Udžbenik upoznaje čitaoce sa istorijom umjetna inteligencija, modeli reprezentacije znanja, ekspertni sistemi i neuronske mreže. Opisani su glavni pravci i metode koje se koriste u analizi, razvoju i implementaciji inteligentnih sistema. Razmatraju se modeli predstavljanja znanja i metode rada sa njima, metode razvoja i kreiranja. ekspertni sistemi. Knjiga će pomoći čitatelju da ovlada vještinama logičkog dizajna domenskih baza podataka i programiranja na ProLog jeziku.
Za učenike i nastavnike pedagoški univerziteti, nastavnici srednjih škola, gimnazija, liceja.
Koncept vještačke inteligencije.
Sistem veštačke inteligencije (AI) je softverski sistem koji simulira proces ljudskog razmišljanja na računaru. Da bi se stvorio takav sistem, potrebno je proučiti sam proces razmišljanja osobe koja odlučuje specifične zadatke ili donosioca odluka u određenoj oblasti, identifikuju glavne korake ovog procesa i razvijaju softver koji ih reprodukuje na računaru. Stoga, AI metode uključuju jednostavan strukturirani pristup razvoju složenih softverski sistemi odlučivanje .
Vještačka inteligencija je grana računarske nauke čiji je cilj razvoj hardvera i softvera koji omogućavaju korisniku koji nije programer da postavlja i rešava svoje tradicionalno smatrane intelektualne probleme, komunicirajući sa računarom na ograničenom podskupu prirodnog jezika.
SADRŽAJ
Poglavlje 1. Vještačka inteligencija
1.1. Uvod u sisteme veštačke inteligencije
1.1.1. Koncept vještačke inteligencije
1.1.2. Veštačka inteligencija u Rusiji
1.1.3. Funkcionalna struktura sistemi veštačke inteligencije
1.2. Pravci razvoja vještačke inteligencije
1.3. Podaci i znanje. Zastupljenost znanja u inteligentnim sistemima
1.3.1. Podaci i znanje. Osnovne definicije
1.3.2. Modeli predstavljanja znanja
1.4. Ekspertni sistemi
1.4.1. Struktura ekspertnog sistema
1.4.2. Razvoj i korištenje ekspertnih sistema
1.4.3. Klasifikacija ekspertnih sistema
1.4.4. Zastupljenost znanja u ekspertnim sistemima
1.4.5. Alati za izgradnju ekspertnih sistema
1.4.6. Ekspertska tehnologija razvoja sistema
Kontrolna pitanja i zadaci za 1. poglavlje
Reference za Poglavlje 1
Poglavlje 2. Logičko programiranje
2.1. Metodologije programiranja
2.1.1. Imperativna metodologija programiranja
2.1.2. Metodologija objektno orijentisanog programiranja
2.1.3. Metodologija funkcionalno programiranje
2.1.4. Metodologija logičko programiranje
2.1.5. Metodologija programiranja ograničenja
2.1.6. Metodologija programiranja neuronskih mreža
2.2. Kratak uvod u predikatski račun i dokazivanje teorema
2.3. Proces zaključivanja u Prologu
2.4. Struktura programa u Prolog jeziku
2.4.1. Korištenje složenih objekata
2.4.2. Korištenje alternativnih domena
2.5. Organiziranje ponavljanja u Prologu
2.5.1. Metoda vraćanja nazad nakon neuspjeha
2.5.2. Cut and rollback metoda
2.5.3. Jednostavna rekurzija
2.5.4. Metoda generaliziranog pravila rekurzije (GRR).
2.6. Liste u Prologu
2.6.1. Operacije na listama
2.7. Žice u Prologu
2.7.1. Operacije sa stringovima
2.8. Fajlovi u Prologu
2.8.1. Prolog predikati za rad sa fajlovima
2.8.2. Opis domene datoteke
2.8.3. Pišite u fajl
2.8.4. Čitanje iz datoteke
2.8.5. Izmjena postojeće datoteke
2.8.6. Dodavanje na kraj postojeće datoteke
2.9. Kreiranje dinamičkih baza podataka u Prologu
2.9.1. Baze podataka u Prologu
2.9.2. Predikati dinamičke baze podataka u Prologu
2.10. Kreiranje ekspertnih sistema
2.10.1. Struktura ekspertnog sistema
2.10.2. Reprezentacija znanja
2.10.3. Metode povlačenja
2.10.4. Sistem korisnički interfejs
2.10.5. Stručni sistem zasnovan na pravilima
Test pitanja i zadaci za Poglavlje 2
Reference za Poglavlje 2
Poglavlje 3. Neuronske mreže
3.1. Uvod u neuronske mreže
3.2. Model umjetnog neurona
3.3. Aplikacija neuronske mreže
3.4. Trening neuronske mreže
Test pitanja i zadaci za Poglavlje 3
Reference za Poglavlje 3.
Besplatno preuzimanje e-knjiga V pogodan format, gledajte i čitajte:
Preuzmite knjigu Osnovi umjetne inteligencije, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, brzo i besplatno.
Razvoj vještačke inteligencije
Istorija veštačke inteligencije počelo ne tako davno. Koncept je formulisan u drugoj polovini 20. veka umjetna inteligencija(vještačka inteligencija) i predloženo je nekoliko definicija. Jedna od prvih definicija, koja, unatoč znatnoj širini tumačenja, još nije izgubila na važnosti, predstavlja umjetnu inteligenciju kao: „Način prisile kompjuter misli kao osoba."
Relevantnost intelektualizacije računarskih sistema proizilazi iz ljudske potrebe za pronalaženjem rješenja u takvim realnostima. savremeni svet, kao netačnost, dvosmislenost, nesigurnost, neodređenost i nerazumnost informacija. Potreba za poboljšanjem brzine i adekvatnosti ovaj proces stimuliše stvaranje računarskih sistema kroz interakciju sa stvarnim svetom pomoću robotike, proizvodnu opremu, instrumenti i drugi hardver mogu doprinijeti njegovoj implementaciji.
Računski sistemi, čija je osnova isključivo na klasičnoj logici – odnosno algoritmi za rješavanje poznatih problema, nailaze na probleme u neizvjesnim situacijama. Nasuprot tome, živa bića, iako su inferiornija u brzini, sposobna su donijeti uspješne odluke u takvim situacijama.
Primjer umjetne inteligencije
Primjer je krah berze 1987. godine, kada kompjuterski programi prodao dionice vrijedne stotine miliona dolara kako bi ostvario profit od nekoliko stotina dolara, čime su zapravo stvoreni preduslovi za kolaps. Situacija je ispravljena nakon tranzicije puna kontrola iza trgovanja akcijama u protoplazmatskim inteligentnim sistemima, odnosno ljudima.
