На бирже курсовых и дипломных проектов можно найти готовые бесплатные и платные работы или заказать написание уникальных курсовых работ, дипломов, лабораторных работ, контрольных работ, диссертаций, рефератов по самым низким ценам. Добавив заявку на написание требуемой для вас работы, вы узнаете реальную стоимость ее выполнения.

ЛИЧНЫЙ КАБИНЕТ 

 

Здравствуйте гость!

 

Логин:

Пароль:

 

Запомнить

 

 

Забыли пароль? Регистрация

Быстрая помощь студентам

 

Результат поиска


Наименование:


реферат Системы с интеллектуальным интерфейсом

Информация:

Тип работы: реферат. Добавлен: 13.06.13. Сдан: 2012. Страниц: 15. Уникальность по antiplagiat.ru: < 30%

Описание (план):


Системы с интеллектуальным интерфейсом
Применение ИИ для усиления коммуникативных  способностей информационных систем привело  к появлению систем с интеллектуальным интерфейсом, среди которых можно  выделить следующие типы.
    Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.
    Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтак-сический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.
    Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых от-ношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем - с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио- и видеообразы.
    Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи - частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации.
    Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.
В 1936 году философ Альфред Айер рассмотрел обычный для философии вопрос касательно других разумов: как узнать, что другие люди имеют тот же сознательный опыт, что и мы? В своей книге «Язык, истина и логика» Айер предложил алгоритм распознавания осознающего человека и не осознающей машины: «Единственным основанием, на котором я могу утверждать, что объект, который кажется разумным, на самом деле не разумное существо, а просто глупая машина, является то, что он не может пройти один из эмпирических тестов, согласно которым определяется наличие или отсутствие сознания». Это высказывание очень похоже на тест Тьюринга, однако точно неизвестно, была ли известна Тьюрингу популярная философская классика Айера.

[править] Алан Тьюринг

К 1956 году британские учёные уже на протяжении 10 лет исследовали «машинный интеллект». Этот вопрос был обычным предметом для обсуждения среди членов «Ratio Club» — неформальной группы британских кибернетиков и исследователей в области электроники, в которой состоял и Алан Тьюринг, в честь которого был назван тест.
Тьюринг в особенности занимался проблемой  машинного интеллекта, по меньшей  мере, с 1941 года. Одно из самых первых его упоминаний о «компьютерном  интеллекте» было сделано в 1947 году. В докладе «Интеллектуальные  машины» Тьюринг исследовал вопрос, может ли машина обнаруживать разумное поведение, и в рамках этого исследования предложил то, что может считаться  предтечей его дальнейших исследований: «Нетрудно разработать машину, которая  будет неплохо играть в шахматы. Теперь возьмем трех человек — субъектов эксперимента. А, В и С. Пусть А и С неважно играют в шахматы, а В — оператор машины. […] Используются две комнаты, а также некоторый механизм для передачи сообщений о ходах. Участник С играет или с А, или с машиной. Участник С может затрудниться ответить с кем он играет».
Таким образом, к моменту публикации в 1950 году статьи «Вычислительные машины и разум», Тьюринг уже на протяжении многих лет рассматривал возможность существования искусственного интеллекта. Тем не менее, данная статья стала первой статьёй Тьюринга, в которой рассматривалось исключительно это понятие.
Тьюринг начинает свою статью утверждением: «Я предлагаю рассмотреть вопрос „Могут ли машины думать?“». Он подчёркивает, что традиционный подход к этому вопросу состоит в том, чтобы сначала определить понятия «машина» и «интеллект». Тьюринг, однако, выбрал другой путь; вместо этого он заменил исходный вопрос другим, «который тесно связан с исходным и формулируется относительно недвусмысленно». По существу, он предлагает заменить вопрос «Думают ли машины?» вопросом «Могут ли машины делать то, что можем делать мы (как мыслящие создания)?». Преимуществом нового вопроса, как утверждает Тьюринг, является то, что он проводит «чёткую границу между физическими и интеллектуальными возможностями человека».
Чтобы продемонстрировать этот подход, Тьюринг  предлагает тест, придуманный по аналогии с игрой для вечеринок «Imitation game» — имитационная игра. В этой игре мужчина и женщина направляются в разные комнаты, а гости пытаются различить их, задавая им серию письменных вопросов и читая напечатанные на машинке ответы на них. По правилам игры и мужчина, и женщина пытаются убедить гостей, что все наоборот. Тьюринг предлагает переделать игру следующим образом: "Теперь зададим вопрос, что случится, если в этой игре роль А будет исполнять машина? Будет ли задающий вопросы ошибаться так же часто, как если бы он играл с мужчиной и женщиной? Эти вопросы заменяют собой исходный «Может ли машина думать?».
В том же докладе Тьюринг позднее  предлагает «эквивалентную» альтернативную формулировку, включающую судью, который  беседует только с компьютером и  человеком. Наряду с тем, что ни одна из этих формулировок точно не соответствует той версии теста Тьюринга, которая наиболее известна сегодня, в 1952 учёный предложил третью. В этой версии теста, которую Тьюринг обсудил в эфире радио Би-Би-Си, жюри задает вопросы компьютеру, а роль компьютера состоит в том, чтобы заставить значительную часть членов жюри поверить, что он на самом деле человек.
В статье Тьюринга учтены 9 предполагаемых вопросов, которые включают все основные возражения против искусственного интеллекта, поднятые после того, как статья была впервые опубликована.

