Kolomna institut (filijala)
Državna obrazovna ustanova viša
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
Vodič za učenje prema smjeru discipline
„Informatika i Computer Engineering»
Za studente viših razreda obrazovne institucije
Kolomna - 2010
Imati
Objavljeno u skladu sa odlukom obrazovno-metodološkog veća Instituta Kolomna (filijala) GOU VPO "MGOU" od __________
2010
grad br. ________
P69 Romanov P.S.
Osnove umjetna inteligencija... Tutorial. - Kolomna: KI (f) MGOU, 2010.-- 164 str.
Tutorijal pokriva osnove umjetne inteligencije. Prikazani su osnovni koncepti umjetne inteligencije. Prikazane su odredbe teorije rasplinutih skupova. Glavni inteligentni sistemi, njihova namjena, klasifikacija, karakteristike, problemi stvaranja, primjeri.
Udžbenik je namijenjen studentima visokoškolskih ustanova koji studiraju na smjeru "Informatika i računarsko inženjerstvo". Može se koristiti u proučavanju 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. Konstrukcija 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) -tip ................................ 46
§ 2.5. Nejasne i jezičke varijable ......................................... 47
§ 2.6. Nejasan odnos ................................................. ........................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 proizvodnje ................................................................ ............... 69
§ 3.3.2. Okviri ................................................................ ........................................ 72
§ 3.3.3. Semantičke mreže ................................................................ ...................... 74
§ 3.4. Ekspertni sistemi. Predmetne oblasti ................................ 76
§ 3.5. Svrha i obim ekspertskih sistema ................. 77
§ 3.6. Metodologija razvoja ekspertnih sistema ................................. 81
§ 3.7. Glavni ekspertni sistemi ................................................................. ......... 86
§ 3.8. Poteškoće u razvoju ekspertnih sistema i njihovi načini
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 roboti 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. Adaptivni 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 smjera ................................................. 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 reverzni algoritam
širenje greške ................................................................ ..... 155
§ 3.14.3. Vrste aktivacijskih funkcija .................................................... 160
Uvod
Nauka pod nazivom "vještačka inteligencija" uključena je u kompleks kompjuterske nauke, a tehnologije stvorene na njenoj osnovi pripadaju informacionim tehnologijama. Zadatak ove nauke je da obezbedi razumno rezonovanje i radnje korišćenjem računarskih sistema i drugih veštačkih uređaja. Veštačka inteligencija (AI) postoji kao nezavisna naučna oblast nešto više od četvrt veka. Za to vrijeme, odnos društva prema stručnjacima koji se bave ovakvim istraživanjima evoluirao je 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 procvata u 20. stoljeću. 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 stvarajući određene kompjuterske reprezentacije i modele, istraživač upoređuje njihovo ponašanje međusobno i sa primjerima rješavanja istih problema od strane stručnjaka, modificira ih na osnovu ovog poređenja, pokušavajući postići bolja podudarnost rezultata. Da biste modificirali programe na „monotoni“ način kako biste poboljšali rezultate, morate imati razumne početne reprezentacije i modele. Daju ih psihološka istraživanja svijesti, posebno kognitivna psihologija.
Važna karakteristika AI metoda je da se bavi samo onim mehanizmima kompetencije koji su verbalne prirode (omogućavaju simboličko predstavljanje). Nikako nisu svi mehanizmi koje osoba koristi za rješavanje problema sljedeći.
Knjiga predstavlja osnove AI, koje omogućavaju navigaciju u velikom broju publikacija posvećenih problemima umjetne inteligencije i stjecanje potrebnih znanja iz ove oblasti nauke.
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 njenih definicija. Jedna od prvih definicija, koja, uprkos značajnoj širini tumačenja, nije izgubila na važnosti, jeste predstavljanje veštačke inteligencije kao: „Način da se kompjuterska mašina natera da razmišlja kao osoba“.
Relevantnost intelektualizacije računarskih sistema proizilazi iz potrebe osobe da pronađe rješenja u takvim realnostima savremenog svijeta kao što su nepreciznost, dvosmislenost, nesigurnost, nejasne i nerazumne informacije. Potreba za povećanjem brzine i adekvatnosti ovog procesa stimuliše stvaranje računarskih sistema, kroz interakciju sa stvarnim svijetom pomoću robotike, proizvodne opreme, instrumenata i drugog hardvera, može doprinijeti njegovoj implementaciji.
Računski sistemi zasnovani na čisto klasičnoj logici - odnosno algoritmi za rešavanje poznatih problema, suočavaju se sa problemima, nailazeći na neizvesne situacije. Za razliku od njih, živa bića, iako gube u brzini, u ovakvim situacijama su sposobna donijeti uspješne odluke.
Primjer umjetne inteligencije
Primjer je krah berze 1987. godine, kada su kompjuterski programi prodali dionice vrijedne stotine miliona dolara kako bi ostvarili profit od nekoliko stotina dolara, što je zapravo stvorilo preduslove za krah. Situacija je ispravljena nakon prelaska pune kontrole nad berzanskom trgovinom na protoplazmatske inteligentne sisteme, odnosno na ljude.
Definišući pojam inteligencije kao naučne kategorije, treba ga shvatiti kao podobnost sistema za učenje. Dakle, jedna od najkonkretnijih, po našem mišljenju, definicija vještačke inteligencije tumači se kao sposobnost automatiziranih sistema da stječu, prilagođavaju, modificiraju i dopunjuju znanje kako bi pronašli rješenja za probleme čija je formalizacija teška.
U ovoj definiciji, termin "znanje" ima kvalitativnu razliku od pojma informacije. Ova razlika se dobro odražava u predstavljanju ovih koncepata u formi informaciona piramida na sl. 1.
Slika 1 - Informaciona piramida
Zasnovan je na podacima, sljedeći nivo zauzimaju informacije, nivo znanja zaokružuje piramidu. Kako se krećete uz piramidu informacija, količine podataka se pretvaraju 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 – sistemu znanja, u tako savremenom stanju, omogućava izgradnju akcionih programa za pronalaženje rešenja zadatih zadataka, uzimajući u obzir specifične situacije koje se formiraju. u određenom trenutku u okruženju, zadatak je umjetne inteligencije. Stoga se umjetna inteligencija može zamisliti i kao univerzalni nadalgoritam sposoban da kreira algoritme za rješavanje novih problema.
Maslennikova O.E. , Popova I.V.Tutorial. Magnitogorsk: MAU, 2008. 282 str. U tutorijalu su predstavljeni modeli predstavljanja znanja, teorija ekspertnih sistema, osnove logičkog i funkcionalnog programiranja. Mnogo pažnje se poklanja istoriji razvoja veštačke inteligencije. Prezentaciju materijala prati veliki broj ilustracija, ponuđene su vježbe i pitanja za samokontrolu.
Rad je fokusiran na redovne i vanredne studente upisane u oblastima „Informatika“, „Obrazovanje fizike i matematike (Profil – informatika).“ Uvod u veštačku inteligenciju.
Istorija razvoja veštačke inteligencije kao naučnog pravca.
Glavni pravci istraživanja u oblasti veštačke inteligencije.
Filozofski aspekti problema umjetne inteligencije.
Pitanja za samokontrolu.
Književnost.
Modeli predstavljanja znanja.
Znanje.
Logički model predstavljanja znanja.
Semantičke mreže.
Okviri.
Model proizvodnje.
Drugi modeli predstavljanja znanja.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Ekspertni sistemi.
Koncept ekspertnog sistema.
Vrste ekspertnih sistema i vrste zadataka koje treba rješavati.
Struktura i načini rada ekspertnog sistema.
Tehnologija razvoja ekspertnih sistema.
Stručni sistemski alati.
Inteligentni informacioni sistemi.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Prolog kao logički programski jezik.
Koncept logičkog programiranja.
Prikaz znanja o predmetnoj oblasti u obliku činjenica i pravila baze znanja Prolog.
Deskriptivni, proceduralni i mašinski smisao Prolog programa.
Osnovne tehnike programiranja u Prologu.
Visual Prolog okruženje.
Vježbe.
Književnost.
Koncept funkcionalnog programiranja.
Istorija funkcionalnog programiranja.
Svojstva funkcionalnih programskih jezika.
Zadaci funkcionalnog programiranja.
Vježbe.
Odgovori za samotestiranje.
Književnost.
ssary.
Aneks 1.
Dodatak 2.
Dodatak 3.
Fajl će biti poslan na odabranu adresu e-pošte. Može proći do 1-5 minuta prije nego što ga primite.
Fajl će biti poslat na vaš Kindle nalog. Može proći do 1-5 minuta prije nego što ga primite.
Imajte na umu da morate dodati našu e-poštu [email protected]
na odobrene e-mail adrese. Čitaj više.
Možete napisati recenziju knjige i podijeliti svoja iskustva. Druge čitaoce će uvijek zanimati vaše mišljenje o knjigama koje ste "pročitali. Bez obzira da li vam se knjiga svidjela ili ne, ako date svoja iskrena i detaljna razmišljanja, ljudi će pronaći nove knjige koje im odgovaraju.