Definišući pojam inteligencije kao naučne kategorije, treba ga shvatiti kao podobnost sistema za učenje. Dakle, jedna od najkonkretnijih, po našem mišljenju, definicija umjetne inteligencije tumači se kao sposobnost automatizovani sistemi stiču, prilagođavaju, modifikuju i proširuju znanje u cilju pronalaženja rešenja za probleme čija je formalizacija teška.
U ovoj definiciji, pojam "znanje" ima kvalitativnu razliku od koncepta informacije. Ova razlika se dobro ogleda u predstavljanju ovih koncepata u formi informaciona piramida na sl. 1.
Slika 1 - Informaciona piramida
Zasnovan je na podacima, sljedeći nivo zauzimaju informacije, a nivo znanja upotpunjuje piramidu. Kako se krećete uz piramidu informacija, količina podataka se pretvara u vrijednost informacija, a zatim u vrijednost znanja. Odnosno, informacija nastaje u trenutku interakcije između subjektivnih podataka i objektivnih metoda njihove obrade. Znanje se formira na osnovu formiranja distribuiranih odnosa između heterogenih informacija, uz stvaranje formalnog sistema – način njihovog reflektovanja u preciznim konceptima ili izjavama.
Upravo podrška ovakvom sistemu – sistem znanja, u tako savremenom stanju, omogućava da se izgrade akcioni programi za pronalaženje rešenja zadatih zadataka, uzimajući u obzir specifične situacije koje se javljaju u nekom trenutku. određenom trenutku u vremenu okruženje, je zadatak vještačke inteligencije. Stoga se umjetna inteligencija može zamisliti i kao univerzalni nadalgoritam sposoban za kreiranje algoritama za rješavanje novih problema.
Armavir State
Pedagoški univerzitet
OSNOVE VEŠTAČKE INTELIGENCIJE
za studente koji studiraju na specijalnosti “Informatika”
Armavir 2004
Objavljeno odlukom UMS ASPU
Recenzent: , kandidat fizičko-matematičkih nauka, vanredni profesor, rukovodilac Internet centra Kabardino-Balkarske državne poljoprivredne akademije
Kozirjeva umjetna inteligencija. Obrazovno-metodički priručnik za studente koji studiraju na specijalnosti „informatika“. – Armavir, 2004
Razmatraju se osnovni koncepti umjetna inteligencija, pravci i perspektive razvoja istraživanja u oblasti umjetne inteligencije, osnove logičkog programskog jezika PROLOG.
Obrazovno-metodički priručnik namijenjen je studentima koji studiraju na specijalnosti „informatika“, a mogu ga koristiti i svi zainteresovani za pitanja umjetne inteligencije i logičkog programiranja.
Uvod……………………………………………………………………………………………… 4
1. Vještačka inteligencija: predmet, istorija
razvoj, pravci istraživanja……..………………….. 5
1.1. Pravci istraživanja u ovoj oblasti
umjetna inteligencija………………………………………………………………………….. 5
umjetna inteligencija………………………………………………….. 6
2. Sistem znanja………………………………………………………………….. 8
3. Modeli predstavljanja znanja………………………………………………. 9
3.1. Semantičke mreže…………………………………………………………………..9
3.2. Model okvira…………………………………………………………………10
3.3. Model proizvoda………………………………………………………..11
3.4. Logički model……………………………………………………. .12
4. Ekspertni sistemi………………………………………………...12
4.1. Namjena ekspertnih sistema……………………………………………….12
4.2. Vrste problema koji se rješavaju korištenjem ekspertnih sistema…………….14
4.3. Struktura ekspertnih sistema……………………………………...15
4.4. Glavne faze razvoja ekspertnih sistema……………………16
4.5. Alati za razvoj ekspertnih sistema………18
5. PROLOG - logički programski jezik……….19
5.1. Opće informacije o PROLOGU…………………………………………………………………19
5.2. Prijedlozi: činjenice i pravila………………………………………………20
5.4. Varijable u PROLOG-u…………………………………………………………...22
5.5. Objekti i tipovi podataka u PROLOG-u………………………………...23
5.6. Glavni dijelovi programa PROLOG……………………………….23
5.7. Povratak unatrag……………………………………………………………………24
5.8. Kontrola vraćanja unazad: predikati neuspjeha i obrezivanje......26
5.9. Aritmetički proračuni………………………………………………………27
5.10. Rekurzija…………………………………………………………………………………………….28
5.11. Liste……………………………………………………………………………………………30
5.12. Standardni zadaci obrada liste……………………………….31
Književnost…………………………………………………………………………………………………………… .35
Uvod
U posljednjih nekoliko decenija, umjetna inteligencija napada sve oblasti djelovanja i postaje sredstvo integracije nauke. Softverski alati zasnovani na tehnologiji i metodama umjetne inteligencije postali su široko rasprostranjeni u cijelom svijetu. Intenzivno istraživanje za stvaranje jedinstvenog informacioni prostor, koji stvara uslove za zajednički rad na daljinu zasnovan na bazama znanja, sada su počele da sprovode sve ekonomski razvijene zemlje. Predmet „Osnove veštačke inteligencije“ u visokom obrazovanju obuhvata proučavanje sekcija kao što su predstavljanje znanja u formalnom jeziku, struktura ekspertskih sistema i osnovni principi njihovog razvoja, različite strategije za pronalaženje cilja. Jedna od glavnih pravaca kursa je diskusija o implementaciji sistema veštačke inteligencije za rešavanje specifičnih primenjenih problema.
As kompjuterska podrška Kurs govori o okruženju razvojnih alata Vizuelni programi Prolog. Programski jezik Prolog, zasnovan na idejama i metodama matematičke logike, prvobitno je kreiran za razvoj aplikacija umjetne inteligencije. Aplikacije kao što su baze znanja, ekspertni sistemi, interfejsi prirodnog jezika i inteligentni sistemi upravljanje informacijama. Visok nivo apstrakcije, sposobnost predstavljanja složenih struktura podataka i modeliranja logičkih odnosa između objekata omogućavaju rješavanje problema u različitim predmetnim oblastima.
Obrazovno-metodološki priručnik „Osnove umjetne inteligencije“ pomoći će u proširenju ideja budućeg nastavnika informatike o područjima primjene teorije umjetne inteligencije, o postojećim i obećavajućim jezicima programske i hardverske strukture za kreiranje sistema vještačke inteligencije.
1. Vještačka inteligencija: predmet, istorijat razvoja, oblasti istraživanja.
Intellectus(lat) - um, razum, inteligencija, misaone sposobnosti osobe. Umjetna inteligencija(AI) je oblast računarske nauke, čiji je predmet razvoj hardvera i softvera koji omogućava korisniku da rešava probleme koji se tradicionalno smatraju intelektualnim. Teorija vještačke inteligencije je nauka o znanju, kako ga dobiti, predstaviti veštački sistemi, proces unutar sistema i korištenje za rješavanje praktični problemi. Tehnologije koje koriste AI danas se koriste u mnogim područjima primjene.