[править] Элиза и PARRY

Блей  Витби указывает на 4 основные поворотные точки в истории теста Тьюринга — публикация статьи «Вычислительные машины и разум» в 1950, сообщение о создании Джозефом Уайзенбаумом программы Элиза в 1966, создание Кеннетом Колби программы PARRY, которая была впервые описана в 1972 году, и Коллоквиум Тьюринга в 1990.
Принцип работы Элизы заключается в исследовании введенных пользователем комментариев на наличие ключевых слов. Если найдено ключевое слово, то применяется правило, по которому комментарий пользователя преобразуется и возвращается предложение-результат. Если же ключевое слово не найдено, Элиза либо возвращает пользователю общий ответ, либо повторяет один из предыдущих комментариев. Вдобавок Вейзенбаум запрограммировал Элизу на имитацию поведения психотерапевта, работающего по клиент-центрированной методике . Это позволяет Элизе «притвориться, что она не знает почти ничего о реальном мире». Применяя эти способы, программа Вейзенбаума могла вводить в заблуждение некоторых людей, которые думали, что они разговаривают с реально существующим человеком, а некоторых было «очень трудно убедить, что Элиза […] не человек». На этом основании некоторые утверждают, что Элиза — одна из программ (возможно первая), которые смогли пройти тест Тьюринга. Однако это утверждение очень спорно, так как людей, «задающих вопросы», инструктировали так, чтобы они думали, что с ними будет разговаривать настоящий психотерапевт, и не подозревали о том, что они могут разговаривать с компьютером.
Работа  Колби — PARRY — была описана, как «Элиза с мнениями»: программа пыталась моделировать поведение параноидального шизофреника, используя схожий (если не более продвинутый) с Элизой подход, примененный Вейзенбаумом. Для того чтобы проверить программу, PARRY тестировали в начале 70-х, используя модификацию теста Тьюринга. Команда опытных психиатров анализировала группу, составленную из настоящих пациентов и компьютеров под управлением PARRY, используя телетайп. Другой команде из 33 психиатров позже показали стенограммы бесед. Затем обе команды попросили определить, кто из «пациентов» — человек, а кто — компьютерная программа. Психиатры лишь в 48 % случаев смогли вынести верное решение. Эта цифра согласуется с вероятностью случайного выбора. Заметьте, что эти эксперименты не являлись тестами Тьюринга в полном смысле, так как для вынесения решения данный тест требует, чтобы вопросы можно было задавать в интерактивном режиме, вместо чтения стенограммы прошедшей беседы.
Пока  что ни одна программа и близко не подошла к прохождению теста. Хотя такие программы, как Элиза (ELIZA), иногда заставляли людей верить, что они говорят с человеком, как, например, в неформальном эксперименте, названном AOLiza, но эти случаи нельзя считать корректным прохождением теста Тьюринга по целому ряду причин:
    Человек в таких беседах не имел никаких оснований считать, что он говорит с программой, в то время как в настоящем тесте Тьюринга человек активно пытается определить, с кем он беседует.
    Документированные случаи обычно относятся к таким чатам, как IRC, где многие беседы отрывочны и бессмысленны.
    Многие пользователи Интернета используют английский как второй или третий язык, так что бессмысленный ответ программы легко может быть списан на языковой барьер.
    Многие просто ничего не знают об Элизе и ей подобных программах, и поэтому не сочтут собеседника программой даже в случае совершенно нечеловеческих ошибок, которые эти программы допускают
 