Ministarstvo obrazovanja i nauke Ruske Federacije GOU VPO "Magnitogorsk State University" O.E. Maslennikova, I.V. Popova Udžbenik Osnove umjetne inteligencije Magnitogorsk 2008 UDK 681.142.1.01 LBC Z97 M Recenzenti: doktor fizičko-matematičkih nauka, profesor S.I. Kadčenko doktor tehničkih nauka, profesor A, S. Sarvarov M Maslennikova O.E., Popova I.V. Osnove umjetne inteligencije: udžbenik. priručnik / O.E. Maslennikova, I.V. Popov. - Magnitogorsk: MAGU, 2008.-- 282 str. ISBN 978-5.86781-609-4 Tutorijal opisuje modele predstavljanja znanja, teoriju ekspertnih sistema, osnove logičkog i funkcionalnog programiranja. Mnogo pažnje se poklanja istoriji razvoja veštačke inteligencije. Prezentaciju materijala prati veliki broj ilustracija, ponuđene su vježbe i pitanja za samokontrolu. Rad je usmjeren na redovne i vanredne studente koji studiraju u oblastima "Informatika", "Fizičko-matematičko obrazovanje (profil - Informatika)". UDK 681.142.1.01 BBK Z97 ISBN 978-5.86781-609-4 Maslennikova O.E., Popova I.V., 2008. Magnitogorski državni univerzitet, 2008. -2- SADRŽAJ POGLAVLJE UGOVORA U UMJETNOSTI 1. ........ 5 1.1. ISTORIJA RAZVOJA VEŠTAČKE INTELIGENCIJE KAO NAUČNOG PRAVCA ........................................ ........................................................ ........ 9 1.2. GLAVNI PRAVCI ISTRAŽIVANJA U OBLASTI VEŠTAČKE INTELIGENCIJE ........................................ ................................................... ................... 13 1.3. FILOZOFSKI ASPEKTI PROBLEMA VEŠTAČKE INTELIGENCIJE ..... 16 PITANJA ZA SAMOKONTROLU ................................. ........................................................ 21 REFERENCE . ........................................................ ........................................................ .... 21 POGLAVLJE 2. MODELI PREDSTAVLJANJA ZNANJA ........................................ .. 22 2.1. ZNANJE................................................. ................................................... ....... 22 2.2. LOGIČKI MODEL PREDSTAVLJANJA ZNANJA ................................................ 25 2.3. SEMANTIČKE MREŽE ................................................................ .................................... 58 2.4. Okviri ................................................ ................................................... ...... 59 2.5. MODEL PROIZVODA ................................... ................................................ 62 2.6. OSTALI MODELI PREDSTAVLJANJA ZNANJA ................................................ .... 64 VJEŽBE ........................................ ................................................... ......... 78 PITANJA ZA SAMOKONTROLU ................................... .. ................................................. 83 LITERATURA ....... .. ................................................................ .. ................................................. 84 GLAVA 3. EKSPERTSKI SISTEMI ................................................... .......... 86 3.1. KONCEPT EKSPERTSKOG SISTEMA ................................................ ............... 86 3.2. VRSTE EKSPERTSKIH SISTEMA I VRSTE RIJEŠENIH PROBLEMA ................................ 89 3.3. STRUKTURA I NAČINI RADA EKSPERTNOG SISTEMA ................................ 99 3.4. TEHNOLOGIJA RAZVOJA EKSPERTSKIH SISTEMA ........................................ 102 3.5. ALATI STRUČNOG SISTEMA ........................ 113 3.6. INTELIGENTNI INFORMACIONI SISTEMI ................................ 129 VJEŽBE ............ ................................................... ........................................ 135 PITANJA ZA SAMOKONTROLU ..... .. ................................................................ .. ................ 136 LITERATURA .................................. .. ................................................................ .. ...................... 138 POGLAVLJE 4. PROLOG KAO JEZIK LOGIČKOG PROGRAMIRANJA ............... .................................................... ........ 139 4.1. UVOD O LOGIČKOM PROGRAMIRANJU ........................ 139 4.2. DOSTAVLJANJE ZNANJA O PREDMETNOJ OBLASTI VRSTA ČINJENICA I PRAVILA PROLOŠKE BAZE ZNANJA ................................. ........................................................ ... 140 4.3 ... OPISNI, PROCEDURALNI I MAŠINSKI SMIS PROGRAMA NA PROLOGU ........................................ ................................................... ................... 148 4.4. OSNOVNE TEHNIKE PROGRAMIRANJA U PROLOGU ................................ 151 4.5. VIZUELNO OKRUŽENJE PROLOGA ........................................ .................................. 154 VJEŽBE ................. ................................................... .................................... 194 LITERATURA ............ ................................................... ......................................... 197 -3- POGLAVLJE 5. PREZENTACIJA OD FUNKCIONALNO PROGRAMIRANJE. ................................................... ................................ 199 5.1. ISTORIJA FUNKCIONALNOG PROGRAMIRANJA ................................ 200 5.2. SVOJSTVA FUNKCIONALNIH PROGRAMSKIH JEZIKA .................... 203 5.3. ZADACI FUNKCIONALNOG PROGRAMIRANJA .................................... 207 VJEŽBE ................... ................................................... ......................................... 210 ODGOVORI ZA SAMOTEST .... .. ................................................................ .. ..................... 210 LITERATURA ........................ .. ................................................................ .. .......................... 211 RJEČNIK ................................ .. ................................................................ .. ................................. 213 DODATAK 1 ................ .. ................................................................ .. ................................ 221 DODATAK 2 ................... .. ................................................................ .. ....................... 252 DODATAK 3 ........................ .. ................................................................ .................... 265-4- PREDGOVOR B novije vrijeme raste interesovanje za veštačku inteligenciju, uzrokovano povećanim zahtevima za informacionim sistemima. Čovječanstvo se stabilno kreće ka novoj informatičkoj revoluciji, uporedivoj po obimu s razvojem interneta. Vještačka inteligencija je pravac kompjuterske nauke, čija je svrha razvoj hardverskih i softverskih alata koji omogućavaju ne-programeru da postavlja i rešava sopstvene, tradicionalno smatrane intelektualne zadatke, komunicirajući sa računarom na ograničenom podskupu prirodnog jezika. Istorija veštačke inteligencije kao novog naučnog pravca počinje sredinom 20. veka. U to vrijeme već su se formirali mnogi preduvjeti za njegovo nastanak: među filozofima su se dugo vodili sporovi o prirodi čovjeka i procesu upoznavanja svijeta, neurofiziolozi i psiholozi razvili su brojne teorije o radu čovjeka. mozak i razmišljanje, ekonomisti i matematičari postavljali su pitanja optimalnih proračuna i predstavljanja znanja o svijetu u formaliziranom obliku; konačno, rođen je temelj matematičke teorije računanja - teorija algoritama i stvoreni su prvi računari. Svrha ovog priručnika je da iznese glavne pravce i metode koje se koriste u vještačkoj inteligenciji, kao i da utvrdi mogućnost njihove upotrebe u profesionalnoj pedagoškoj djelatnosti. Ovaj vodič je podijeljen u pet poglavlja. Prvi pruža kratak uvod u umjetnu inteligenciju: istražuje povijest njenog razvoja kao naučnog pravca, ističe glavne oblasti umjetne inteligencije, razmatra takve filozofske aspekte problema kao što su mogućnost postojanja, sigurnost i korisnost umjetne inteligencije. inteligencija. Drugo poglavlje posvećeno je opisu klasičnih modela reprezentacije znanja: logičkog, semantičkog, okvirnog, produkcionog i neuromrežnog. Treće poglavlje bavi se teorijskim i praktičnim pitanjima razvoja ekspertnih sistema; opisuje omotač XpertRule. Četvrto poglavlje opisuje osnovne principe programiranja na Prolog jeziku, opisuje Visual Prolog okruženje. Peto poglavlje opisuje osnove funkcionalnog programiranja sa primjerima u jeziku LISP. Priručnik sadrži veliki broj ilustracije, vježbe i pitanja za samokontrolu. Za praktičnost proučavanja gradiva obezbeđen je pojmovnik. -5- POGLAVLJE 1. UVOD U VEŠTAČKU INTELIGENCIJU Veštačka inteligencija (AI) je novi pravac informatike, čiji je predmet proučavanja svaka ljudska intelektualna aktivnost koja se povinuje dobro poznatim zakonima. Slikovito, ovaj pravac se naziva "najstariji sin računarstva", jer mnogi neriješeni problemi postepeno pronalaze svoje rješenje u okviru umjetne inteligencije. Poznato je da je predmet informatike obrada informacija. Područje AI uključuje takve slučajeve (zadatke) iz ove obrade koji se ne mogu izvesti jednostavnim i preciznim algoritamskim metodama, a kojih je jako puno. AI se oslanja na znanje o procesu ljudskog razmišljanja. Istovremeno, ne zna se tačno kako funkcioniše ljudski mozak, međutim, da bi se razvili efektivno radni programi sa elementima veštačke inteligencije, znanje o karakteristikama ljudske inteligencije koje nauka danas ima već je dovoljno. Istovremeno, AI ne pokušava da kopira tačno rad ljudskog mozga, već pokušava da simulira njegove funkcije koristeći kompjutersku tehnologiju. Od svog nastanka, AI se razvija kao interdisciplinarni pravac u interakciji sa računarstvom i kibernetikom, kognitivnim naukama, logikom i matematikom, lingvistikom i psihologijom, biologijom i medicinom (Sl. 1). Informatika i kibernetika. Mnogi stručnjaci su došli u AI iz računarstva i kibernetike. Također, mnogi kombinatorni problemi koji se ne mogu riješiti tradicionalnim metodama u kompjuterskoj nauci migrirali su u polje AI. Osim toga, rezultati dobijeni u AI posuđuju se u kreiranju softvera i postaju dio računarstva (informatike). Kognitivne nauke. Kognitivne nauke su nauke o znanju. AI se također odnosi na znanje. Ali kognitivne nauke koriste ne samo informacijske i neurobiološke pristupe, već razmatraju i socijalne i psiholingvističke aspekte upotrebe znanja. Logika i matematika. Logika je u osnovi svih poznatih formalizama za predstavljanje znanja, kao i programskih jezika kao što su Lisp i Prolog. Za rješavanje AI problema koriste se metode diskretne matematike, teorije igara i teorije operacija. Zauzvrat, AI se može koristiti za dokazivanje teorema, rješavanje problema u različitim oblastima matematika: geometrija, integralni račun. Psihologija i lingvistika. Nedavno su se stručnjaci za umjetnu inteligenciju zainteresirali za psihološke aspekte ljudskog ponašanja kako bi ga modelirali. Psihologija pomaže u izgradnji modela procjene vrijednosti, subjektivnog donošenja odluka. Zanimljiva je psihologija komunikacije -6- "čovek-kompjuter", psiholingvistika. Računarska lingvistika je dio AI koji se zasniva na matematičkim metodama obrade prirodnih i vještački jezici, s jedne strane, i fenomenologije jezika, s druge strane. Biologija i medicina vam omogućavaju da bolje proučite i razumete rad mozga, sistema vida, sluha i drugih prirodnih senzora i date novi podsticaj modeliranju njihovog rada. Rice. 1. Interakcija AI sa drugim disciplinama Ne postoji jedinstvena definicija AI, kao što ne postoji jedinstvena definicija prirodne inteligencije. Među brojnim gledištima na ovu naučnu oblast, tri sada dominiraju. 