Početak istraživanja u oblasti veštačke inteligencije (kraj 50-ih godina 20. veka) vezuje se za rad Newella, Saymana i Shawa, koji su proučavali procese rješavanja različitih problema. Rezultati njihovog rada bili su programi kao što su "LOGICAL THEORIST", dizajnirani za dokazivanje teorema u propozicionom proračunu, i "OPŠTI PROBLEM RJEŠAVAČ". Ovi radovi označili su početak prve faze istraživanja u oblasti AI, vezanih za razvoj programa, rješavači problema zasnovano na upotrebi različitih heurističkih metoda.
Heuristički metod rješavanja problema smatran je karakterističnim za ljudsko razmišljanje „općenito“, koje karakterizira pojava nagađanja o načinu rješavanja problema i njihova naknadna provjera. Bio je u suprotnosti sa algoritamskom metodom koja se koristi u računarima, a koja se tumačila kao mehanička implementacija datog niza koraka, koji deterministički vodi do tačnog odgovora. Tumačenje heurističkih metoda za rješavanje problema kao čisto ljudske aktivnosti dovelo je do pojave i daljeg širenja pojma AI
A. Neurokibernetika.
Neurokiberetika je fokusirana na hardversko modeliranje struktura sličnih strukturi mozga. Fiziolozi su odavno utvrdili da je osnova ljudski mozak je veliki broj međusobno povezane i međusobno povezane nervne ćelije – neuroni. Stoga su napori neurokibernetike usmjereni na stvaranje elemenata sličnih neuronima i njihovo kombiniranje u funkcionalne sisteme. Ovi sistemi se obično nazivaju neuronske mreže ili neuronske mreže. IN U poslednje vreme neurokibernetika se ponovo počela razvijati zbog skoka u razvoju kompjutera. Pojavili su se neurokompjuteri i transputeri.
Trenutno se koriste tri pristupa kreiranju neuronskih mreža:
hardver- Kreacija specijalnih kompjutera, ploče za proširenje, čipsete koji implementiraju sve potrebne algoritme,
program- kreiranje programa i alata dizajniranih za računare visokih performansi. Mreže se stvaraju u memoriji računara, sav posao obavljaju njegovi sopstveni procesori;
hibrid- kombinacija prva dva. Neki od proračuna se obavljaju pomoću posebnih kartica za proširenje (koprocesori), a neki se izvode softverom.
B. Kibernetika crne kutije.
Osnova kibernetike “crne kutije” je princip suprotan neurokibernetici. Nije važno kako je dizajniran uređaj koji "razmišlja". Glavna stvar je da na date ulazne uticaje reaguje na isti način kao i ljudski mozak.
Ovo područje umjetne inteligencije bilo je usmjereno na traženje algoritama za rješavanje intelektualnih problema na postojećim kompjuterskim modelima.
Istraživanja u oblasti umjetne inteligencije prešla su dug i trnovit put: prvi hobiji (1960), pseudonauka (1960-65), uspjesi u rješavanju zagonetki i igrica (), razočaranje u rješavanju praktičnih problema (), prvi uspjesi u rješavanju niz praktičnih problema ( ), masovna komercijalna upotreba u rješavanju praktičnih problema (). Ali osnova komercijalnog uspjeha s pravom leži u ekspertnim sistemima i, prije svega, u ekspertnim sistemima u realnom vremenu. Upravo su oni omogućili umjetnoj inteligenciji da pređe sa igara i zagonetki na masovnu upotrebu u praktično rješavanju značajnih zadataka.
1.2. Glavni zadaci riješeni u ovoj oblasti
umjetna inteligencija
Predstavljanje znanja i razvoj sistema zasnovanih na znanju
Razvoj modela predstavljanja znanja, stvaranje baza znanja koje čine jezgro ekspertnih sistema (ES). Nedavno uključuje modele i metode za izdvajanje i strukturiranje znanja i spaja se sa inženjeringom znanja. U oblasti veštačke inteligencije, ekspertski sistemi i alati za njihov razvoj postigli su najveći komercijalni uspeh.
Igre i kreativnost.
Intelektualni zadaci igre - šah, dame, Go. Zasnovan je na jednom od ranijih pristupa - modelu lavirinta plus heuristika.
Razvoj interfejsa prirodnog jezika i mašinsko prevođenje
Upravljanje glasom, prevod sa jezika na jezik. Prvi program u ovoj oblasti je prevodilac sa engleskog na ruski. Prva ideja, prijevod riječ po riječ, pokazala se neplodnom. Trenutno se koristi složeniji model, uključujući analizu i sintezu poruka prirodnog jezika, koji se sastoji od nekoliko blokova. Za analizu je:
Jezik koji koristi proizvodni model je PROLOG.
3.4. Logički model
Njihov opis je zasnovan na formalnom sistemu sa četiri elementa:
M=<Т, Р, А, В >, Gdje
T – set osnovni elementi različite prirode sa odgovarajućim postupcima;
P – skup sintaksičkih pravila. Uz njihovu pomoć od T elemenata se formiraju sintaktički ispravne kolekcije. P(P) procedura određuje da li je ova zbirka ispravna;
A je podskup skupa P, koji se naziva aksiomi. Procedura P(A) daje odgovor na pitanje pripadnosti skupu A;
B – skup pravila zaključivanja. Primjenjujući ih na elemente A, mogu se dobiti nove sintaksički ispravne kolekcije na koje se ova pravila mogu ponovo primijeniti. Procedura P(B) određuje za svaku sintaksički ispravnu kolekciju da li se može zaključiti.
4. Ekspertni sistemi
4.1. Namjena ekspertnih sistema
Ekspertni sistemi(ES) su složene softverski sistemi, akumuliranje znanja stručnjaka u određenim predmetnim oblastima i repliciranje ovog empirijskog iskustva kako bi se pružili savjeti manje kvalifikovanim korisnicima.
Cilj istraživanja ekspertnih sistema je razvijanje programa koji pri rješavanju problema iz određene predmetne oblasti dobijaju rezultate koji po kvalitetu i efikasnosti nisu inferiorni u odnosu na rezultate koje dobiju stručnjaci.
Ekspertni sistemi su dizajnirani da rješavaju neformalne, praktično značajne probleme. Ekspertne sisteme treba koristiti samo kada je njihov razvoj moguć i izvodljiv.
Činjenice koje ukazuju na potrebu za razvojem i implementacijom ekspertskih sistema:
Nedostatak profesionalaca koji provode značajno vrijeme pomažući drugima;
Potreba za velikim timom stručnjaka, jer niko od njih nema dovoljno znanja;
Niska produktivnost, jer zadatak zahtijeva potpunu analizu složenog skupa uvjeta, a običan stručnjak nije u mogućnosti pregledati (u dodijeljenom vremenu) sve ove uvjete;
Prisustvo konkurenata koji imaju prednost u tome što su bolji u zadatku.
