими чи надмірними. На закінчення слід зазначити, що розподіл моделей уявлення знань на декларативні і процедуральные дуже умовне, позаяк у реальних системах уявлення знань використовують у однаково елементи і поєднання всіх зазначених вище форм моделей уявлення знаний.

3. Архітектура ПСИИ.

3.1. Структура ПСИИ.

Говорячи про архітектуру систем ІІ, передусім розуміють організацію структури, у межах якої відбувалося б застосування знань і рішення негараздів у конкретної предметної області. Вибір відповідної структури, властивості і функції компонентів систем ІІ, особливо виробничих, й іде формулируемыми принципами інженерії знань. На формування цих принципів значною мірою впливають, як специфіка предметної області, і характер завдань та зняття функцій, рішення яких доручається ПСИИ.

Залежно від характеру виконуваних функцій й області дій експерти виконують кілька характерних завдань, що є типовими. Ці завдання такі: інтерпретація, планування, управління, проектування, диспетчирование і моніторинг, прогнозування, діагностика. Та головне — експерт здатний оновлювати знання, пояснювати дії, обгрунтовувати рішення, прогнозувати розвиток ситуацій, активно взаємодіяти із зовнішнього середовищем і сприймати інформацію різного характеру, отримувати рішення з урахуванням наявних знань, зберігати у пам’яті необхідну інформації і фактографічні данные.

Отже, щоб зробити систему, працюючу зі знаннями й здатну певною мірою замінити експерта чи допомогти то прийняття рішень при управлінні виробництвом, необхідно закласти у архітектуру системи спроби з реалізації названих функцій. На малюнку представлена узагальнена структура і компоненти ПСИИ, і навіть її окружение.

[pic].

Структура ПСИИ представлена не універсальна. Жодна з існуючих ПСИИ зовсім позбавлений все компоненти. Включення тих чи інших компонентів і зв’язків до системи значною мірою визначається її призначенням, функціями, предметної областю, формою взаємодії з виробничим процесом. Деякі компоненти могли трапитися практично у кожному ПСИИ.

Далі йде опис основних частин ПСИИ.

3.2. База знаний.

Основу — ядро будь-який ПСИИ — становлять база знань і закладений систему механізм виведення рішень. Якщо говорити узагальнено, ці компоненти визначають дві основні інтелектуальні характеристики системи: здатність зберігати знання про щось й уміння оперувати цими знаннями. Більше розвиненим системам, заснованим на знаннях, властива, також на вміння навчатися, тобто. набувати нові знання, розширювати БЗ, коригувати знання на відповідність до изменяющимися умовами та ситуацією в предметної області. Під час проектування ПСИИ значних зусиль та палестинці час затрачуються на розробку БЗ, тобто. накопичення знань, створення моделі уявлення знань, їх структурування, заповнення БЗ й подальше підтримку їх у актуальному стані. Перш ніж розпочати проектування та її реалізації БЗ, розробникам необхідно осмислити і розв’язати низка запитань, безпосередньо з процесом створення БЗ і ПСИИ загалом. Ось коло завдань, розв’язуваних на початковому етапі знають розробки (за умови, що питання доцільності розробки ПСИИ у цій галузі вирішене позитивно): Вивчення проблемної області (об'єкта, завдань, цілей), тобто. «що представляти в БЗ» і «навіщо представляти»; визначення поняття «знання» у тих досліджуваної проблемної області; виявлення джерел знань, активна і кропітка праця із нею; визначення типів знань на вирішення завдання; оцінка з урахуванням дослідження проблемної області й характеру знань простору пошуку рішень з єдиною метою вибору способу структуризації знань і методу пошуку рішень (механізму виведення); визначення способу структуризації знань, тобто. того, «як представляти знання»; вибір способу уявлення знань; визначення структури БЗ; визначення характеру взаємодії структурних частин БЗ, і навіть взаємодії її коїться з іншими компонентами ПСИИ у процесі пошуку рішень; підготовка до процесу заповнення БЗ.

3.3. Механізм вывода.