1. Istraživanja u oblasti veštačke inteligencije su fundamentalna istraživanja, u okviru kojih se razvijaju modeli i metode za rešavanje problema, koji su tradicionalno smatrani inteligentnim i ranije nisu bili podložni formalizaciji i automatizaciji. 2. AI je novi pravac informatike, povezan sa novim idejama za rešavanje problema na računaru, sa razvojem suštinski drugačije tehnologije programiranja, sa prelaskom na računarsku arhitekturu koja odbacuje klasičnu arhitekturu, koja datira još od pr. kompjuteri. 3. Kao rezultat rada u oblasti veštačke inteligencije rađaju se mnogi primenjeni sistemi koji rešavaju probleme za koje prethodno kreirani sistemi nisu bili pogodni. -7- Primjer s kalkulatorom može se koristiti za ilustraciju prvog pristupa. Početkom veka aritmetičkim proračunima sa dvosmislenim brojevima bila je sudbina nekolicine darovitih pojedinaca i sposobnost izvođenja takvih aritmetičkih radnji u umu s pravom se smatrala jedinstvenim darom prirode i bila je predmet naučno istraživanje... Danas je pronalazak kalkulatora ovu sposobnost učinio dostupnom čak i učeniku trećeg razreda. Isto je i sa AI: poboljšava intelektualne sposobnosti osobe, preuzimajući na sebe rješavanje zadataka koji prethodno nisu formalizirani. Da bismo ilustrovali drugi pristup, možemo razmotriti istoriju pokušaja stvaranja računara pete generacije. Sredinom 1980-ih, Japan je najavio početak ambicioznog projekta stvaranja kompjutera pete generacije. Projekat se bazirao na ideji hardverske implementacije jezika PROLOG. Međutim, projekat je završio neuspehom, iako je imao snažan uticaj na razvoj i širenje jezika PROLOG kao programskog jezika. Razlog neuspjeha bio je ishitreni zaključak da jedan jezik (iako prilično univerzalan) može pružiti jedno rješenje za sve probleme. Praksa je pokazala da do sada nije izmišljena univerzalna programska paradigma za rješavanje svih problema i teško da će se pojaviti. To je zbog činjenice da je svaki zadatak dio predmetne oblasti i zahtijeva pažljivo proučavanje i specifičan pristup. Pokušaji stvaranja novih računarskih arhitektura se nastavljaju i povezani su sa paralelnim i distribuiranim računarstvom, neurokompjuterima, probabilističkim i fuzzy procesorima. Rad na polju kreiranja ekspertnih sistema (ES) može se pripisati trećem, najpragmatičnijem pravcu u AI. Ekspertski sistemi su softverski sistemi koji zamenjuju čoveka specijalistu u uskim oblastima intelektualne delatnosti koje zahtevaju upotrebu posebnih znanja. Stvaranje ES u oblasti medicine (kao što je MYCIN) omogućava širenje znanja u najudaljenija područja. Dakle, u kombinaciji sa telekomunikacionim pristupom, svaki seoski lekar može dobiti savet od takvog sistema, koji zamenjuje njegovu komunikaciju sa specijalistom po nekom uskom pitanju. U Rusiji je umjetna inteligencija našla svoje pristalice skoro od samog početka. Međutim, ova disciplina nije odmah dobila službeno priznanje. AI je kritikovana kao podgrana kibernetike, koja se smatra "pseudonaukom". Do određenog trenutka, šokantni naziv "vještačka inteligencija" je također igrao negativnu ulogu. Tako se u Prezidijumu Akademije nauka pojavila šala da se "vještačkom inteligencijom bave oni kojima nedostaje prirodno". Međutim, danas je AI zvanično priznat naučni pravac u Rusiji, objavljuju se časopisi „Control Systems and Machines“ i „AI News“, naučnim konferencijama i seminare. Postoji Rusko udruženje AI, koje broji oko 200 članova, čiji je predsednik D.A. Pospelov, doktor tehničkih nauka, i počasni predsednik RAN akademik G.S. Pospelov. U okviru Saveta predsednika Ruske Federacije za informatiku i računarstvo postoji Ruski institut za veštačku inteligenciju. U okviru Ruske akademije nauka postoji Naučno veće o problemu „veštačke inteligencije“. Uz učešće ovog Savjeta, objavljeno je dosta knjiga o temama umjetne inteligencije, prijevoda. Poznati radovi D.A.Pospelova, Litvinceve i Kandrashine - u oblasti predstavljanja i obrade znanja, E.V. Popov i Horoshevsky - u oblasti obrade prirodnog jezika i ekspertnih sistema, Averkin i Melikhov u oblasti fuzzy logike i rasplinutih skupova, Stefanyuk - u oblasti sistema učenja, Kuznjecov, Finn i Vagin - u oblasti logike i znanja reprezentacija. U Rusiji postoji tradicionalno jaka kompjuterska lingvistička škola, koja potiče od rada na modelu "SmyslText" od Melčuka. Poznati kompjuterski lingvisti su Apresyan, Gorodetsky, Paducheva, Narinyani, Leontyeva, Chaliapin, Zaliznyak stariji, Kibrik stariji, Baranov i mnogi drugi. ostalo 1.1. Povijest razvoja umjetne inteligencije kao znanstvenog pravca Ideja o stvaranju umjetne sličnosti ljudskog uma za rješavanje složenih problema i modeliranje sposobnosti mišljenja vinula je od davnina. U starom Egiptu stvorena je "oživljavajuća" mehanička statua boga Amona. U Homerovoj Ilijadi bog Hefest je kovao stvorenja nalik mašinama. U literaturi se ova ideja mnogo puta poigravala: od Galateje Pigmaliona do Pinokija pape Karla. Međutim, rodonačelnikom vještačke inteligencije smatra se srednjovjekovni španski filozof, matematičar i pjesnik R. Llull (oko 1235-oko 1315), koji je u XIV st. pokušao da stvori mašinu za rešavanje raznih problema na osnovu opšte klasifikacije pojmova. U XVIII vijeku. G. Leibniz (1646 - 1716) i R. Descartes (1596 - 1650) samostalno su razvili ovu ideju, predlažući univerzalne jezike za klasifikaciju svih nauka. Ove ideje su činile osnovu teorijskog razvoja u oblasti veštačke inteligencije (slika 2). Razvoj umjetne inteligencije kao naučnog pravca postao je moguć tek nakon stvaranja kompjutera. To se dogodilo 40-ih godina. XX vijek U isto vrijeme N. Wiener (1894 - 1964) stvara svoja temeljna djela o novoj nauci - kibernetici. Termin vještačka inteligencija predložen je 1956. godine na istoimenom seminaru na Univerzitetu Stanford (SAD). Seminar je bio posvećen razvoju logičkih, a ne računskih problema. Ubrzo nakon priznavanja veštačke inteligencije kao nezavisne grane nauke, došlo je do podele na dve glavne oblasti: neurokibernetiku i kibernetiku crne kutije. I tek u sadašnje vrijeme postale su uočljive tendencije ka ponovnom ujedinjenju ovih dijelova u jedinstvenu cjelinu. U SSSR-u 1954. godine na Moskovskom državnom univerzitetu pod vodstvom profesora A. A. Lyapunova (1911 - 1973) počeo je sa radom seminar "Automati i mišljenje". Na seminaru su učestvovali glavni fiziolozi, lingvisti, psiholozi, matematičari. Općenito je prihvaćeno da je u to vrijeme u Rusiji rođena umjetna inteligencija. Kao i u inostranstvu, pojavili su se pravci neurokibernetike i kibernetike "crne kutije". Godine 1956 -1963. intenzivne su potrage za modelima i algoritmima ljudskog mišljenja i razvoj prvih programa. Pokazalo se da nijedna od postojećih nauka - filozofija, psihologija, lingvistika - ne može ponuditi takav algoritam. Zatim je kibernetika predložila stvaranje vlastitih modela. Razvijeni su i testirani različiti pristupi. Prvo istraživanje AI odnosilo se na kreiranje programa za igranje šaha, jer se vjerovalo da je sposobnost igranja šaha pokazatelj visoke inteligencije. 1954. godine američki naučnik Newell je osmislio ideju stvaranja takvog programa. Shannon je predložio, a Turing precizirao, metodu za kreiranje takvog programa. Amerikanci Šo i Sajmon su u saradnji sa grupom holandskih psihologa iz Amsterdama, na čelu sa de Grootom, napravili takav program. Usput je stvoren poseban jezik IPL1 (1956) dizajniran za manipulaciju informacijama u simboličkom obliku, koji je bio prethodnik Lisp jezika (MacCarthy, 1960). Međutim, prvi program umjetne inteligencije bio je program Teorijske logike, osmišljen da dokaže teoreme u propozicionom proračunu (9. avgusta 1956.). Šahovski program nastao je 1957. godine (NSS - Newell, Shaw, Simon). Njegova struktura i struktura teoretičarskog programa logike činili su osnovu za kreiranje programa GPS-General Problem Solving. Ovaj program, analizirajući razlike između situacija i konstruisanjem ciljeva, dobar je u rješavanju zagonetki poput Hanojske kule ili u izračunavanju neodređenih integrala. EPAM (Program elementarnog opažanja i pamćenja) - osnovni program za percepciju i pamćenje, koju je zamislio Feigenbaum. Godine 1957. pojavio se članak Čomskog, jednog od osnivača računarske lingvistike, o transformacionim gramatikama. U kasnim 50-im. rođen je model pretraživanja lavirinta. Ovaj pristup predstavlja problem kao neki graf koji odražava prostor stanja1, a na ovom grafu se vrši potraga za optimalnom putanjom od ulaznih podataka do rezultirajućih podataka. Dosta je posla urađeno na razvoju ovog modela, ali u rješavanju praktični zadaci ideja nije bila široko rasprostranjena. 