By funkcionalan Ekspertski sistemi se mogu podijeliti u sljedeće vrste:
1. Moćni ekspertni sistemi dizajnirani za uži krug korisnika (sistemi upravljanja složenom tehnološkom opremom, ekspertni sistemi protivvazdušne odbrane). Takvi sistemi obično rade u realnom vremenu i veoma su skupi.
2. Ekspertski sistemi dizajnirani za širok spektar korisnika. To uključuje medicinske dijagnostičke sisteme i složene sisteme obuke. Baza znanja ovih sistema nije jeftina, jer sadrži jedinstvena znanja dobijena od stručnjaka stručnjaka. Prikupljanje znanja i formiranje baze znanja vrši specijalista za prikupljanje znanja - kognitivni inženjer.
3. Ekspertni sistemi sa mali broj pravila i relativno jeftin. Ovi sistemi su dizajnirani za masovnog potrošača (sistemi koji olakšavaju otklanjanje kvarova u opremi). Upotreba ovakvih sistema eliminiše potrebu za visokokvalificiranim osobljem i skraćuje vrijeme rješavanja problema. Baza znanja takvog sistema može se dopunjavati i menjati bez pomoći programera sistema. Obično koriste znanja iz raznih priručnika i tehničke dokumentacije.
4. Jednostavni ekspertni sistemi individualna upotreba. Često se izrađuju samostalno. Koristi se u situacijama za olakšanje svakodnevni rad. Korisnik, organizirajući pravila u određenu bazu znanja, kreira svoj vlastiti stručni sistem zasnovan na njoj. Takvi sistemi se koriste u pravu, komercijalnim aktivnostima i popravci jednostavne opreme.
Upotreba ekspertskih sistema i neuronskih mreža donosi značajne ekonomske koristi. Na primjer: - American Express je smanjio svoje gubitke za 27 miliona dolara godišnje zahvaljujući ekspertskom sistemu koji utvrđuje izvodljivost izdavanja ili odbijanja kredita određenoj kompaniji; - DEC štedi 70 miliona dolara godišnje uz XCON/XSEL koji može konfigurirati korisnik računarski sistem VAX. Njegovom upotrebom smanjen je broj grešaka sa 30% na 1%; - Sira je smanjila troškove izgradnje cjevovoda u Australiji za 40 miliona dolara koristeći stručni sistem upravljanja cevovodom.
4.2. Vrste problema koji se rješavaju korištenjem
ekspertni sistemi
Interpretacija podataka. Tumačenje znači određivanje značenja podataka čiji rezultati moraju biti konzistentni i tačni. Primjeri ES-a:
Detekcija i identifikacija razne vrste prekooceanska plovila - SIAP;
Određivanje osnovnih osobina ličnosti na osnovu rezultata psihodijagnostičkog testiranja u AVTANTEST i MICROLUSHER sistemima itd.
Dijagnostika. Dijagnostika se odnosi na otkrivanje kvara u određenom sistemu. Primjeri ES-a:
Dijagnostika i terapija suženja koronarnih sudova - ANGY;
Dijagnoza grešaka u opremi i softver Kompjuter - CRIB sistem itd.
Monitoring. Glavni zadatak monitoringa je kontinuirana interpretacija podataka u realnom vremenu i signalizacija kada određeni parametri pređu prihvatljive granice. Glavni problemi su „propuštanje“ alarmne situacije i inverzni problem „lažnog“ aktiviranja. Primjeri ES-a:
Praćenje rada SPRINT elektrana, pomoć dispečerima nuklearnih reaktora - REAKTOR:
Praćenje senzora za hitne slučajeve u hemijskom postrojenju - FALCON, itd.
Dizajn. Dizajn se sastoji od pripreme specifikacija za kreiranje “objekata” sa unaprijed određenim svojstvima. Specifikacija znači cijeli set neophodna dokumenta crtež, objašnjenje, itd. Primjeri ES:
Projektovanje kompjuterskih konfiguracija VAX - 1/780 u sistemu XCON (ili R1),
LSI dizajn - CADHELP;
Sinteza električna kola- SYN, itd.
Predviđanje. Prediktivni sistemi logično izvode vjerovatne posljedice iz datih situacija. Primjeri ES-a:
Prognoza vremena - WILLARD sistem:
Procjene buduće žetve - PI. ANT;
Prognoze u privredi - ECON itd.
Planiranje. Planiranje se odnosi na pronalaženje akcionih planova koji se odnose na objekte koji mogu obavljati određene funkcije. Takvi ES koriste modele ponašanja stvarnih objekata kako bi logički zaključili posljedice planirane aktivnosti. Primjeri ES-a:
Planiranje ponašanja robota - STRIPS,
Planiranje industrijskih narudžbi - 1SIS,
Dizajn eksperimenta - MOLGEN et al.
Obrazovanje. Obrazovni sistemi dijagnosticiraju greške prilikom proučavanja bilo koje discipline koristeći kompjuter i podsjećaju ispravne odluke. Akumuliraju znanje o hipotetičkom „učeniku“ i njegovim karakterističnim greškama, zatim u svom radu umeju da dijagnostikuju slabosti u znanju učenika i pronađu odgovarajuća sredstva za njihovo otklanjanje. Primjeri ES-a:
Obuka programskog jezika Lisp u sistemu "Teacher Lisp";
PROUST sistem - jezička obuka Pascal et al.
Stručna sistemska rješenja su transparentna, odnosno mogu se objasniti korisniku na kvalitativnom nivou.
Ekspertski sistemi su u mogućnosti da prošire svoja znanja tokom interakcije sa stručnjakom.
4.3. Struktura ekspertnih sistema
Struktura ekspertnih sistema uključuje sledeće komponente:
Baza znanja– srž ES-a, skup znanja iz predmetne oblasti, snimljen na kompjuterskom mediju u formi razumljivom stručnjaku i korisniku (obično na nekom jeziku bliskom prirodnom). Paralelno sa ovom „ljudskom“ reprezentacijom, postoji baza znanja u internoj „mašinskoj“ reprezentaciji. Sastoji se od skupa činjenica i pravila.
Činjenice – opisuju objekte i odnose između njih. Pravila – koriste se u bazi znanja za opisivanje odnosa između objekata. Na osnovu odnosa specificiranih u pravilima, izvodi se logičko zaključivanje.
Baza podataka– namijenjen za privremeno skladištenje činjenica i hipoteza, sadrži međupodatke ili rezultat komunikacije između sistema i korisnika.
Mašinsko zaključivanje– mehanizam rasuđivanja koji radi sa znanjem i podacima kako bi se dobili novi podaci; za to se obično koristi softverski implementirani mehanizam pretraživanja rješenja.
Komunikacijski podsistem– služi za vođenje dijaloga sa korisnikom, tokom kojeg ekspertni sistem od korisnika traži potrebne činjenice za proces rasuđivanja, a takođe omogućava korisniku da u određenoj mjeri kontroliše tok rasuđivanja.