Характер пошуку необхідних знань у БЗ, спосіб організації виведення рішень визначаються стратегією управління інтелектуальною системи. Стратегія управління є засіб, що використовує міркування чи яке здійснює висновки про знаннях, які у БЗ. Сформулюємо більш точно функції механізму виведення і стратегій управління. Механізм виведення реалізує загальну встраиваемую схему пошуку рішень. Стратегії управління забезпечують різноманітне управління рамках прийнятої для даної системи схеми механізму виведення. Інакше кажучи, стратегія управління визначає послідовність і змістом дій при реалізації механізму виведення. Вона їх може становити частина метауровня знань, т.к. є знанням, яке розмірковує про інше знанні, що міститься у системі. Найчастіше реалізований варіант структури взаємодії вирішальних компонентів систем ІІ включає у собі БЗ, робочу пам’ять (глобальну БД) і управляючу структуру. Робота керуючої структури у випадку залежить від аналізі стану робочої пам’яті і виявленні за описом характеру та певного типу даних у робітничій пам’яті в БЗ знань (правил, об'єктів чи фактів), соотносимых з цим описом. Тобто. в БЗ визначається якийсь підходящий блок знань (чи набір блоків), готового працювати згідно з поточними даними робочої пам’яті. Процес реалізації стратегії виведення проходить через чотири основних стадії: вибір, зіставлення, дозвіл конфліктів, выполнение.

3.4. Діалоговий интерфейс.

Виробничі системи ІІ функціонують в переважну більшість реалізацій, а інтерактивному режимі з користувачами, тому вони мають мати приязною інтерфейсом, що дозволяє людині легко й у зручною йому формі взаємодіяти з її компонентами. Спілкування чоловіки й ПСИИ можуть забезпечувати й реалізовувати різні програмні і технічні кошти введення та виведення інформації. Взаємодія користувача з комп’ютером можливо у вигляді промови, сенсорного екрана запровадження текстів природному мові, зображень, роботи з графікою, полиэкранным дисплеєм, маніпулятором типу «миша». Природною формою спілкування людини з ПСИИ є мову, у якому каже. Нині одній з проблем ІІ є розвиток систем розуміння ЕЯ. Мови, з допомогою яких користувач може спілкуватися із машиною, можна розділити втричі класу: регламентовані, професійно — орієнтовані та природні. При регламентованому мові система сама вибирає варіант діалогу й веде його. Приклад — «меню» і анкетне мову. Переваги такого способу спілкування — простота і надійність. Проте жорстко запланований і закладений пам’ять системи сценарій діалогу неспроможна передбачити всіх можливих варіанти діалогу. Більше досконалої формою спілкування користувача і системи є спілкування обмеженій ЕЯ. Лексика тут обмежена предметної областю, до котрої я мову віднесений. Ця форма спілкування виключає різноманітні форми однієї й тієї ж слова користувач неспроможна вийти далеко за межі словникового запасу даної системи. Природно — мовні системи, які обробляють довільний набір текстів, нині у вигляді не існують. Ведучи мову про ЕЯсистемах, мають на увазі системи, орієнтовані все-таки на певну предметну область, які мають розвиненішими, проти системами професійно — орієнтованими, можливостями сприйняття мови та щоб забезпечити більший комфорт пользователю.

3.5. Пояснення та обґрунтування рішень на ПСИИ.