 
 
 
Самообучающиеся системы
Самообучающиеся интеллектуальные системы  основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.
Стратегия "обучения с учителем" предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении "без учителя" система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков.
В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накоп-ления информации об анализируемых ситуациях.
Построенные в соответствии с этими  принципами самообучающиеся системы  имеют следующие недостатки:
    относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
    низкую степень объяснимости полученных результатов;
    поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.
Индуктивные системы позволяют  обобщать примеры на основе принципа индукции "от частного к общему". Процедура обобщения сводится к  классификации примеров по значимым признакам. Алгоритм классификации  примеров включает следующие основные шаги.
    Выбор классификационного признака из множества заданных.
    Разбиение множества примеров на подмножества по значению выбранного признака.
    Проверка принадлежности каждого подмножества примеров одному из классов.
    Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.
    Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.
Нейронные сети представляют собой  классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться  на примерах, "узнавая" впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.
Нейронная сеть - это кибернетическая  модель нервной системы, которая  представляет собой совокупность большого числа сравнительно простых элементов - нейронов, топология соединения которых  зависит от типа сети. Чтобы создать  нейронную сеть для решения какой-либо конкретной задачи, следует выбрать  способ соединения нейронов друг с  другом и подобрать значения параметров межнейронных соединений.
В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие  этапы:
    получение информации о текущей проблеме;
    сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
    выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
    адаптация выбранного прецедента к текущей проблеме;
    проверка корректности каждого полученного решения;
    занесение детальной информации о полученном решении в БЗ.
Прецеденты описываются множеством признаков, по которым строятся индексы  быстрого поиска. Однако в системах, основанных на прецедентах, в отличие  от индуктивных систем до-пускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адап-тируются к реальным ситуациям с помощью специальных алгоритмов.
Системы, основанные на прецедентах, применяются для распространения  знаний и в системах контекстной  помощи.
Информационные хранилища отличаются от интеллектуальных баз данных, тем, что представляют собой хранилища  значимой информации, регулярно извлекаемой  из оперативных баз данных. Хранилище  данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых  для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в  категории и хранятся в соответствии с теми областями, которые они  описывают, а не с приложениями, которые  их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени  выражает их "историчность", т.е. атрибут  времени всегда явно присутствует в  структурах хранилища данных. Неизменяемость означает, что, попав однажды в  хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в  последней версии, поэтому постоянно  меняются.
Технологии извлечения знаний из хранилищ данных основаны на методах статистического  анализа и моделирования, ориентированных  на поиск моделей и отношений, скрытых в совокупности данных. Эти  модели могут в дальнейшем использоваться для оптимизации деятельности предприятия  или фирмы.
Для извлечения значимой информации из хранилищ данных имеются специальные  методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов мате-матической статистики, нейронных сетей, индуктивных методов построения деревьев решений и др.
Технология OLAP (On-line Analytical Processing - оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечеия знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.

Обработка естественного языка

[править]
Материал из Википедии — свободной энциклопедии
Обработка естественного языка (Natural Language Processing, NLP) — общее направление искусственного интеллекта и математической лингвистики. Оно изучает проблемы компьютерного анализа и синтеза естественных языков. Применительно к искусственному интеллекту анализ означает понимание языка, а синтез — генерацию грамотного текста. Решение этих проблем будет означать создание более удобной формы взаимодействия компьютера и человека.