Podsistem objašnjenja– neophodno je kako bi se korisniku dala mogućnost da kontroliše tok rasuđivanja.
Podsistem za sticanje znanja– program koji inženjeru znanja pruža mogućnost kreiranja baze znanja u interaktivnom načinu. Uključuje sistem ugniježđenih menija, jezičke šablone za predstavljanje znanja, savjete (režim pomoći) i druge servisne alate koji olakšavaju rad sa bazom podataka.
Ekspertski sistem radi na dva načina:
Sticanje znanja (definicija, modifikacija, dopuna);
Rješenja problema.
U ovom režimu se podaci zadatka obrađuju i nakon odgovarajućeg kodiranja prenose u blokove ekspertnog sistema. Rezultati obrade primljenih podataka ulaze u modul savjeta i objašnjenja i nakon prepisivanja na jezik blizak prirodnom, izdaju se u obliku savjeta, objašnjenja i komentara. Ukoliko korisniku odgovor nije jasan, korisnik može zatražiti objašnjenje od stručnog sistema za njegovo dobijanje.
4.4. Glavne faze razvoja ekspertnih sistema
Tehnološki proces razvoja industrijskog ekspertnog sistema može se podijeliti u šest glavnih faza:
1. Odabir pravog problema
Aktivnosti koje prethode donošenju odluke da se počne razvijati određeni ES uključuju:
Definisanje problematične oblasti i zadatka;
Pronalaženje stručnjaka voljnog za saradnju na rješavanju problema i dodjeljivanje razvojnog tima;
Određivanje preliminarnog pristupa rješavanju problema;
Analiza troškova i dobiti od razvoja;
Priprema detaljan plan razvoj.
2. Razvoj prototipa sistema
Prototip sistema je skraćena verzija ekspertskog sistema dizajnirana da potvrdi ispravno kodiranje činjenica, odnosa i strategija rezonovanja stručnjaka.
Prototip mora zadovoljiti dva zahtjeva:
Prototipni sistem bi trebao riješiti najviše tipične zadatke, ali ne bi trebalo da bude veliko.
Vrijeme i rad uključeni u stvaranje prototipa trebali bi biti zanemarljivi.
Performanse prototipskih programa se procjenjuju i testiraju kako bi se osiguralo da su usklađeni sa stvarnim potrebama korisnika. Prototip je testiran za:
Pogodnost i adekvatnost ulazno-izlaznih interfejsa (priroda pitanja u dijalogu, koherentnost izlaznog teksta rezultata, itd.)
Efikasnost kontrolne strategije (redosled nabrajanja, korišćenje fuzzy zaključivanja, itd.);
Kvaliteta test slučajeva;
Ispravnost baze znanja (potpunost i konzistentnost pravila).
Ekspert obično radi s inženjerom znanja, koji pomaže u strukturiranju znanja, definiranju i formuliranju potrebnih koncepata i pravila
riješiti problem. Ako je uspješan, stručnjak, uz pomoć kognitivnog inženjera, proširuje bazu znanja prototipa o domenu problema.
Ako ne uspije, može se donijeti zaključak. Koje su druge metode potrebne za rješavanje ovog problema ili razvoj novog prototipa.
3. Razvoj prototipa industrijskog ekspertnog sistema.
U ovoj fazi, baza znanja je značajno proširena, veliki broj dodatne heuristike. Ove heuristike obično povećavaju dubinu sistema pružanjem veći broj pravila za suptilne aspekte pojedinačnih slučajeva. Nakon uspostavljanja osnovne strukture ES-a, inženjer znanja počinje da razvija i prilagođava interfejse preko kojih će sistem komunicirati sa korisnikom i stručnjakom.
Po pravilu se sprovodi glatka tranzicija od prototipa do industrijskih ekspertnih sistema. Ponekad se prilikom razvoja industrijskog sistema identifikuju dodatne faze za tranziciju: demonstracijski prototip - istraživački prototip - operativni prototip - industrijski sistem.
4. Procjena sistema
Stručni sistemi se procjenjuju kako bi se provjerila tačnost programa i njegova korisnost. Procjena se može izvršiti na osnovu različitih kriterija koje grupišemo na sljedeći način:
Kriterijumi korisnika (jasnoća i transparentnost sistema, prilagođenost interfejsa, itd.);
Kriterijumi pozvanih eksperata (evaluacija saveta-rešenja koje nudi sistem, poređenje istih sa sopstvenim rešenjima, ocena podsistema objašnjenja i sl.);
Kriterijumi razvojnog tima (efikasnost implementacije, produktivnost, vrijeme odziva, dizajn, širina pokrivenosti predmetnog područja, konzistentnost znanja, broj ćorsokaka kada sistem ne može donijeti odluku, analiza osjetljivosti programa na manje promjene u zastupljenosti znanja, ponderiranje koeficijenti koji se koriste u logičkom izlazu, podacima, itd.).
5. Priključivanje sistema
U ovoj fazi, ekspertski sistem je povezan sa drugim softver u okruženju u kojem će djelovati, te obučavanje ljudi kojima će služiti.Interfacing se također odnosi na razvoj veza između ekspertnog sistema i okruženja u kojem djeluje.
Priključivanje uključuje osiguravanje komunikacije između ES i postojeće baze podataka i drugih sistema u preduzeću, kao i poboljšanje vremenski osetljivih faktora sistema kako bi ono moglo efikasnije da radi i poboljša svoje performanse tehnička sredstva, ako sistem radi u neobičnom okruženju (na primjer, komunikacija s mjernim uređajima).
6.Sistemska podrška
Rekodiranje sistema u jezik kao što je C poboljšava performanse i prenosivost, ali smanjuje fleksibilnost. Ovo je prihvatljivo samo ako sistem zadrži sva znanja o domenu problema i to znanje se neće promijeniti u bliskoj budućnosti. Međutim, ako je ekspertski sistem stvoren upravo zato problematično područje promjene, potrebno je održavati sistem u razvojnom okruženju.
Jezici umjetne inteligencije
Lisp (LISP) i Prolog (Prolog) su najčešći jezici dizajnirani za rješavanje problema s umjetnom inteligencijom. Postoje i manje uobičajeni jezici umjetne inteligencije, na primjer REFAL, razvijeni u Rusiji. Svestranost ovih jezika je manja nego kod tradicionalnih jezika, ali jezici umjetne inteligencije nadoknađuju njen gubitak bogatim mogućnostima za rad sa simboličkim i logičkim podacima, što je izuzetno važno za zadatke umjetne inteligencije. Na osnovu jezika veštačke inteligencije, specijalizovani računari (na primer, Lisp mašine) kreiraju se za rešavanje problema veštačke inteligencije. Nedostatak ovih jezika je njihova neprimjenjivost za kreiranje hibridnih ekspertnih sistema.