Система обгрунтувань (ЗІ) функціонально варта формування відповіді питання користувача щодо поведінки інтелектуальної системи (ІВ) у процесі отримання нею висновки рішення. Здатність пояснювати свої дії - одне з головних відмітних властивостей ІВ. Вона підвищує довіру користувача до системи, до представляемым нею рекомендаціями рішенням. З іншого боку, ЗІ можливо залучити до процесі модифікації і розвитку ІВ, виявлення суперечливих знань, і навіть під час навчання менш підготовлених користувачів. Системи ІІ різних типів, зорієнтовані різні проблемні області, повинен мати специфічні їм ЗІ (деякі системи можуть узагалі не мати ЗІ). Проте за практиці все ЗІ реалізуються самих і тієї ж принципах переважно двома шляхами: фіксацією подій і станів з допомогою заготовлених текстів природному мові; трассировкой міркувань, зворотним розгортанням дерева цілей із зазначенням подцелей. При реалізації кожного з цих способів попередньо виділяються ситуації, факти і що вузли переходу на нові стану, потребують пояснень. Їм ставиться у відповідність певний текст пояснень. При способі фіксації подій пояснення складаються з коротких текстів на природному мові, що зберігаються разом із правилами і фактами. Ці тексти попередньо вкладаються у програму і ініціюються у разі, коли пропонувалося питання за відповідною ситуації та необхідно їх уявлення. Попри незначну переваги, пов’язані із можливістю формування зручних і найпростіших до пояснень, цей спосіб має дві важливі обмеження, що перешкоджають широкому застосуванню: пояснення слід виправляти щоразу, коли змінюється БЗ; пояснення то, можливо адаптовано до індивідуальному користувачеві тільки з великими труднощами. Крім того, часто-густо користувача цікавить саме хід міркування, ланцюжок логічних висновків, що призвели до висновку. Спосіб трасування міркувань при поясненні передбачає те що дерева цілей для відповіді питання. ЗІ може пояснювати, як було зазначено отримано висновок. Це досягається шляхом проходження подцелей, хто був задоволені під час руху до мети. Останнім часом поширюється нового вигляду пояснення, званий обгрунтуванням висновків, яке, без урахування способу комбінації висновків, дає опис системи з допомогою виявлення причин зроблених висновків. Однією з способів є перевірка чи оцінка правильності і можливості бути реалізованим з урахуванням прогнозування наслідків та розвитку ситуацій у разі використання тих рішень, і навіть виявлення можливих вузьких місць. У багатьох предметних областях, що з виробничим процесом, основою до ухвалення управляючих прийняття рішень та вироблення обгрунтованих рекомендацій є оцінка ситуацій, створених у зовнішній середовищі, визначення та прогнозування її найважливіших властивостей з урахуванням інтерпретації наявних даних. Прогнозирующие системи логічно виводять ймовірні слідства з заданих ситуацій і за поточних даних. При обгрунтуванні прийняття рішень та прогнозуванні в цих системах часто використовується або імітаційна, або параметрическая динамічна модель, у якій значення параметрів підганяються під цю ситуацію. Виведені з цього моделі слідства становлять основу для прогнозу. Виробничі системи ІІ з можливостями обгрунтування прийняття рішень та прогнозування з урахуванням імітаційного моделювання, передусім, необхідні під час вирішення завдань оперативно — диспетчерського управління виробництвом, планування, управління процесами у реальному времени.

4. Проектування ПСИИ.

4.1. Етапи проектування й стадії існування ПСИИ.

Проектування виробничих систем штучного інтелекту — це ітеративний і еволюційний процес, у якому беруть участь кілька фахівців: експерт, у якого знаннями про предметної області й бажаючий допомогти роботу зі створення системи, і навіть фахівці з галузі ІІ - інженери знань, аналітики і програмісти. Залежно від обсягу й трудомісткості робіт група може складатися з трьох — шести людина. Оцінюючи проблемної області на етапі проектування ПСИИ необхідно враховувати такі чинники: легкість збирання цих, представимость даних, виправданість витрат за розробку ПСИИ, наявність експертів, наявність необхідних ресурсів (ЕОМ, програмістів, програмного забезпечення тощо.). Після аналізу проблемної області й визначення доцільності запровадження інтелектуальної системи у цій сфері розпочинають проектування системи. Є різноманітні погляди визначення числа етапів проектування ПСИИ. Це від багатьох чинників, зокрема від характеру функцій майбутньої системи, галузі використання, наявності розвинених інструментальних коштів. Проте багато хто етапи і змістом робіт є спільними і необхідні ПСИИ практично всіх типів. Нижче наведено перелік таких етапів та їх складових: 1. Опис проблемної області: визначення проблемної області, що показує важливість проблеми для всієї організації; визначення проблемних експертів, бажаючих передати знання базі знань; підготовка і оголошення плану розвитку. 2. Персонал: визначення групи проектувальників і лобіювання відповідних завдань; призначення кваліфікованого керівника проекту; з’ясування умотивованості й проведення життя твердої лінії управління. 3. Прийняття проекту: проведення організаційного засідання; обговорення основного підходи до проблеми; підготовка спеціального плану розвитку; підготовка до монтажу необхідних технічних засобів і інструментарію. 4. Прототип системи: розвиток системного прототипу: тестування; отримання додаткової інформації про проблемної області з результатам тестування. 5. Розвиток повної системи: розширення бази знань прототипу; оцінювання структури інтерфейсу користувача: об'єднання засобів користувачів і документації 6. Емпірична перевірка системи: залучення у процес перевірки експертів та кроки потенційних користувачів: забезпечення функціонування системи відповідно до проектом. 7. Інтеграція системи: виконання повної системи, як це планувалося; забезпечення сумісності і взаємодії системи з роботи вже діючими. 8. Підтримка системи: забезпечення безупинної підтримки системи; модернізація БЗ у разі надходження нову інформацію; збереження відповідальності за систему. 9. Документація: підготовка повної документації системи; підготовка керівництва для користувача; організація консультацій користувачам. Етапи створення ПСИИ є чітко окресленими, докладно регламентованими. Між деякими їх важко провести тимчасову і змістовну кордон. Вони якійсь мірі описують процес проектування ПСИИ.