Задачи и ограничения

Теоретически, построение естественно-языкового интерфейса для компьютеров — очень привлекательная цель. Ранние системы, такие как SHRDLU, работая с ограниченным «миром кубиков» и используя ограниченный словарный запас, выглядели чрезвычайно хорошо, вдохновляя этим своих создателей. Однако оптимизм быстро иссяк, когда эти системы столкнулись со сложностью и неоднозначностью реального мира.
Понимание естественного языка иногда считают AI-полной задачей, потому как распознавание живого языка требует огромных знаний системы об окружающем мире и возможности с ним взаимодействовать. Само определение смысла слова «понимать» — одна из главных задач искусственного интеллекта.

 Сложности понимания

В русском языке

Качество  понимания зависит от множества  факторов: от языка, от национальной культуры, от самого собеседника и т. д. Вот некоторые примеры сложностей, с которыми сталкиваются системы понимания текстов.
    Предложения «Мы отдали бананы обезьянам, потому что они были голодные» и «Мы отдали бананы обезьянам, потому что они были перезрелыми» похожи по синтаксической структуре. В одном из них местоимение они относится к обезьянам, а в другом — к бананам. Правильное понимание зависит от знаний компьютера, какими могут быть бананы и обезьяны. По нормам русского языка второе предложение некорректно, потому что в нем местоимение ссылается не на последнее подходящее слово, однако в живой речи такое предложение очень даже может встретиться.
    Свободный порядок слов может привести к совершенно иному толкованию фразы: «Бытие определяет сознание» — кто кого определяет?
    В русском языке свободный порядок компенсируется развитой морфологией, служебными словами и знаками препинания, но в большинстве случаев для компьютера это представляет дополнительную проблему.
    В речи могут встретиться неологизмы, например, глагол «Пятидесятирублируй» — то есть высылай 50 рублей. Система должна уметь отличать такие случаи от опечаток и правильно их понимать.
    Правильное понимание омонимов — ещё одна проблема. При распознавании речи, помимо прочих, возникает проблема фонетических омонимов. Во фразе «Серый волк в глухом лесу встретил рыжую лису» выделенные слова слышатся одинаково, и без знания, кто глухой, а кто рыжий, не обойтись (Кроме того, что лиса может быть рыжей, а лес — глухим, лес также может быть рыжим (характеристика, в данном случае обозначающая преобладающий цвет листвы в лесу), в то время как лиса может быть глухой, что порождает дополнительную проблему, вытекающую из предыдущей.)

Главные задачи

    Синтез речи
    Распознавание речи
    Анализ текста
    Синтез текста
    Машинный перевод
    Вопросно-ответные системы
    Информационный поиск
    Извлечение информации
    Анализ тональности текста
    Анализ высказываний
    Упрощение текста
    Технология перевода
    Робот (программа)
    Автореферат

 

 Программное обеспечение для обработки естественного языка
    AlchemyAPI
    Expert System S.p.A.
    General Architecture for Text Engineering (GATE)
    Modular Audio Recognition Framework
    MontyLingua
    Natural Language Toolkit (NLTK)
 
Анализ текста — процесс получения высококачественной информации из текста на естественном языке. Как правило, для этого применяется статистическое обучение на основе шаблонов: входной текст разделяется с помощью шаблонов, затем производится обработка полученных данных.
 
Адаптивные информационные системы
Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы  должны удовлетворять ряду специфических  требований, а именно:
    адекватно отражать знания проблемной области в каждый момент времени;
    быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.
Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая  модель проблемной области, поддерживаемая в специальной базе знаний - репозито-рии. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.
В процессе разработки адаптивных информационных систем применяется оригинальное или  типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с "чистого  листа" на основе сформулированных требований. Реализация этого подхода  основана на использовании систем автоматизированного  проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.).
При типовом проектировании осуществляется адаптация типовых разработок к  особенностям проблемной области. Для  реализации этого подхода применяются  инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация про-граммного обеспечения, а при использовании сборочной технологии - конфигурирование программ и только в редких случаях - их переработка.