Specijalni softverski alati
Biblioteke i dodaci za jezik umjetne inteligencije Lisp: KEE (Knowledge Engineering Environment), FRL (Jezik za predstavljanje okvira), KRL (Jezik predstavljanja znanja), ARTS, itd., omogućavajući korisnicima da rade sa predlošcima ekspertnih sistema za više visoki nivo nego što je to moguće u konvencionalnim jezicima umjetne inteligencije.
"školjke"
“Šelovi” su prazne verzije postojećih ekspertnih sistema, odnosno gotovih ekspertnih sistema bez baze znanja. Primer takve ljuske je EMYCIN (Empty MYCIN - prazan MYC1N), koji je prazan MYCIN ekspertski sistem. Prednost ljuske je u tome što uopšte ne zahtevaju rad programera za kreiranje gotovog ekspertskog sistema.Za popunjavanje baze znanja potrebni su samo stručnjaci iz domena.Međutim, ako se određena predmetna oblast ne uklapa dobro u model koji se koristi u određene ljuske, popunjavanje baze znanja u ovom slučaju nije baš lako.
5. PROLOG - logički jezik
programiranje
5.1. Opće informacije o PROLOG-u.
PROLOG (Programiranje u LOGICI) je logički programski jezik dizajniran za rješavanje problema u oblasti umjetne inteligencije (kreiranje elektronskih sistema, prevodilački programi, obrada prirodnog jezika). Koristi se za obradu prirodnog jezika i ima moćne alate koji vam omogućavaju da izvučete informacije iz baza podataka, a metode pretraživanja koje se koriste u njemu se bitno razlikuju od tradicionalnih.
Osnovne konstrukcije PROLOG-a su pozajmljene iz logike. PROLOG nije proceduralni, već deklarativni programski jezik. Nije fokusiran na razvijanje rješenja, već na sistematski i formalizirani opis problema tako da rješenje slijedi iz sastavljenog opisa.
Suština logičkog pristupa je da se mašini ne nudi algoritam kao program, već formalni opis predmetne oblasti i problema koji se rešava u formi aksiomatskog sistema. Tada se potraga za rješenjem korištenjem izlaza u ovom sistemu može povjeriti samom računaru. Glavni zadatak programera je uspješno prezentovanje predmetna oblast sistem logičkih formula i takva raznolikost odnosa na njemu koji najpotpunije opisuju problem.
Osnovna svojstva PROLOGUE-a:
1) mehanizam zaključivanja sa traženjem i vraćanjem
2) ugrađeni mehanizam za usklađivanje uzoraka
3) jednostavna i lako promjenjiva struktura podataka
4) odsustvo pokazivača, operatora dodjeljivanja i tranzicije
5) prirodnost rekurzije
Faze programiranja u PROLOG-u:
1) izjava o činjenicama o objektima i odnosima među njima;
2) utvrđivanje pravila odnosa objekata i odnosa među njima;
3) formulisanje pitanja o objektima i odnosima među njima.
Teorijska osnova PROLOG-a je grana simboličke logike koja se zove predikatski račun.
Predikat je ime svojstva ili odnosa između objekata sa nizom argumenata.
<имя_предиката>(t1, t2, ..., tn)), t1,t2,...,tn – argumenti
Na primjer, činjenica black(cat) je napisana pomoću predikata crni, koji ima jedan argument. Činjenica napisao (Šolohov, "TIHI FON") napisano pomoću predikata napisao, koji ima dva argumenta.
Broj argumenata predikata naziva se arititet predikata i označava se sa crnim/1 (predikat crni ima jedan argument, njegova aritnost je jednaka jedan). Predikati možda nemaju argumente; arititet takvih predikata je 0.
Jezik Prolog je izrastao iz rada A. Colmerauera na obradi prirodnog jezika i nezavisnog rada Roberta Kowalskog o primjeni logike na programiranje (1973).
Najpoznatiji programski sistem u Rusiji je Turbo Prolog - komercijalna implementacija jezika za IBM-kompatibilne PC računare. 1988. mnogo moćniji Turbo verzija Prolog 2.0, koji uključuje poboljšano integrirano razvojno okruženje, brzi kompajler i alate za programiranje niskog nivoa. Borland je ovu verziju distribuirao do 1990. godine, a zatim je PDC stekao monopolsko pravo korištenja izvorni tekstovi kompajler i dalje promovisanje programskog sistema na tržište pod imenom PDC Prolog.
Godine 1996. Razvojni centar Prologa je pustio Visual Prolog 4.0 na tržište. Visual Prolog okruženje koristi pristup koji se naziva "vizuelno programiranje" u kojem izgled a ponašanje programa se određuje upotrebom posebnih alata za grafički dizajn bez tradicionalnog programiranja u algoritamskom jeziku.
Visual Prolog uključuje interaktivno okruženje vizuelni razvoj (VDE - Visual Develop Environment), koji uključuje tekst i razne grafički editor, alata generisanje koda koji konstruiše kontrolnu logiku (eksperti), kao i interfejs koji je proširenje jezika vizuelno programiranje(VPI - Visual Programming Interface), Prolog kompajler, skup raznih plug-in fajlova i biblioteka, editor linkova, fajlovi koji sadrže primere i pomoć.
5.2. Prijedlozi: činjenice i pravila
PROLOG program se sastoji od iskaza, koji mogu biti činjenice, pravila ili upiti.
Činjenica je izjava da se posmatra određeni specifični odnos između objekata. Činjenica se koristi da pokaže jednostavan odnos između podataka.
Struktura činjenica:
<имя_отношения>(t1,t2,...,tn)), t1,t2,...,tn – objekti
Primjeri činjenica:
studije (Ira, univerzitet). % Ira studira na univerzitetu
roditelj (Ivan, Aleksej). % Ivan je Aleksejev roditelj
programski_jezik (prolog). % Prolog je programski jezik
Skup činjenica je baza podataka. U obliku činjenice, program bilježi podatke koji su prihvaćeni kao istiniti i ne zahtijevaju dokaz.
Pravila koriste se za uspostavljanje odnosa između objekata na osnovu dostupnih činjenica.
Struktura pravila:
<имя_правила> :- <тело правила>ili
<имя_правила >ako<тело правила>
Poziva se lijeva strana pravila zaključivanja glava pravila, a desna strana je tijelo. Tijelo se može sastojati od nekoliko uslova, odvojenih zarezima ili tačkom i zarezom. Zarez znači logičku operaciju I, tačka-zarez znači logičku operaciju ILI. Rečenice koriste varijable za generalizaciju pravila zaključivanja. Varijable vrijede samo u jednoj rečenici. Ime u različitim rečenicama odnosi se na različite objekte. Sve rečenice moraju se završiti tačkom.
Primjeri pravila:
majka (X, Y): - roditelj (X, Y), žena (X).
student (X) :- studira (X, institut); studije (X, univerzitet).
Pravilo se razlikuje od činjenice po tome što je činjenica uvijek istinita, a pravilo je istinito ako su zadovoljeni svi iskazi koji čine tijelo pravila. Činjenice i pravila baza znanja.