Стадии існування ПСИИ відповідають рівню готовності системи, завершеності її функціональних можливостей, реалізованих інструментарієм. Визначають такі стадії існування ПСИИ: демонстраційний; дослідницький прототип; діючий прототип; промислова система; комерційна система.

4.2. Предметна область і з экспертами Предметную область можна з’ясувати, як сферу людської діяльності, виділену і описану відповідно до встановлених критеріям. У описуване поняття має входити відомостей про її елементах, явищах, відносинах і процесах, що відбивають різні аспекти цієї бурхливої діяльності. У описі предметної області повинні бути характеристики можливих впливів довкілля на елементи і явища предметної області, а також зворотні впливу цих елементів і явищ на середу. Робота з вивченню та аналізу предметної області лише за проектуванні ПСИИ надає визначальний влив на її роботи. Специфіка ПО може значний вплив на характер функціонування проектованої ПСИИ, вибір методу уявлення знань, способів розмірковування про знаннях тощо. У той самий час можна навести приклади, коли системи ІІ, зорієнтовані використання у певної проблемної середовищі, підходили для проблематики зовсім іншої галузі. Зазвичай, ПСИИ створюються спільно з фахівцями — інженерами, які передають знання про процеси і об'єктах, пояснюють схему міркувань за вибором рішень конкретних завдань, наводять неформализуемые чинники, які треба враховувати. Процес роботи з експертами чи фахівцем полягає у добуванні знань чи, коректніше, придбанні знань. Процес цей складний, трудомісткий, містить чинники технічного, психологічного, виробничого і міністерства соціального характеру. Велику роль цьому процесі грає інженер знань. Протягом тривалого часу він працює із експертом, визначаючи завдання, вишукуючи найважливіші поняття, визначаючи і формулюючи правила відносин між поняттями. Інженер знань повинен добре знати предметну область, володіти методами формалізації і уявлення знань, іншим інструментарієм ІІ, бути психологом, швидко орієнтуватися у різних ситуаціях. Важким моментом у роботі інженера знань є допомогу експерту за будь-яких спроб структуризовать предметні знання, знайти й формалізувати предметні концепції. Експерт повинен бажати і бути стані допомогти до вивчення предметної області. Вони повинні усвідомлювати, що ПСИИ покликані допомогти їм у практичної діяльності, а чи не витісняти их.

Приобретение знань для ПСИИ може здійснюватися різними шляхами, кожен у тому числі передбачає перенесення знань вирішення завдань джерела в програму. Такими джерелами є: експерт, емпіричні дані, результати дослідження, літературні источники.

Практический досвід виконання завдання придбання знань призвів до розвитку методів і програмних засобів, покликаних спростити процес придбання знань. Ці цифри і силові методи на придбання знань можна розділити втричі категорії: редактори і інтерфейси на формування баз знань, кошти на пояснення різних аспектів роботи, кошти на модифікації баз знаний.

5. Інструментальні кошти на розробки ПСИИ.