Интеллектуальная информационная система

[править]
Материал из Википедии — свободной энциклопедии
Перейти к: навигация, поиск
Интеллектуальная информационная система (ИИС, англ. intelligent system) — разновидность интеллектуальной системы, один из видов информационных систем, иногда ИИС называют системой, основанной на знаниях. ИИС представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека, например возможность поиска информации в режиме продвинутого диалога на естественном языке.[источник не указан 502 дня]

Содержание

[убрать]
    1 Классификация ИИС
    2 Обеспечение работы ИИС
    3 Классификация задач, решаемых ИИС
    4 См. также
    5 Ссылки



[править] Классификация ИИС

    Экспертные системы 
      Собственно экспертные системы (ЭС)
      Интерактивные баннеры (web + ЭС)
    Вопросно-ответные системы (в некоторых источниках «системы общения»)
      Интеллектуальные поисковики (например, система Старт)
      Виртуальные собеседники
      Виртуальные цифровые помощники
ИИС могут размещаться на каком-либо сайте, где пользователь задает системе  вопросы на естественном языке (если это вопросно-ответная система) или, отвечая на вопросы системы, находит  необходимую информацию (если это  экспертная система). Но, как правило, ЭС в интернете выполняют рекламно-информационные функции (интерактивные баннеры), а  серьезные системы (такие, как, например, ЭС диагностики оборудования) используются локально, так как выполняют конкретные специфические задачи. 
Интеллектуальные поисковики отличаются от виртуальных собеседников тем, что они достаточно безлики и в ответ на вопрос выдают некоторую выжимку из источников знаний (иногда достаточно большого объема), а собеседники обладают «характером», особой манерой общения (могут использовать сленг, ненормативную лексику), и их ответы должны быть предельно лаконичными (иногда даже просто в форме смайликов, если это соответствует контексту).
Для разработки ИИС раньше использовались логические языки (Пролог, Лисп и т. д.), а сейчас используются различные процедурные языки. Логико-математическое обеспечение разрабатывается как для самих модулей систем, так и для состыковки этих модулей. Однако на сегодняшний день не существует универсальной логико-математической системы, которая могла бы удовлетворить потребности любого разработчика ИИС, поэтому приходится либо комбинировать накопленный опыт, либо разрабатывать логику системы самостоятельно. В области лингвистики тоже существует множество проблем, например, для обеспечения работы системы в режиме диалога с пользователем на естественном языке необходимо заложить в систему алгоритмы формализации естественного языка, а эта задача оказалась куда более сложной, чем предполагалось на заре развития интеллектуальных систем. Еще одна проблема — постоянная изменчивость языка, которая обязательно должна быть отражена в системах искусственного интеллекта.

[править] Обеспечение работы ИИС

    Математическое
    Лингвистическое
    Информационное
    Семантическое
    Программное
    Техническое
    Технологическое
    Кадровое

[править] Классификация задач, решаемых ИИС

    Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.
    Диагностика. Под диагностикой понимается процесс соотношения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность — это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры («анатомии») диагностирующей системы.
    Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы — «пропуск» тревожной ситуации и инверсная задача «ложного» срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учёта временного контекста.
    Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов—чертёж, пояснительная записка и т.д. Основные проблемы здесь — получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и в ещё большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.
    Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.
    Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.
    Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.
Нейронные сети не программируются  в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ  нейронных сетей перед традиционными  алгоритмами. Технически обучение заключается  в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные  зависимости между входными данными  и выходными, а также выполнять  обобщение. Это значит, что, в случае успешного обучения, сеть сможет вернуть  верный результат на основании данных, которые отсутствовали в обучающей  выборке.
    Управление. Под управлением понимается функция организованной системы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответствии с заданными спецификациями.
    Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающие процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.
В общем случае все системы, основанные на знаниях, можно подразделить на системы, решающие задачи анализа, и на 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  компонент или под-проблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