Ako imate bazu podataka, možete pisati zahtjev(gol) njoj. Zahtjev je izjava o problemu koji program mora riješiti. Njegova struktura je ista kao kod pravila ili činjenice. Postoje upiti sa konstantama i upiti sa varijablama.
Upiti sa konstantama vam omogućavaju da dobijete jedan od dva odgovora: "da" ili "ne"
Na primjer, postoje činjenice:
zna (Lena, Tanja).
zna (Lena, Saša).
zna (Saša, Tanja).
a) Da li Lena poznaje Sašu?
zahtjev: zna (Lena, Saša).
rezultat: da
b) Da li Tanja poznaje Lenu?
zahtjev zna (Tanja, Lena).
rezultat: br
Ako upit uključuje varijablu, tumač pokušava pronaći njene vrijednosti tako da će upit biti istinit.
a) Koga Lena poznaje?
zahtjev: zna (Lena, X).
rezultat:
X = Tanja
X = Saša
b) Ko poznaje Sašu?
zahtjev: zna (X, Saša).
rezultat: X = Lena
Upiti mogu biti složeni, odnosno mogu se sastojati od nekoliko jednostavnih upita. Objedinjuje ih znak ",", koji se shvata kao logički veznik "i".
Pozivaju se jednostavni upiti podcilj, složeni zahtjev prihvata pravo značenje kada je svaki podcilj istinit.
Da biste odgovorili da li Lena i Sasha imaju zajedničke poznanike, trebali biste kreirati upit:
zna (Lena, X), zna (Sasha, X).
rezultat:
X = Tanja
5.4. Varijable u PROLOG-u
Varijabla u PROLOG-u se ne tretira kao dodijeljeno područje memorije. Koristi se za označavanje objekta na koji se ne može pozivati imenom. Varijabla se može uzeti u obzir lokalni naziv za neki objekat.
Ime varijable mora početi sa veliko slovo ili donju crtu i sadrže samo slova, brojeve i donje crte: X, _y, AB, X1. Poziva se varijabla koja nema vrijednost besplatno, varijabla koja ima vrijednost – specifično.
Poziva se varijabla koja se sastoji samo od donje crte anoniman i koristi se ako je njegova vrijednost nevažna. Na primjer, postoje činjenice:
roditelj (Ira, Tanya).
roditelj (Miša, Tanja).
roditelj (Olya, Ira).
Potrebno je identifikovati sve roditelje
Zahtjev: roditelj (X, _)
rezultat:
X = Ira
X = Miša
X = Olja
Opseg varijable je tvrdnja. Unutar iskaza, isto ime pripada istoj varijabli. Dvije izjave mogu koristiti isto ime varijable na potpuno različite načine.
U PROLOG-u nema operatora dodjeljivanja, njegovu ulogu ima operator jednakosti =. Cilj X=5 može se smatrati poređenjem (ako varijabla X ima vrijednost) ili kao dodjela (ako je varijabla X slobodna).
U PROLOG-u ne možete napisati X=X+5 za povećanje vrijednosti varijable. Treba koristiti novu varijablu: Y=X+5.
5.5. Objekti i tipovi podataka u PROLOG-u
Pozivaju se objekti podataka u PROLOG-u therms. Termin može biti konstanta, varijabla ili složeni termin (struktura). Konstante su cijeli brojevi i realni brojevi (0, - l, 123,4, 0,23E-5), kao i atomi.
Atom– bilo koji niz znakova stavljen u navodnike. Navodnici se izostavljaju ako red počinje sa malo slovo i sadrži samo slova, brojeve i donje crte (odnosno, ako se može razlikovati od zapisa varijabli). Primjeri atoma:
abcd, “a+b”, “student Ivanov”, prolog, “Prolog”.
Struktura omogućava vam da kombinujete nekoliko objekata u jednu celinu. Sastoji se od funktora (ime) i niza pojmova.
Broj komponenti u strukturi naziva se arititet strukture: podaci/3.
Struktura može sadržavati drugu strukturu kao jedan od svojih objekata.
rođendan_dan (osoba(“Maša”,”Ivanova”), podaci (15. aprila 1983.))
Domain u PROLOG-u se naziva tipom podataka. Standardne domene su:
cijeli broj – cijeli brojevi.
realni – realni brojevi.
string – nizovi (bilo koji niz znakova u navodnicima).
char je jedan znak zatvoren u apostrofe.
simbol – niz latinična slova, brojeve i donje crte, koji počinju malim slovom, ili bilo koji niz znakova zatvorenih u navodnike.
5.6. Glavni dijelovi programa PROLOG
Tipično, PROLOG program se sastoji od četiri sekcije.
DOMENI– odjeljak za opisivanje domena (tipova). Ovaj odjeljak se koristi ako program koristi nestandardne domene.
Na primjer:
PREDIKATI – odjeljak opisa predikata. Odjeljak se koristi ako program koristi nestandardne predikate.
Na primjer:
zna (ime, ime)
ime studenta)
KLAUZE – odjeljak s prijedlozima. U ovom dijelu se pišu rečenice: činjenice i pravila zaključivanja.
Na primjer:
zna (Lena, Ivan).
student (Ivan).
poznati_učenik(X, Y):- zna(X, Y), učenik(Y).
CILJ – ciljni dio. Zahtjev je napisan u ovom dijelu.
Na primjer:
sign_student(lena, X).
Najjednostavniji program može sadržavati samo dio CILJ, na primjer:
napisati (“Unesite svoje ime: ”), readln (ime),
write("Zdravo, ", Ime, "!").
Kolomna institut (filijala)
Državna obrazovna ustanova visokog obrazovanja
stručno obrazovanje
"MOSKVSKI DRŽAVNI OTVORENI UNIVERZITET"
Katedra za informatiku i informacione tehnologije
"ODOBRENO"
Obrazovno-metodički
Vijeće KI (f) MGOU
Predsjednik odbora
Profesore
A.M. Lipatov
"___" ____________ 2010
P.S. Romanov
OSNOVE VEŠTAČKE INTELIGENCIJE
Udžbenik za discipline smjera
"Informatika i računarstvo"
Za studente visokog obrazovanja obrazovne institucije
Kolomna – 2010
U
Objavljeno u skladu sa odlukom obrazovno-metodološkog veća Kolomna instituta (filijala) Državne obrazovne ustanove visokog stručnog obrazovanja "MGOU" od __________
2010
Grad br. ________
P69 Romanov P.S.
Osnove umjetne inteligencije. Tutorial. – Kolomna: KI (f) MGOU, 2010. – 164 str.
Tutorijal pokriva osnove umjetne inteligencije. Prikazani su osnovni koncepti umjetne inteligencije. Date su odredbe teorije rasplinutih skupova. Razmatraju se glavni inteligentni sistemi, njihova namjena, klasifikacija, karakteristike, problemi stvaranja, primjeri.