1 Prostor stanja je graf čiji vrhovi odgovaraju situacijama koje se susreću u problemu („problemske situacije“), a rješenje problema se svodi na pronalaženje putanje u ovom grafu. - 10 - Rane 60-e. - era heurističkog programiranja. Heuristika je pravilo koje je teoretski neopravdano, ali vam omogućava da smanjite broj pretraga u prostoru pretraživanja. Heurističko programiranje je razvoj akcione strategije zasnovane na poznatoj, unaprijed definiranoj heuristici. Šezdesetih godina stvoreni su prvi programi koji su radili sa upitima na prirodnom jeziku. BASEBALL program (Green et al., 1961) odgovarao je na upite o rezultatima prošlih bejzbol utakmica, STUDENT program (Bobrow, 1964) je imao pristup rješenju algebarskih problema formulisanih na engleskom jeziku. Rice. 2. Prekretnice u razvoju AI kao naučnog pravca Velike nade polagale su se na rad na polju mašinskog prevođenja, čiji se početak vezuje za ime ruske lingvistice Belske. Međutim, istraživačima je trebalo mnogo godina da shvate da automatsko prevođenje nije izolovan problem i da je potreban tako neophodan korak kao što je razumevanje da bi bilo uspešno. Među najznačajnijim rezultatima do kojih su domaći naučnici došli 60-ih godina, treba istaći algoritam "Kore" M. Bongarda, koji simulira aktivnost ljudskog mozga u prepoznavanju obrazaca. Godine 1963 - 1970 metode matematičke logike počele su se povezivati sa rješavanjem problema. Novi pristup formalnoj logici, zasnovan na dovođenju rasuđivanja u kontradikciju, pojavio se 1965 - 11 - (J. Robinson). Na osnovu metode rezolucija, koja je omogućila automatsko dokazivanje teorema u prisustvu skupa početnih aksioma, 1973. je stvoren Prolog jezik. U SSSR-u 1954-1964. kreiraju se zasebni programi i istražuje se potraga za rješenjima logičkih problema. U Lenjingradu (LOMI - Lenjingradski ogranak Matematičkog instituta Steklova) se kreira program koji automatski dokazuje teoreme (ALPEV LOMI). Zasniva se na originalnom obrnutom zaključku S. Yu. Maslova, sličnom metodi Robinsonovih rezolucija. Godine 1965-1980. se razvija nova nauka- situaciono upravljanje (odgovara predstavljanju znanja u zapadnoj terminologiji). Osnivač ove naučne škole je profesor D.A. Pospelov. Razvijeni su posebni modeli za predstavljanje situacija – predstavljanje znanja. U inostranstvu istraživanja u oblasti veštačke inteligencije praćena su razvojem programskih jezika nove generacije i stvaranjem sve sofisticiranijih programskih sistema (Lisp, Prolog, Plannar, QA4, Macsyma, Reduce, Refal, ATNL, TMS). Dobiveni rezultati počinju da se koriste u robotici, pri upravljanju robotima, stacionarnim ili mobilnim, koji rade u realnom trodimenzionalnom prostoru. To otvara problem stvaranja vještačkih organa percepcije. Do 1968. istraživači su radili uglavnom sa odvojenim "mikroprostorima", stvarali su sisteme pogodne za tako specifične i ograničene oblasti primene kao što su igre, euklidska geometrija, integralni račun, "svet kocki", obrada jednostavnih i kratkih fraza sa malim rečnikom. ... Gotovo svi ovi sistemi koristili su isti pristup – pojednostavljivanje kombinatorike zasnovane na smanjenju neophodnog nabrajanja alternativa na osnovu zdravog razuma, korištenjem funkcija numeričke procjene i različitih heuristika. Početkom 1970-ih došlo je do kvantnog skoka u istraživanju umjetne inteligencije. Dva su razloga za to. Prvo. Svi istraživači su postepeno shvatili da svim ranije kreiranim programima nedostaje ono najvažnije – dubinsko znanje iz relevantne oblasti. Razlika između stručnjaka i običnog čovjeka je u tome što stručnjak ima iskustvo u toj oblasti, tj. stečeno znanje tokom godina. Drugo. Pojavljuje se specifičan problem: kako to znanje prenijeti u program, ako njegov neposredni kreator to znanje ne posjeduje. Odgovor je jasan: sam program ih mora izdvojiti iz podataka dobijenih od stručnjaka. Istraživanja o rješavanju problema i razumijevanju prirodnog jezika imaju jednu zajedničku stvar čest problem- predstavljanje znanja. Do 1970. godine stvoreno je - 12 - mnogo programa zasnovanih na ovim idejama. Prvi od njih je DENDRAL program. Dizajniran je da generiše strukturne formule hemijskih jedinjenja na osnovu informacija sa masenog spektrometra. Program je razvijen na Stanfordu uz učešće nobelovca D. Lederberga. Iskustvo je sticala u procesu vlastitog funkcionisanja. Stručnjak je u njemu postavio hiljade elementarnih činjenica, predstavljenih u obliku posebnih pravila. Sistem o kome je reč bio je jedan od prvih ekspertskih sistema i rezultati njegovog rada su neverovatni. Sistem se trenutno isporučuje potrošačima zajedno sa spektrometrom. Godine 1971. Terry Vinograd je razvio SHRDLU sistem, koji simulira robota koji manipuliše kockama. Možete govoriti engleski sa robotom. Sistem je zainteresovan ne samo za sintaksu fraza, već i pravilno razume njihovo značenje zahvaljujući semantičkom i pragmatičkom poznavanju svog „sveta kocki“. Od sredine 1980-ih komercijalizacija vještačke inteligencije odvija se u inostranstvu. Rastu godišnji kapitalni izdaci, a stvaraju se industrijski ekspertni sistemi. Postoji sve veći interes za sisteme za samoučenje. U našoj zemlji, 1980-1990. provode se aktivna istraživanja u oblasti predstavljanja znanja, razvijaju se jezici predstavljanja znanja, ekspertski sistemi (više od 300). Jezik REFAL se kreira na Moskovskom državnom univerzitetu. 1988. godine osnovano je AII - Udruženje za umjetnu inteligenciju. Njeni članovi su više od 300 istraživača. Predsjednik Udruženja - D.A. Pospelov. Najveći centri - u Moskvi, Sankt Peterburgu, Pereslavl-Zalesskom, Novosibirsku. 1.2. Glavni pravci istraživanja u oblasti veštačke inteligencije Trenutno je veštačka inteligencija brzo razvijajuća i veoma razgranana naučna oblast. Godišnje se održava više od 40 konferencija samo iz računarske lingvistike u svijetu. Gotovo svaka evropska država, kao i SAD, Kanada, Japan, Rusija, jugoistočna Azija, redovno su domaćini nacionalnih konferencija o AI. U Rusiji se ova manifestacija održava svake dvije godine pod pokroviteljstvom Ruske asocijacije za umjetnu inteligenciju (RAII). Osim toga, Međunarodna zajednička konferencija o AI (IJCAI) održava se svake dvije godine. Više od 3 hiljade periodičnih publikacija objavljuje naučne rezultate iz ove oblasti. Ne postoji potpuna i stroga klasifikacija svih oblasti AI; pokušaj da se klasifikuju zadaci koje AI rešava prikazan je na Sl. 3. Prema klasifikaciji D.A. Pospelova u AI, postoje dva dominantna pristupa istraživanjima u oblasti AI: neurobionički i informacioni (sl. 4 i 5). - 13 - Problemi Opšte Formalne Stručne percepcije Igre (šah, Go, slagalice) Inženjering Obrada prirodnog jezika Matematika Naučna analiza Zdrav razum Rasuđivanje Geometrija Finansijska analiza Kontrolni program robota Verifikacija Medicinska dijagnostika Fig. 3. Zadaci umjetne inteligencije Zagovornici prve su sebi postavili za cilj umjetnu reprodukciju procesa koji se odvijaju u ljudskom mozgu. Ovo područje je na raskrsnici medicine, biologije i kibernetike. Istovremeno proučavaju ljudski mozak, identificiraju načine njegovog rada, stvaraju tehnička sredstva za ponavljanje bioloških struktura i procesa koji se u njima odvijaju. Područje AI može se grubo podijeliti u pet velikih dijelova: - neuralne strukture; - programi za rješavanje intelektualnih problema; - sistemi zasnovani na znanju; - intelektualno programiranje; - inteligentni sistemi. Svaki od odeljaka se može predstaviti na sledeći način (vidi sliku 4-9). - 14 - Fig. 4. Neuro-slične strukture Sl. 5. Programi za rješavanje intelektualnih problema Fig. 6. Sistemi zasnovani na znanju - 15 - Fig. 7. Inteligentno programiranje Sl. 8. Inteligentni sistemi 1.3. Filozofski aspekti problema umjetne inteligencije Glavni filozofski problem u području umjetne inteligencije vezan je za traženje odgovora na pitanje: da li je moguće ili ne modelirati ljudsko mišljenje. U slučaju da se na ovo pitanje ikada dobije negativan odgovor, onda sva druga pitanja iz oblasti AI neće imati ni najmanjeg smisla. Stoga se prilikom pokretanja studije umjetne inteligencije unaprijed pretpostavlja pozitivan odgovor. Dokaz o mogućnosti modeliranja ljudskog mišljenja. 1. Školski: dosljednost umjetne inteligencije i Biblije. Očigledno, čak i oni koji su daleko od religije znaju riječi Svetog pisma: "I stvori Gospod čovjeka na svoju sliku i priliku...". Na osnovu ovih riječi možemo zaključiti da pošto je Gospodin, prvo, stvorio ljude, a drugo, oni su mu sami po sebi slični, onda su ljudi sasvim sposobni stvoriti nekoga na sliku i priliku čovjeka. 2. Biološki. Stvaranje novog uma biološkim sredstvima prilično je uobičajeno za osobu. Posmatrajući djecu, vidimo da - 16 - većinu znanja stiču učenjem, a ne onako kako im je unaprijed zapisano. Ova tvrdnja nije dokazana na savremenom nivou, ali prema vanjskim znakovima sve izgleda upravo ovako. 3. Empirijski. Ono što se do sada činilo vrhuncem ljudske kreativnosti - igranje šaha, dama, prepoznavanje vizuelnih i zvučnih slika, sintetiziranje novih tehnička rješenja, u praksi se pokazalo da nije tako izazovan zadatak... Sada se posao ne odvija na nivou mogućnosti ili nemogućnosti implementacije navedenog, već na pronalaženju najoptimalnijeg algoritma - često se ovi problemi ne nazivaju problemima umjetne inteligencije. Nadamo se da je moguća i potpuna simulacija ljudskog razmišljanja. 4. Mogućnost samoreprodukcije. Sposobnost da se sama reprodukuje dugo se smatrala prerogativom živih organizama. Međutim, neke pojave koje se javljaju u neživoj prirodi (na primjer, rast kristala, sinteza složenih molekula kopiranjem) vrlo su slične samoreproduciranju. Početkom 1950-ih, J. von Neumann je započeo temeljno proučavanje samoreprodukcije i postavio temelje matematičke teorije "samoreproducirajućih automata". On je i teorijski dokazao mogućnost njihovog nastanka. Postoje i razni neformalni dokazi o mogućnosti samoreplikacije, ali za programere je možda najupečatljiviji dokaz postojanje kompjuterskih virusa. 