5.1. Програмні средства Исследования і експерименти у сфері штучного інтелекту породили самостійну подобласть, яку можна зарахувати до які забезпечують. Зусилля тут спрямовані створення спеціалізованих технічних і програмних коштів, орієнтованих розробку й експлуатацію систем ІІ Програмні кошти розробки й реалізації систем ІІ можна розділити на такі групи: універсальні мови програмування, універсальні мови уявлення знань і оболонки. ПСИИ є програмний комплекс (чи технічний механізм, в яке зашита програма), дозволяє виконувати завдання лише на рівні людиниоператора. Будь-яку програму написати на машинно-ориентированном мові (ассемблері) чи універсальному мові високого рівня. Процес програмування ПСИИ на спеціалізованих засобах посідає у 2−3 разу менше, ніж універсальних засобах, проте ефективність ПСИИ у своїй нижче. Інший чинник, істотним для вибору інструментальних програмних засобів розробки ПСИИ, є потенційна можливість взаємодії з програмними засобами, використовуваними в різних рівнях ієрархії інтегрованих АСУП. Оптимальний вирішення завдання вибору: перший прототип реалізується на спеціалізованих засобах, у разі достатню ефективність цих коштів у них може бути написані діючий прототип, і навіть промислова система. Однак у вона найчастіше прототип слід «переписати» на традиційних засобах. Розглянемо найбільш відомі та широко застосовувані програмні кошти штучного інтелекту. Мова програмування Лисп. Найпопулярніше засіб для програмування систем ІІ. Створений 60-ті роки американським ученим Дж. Маккарті та її учнями. Найвідомішими діалектами цієї мови є InterLisp, QLisp, CommonLisp. Мовою Лисп написані багато ЕС (Mycin, Internist, Kee), системи естественно-языкового спілкування (Margie, Shrdlu, Дилос), інтелектуальні ОС (Flex). Популярність Лиспа пояснюється лише тим, що з допомогою досить простих конструкцій дозволяє писати складні і витончені системи обробки символьній інформації. Щоправда все Лисп — системи мають низьку обчислювальну ефективність. Істотною особливістю мови Лисп і те, що саме «дані» і «програми» зовні нічим немає друг від друга. Це дає можливість писати на Лиспе програми котрі маніпулюють як «даними», а й «програмами». Саме ця властивість дозволяє Лиспу стати витонченим засобом програмування систем ІІ. Мова програмування FRL (Frame Representation Language). Ставиться до класу фрейм — орієнтованих мов. Фрейм в FRL — це сукупність пойменованих, асоціативних списків, що містить до п’яти рівнів підструктур. Подструктурами фреймів може бути слоты, аспекти, дані, коментарі та шляхів сполучення. Важливим властивістю FRL є у ньому вмонтованого механізму «наслідування властивостей». Тобто. все поняття предметної області у БЗ організовуються як ієрархічної класифікаційної системи, де кожна загальне (родове) поняття пов’язують із конкретнішим (виглядом). Застосовується механізм наслідування властивостей. Сьогодні більшість FRL — систем написані на Лиспе. Мова програмування Пролог. Найвідоміші Пролог — системи: MProlog, CProlog, Prolog-2, Arity Prolog, Turbo Prolog, Strawberry Prolog. Пролог дедалі частіше останнім часом почав залучатися до розробки ЕС. Математичної основою цієї мови є літочислення предикатів переважно першого порядку, метод резолюцій Робінсона, теорія рекурсивних функцій. за рахунок наявності великого набору вбудованих предикатів мову Пролог можна зарахувати до універсальним мовам програмування і навіть до мовам системного програмування. Найважливішою особливістю мови є наявність реляційної бази даних. Мова програмування OPS. Мова належить до продукционных. Будучи універсальним мовою, він у першу чергу призначений і розробити систем ІІ, і зокрема експертних систем. Архітектура мови OPS типова для продукционных систем: база правил, робоча пам’ять і механізм виведення. Відмітні риси сімейства мов OPS: програмне управління стратегією виведення рішень, розвинена структура даних, і принципова ефективність реалізації. Мова програмування Рефал (рекурсивних функцій алгоритмічний мову). Це машинно-независимый алгоритмічний мову, орієнтований звані «символьні перетворення»: переведення з однієї мови в інший, алгебраїчні міркування й т.п. Рефал — універсальний метамова для перетворення об'єктів мовної природи. Найважливішим додатком Рефала є його використання кронштейна як метамови для побудови системних макрокоманд і спеціалізованих мов. Як конкретних областей застосування Рефала з розробки ПСИИ треба сказати, зокрема, створення спеціалізованих мов спілкування з ЕОМ, автоматичну генерацію програм, перенесення програм мовами високого рівня життя та їх адаптацію під час переходу від одного типу ЕОМ до іншого. Проблема вибору програмних інструментальних коштів викликає бурхливі дискусії між прихильниками спеціалізованих мов ІІ і традиційних мов високого рівня. Над розв’язання цієї проблеми працює низка компаній, що спеціалізуються з ІІ і численних комерційних ЕС, і навіть більшість крупних фірм із виробництва ЭВМ.