[править] См. также

    Экспертная система
    Гибридная интеллектуальная система
    Сервер исполнения бизнес-правил
    Логическое программирование
    Интеллектуальные информационные технологии
    Искусственный интеллект
    Виртуальный цифровой помощник

[править] Ссылки

    Российская ассоциация искусственного интеллекта
    Ассоциация искусственного интеллекта в Интернете alicebot.org
    Сайт компании Наносемантика
Источник — «http://ru.wikipedia.org/wiki/%D0%98%D0%BD%D1%82%D0%B5%D0%BB%D0%BB%D0%B5%D0%BA%D1%82%D1%83%D0%B0%D0%BB%D1%8C%D0%BD%D0%B0%D1%8F_%D0%B8%D0%BD%D1%84%D0%BE%D1%80%D0%BC%D0%B0%D1%86%D0%B8%D0%BE%D0%BD%D0%BD%D0%B0%D1%8F_%D1%81%D0%B8%D1%81%D1%82%D0%B5%D0%BC%D0%B0»
Категория: Экспертные системы
Deep Blue — шахматный суперкомпьютер, разработанный компанией IBM, который 11 мая 1997 года одержал победу в матче из 6 партий с чемпионом мира по шахматам Гарри Каспаровым.
В названии «Дип Блю» (дословно — «тёмно-синий» или, идиоматически, «глубокая печаль») сочетается название проекта «Deep Thought» (буквально — «глубокая мысль») и кличка, которую дали IBМ: «Биг Блю» (в русском передаётся как «Голубой гигант»).

Матчи против Каспарова

В мае 1997 году состоялся шахматный матч, ставший знаменательным событием, о котором сообщали газеты и информационные агентства всего мира. Гарри Каспаров, в ту пору — чемпион мира и, бесспорно, великий игрок в истории шахмат, принял вызов от «Дип Блю», полуторатонного компьютера, который был создан и управляем группой американских учёных.
Ранее команда «Дип Блю» пыталась победить Каспарова в 1989 и 1996 годах. И в обоих случаях компьютер потерпел поражение. В 1997 году они снова встретились в матче из 6 партий. Специалисты IBМ, обслуживавшие «Дип Блю» были уверены, что на этот раз их машина достаточно мощна, чтобы победить чемпиона мира. Однако, когда перед матчем Гарри Каспарова спросили, может ли это случиться, он ответил: «Я не считаю уместным обсуждать, могу ли я проиграть. Я не проигрываю никогда. Ни разу в жизни я не проигрывал»[источник не указан 34 дня].
По  ходу матча стало видно, что «Дип Блю» значительно мощнее, чем в предыдущие годы. Перед шестой, заключительной партией счёт был равным. Но затем впервые за всю свою шахматную карьеру Каспаров был разбит (партия продолжалась всего 19 ходов). Спустя лишь час — а партии у шахматистов экстра-класса продолжаются в среднем около четырёх часов — его позиция лежала в руинах. На церемонии закрытия Каспаров выглядел взвинченным. Он гневно заявил, что, если бы «Дип Блю» пришлось играть в обычном турнире, то он, Каспаров, разнёс бы его в пух и прах. Кроме того, Каспаров заподозрил, что компьютеру в ходе игры помогали люди-шахматисты и потребовал переиграть матч. IBM отклонила требования Каспарова, заявив, что игра проводилась по правилам. После матча с чемпионом Deep Blue был разобран.

Устройство Deep Blue

В основе Deep Blue II находится сервер RS/6000 фирмы IBM, у которого имеется 32 процессора. К каждому из этих процессоров подключено по 8 специализированных шахматных процессоров. Таким образом всего имеется 256 шахматных процессоров[1].


и т.д.................


Перейти к полному тексту работы


Скачать работу с онлайн повышением уникальности до 90% по antiplagiat.ru, etxt.ru или advego.ru


Смотреть полный текст работы бесплатно


Смотреть похожие работы


* Примечание. Уникальность работы указана на дату публикации, текущее значение может отличаться от указанного.