5. Algoritamski. Osnovna mogućnost automatizacije rješavanja intelektualnih problema korištenjem računara pruža svojstvo algoritamske univerzalnosti. Ovo svojstvo računara znači da je moguće programski implementirati (tj. predstaviti u obliku kompjuterskog programa) bilo koje algoritme za pretvaranje informacija o njima. Štaviše, procesi generisani ovim algoritmima su potencijalno izvodljivi, odnosno izvodljivi su kao rezultat konačnog broja elementarnih operacija. Izvodljivost algoritama ovisi o dostupnim alatima, koji se mogu promijeniti s napretkom tehnologije. Dakle, u vezi sa pojavom brzih računara, takvi algoritmi su postali praktično izvodljivi, koji su ranije bili samo potencijalno izvodljivi. Osim toga, sadržaj ovog svojstva ima prediktivni karakter: kad god u budućnosti bilo koji recept bude prepoznat od strane algoritma, onda bez obzira u kojem obliku i na koji način će biti prvobitno izražen, može se postaviti i u obliku mašinski program. Međutim, to ne treba misliti računarske mašine a roboti u principu mogu riješiti svaki problem. Analiza raznih problema dovela je matematičare do izuzetnog otkrića. Rigorozno je dokazano postojanje ovakvih vrsta problema za koje je nemoguć jedinstven efikasan algoritam koji rješava sve probleme. ovog tipa; u tom smislu je nemoguće riješiti probleme ovog tipa uz pomoć kompjutera. Ova činjenica doprinosi boljem razumijevanju šta mašine mogu, a šta ne mogu. Zaista, izjava o algoritamskoj neodlučivosti određene klase problema nije samo priznanje da je takav algoritam nepoznat i da ga još niko nije pronašao. Ovakva izjava je istovremeno i prognoza za sva buduća vremena da nam ovakav algoritam nije poznat i da ga niko neće naznačiti, odnosno da ne postoji. AI se može posmatrati u nizu alata (intelektualnih i neintelektualnih) koje je čovečanstvo stvorilo i ovladalo na putu svog istorijskog razvoja. To uključuje: ručni alat; alatne mašine i mašine; jezik i govor; uređaji za računanje; VT i telekomunikacioni objekti. Filozofi tvrde da je izrada alata (u najširem smislu riječi) najviše važne vrste aktivnost koja razlikuje naše pretke od drugih primata. Ljudska bića se ističu među životinjama po svojoj sposobnosti da proizvode znanje i alate. Nijedan drugi tehnološki ili društveno-politički izum nije izazvao tako gigantski jaz u razvoju vrste homo sapience od drugih vrsta žive prirode. Razvoj kompjuterske tehnologije može se široko podijeliti u dvije oblasti: digitalnu obradu i simboličku obradu. Prvi pravac je učinio informacije mnogo pogodnijim za skladištenje, obradu i prenos od svih prethodnih poboljšanja u tehnologiji papira. Računar je nadmašio sve računarske alate iz prošlosti (abakus, abakus, sabiranje) po brzini, raznovrsnosti funkcija, jednostavnosti upotrebe. Dosljedno šireći obim automatizacije u polju monotonog mentalnog rada, digitalna obrada informacija proširila je opseg štamparske mašine i industrijske revolucije na nove granice. Druga grana kompjuterske tehnologije, obrada znakova (Newell i Simonov termin) ili umjetna inteligencija, omogućila je kompjuteru da oponaša procese senzorne percepcije i orijentacije, zaključivanja i rješavanja problema, obrade prirodnog jezika i drugih ljudskih sposobnosti. Drugim riječima, AI je nova vrsta alata, alternativa postojećim. Ova realnost natjerala je filozofe AI da se odmaknu od pitanja "Da li je moguće stvoriti inteligentnu mašinu?" na problem uticaja intelektualnih alata na društvo. Uključujući i mogući društveni efekat razvoja veštačke inteligencije, i to: - 18 - povećanje nivoa inteligencije celog društva, što će dati nova otkrića, izume i novo razumevanje samog čovečanstva. mijenjanje situacije kada je većina ljudi sredstvo i instrument proizvodnje. Sljedeće filozofsko pitanje AI je svrha stvaranja. U principu, sve što radimo u praktičnom životu obično ima za cilj da ne radimo ništa drugo. Međutim, za dovoljno visoki nivo život (velika količina potencijalne energije) osobe u prvim ulogama više nije lijenost (u smislu želje za uštedom energije), već instinkti traganja. Recimo da je čovjek uspio stvoriti intelekt koji nadmašuje njegov (ako ne kvalitetom, onda kvantitetom). Šta će sada biti sa čovečanstvom? Kakvu će ulogu ta osoba imati? za šta je sad? I općenito, da li je u principu potrebno stvoriti AI? Možda je najprihvatljiviji odgovor na ova pitanja koncept „pojačivača inteligencije“ (AI). Prema S.L. Sotnik, analogija sa predsednikom države je ovde prikladna - on nije dužan da poznaje valenciju vanadijuma ili programski jezik Java da bi doneo odluku o razvoju industrije vanadijuma. Svako radi svoje – hemičar opisuje tehnološki proces, programer piše program; ekonomista kaže predsedniku da će ulaganjem u industrijsku špijunažu zemlja dobiti 20%, au industriji vanadijuma - 30% godišnje. Mislim da će s takvom formulacijom pitanja svako moći napraviti pravi izbor. U ovom primjeru, predsjednik koristi biološku umjetnu inteligenciju - grupu stručnjaka sa svojim proteinskim mozgom. Ali čak i sada se koriste i neživi UI - na primjer, kompjuteri, ugrađeni računski uređaji. Osim toga, osoba već dugo koristi pojačala snage (SAD) - koncept koji je u velikoj mjeri analogan AI. Automobili, dizalice, elektromotori, prese, topovi, avioni i još mnogo toga služe kao pojačala snage. Glavna razlika između UI i CS je prisustvo volje: prvi može imati svoje "želje" i ponašati se drugačije od onoga što se od njega očekuje. Stoga se javlja problem sigurnosti AI sistema. Kako možemo izbjeći negativne posljedice koje prate svako novo dostignuće naučne i tehnološke revolucije? Ovaj problem opsjeda umove čovječanstva još od vremena Karla Čapeka, koji je prvi upotrijebio termin „robot“. Drugi pisci naučne fantastike takođe su mnogo doprineli njegovoj raspravi. Najpoznatija - serija priča pisca naučne fantastike i naučnika Isaka Asimova, koji može pronaći najrazrađenije i od većine prihvaćeno rješenje sigurnosnog problema. Govorimo o tri zakona robotike. 1. Robot ne može nauditi osobi ili svojim nečinjenjem dozvoliti da se neko naudi. - 19 - 2. Robot mora poslušati komande koje mu daje čovjek, osim ako su te komande u suprotnosti sa prvim zakonom. 3. Robot mora voditi računa o svojoj sigurnosti, u mjeri u kojoj to nije u suprotnosti sa prvim i drugim zakonom. Nakon toga, Azimov dodaje "Nulti zakon" na ovu listu: "Robot ne može nauditi čovječanstvu niti, svojim nečinjenjem, dozvoliti da se nanese šteta čovječanstvu." Na prvi pogled, takvi zakoni, svojim punim poštovanjem, trebaju osigurati sigurnost čovječanstva. Međutim, nakon detaljnijeg razmatranja, postavljaju se neka pitanja. Prvo, zakoni su formulisani na ljudski jezik, što ne dozvoljava njihovo jednostavno prevođenje u algoritamski oblik. Pretpostavimo da je ovaj problem riješen. Sada, šta sistem veštačke inteligencije podrazumeva pod „štetom“? Neće li odlučiti da je samo postojanje čovjeka čista šteta? Uostalom, on puši, pije, godinama stari i gubi zdravlje, pati. Zar ne bi bilo manje zlo brzo prekinuti ovaj lanac patnje? Naravno, možete uvesti neke dodatke vezane za vrijednost života, slobodu izražavanja. Ali to više neće biti jednostavna tri zakona koja su bila u originalu. Sljedeće: šta će AI sistem odlučiti u situaciji kada je spašavanje jednog života moguće samo na račun drugog? Posebno su zanimljivi oni slučajevi kada sistem nema potpune informacije o tome ko je ko. Međutim, i pored navedenih problema, ovi zakoni su prilično dobra neformalna osnova za provjeru pouzdanosti sigurnosnog sistema za AI sisteme. Dakle, zar zaista ne postoji pouzdan sigurnosni sistem? Na osnovu MI koncepta, može se predložiti sljedeća opcija. Prema brojnim eksperimentima, uprkos nedostatku pouzdanih podataka o tome za šta je odgovoran svaki pojedini neuron u ljudskom mozgu, mnoge emocije obično odgovaraju pobuđivanju grupe neurona (neuralnog ansambla) u potpuno predvidljivom području. Izvedeni su i obrnuti eksperimenti, gdje je iritacija određenog područja dala željeni rezultat. To mogu biti emocije radosti, ugnjetavanja, straha, agresivnosti. Stoga se čini mogućim uzeti stepen zadovoljstva ljudskog mozga domaćina kao ciljnu funkciju. Ako preduzmete mjere za isključivanje samodestruktivnih aktivnosti u stanju depresije, kao i za druge posebnim uslovima psihe, dobijate sledeće. Budući da se pretpostavlja da normalna osoba neće štetiti sebi i, bez posebnog razloga, drugima, a IA je sada dio date individue (ne nužno fizičke zajednice), onda su sva tri zakona robotike automatski ispunjena. Istovremeno, bezbednosna pitanja se prebacuju na polje psihologije i provođenja zakona, jer - 20 - sistem (obučen) neće učiniti ništa što njegov vlasnik ne bi želio. Pitanja za samoprovjeru 1. Šta je umjetna inteligencija? 2. S kojim naučnim oblastima je u interakciji vještačka inteligencija? 3. Opisati pristupe razumijevanju predmeta umjetne inteligencije kao naučne discipline. 4. Opišite trenutno stanje AI u Rusiji. 5. Opišite "predkompjutersku" fazu razvoja umjetne inteligencije 6. Opišite razvoj umjetne inteligencije 40-ih godina. XX vijek 7. Opišite razvoj umjetne inteligencije 50-ih godina. XX vijek 8. Opišite razvoj vještačke inteligencije 60-ih godina. XX vijek 9. Opišite razvoj umjetne inteligencije 70-ih godina. XX vijek 10. Opišite razvoj umjetne inteligencije 80-ih godina. XX vijek 11. Opišite glavne zadatke umjetne inteligencije. 12. Koji se dijelovi izdvajaju u oblasti umjetne inteligencije? 13. Navedite dokaze o mogućnosti modeliranja ljudskog razmišljanja. 14. Šta je osnova za prelazak na problem uticaja intelektualnih sredstava na društvo? 