5.2. Технічні средства Одним із поважних чинників, стимулюючих розвиток систем ІІ і їх упровадження з виробництва, є технічна база, де є підстави реалізовані. Виробничі системи ІІ створюються сьогодні по всьому діапазоні коштів обчислювальної техніки: від великих ЕОМ до персональних комп’ютерів і Лисп — машин. Реалізовані з урахуванням Лисп — процесорів ЕОМ, найчастіше називають першими спеціалізованих машин, використовуючи концепції штучного інтелекту Такими машинами є ЕОМ типів Series III фірми Lisp Machine, LM-2 від Symbolics До чинників, стримуючих поширення систем ІІ, відносять такі недоліки перших Лисп — процесорів, як значні габаритні розміри і високу вартість, і навіть неможливість програмування на мовами типу Фортран. У країни, де серед основного мови ІІ отримав поширення Пролог, випускаються Пролог — машини. Використання комп’ютерів, розрахованих на ефективне виконання програм, написаних на Лиспе чи Пролозі, стримує розвиток техніки ЕС та його насичення промислову сферу. Щоб стати поштовхом прогресу техніки ЕС, необхідно зробити їх понад зручними і простими для реалізації на традиційних засобах обчислювальної техніки. Важливим імпульсом для створення нового етапу досліджень у сфері ІІ послужила Програма створення ЕОМ п’ятого покоління — інтелектуальних ЕОМ. Відмітними рисами цих ЕОМ є: нова технологія виробництва, відмови від традиційних мов високого рівня користь мов за підвищеними можливостями маніпулювання символами і із елементами логічного програмування (Лисп, Пролог), відхід архітектури фон Неймана, нові способи введення — виведення (розпізнавання промови, образів, синтез промови, природний мову), автоматизація вирішення завдань, маніпулювання знаннями. ЕОМ п’ятого покоління покликані стати системами обробки знань, з человеко-машинными інтерфейсами високого рівня. Однією з основні цілі японської програми п’ятого покоління систем є підкріплення класичної обробки даних обробкою знань. Ця мета вимагає глибокого проникнення такі людські процеси, як опис, рішення, усвідомлення завдання, соціальній та тісно пов’язані предметні області уявлення знань, обробки знань, діалогової обробки, аналізу та синтезу текстів природному мові. За останні останні роки були створено спеціальні логічні теорії, нову мову логічного програмування, мови уявлення та обробки знань, а також архітектури систем. Виконання зазначеної програми дозволить подужати такі віхи: Прикладний програміст зможе розвивати власні прикладні програми; Експлуатація вручну описаної і автоматично згенерованої програми буде полегшено; Якість вирішення питань (найважливіша мета) істотно зростає, т.к. користувачі зосередять свої зусилля лише на процес прийняття рішення, і відволікатися на подробиці обробки даних; Створення програмного забезпечення стане технічної дисципліною; Системи стануть здатними розпізнавати помилки, неспроможність та страшної суперечності, здебільшого зможуть самостійно виправляти помилки і автоматично здійснювати рішення; Системи міститимуть ефективні інструменти на придбання знань (тобто. передачі знань від експерта системі). Японські однак фахівці вважають, що областями застосування комп’ютерних систем п’ятого покоління: Системи автоматичного перекладу текстів на природних мовами зі словниковим запасом 100 тис. слів і точністю перекладу близько 90 відсотків%; ЕС в різних прикладних областях з п’ятьма тис. різних слів і десяти тис. правил виведення; Що Базується на знаннях програмне забезпечення; Системи автоматизованого проектування, управління, інженерного проектування, планування і роботизация; Що Базуються на знаннях системи прийняття рішень для специфічних прикладних областей.

Заключение

.

Якщо 60- - роки число ПСИИ був незначний, і існували ці системи лише з стадії дослідницького прототипу, то 80-ті роки систем, які базуються на ІІ й перебувають в різних стадіях виробництва близько 500, а час ще більше. Це засвідчує тому, що це системи ІІ щільно увійшли до життя, проникли в усі її куточки приносять чималу користь та їх застосування може і призводить до значного економічному ефекту. Наприклад, жодній області використання ідей методів штучного інтелекту у сфері промислового виробництва є область створення промислових роботів із елементами ІІ. Також завдяки їхній нині апаратної і програмної базі спостерігається відродження кібернетики, причому досить успішно — моделювання людського мозку йде повним ходом.

1. Р.А. Алієв, М. М. Абдикеев, М. М. Шахназаров Виробничі системи з штучним інтелектом. — М.: Радіо і зв’язок, 1990. — 264 с.

2. Івахненко О. Г. Самообучающиеся системи. — Київ, 1982 — 143 с.

3. Майклсен Р., Мичи Д., Буланже А. Експертні системи. Реальність і прогнози штучного інтелекту: М.: Світ, 1987.-182 с.