Udžbenik je namenjen studentima visokoškolskih ustanova koji studiraju na smeru „Informatika i računarstvo“. Može se koristiti prilikom proučavanja inteligentnih informacionih sistema od strane studenata drugih specijalnosti.
Recenzent: Doktor tehničkih nauka, profesor V.G. Novikov
©Romanov P.S.
©KI(f) MGOU, 2010
Uvod…………………………………………………………………………………………………………………...5
Poglavlje 1. Osnovni koncepti vještačke inteligencije.....................................6
§ 1.1. Osnovni pojmovi i definicije................................................. ........ 6
§ 1.2. Istorija razvoja AI sistema........................................................ ........................ 12
§ 1.4. Glavni pravci razvoja i primjene
inteligentni sistemi................................................................ ........ ................25
Poglavlje 2. Odredbe teorije rasplinutih skupova........................................ ............ 32
§ 2.1. Fuzzy set. Operacije na rasplinutim skupovima…..32
§ 2.1.1. Osnovne operacije na rasplinutim skupovima..................................35
§ 2.2. Izgradnja funkcije članstva ................................................. ......38
§ 2.2.1. Neke metode za konstruisanje funkcije članstva......39
§ 2.3. Nejasni brojevi................................................ ........................................44
§ 2.4. Operacije sa rasplinutim brojevima (L-R) tipa ........................................ ........46
§ 2.5. Nejasne i jezičke varijable .................................................. .....47
§ 2.6. Zamućeni odnosi ................................................................ ...................................50
§ 2.7. Fuzzy logika ................................................................ ...................................51
§ 2.8. Nejasni zaključci................................................ ........................................53
§ 2.9. Automatizacija obrade informacija korištenjem
rasplinuti sistemi................................................. ...................................59
Poglavlje 3. Osnovni inteligentni sistemi................................................ ......64
§ 3.1. Podaci i znanje................................................................ ........................................64
§ 3.2. Modeli predstavljanja znanja ................................................................. ........ 66
§ 3.3.1. Pravila proizvoda ................................................................ ...................69
§ 3.3.2. Okviri ................................................................ ........................................................72
§ 3.3.3. Semantičke mreže ................................................................ ........................................74
§ 3.4. Ekspertni sistemi. Predmetne oblasti................................................76
§ 3.5. Namjena i djelokrug ekspertnih sistema......................................77
§ 3.6. Metodologija razvoja ekspertnih sistema................................................81
§ 3.7. Osnovni ekspertni sistemi.................................................................. ......... .........86
§ 3.8. Poteškoće u razvoju ekspertnih sistema i načini njihovog rješavanja
prevazilaženje................................................ ...................................90
§ 3.9. Svrha, klasifikacija robota.................................................. ....... 94
§ 3.10. Primjeri robota i robotskih sistema .............................................................. 97
§ 3.10.1. Kućni (kućni) roboti.................................................. ....... ....97
§ 3.10.2. Spasilački i istraživački roboti..................................99
§ 3.10.3. Roboti za industriju i medicinu........................100
§ 3.10.4. Vojni roboti i robotski sistemi................................101
§ 3.10.5. Mozak kao analogno-digitalni uređaj ................................................104
§ 3.10.6. Roboti - igračke.................................................. ........................................104
§ 3.11. Problemi tehničke implementacije robota................................................105
§ 3.12. Prilagodljivi industrijski roboti.................................................. ....114
§ 3.12.1. Adaptacija i obuka................................................... ........................ 114
§ 3.12.2. Klasifikacija adaptivnih sistema upravljanja
industrijski roboti................................................................ ........ ...117
§ 3.12.3. Primjeri adaptivnih sistema upravljanja robotima............123
§ 3.12.4. Problemi u stvaranju industrijskih robota...................128
§ 3.13. Neuralne mreže i neurokompjuterske tehnologije..................................132
§ 3.13.1. Opće karakteristike pravca................................................132
§ 3.13.2. Neuropaketi................................................. ........................................140
§ 3.14. Neuronske mreže ................................................................ ........................147
§ 3.14.1. Perceptron i njegov razvoj .................................................. ...... ...147
3.14.1.1. McCulloch-Pitts matematički neuron................147
3.14.1.2. Rosenblattov perceptron i Hebbovo pravilo ................................148
3.14.1.3. Delta pravilo i prepoznavanje slova ........................................150
3.14.1.4. Adaline, Madaline i generalizovano delta pravilo.........152
§ 3.14.2. Višeslojni perceptron i inverzni algoritam
širenje greške ................................................................ ................ .....155
§ 3.14.3. Vrste aktivacijskih funkcija ................................................. .....160
Uvod
Nauka koja se zove "vještačka inteligencija" dio je kompleksa računarska nauka, a tehnologije stvorene na njegovoj osnovi spadaju u informacione tehnologije. Zadatak ove nauke je da obezbedi inteligentno rasuđivanje i delovanje uz pomoć kompjuterskih sistema i drugih veštačkih uređaja. Kao nezavisna naučna oblast, veštačka inteligencija (AI) postoji nešto više od četvrt veka. Za to vrijeme, odnos društva prema stručnjacima koji se bave takvim istraživanjima prošao je evoluciju od skepticizma do poštovanja. U naprednim zemljama rad u oblasti inteligentnih sistema je podržan na svim nivoima društva. Čvrsto je mišljenje da će upravo ove studije odrediti prirodu informacionog društva, koje već zamjenjuje industrijsku civilizaciju, koja je dostigla najvišu tačku prosperiteta u 20. vijeku. Tokom proteklih godina formiranja AI kao posebne naučne discipline, formirali su se njeni konceptualni modeli, akumulirale su se specifične metode i tehnike koje samo njoj pripadaju, te su se uspostavile neke fundamentalne paradigme. Umjetna inteligencija je postala potpuno respektabilna nauka, ništa manje časna i neophodna od fizike ili biologije.
Umjetna inteligencija je eksperimentalna nauka. Eksperimentalna priroda AI leži u činjenici da prilikom kreiranja određenih kompjuterskih predstava i modela, istraživač uspoređuje njihovo ponašanje međusobno i sa primjerima kako stručnjak rješava iste probleme, modificira ih na osnovu tog poređenja, pokušavajući postići bolji podudaranje rezultata. Da bi modifikacija programa poboljšala rezultate na „monoton“ način, moraju se imati razumne početne ideje i modeli. Njih pružaju psihološke studije svijesti, posebno kognitivna psihologija.
Važna karakteristika AI metoda je da se bavi samo onim mehanizmima kompetencija koji su verbalne prirode (omogućavaju simboličko predstavljanje). Nisu svi mehanizmi koje osoba koristi za rješavanje problema ovakvi.
Knjiga predstavlja osnove AI, koje omogućavaju kretanje kroz veliki broj publikacija posvećenih problemima umjetne inteligencije i stjecanje potrebnih znanja iz ove oblasti nauke.