15. Šta je uzrokovalo i kako se može riješiti problem sigurnosti sistema vještačke inteligencije? Literatura 1. Luger, J., F. Umjetna inteligencija: strategije i metode rješavanja složenih problema: trans. s engleskog / George F. Luger - M.: Izdavačka kuća "Williams", 2003. - 864 str. 2. Osnove umjetne inteligencije / B.V. Kostrov, V.N. Ručkin, V.A. Fulin. - M.: "DESS", "Techbook", 2007. - 192 str. 3. Sajt Ruskog udruženja za veštačku inteligenciju. - Način pristupa: http://www.raai.org/ 4. Sotnik, S.L. Osnove projektovanja sistema veštačke inteligencije: predavanja. - Način pristupa: http://newasp.omskreg.ru/intellect/f25.htm 5. Russell, S. Artificial intelligence: a modern approach / Stuart Russell, Peter Norvig. - M.: Izdavačka kuća"Williams", 2006. - 1408 str. - 21 - POGLAVLJE 2. MODELI PREDSTAVLJANJA ZNANJA 2.1. Znanje Koje vrste znanja su potrebne da bi se obezbijedilo "inteligentno" ponašanje? "Tajna" fenomenologije modela znanja leži u svijetu oko nas. V opšti slučaj model reprezentacije znanja treba da pruži drugačiji opis objekata i fenomena koji čine predmetnu oblast u kojoj inteligentni agent mora da radi. Predmetno područje je dio stvarnosti povezan s rješavanjem problema. Inteligentni agent - sistem (osoba, program) sa intelektualnim sposobnostima. Znanje su identifikovani obrasci predmetne oblasti (principi, veze, zakoni). Znanje ima složeniju strukturu od podataka (metapodataka). U ovom slučaju, znanje se postavlja ekstenzivno (tj. kroz skup specifičnih činjenica koje odgovaraju datom konceptu i koje se odnose na predmetnu oblast) i intenzivno (tj. kroz svojstva koja odgovaraju datom konceptu i dijagram veza između atributa) . Vrste znanja Objekti. Obično, osoba predstavlja znanje u smislu činjenica o objektima oko sebe. Iz tog razloga, moraju postojati načini za predstavljanje objekata, klasa (kategorija, tipova) objekata, opisivanje svojstava i interakcija objekata. Jedan od načina za klasifikaciju objekata je kroz hijerarhiju klasa. Osim toga, potrebno je razlikovati apstraktne objekte koji se koriste za označavanje grupa (skupova, klasa) pojedinaca. Primjer "Ptice imaju krila" "Golubovi su ptice" "Snijeg je bijeli" "Ova knjiga je nova" - pojedinačni objekat Situacije - sve vrste interakcija između objekata. Primjer “Juče je padala kiša” “Vlak je kasnio 10 minuta” Primjer klasifikacije situacija koju je predložila Paducheva prikazan je na sl. 9. Osim toga, da bi se situacije mogle opisati same, model reprezentacije treba da omogući opisivanje lokacije događaja na vremenskoj osi, kao i njihove uzročne veze. Situacije Statička stanja Konstantna svojstva i odnosi Dinamički procesi Stabilni incidenti Privremeni rezultati Događaji Sl. 9. Primjer klasifikacije situacija koju je predložila Padučeva U predstavljanju hijerarhije objekata i odnosa glavna poteškoća je izbor temelja, tj. svojstva (atribut) po kojima dolazi do podjele. Obično, čak i ako osoba može lako razlikovati različite vrste objekata i situacija u životu, pokušaj verbalne klasifikacije predstavlja veliki problem. Procedure. Ponašanje (npr. biciklizam) zahtijeva znanje koje je izvan deklarativnog znanja o objektima i odnosima između njih. To je znanje o tome kako izvršiti ovu ili onu radnju, koje se naziva proceduralno znanje, ili iskustvo (vještina). Slično biciklizmu, većina svjesnih ponašanja (npr. komunikacija, razumijevanje ili dokazivanje teorema) uključuje proceduralno znanje i često je teško jasno razlikovati znanje o postupku i znanje o objektu. Primjer Pojam "pedagogija" - opisuje situaciju nedostatka proceduralnog znanja kod osobe koja se pretvara da je specijalista. Meta-znanje - znanje o znanju: o obimu i porijeklu znanja o određenom objektu, o pouzdanosti određenih informacija , ili o relativnoj važnosti određenih činjenica. Meta-znanje takođe uključuje - 23 - ono što ljudi znaju o sopstvenoj sposobnosti prerađivača znanja: snagu, slabost, nivo iskustva u različitim oblastima i osećaj napretka u rešavanju problema. Klasifikacija znanja po dubini: Površno znanje (skup empirijskih asocijacija i uzročno-posledičnih veza između pojmova predmetne oblasti). Duboko znanje (apstrakcije, slike, analogije, koje odražavaju razumijevanje strukture predmetne oblasti i odnosa pojedinih pojmova). Po načinu postojanja: Činjenice (poznate okolnosti). Heuristika (znanje iz stručnog iskustva). U pogledu rigidnosti: Kruto znanje (omogućava vam da dobijete nedvosmislene jasne preporuke za date početne uslove). Meko znanje (omogućava višestruke, nejasne odluke i različite opcije preporuke). Po oblicima prezentacije: Deklarativna znanja (činjenice u obliku skupova strukturiranih podataka). Proceduralno znanje (algoritmi u obliku postupaka obrade činjenica). Po načinu sticanja: Naučno znanje (stečeno tokom sistematskog usavršavanja i/ili učenja). Svakodnevno, svakodnevno znanje (stečeno tokom života). Da bi se baza znanja postavila kako bi se koristila za rješavanje primijenjenih problema, potrebno ju je formalno opisati pomoću matematičkih modela. Kao što je već spomenuto, predstavljanje znanja moguće je korištenjem deklarativnih i proceduralnih modela. Tipični deklarativni modeli obično uključuju mrežne i okvirne modele; na proceduralne – logičke i proizvodne. Sa stanovišta pristupa predstavljanju znanja u računaru, modeli reprezentacije znanja se mogu klasifikovati na sledeći način: Na osnovu heurističkog pristupa: „trojka“, proizvodni, okvirni, mrežni model Na osnovu teorijskog pristupa: zasnovan na formalnoj logici i zasnovanoj na "ljudskoj logici" - modalnoj i dvosmislenoj. - 24 - 2.2. Logički model predstavljanja znanja Osnovni koncepti logike Većina ljudi misli da riječ “logičan” znači “razumno”. Dakle, ako čovjek razmišlja logično, onda je njegovo razmišljanje opravdano, pa ne dopušta ishitrene zaključke. Logika je nauka o oblicima i metodama ispravnog mišljenja. To znači da s obzirom na potrebnu količinu istinitih činjenica, zaključak uvijek mora biti istinit. S druge strane, ako je zaključak nevažeći, to znači da je na osnovu istinitih činjenica došlo do lažnog zaključka. Neophodno je razdvojiti koncepte formalne logike i neformalne. Posebnost neformalne logike je da se koristi u svakodnevnom životu. Složen logički dokaz je lanac zaključaka, u kojem jedan zaključak vodi drugom, itd. U formalnoj logici, koja se naziva i simboličkom logikom, važno je kako se izvodi zaključak, kako se uzimaju u obzir drugi faktori koji na prihvatljiv način pružaju dokaz istinitosti ili neistinitosti konačnog zaključka. Logici je takođe potrebna semantika da bi dala značenje simbolima. Formalna logika koristi semantiku zasnovanu ne na upotrebi riječi koje nose emocionalno opterećenje, već na izboru smislenih imena za varijable, poput programiranja. Kao i matematika, logika direktno proučava ne empirijske, već apstraktne objekte. Ovo postavlja pitanje: kakva je priroda ili ontološki status apstraktnih objekata? O kakvim apstraktnim objektima je reč? U logici (klasičnoj) razlikuju se dva osnovna tipa apstraktnih objekata: - pojmovi (svojstva); - odnosima. Koncepti mogu biti jednostavni ili složeni. Komplikovani koncepti su skup relativno jednostavnijih koncepata (jednostavnih svojstava) povezanih jednim ili drugim odnosom. Složeniji apstraktni objekti su sudovi, čiji su strukturni elementi i pojmovi i određeni odnosi. Sudovi su, pak, strukturni elementi rasuđivanja (sistemi rasuđivanja), a zaključci su strukturni elementi koncepata i teorija (sistemi rasuđivanja). Na sl. 10 prikazuje hijerarhiju tipova apstraktnih objekata u klasičnoj logici. Specifičnost logike leži u činjenici da proučava najopćenitije, univerzalne odnose ili međusobne veze između apstraktnih objekata. U skladu s tim, postoji sljedeća predmetna – 25 – definicija logike: „Logika je nauka o univerzalnim (općevažećim) odnosima između pojmova, sudova, zaključaka i drugih apstraktnih objekata“. Koncepti i teorije (sistemi zaključivanja) Zaključci (sistem sudova) Presude Pojmovi (osobine) Odnosi Fig. 10. Hijerarhija tipova apstraktnih objekata u klasičnoj logici Primjer "Učenik" je koncept. "Marljivost" je vlasništvo. "Vredni student", "student 4. godine" - odnosi. "Čovjek studira na univerzitetu" - presuda. "Ako osoba studira na institutu, onda je ili student ili diplomirani student" - zaključak. "Teorija predikatskog računa prvog reda" je koncept. Koncept Koncepti su suština apstraktnih objekata dostupnih ljudskom razumijevanju kao jednostavnih i složenih svojstava (atributa) empirijskih objekata. Koncept je u suprotnosti sa entitetima kao što su: "riječ", "percepcija", "empirijski objekt". Koncept je univerzalna jedinica mišljenja i osnova intelektualne aktivnosti. Najvažnije karakteristike koncepti su sadržaj i obim. Sve logičke karakteristike i logičke operacije rezultat su izvedenog znanja iz zakona obrnuto proporcionalne veze između sadržaja i obima pojma. Svaki koncept ima obim pojma (konceptualni opseg) i dodatak obimu pojma (sl. 11, 12). Opseg pojma je skup (skup) svih onih empirijskih (pojedinačnih objekata) koji imaju dati koncept (kao svojstvo, osobinu). - 26 - Dodatak volumenu - ukupnost svih onih empirijskih objekata koji nisu svojstveni ovom konceptu. Koncept X a1 a2 V Volumen a3 Sl. 11. Koncept X, zapremina koncepta X, element zapremine (a1, a2, a3) X Ne X Sl. 12. Obim i njegovo dodavanje Koncept primjera: faktografski model podataka. Opseg koncepta: relacijski, mrežni, hijerarhijski modeli podataka Dodatak opsegu: dokumentarni modeli podataka (deskriptor, tezaurus, modeli podataka orijentirani na format dokumenta) Koncepti mogu biti sljedećih tipova: 1) po obimu: a. pojedinačni (U = 1 element, Kamaz); b. generalno (U> 1 element, Moskovski automobilski pogon); 2) postojanjem elemenata: a. neprazan (student); b. prazan (kolobok); 3) po strukturi elemenata: a. nekolektivni (Sjeverni pol); b. kolektivni (dužnik); 4) po sadržaju: a. irelevantno (publika); b. korelativni (roditelji); 5) prisustvom kvaliteta, svojstava, odnosa a. pozitivno (vrlina); b. negativan (prekršaj); 6) po kvalitetu elemenata: a. registrovan (časopis " Otvoreni sistemi “, 1/2008); b. neregistrovani (inteligencija), sažetak; 7) po prirodi predmeta: a. beton (drška); - 27 - b. apstraktni (model). Na osnovu navedenih tipova moguće je dati logičan opis svakog pojma, odnosno prikazati upotrebu pojma u svih sedam značenja. Na primjer, pojam dužnika je opšti, neprazan, zbiran, korelativan, pozitivan, neprijavljen i specifičan. Osnovne metode razumijevanja pojmova Glavne metode razumijevanja pojma uključuju: - apstrakciju; - poređenje; - generalizacija; - analiza; - sinteza. Apstrakcija je mentalno odvajanje (razumijevanje) određenog svojstva ili odnosa apstrakcijom od drugih svojstava ili odnosa empirijskog objekta. Poređenje je utvrđivanje sličnosti ili razlika između objekata. Generalizacija - mentalna izolacija određenog pojma upoređivanjem bilo kojeg drugog koncepta. Apstrakcija, poređenje i generalizacija su tehnike koje su usko povezane jedna s drugom. Mogu se nazvati "kognitivnim postupcima". Poređenje je nemoguće bez obzira na apstrakciju. Generalizacija pretpostavlja poređenje i istovremeno nije ništa drugo do svojevrsna složena apstrakcija itd. Analiza je mentalna podjela empirijskog ili apstraktnog objekta na njegove sastavne strukturne komponente (dijelove, svojstva, odnose). Sinteza je mentalno sjedinjenje različitih objekata u određeni integralni objekt. Primjeri 1. Poređenje ljudi po visini pretpostavlja apstrakciju kako bi se istaklo svojstvo “rasta” koncepta “osoba”. 2. Generalizacija: "stolica" i "sto" - "nameštaj". Odnos pojmova Da biste objasnili odnos između pojmova, možete koristiti dijagrame u obliku Ojlerovih krugova (slika 13). Primeri Uniforma (jednake zapremine): Kazan je glavni grad. Samostalno (raskrsnica): putnik - student. Podloga: drvo - breza. Suprotnost (kontrast): bijela i crna. - 28 - Konradikacija: bijela - ne bijela. Subordinacija (podizvođač): oficiri (major-kapetan). Logička podjela pojma je podjela opsega pojma na dijelove koji se ne ukrštaju na osnovu nekog atributa. Koncepti X, Y Nekompatibilno M (X) M (Y) = Kompatibilno M (X) M (Y) Nezavisni kontradiktor Y = Ne-X X Y X M (X) M (Y); M (X) M (Y) M (X); M (X) M (Y) M (Y) M (X) M (Y) = U suprotan identitet (uniformno) X, YXYM (X) = M (Y) M (X) M (Y) UX slave na YXYM (X) M (Y) = M (X) Sl. 13. Korelacija pojmova U ovom slučaju postoje: - generički koncept X; - članovi odjeljenja (koncepti vrsta A i B); - baza podjela (tj. znak). - 29 - Tri pravila logičke podjele. 1. Pravilo nekompatibilnosti. Opseg koncepata vrsta ne bi se trebao preklapati (tj. članovi odjeljenja ne bi trebali biti međusobno nekompatibilni); 2. Pravilo konzistentnosti. Ne možete dijeliti po nekoliko osnova odjednom; 3. Pravilo proporcionalnosti. Zbir volumena specifičnih koncepata mora biti jednak volumenu generičkog koncepta. Dihotomna podjela (najstroži tip) - podjela pojmova prema principu kontradiktornosti (A, ne-A). Klasifikacije su određeni sistemi (uređeni agregati) koncepata vrsta. Klasifikacije se koriste za pronalaženje novih odnosa između pojmova, kao i za sistematizaciju postojećih znanja. Primer 1. Periodični sistem je primer naučne klasifikacije hemijskih elemenata. 2. Primjer klasifikacije informacionih sistema (IS) prikazan je na donjoj slici. Osnove podjela: funkcionalna namjena. A, B, C su primjeri informacionih sistema prema ovoj klasifikaciji. IS faktografski sistemi Sistemi veštačke inteligencije Sistemi dokumenata IS "Univerzitet" Lingvo "Konsultant Plus" A V S Fig. 14. Primjer klasifikacije Tehnike razumijevanja pojmova (apstrakcija, poređenje, generalizacija, analiza, sinteza, podjela) su univerzalne i fundamentalne kognitivne procedure koje još uvijek nisu uspješno modelirane u okviru vještačke inteligencije. Ovo je jedan od temeljnih dijelova klasične logike koji treba integrirati u teoriju baze znanja. Nakon toga, zadaci modeliranja mentalnih radnji kao što su hipoteze, poučavanje deklarativnog znanja postat će dostupni, procedure zaključivanja će postati prostranije. - 30 - Presuda Presuda je strukturno složen objekat koji odražava objektivni odnos između objekta i njegove imovine. Takvi entiteti kao što su "prijedlog", "percepcija", "prizori iz stvarnog svijeta" suprotstavljeni su prosudbi. Primjer. Sljedeće rečenice izražavaju isti sud: - "Ajkula je riba grabežljivac"; - "Sve ajkule su ribe grabljivice." “Ajkule su grabežljive ribe.” Klasična logika razmatra strukturu jednostavnog suda u nešto drugačijoj interpretaciji nego što je prihvaćeno u modernim logikolingvističkim studijama. Dakle, u skladu sa konceptima klasične logike o strukturi suda, jednostavan sud je apstraktni objekat, čiji su glavni strukturni elementi: - pojedinačni koncept (IC); - koncept predikata (PC); - predikacijski odnos (RP). Primjeri Rečenica je data: "Platon je filozof." U ovoj rečenici, izražavajući sud S: "Platon" je logički subjekt, tj. simbol koji označava pojedinačni koncept suda S. "Filozof" je logički predikat, tj. simbol koji označava predikatski koncept suda S. "Biti" je veza subjekt-predikat, tj. simbol koji označava odnos predikacije. Dakle, može se izvući sljedeći međuzaključak: - pojedinačni koncept je sistem pojmova koji se posmatraju kao konceptualni entitet, neki empirijski objekt; - predikatski koncept - koncept koji se smatra svojstvom određenog empirijskog objekta; - odnos predikacije - odnos koji povezuje pojedinačne i predikatske koncepte nekog empirijskog objekta u holistički apstraktni objekt. Osim toga, može se razlikovati nekoliko tipova jednostavnih presuda (vidi sliku 15). Postoji nekoliko načina da se formaliziraju elementarne presude. - 31 - 1. metod. Prirodni jezik, koji se tradicionalno smatra glomaznim i nepreciznim, ali još nije izmišljena formalna metoda koja bi se po svojoj svestranosti mogla porediti s prirodnim jezikom. Jednostavne presude Atributi O odnosima Postojanje Monasi su, po pravilu, skromni Magnitogorsk južno od Čeljabinska Postoje plave smreke Fig. 15. Vrste jednostavnih presuda 2. način. Tradicionalna aristotelova logika. 3rd way. Savremena simbolička logika. Glavne vrste složenih sudova Pored sudova izraženih u Aristotelovoj logici iskazima oblika A, E, I, O (vidi str. Aristotelova logika), postoje i razne vrste složenih sudova. Što je sud složeniji, to ga je teže precizno formalizirati pomoću tradicionalne aristotelovske logike, au nekim slučajevima takva formalizacija je jednostavno nemoguća. Stoga je preporučljivo analizirati logičku strukturu složenih sudova pomoću moderne simboličke logike, uključujući i pomoću logike propozicije i logike predikata (vidjeti odgovarajuće paragrafe paragrafa). Glavne vrste složenih presuda su - konjunktivne; - disjunktivni; - implikacija; - modalni: o aletički (neophodan, možda slučajno); o epistemički (znam, vjerujem, vjerujem, vjerujem); o deontičko (odlučeno, zabranjeno); o aksiološki (dobro, loše); o vremenski (u prošlosti, ranije, juče, sutra, u budućnosti); - pitanja: o da li - pitanja; o koja su pitanja. Također postoji kontinuitet logičkih klasa i metoda umjetne inteligencije. - 32 - Zaključak Pod zaključivanjem (u tradicionalnoj logici) se podrazumijeva oblik razmišljanja kroz koji se izvodi mentalni prijelaz (nazvan "zaključivanje") od jednog ili više sudova (koji se nazivaju "premise") na neki drugi sud (koji se naziva "zaključak"). ") ... Dakle, zaključak je složen apstraktni objekt u kojem se, uz pomoć određenih odnosa, jedan ili više sudova spaja u jedinstvenu cjelinu. Za označavanje zaključivanja u logici koristi se termin silogizam. Silogizmi su formalni i neformalni. Prve formalne silogizme koristio je Aristotel. Silogistika koju je razvio (teorija formalnih silogizama, tj. zaključaka) imala je značajan utjecaj na razvoj antičke i sholastičke logike, poslužila je kao osnova za stvaranje moderne logičke teorije zaključivanja. Da biste konsolidovali pojmove logike, morate ispuniti vežbe na strani 78. Zakoni logike Najvažniji logički zakoni uključuju: - identitete (svaki objekat je identičan samo sebi); - nema kontradiktornosti (tvrdnje koje su međusobno kontradiktorne ne mogu biti istinite u isto vrijeme); - isključena treća (od dvije tvrdnje koje su međusobno kontradiktorne, jedna je tačna, druga netačna, a treća nije data); - dovoljan razlog (svaka istinita tvrdnja ima dovoljan razlog, na osnovu kojeg je istinita, a ne lažna). Razmotrimo detaljnije svaku od navedenih pozicija. I. Zakon identiteta Zakon identiteta dokazuje da je svaka misao identična samoj sebi, “A je A” (A → A), gdje je A bilo koja misao. Na primjer: "Kuhinjska sol NaCl se sastoji od Na i Cl". Kršenje ovog zakona može dovesti do dolje navedenih grešaka. Amfibol (od grčkog amphibolos - dvosmislenost, dvojnost) je logička greška zasnovana na višeznačnosti jezičkih izraza. Drugi naziv za ovu grešku je “zamjena teze”. Primjer „Tačno kažu da će te jezik dovesti u Kijev. Jučer sam kupio dimljeni jezik. Sada mogu bezbedno da idem u Kijev." - 33 - Dvosmislenost je logička greška zasnovana na upotrebi iste riječi u različitim značenjima. Dvosmislenost se često koristi kao umjetničko retoričko sredstvo. U logici, ova tehnika se naziva i "zamjena koncepta". Primjer „Stari morski vuk je zaista vuk. Svi vukovi žive u šumi." Greška je ovdje zbog činjenice da se u prvoj presudi riječ "vuk" koristi kao metafora, au drugoj premisi - u direktnom značenju. Logomahija je spor oko riječi, do kojeg tokom rasprave učesnici ne mogu doći jedna tačka gledište zbog činjenice da nisu razjasnili početne koncepte. Dakle, zakon identiteta izražava jedan od najvažnijih zahtjeva logičkog mišljenja – izvjesnost. II. Zakon nekontradikcije Ovaj zakon izražava zahtjev za konzistentnošću mišljenja. Zakon bez kontradikcije kaže: dva suda, od kojih jedan iznosi nešto o subjektu mišljenja ("A je B"), a drugi poriče istu stvar o istom subjektu mišljenja ("A nije B"), ne može biti istovremeno istinit, ako se u isto vrijeme atribut B potvrđuje ili negira o subjektu mišljenja A, razmatranom u isto vrijeme iu istom pogledu. Na primjer, presude “Kama je pritoka Volge” i “Kama nije pritoka Volge” ne mogu biti istovremeno istinite ako se te presude odnose na istu rijeku. Neće biti kontradiktornosti ako o istoj osobi nešto potvrđujemo i poričemo, što se, međutim, razmatra u različito vrijeme. Dakle, presude "Ova osoba je student Moskovskog državnog univerziteta" i "Ova osoba nije student Moskovskog državnog univerziteta" mogu biti istovremeno istinite ako prva od njih znači jedno vrijeme (kada ova osoba studira na Moskovski državni univerzitet), au drugom - još jedan (kada je diplomirao na univerzitetu). Zakon neprotivrečnosti ukazuje da je od dve suprotstavljene tvrdnje jedna nužno lažna. Ali budući da se odnosi i na suprotne i na kontradiktorne presude, pitanje druge presude ostaje otvoreno: ne može biti i istinito i lažno: papir ne može biti bijel i nebijel. III. Zakon o isključenom trećem Zakon o isključenom trećem kaže da dvije suprotstavljene presude ne mogu biti istovremeno lažne: jedna od njih je nužno istinita; drugi je nužno lažan; treća presuda je isključena, tj. ili je A tačno ili nije-A. - 34 - Zakon isključenog trećeg formuliše važan zahtjev za vaše razmišljanje: ne možete odstupiti od prepoznavanja istinitog jedne od dvije sukobljene tvrdnje i tražiti nešto treće između njih. Ako je jedan od njih prepoznat kao istinit, onda se drugi mora prepoznati kao lažan i ne tražiti treći. Primjer: životinje mogu biti ili kralježnjaci ili nekralježnjaci, ne može postojati ništa treće. IV. Zakon dovoljnog razloga Sadržaj ovog zakona može se izraziti na sljedeći način: da bi se smatrala potpuno pouzdanom, svaka odredba mora biti dokazana, tj. moraju biti poznati dovoljni razlozi na osnovu kojih se vjeruje da je to istina. Dovoljan razlog može biti druga, već dokazana praksa, priznata kao istinita misao, čiji je nužni rezultat istinitost stava koji se dokazuje. Primjer. Obrazloženje za presudu “Soba je postala toplija” je činjenica da se živa termometra proširila. U nauci se dovoljnim osnovama smatraju: a) odredbe o potvrđenim činjenicama stvarnosti, b) naučne definicije, c) prethodno dokazane naučne odredbe, d) aksiomi, kao i e) lično iskustvo. Zaključak Zaključivanje je izvođenje određene formule zasnovano na mnogim drugim logičkim formulama primjenom pravila zaključivanja. Tumač logičkih izraza, koristeći logičko zaključivanje, on sam gradi neophodan lanac proračuna na osnovu početnog opisa. Vrijednost logičkog pristupa je u mogućnosti konstruiranja interpretatora čiji rad ne ovisi o logičkim formulama. Pravila u logičko predstavljanje imaju oblik: P0 ← P1,…, Pn. R0 se naziva cilj, a R1, R2, ..., Rn - tijelo pravila. Predikati P1, P2, ..., Pn su uslovi koji moraju biti ispunjeni da bi se cilj P0 uspješno postigao. Analizirajmo osnove logičkog zaključivanja na primjeru izvođenja postupka utvrđivanja ispravnosti zaključivanja. Definicija logički ispravnog rasuđivanja Kada kažemo da jedna rečenica D logički slijedi iz druge P, mislimo na sljedeće: kad god je rečenica P istinita, onda je istinita i rečenica D. U propozicionalnoj logici imamo posla sa formulama P i D, ovisno o nekim varijablama X1, X2, .., Xn. Definicija. Reći ćemo da formula D (X1, X2, ..., Xn) logički slijedi iz formule P (X1, X2, ..., Xn) i označiti PÜ D ako za - 35 - bilo koji skup vrijednosti X1, X2 , ..., Xn pod uslovom P (X1, X2, ..., Xn) = I2, uslov D (X1, X2, ..., Xn) = I. Formula P se naziva premisa, a D je zaključak logičkog zaključivanja... Obično logičko rasuđivanje ne koristi jednu premisu P, već nekoliko; u ovom slučaju će obrazloženje biti logički ispravno iz spoja premisa zaključak logično slijedi. Provjera ispravnosti logičkog zaključivanja Prvi način je po definiciji: a) zapisati sve premise i zaključke u obliku formula logike iskaza; b) sastaviti konjunkciju formalizovanih premisa P1 & P2 & ... & Pn ,; c) provjeriti prema tabeli istinitosti da li zaključak D slijedi iz formule P1 & P2 & ... & Pn. Drugi metod se zasniva na sledećem znaku logičke posledice: "Formula D logički sledi iz formule P ako i samo ako je formula P | - D tautologija." Tada se provjera ispravnosti logičkog zaključivanja svodi na odgovor na pitanje: da li je formula tautologija? Na ovo pitanje se može odgovoriti konstruiranjem tablice istinitosti za formulu, ili smanjenjem ove formule korištenjem ekvivalentnih transformacija na dobro poznatu tautologiju. Treći način provjere ispravnosti logičkog zaključivanja nazvat ćemo skraćeno, jer ne zahtijeva puno nabrajanje vrijednosti varijabli da bi se napravila tabela istinitosti. Da bismo potkrijepili ovu metodu, formulirajmo uvjet pod kojim je logičko rasuđivanje netačno. Obrazloženje je pogrešno ako postoji skup vrijednosti za varijable X01, X02, .., X0n tako da je premisa D (X01, X02, .., X0n) = L 3, a zaključak P (X01, X02, .., X0n) = I. Primjer. Dato je obrazloženje: „Ako pada kiša, onda je mačka u sobi ili u podrumu. Miš je u sobi ili u jazbini. Ako je mačka u podrumu, onda je miš u prostoriji. Ako je mačka u sobi, onda je miš u kuni, a sir je u frižideru. Sada pada kiša i sir je na stolu. Gdje je mačka, a gdje miš?" Uvedemo sljedeće oznake: D - "kiša pada"; K - "mačka u sobi"; R - "mačka u podrumu"; M - "miš u sobi"; H - "miš u minku"; X - "" sir u frižideru "; ¬X -" sir na stolu. "Dobijamo sljedeću shemu rezonovanja: D → K | RM | NK → H & X 2 3 Tačno Netačno - 36 - R → MD & ¬X --- -? Koristimo pravila zaključivanja 1) D & ¬XÜD; 2) D & ¬XܬX; 3) D → K | P, DÜ K | P. Zatim razmotrite dvije opcije: opcija A. Neka je K. 4a) K, K → H & X, Kà H & X; 5a) H & Xà X; 6a) ¬X, XÜX & ¬X - dobili smo kontradikciju, što znači da je pretpostavka bila pogrešna i ova opcija je nemoguća. Tada 4b) R, R → MÜM; 5b) R, MÜR & M Zaključak je R & M, tj. "mačka je u podrumu, a miš je u sobi" Primjer Provjerite ispravnost rezonovanja na skraćeni način. ? Dato je obrazloženje: "Ako je danas mraz, onda ću ići na klizalište. Ako je danas otopljenje, onda ja ići će u diskoteku. Danas će biti mraz ili odmrzavanje. Zato ću ići u diskoteku." M - "danas će biti mraz"; K - "Ići ću na klizalište"; O - "danas doći će do odmrzavanja"; D - "Hoću Idem u diskoteku." Shema zaključivanja ima oblik: M → KO → DM | O --- D Rezonovanje je logično ispravno ako za bilo koji skup vrijednosti varijabli (M, K, O, D), čiji su dani svi premise su tačne, zaključak je također tačan. Pretpostavimo suprotno: postoji zbirka (M0, K0, O0.A0) takva da su premise tačne, ali je zaključak lažan. Koristeći definicije logičkih operacija, pokušat ćemo pronaći ovaj skup. Uvjereni smo da pretpostavka vrijedi za vrijednosti varijabli - 37 - M0 = I, K0 = I, O0 = L, D0 = L (tabela 1). Stoga, obrazloženje nije logički ispravno. Tabela 1. Šema za rješavanje logičkog zadatka br. 1 2 3 4 5 6 7 Tačno M0 → K0 O0 → A0 M0 ˅ O0 M0 K0 Netačno Napomene pretpostavljamo da su premise tačne, A0 O0 i zaključak je netačan iz 2.4 i definicije implikacije iz 3, 5 i definiranje disjunkcije od 1, 6 i definiranje implikacije Drugi način rješavanja problema: izgraditi tablicu istinitosti za formulu (M → K) & (O → D) & (M˅O) → D i uvjerite se da to nije tautologija. Tada, na osnovu logičke posledice, rezonovanje nije logički ispravno. Pošto su četiri varijable izraza (M, K, O, D) uključene u rezonovanje, tabela istinitosti će sadržavati 16 redova, a ova metoda je naporna. Uz pomoć pravila zaključivanja moguće je konstruisati logički ispravno zaključivanje, ali nije uvijek moguće dokazati neispravnost logičkog zaključivanja. Stoga je za ovaj zadatak najpogodniji skraćeni način provjere ispravnosti logičkog zaključivanja. Da biste konsolidirali pravila zaključivanja, potrebno je dovršiti vježbe na stranici 78. Glavni dijelovi moderne simboličke logike U razvoju klasične logike postoje tri glavne faze: antička logika (oko 500. godine prije nove ere - rano n.e.), sholastička logika (početak nove ere - prva polovina XIX veka), moderna simbolička logika (sredina XIX-XX veka) Moderna simbolička logika je podeljena na glavne delove, čija je suština otkrivena u nastavku. Propoziciona logika (propozicijski račun). Proučava jednostavne sudove, razmatrane bez uzimanja u obzir njihovu unutrašnju strukturu, kao i elementarne zaključke koji su najpristupačniji ljudskom razumijevanju. U prirodnom jeziku, takvi jednostavni sudovi su predstavljeni rečenicama koje se razmatraju samo sa stanovišta njihove istinitosti ili neistinitosti, a zaključci - odgovarajućim sistemima iskaza. - 38 - Predikatska logika (predikatski račun). Složeniji objekti istraživanja su sudovi koji se razmatraju uzimajući u obzir njihovu unutrašnju strukturu. Odjeljak logike, u kojem se ne proučavaju samo veze između sudova, već i unutrašnja konceptualna struktura sudova, naziva se "predikatska logika". Metalogic. Metalogic je produžetak logike predikata. Predmet njenog proučavanja je čitava sfera odnosa u cjelini, svi oni univerzalni odnosi koji se mogu odvijati između pojmova, sudova, zaključaka, kao i simbola koji ih označavaju. Sljedeći paragrafi ovog pasusa predstavljaju ključne pozicije propozicionalne logike i predikata prvog reda. Da bismo bolje razumjeli modernu logiku, potrebno je razmotriti osnovne odredbe koje su određene silogizmima Aristotela. Aristotelova logika U Aristotelovoj logici, struktura elementarnih sudova je izražena strukturama: - S je P (1); - S nije P (2), gdje je S neki logički subjekt (od lat. Subjectum); P - neki logički predikat (od latinskog Predicatum). Tipovi sudova Aristotelove logike su navedeni u nastavku. 1. Generalno afirmativni sudovi - A "Sve S je P" - Svi pjesnici su upečatljivi ljudi. Riječi "jeste", "nije" igraju ulogu subjekt-predikat veze. Od iskaza (1) i (2) uz pomoć riječi “svi” i “neki” konstruišu se iskazi oblika: - sve S je P: Tip A (Afirmo); - neki S su P: Tip I (AffIrmo); - svi S nisu P: Tip N (Nego); - neki S nisu P: Tip O (NegO). 2. Opći negativni sudovi - E (N) "Nijedan S nije P" - Nijedna osoba nije sveznajuća. 3. Djelimično potvrdno - I "Neki S su P" - Neki ljudi imaju kovrdžavu kosu. 4. Djelimična negativna prosudba – o “Neki S nisu Ps” – Neki ljudi ne znaju slušati. Izjave poput A, E, I, O su jednostavne kategoričke izjave koje čine temelj cijele Aristotelove logike. Između istinitosti i netačnosti iskaza tipa A, E, I, O postoji funkcionalno-integralni odnos, koji se obično prikazuje u obliku logičkog kvadrata (Sl. 16, Tabela 2). - 39 - Kada se koristi logički kvadrat, važno je uzeti u obzir sljedeću suptilnost: riječ "neki" se razumije u širem smislu - kao "neki, a možda i svi". Tabela 2 Tabela istinitosti za sudove Aristotelove logike 16. Logički kvadrat Objašnjenja Aristotelovog logičkog kvadrata Na lijevoj strani gornji ugao logički kvadrat sadrži izjave tipa A (generalno afirmativne). U gornjem desnom uglu - izjave tipa E (uglavnom negativne). U donjem lijevom uglu (pod A) - iskazi tipa I (djelomično potvrdni). U donjem desnom uglu (ispod E) - iskazi tipa O (djelimično negativni). Iskazi tipova A i O, kao i iskazi tipova E i I, su u odnosu na kontradiktornost, odnosno kontradikciju (dijagonalni odnosi). Izjave tipa A i E su u odnosu na suprotnost ili suprotnost. - 40 - Izjave tipa I su podređene (dakle, impliciraju) izjave tipa A. Izjave tipa O su podređene iskazima tipa E. Dok kontradiktorni iskazi imaju suprotna značenja istine (jedno je istinito, drugo je netačno), kontradiktorno tvrdnje ne mogu biti istovremeno istinite, ali mogu biti i netačne u isto vrijeme. Uz pomoć logičkog kvadrata možete izvesti suprotne, kontradiktorne i podređene sudove, utvrđujući njihovu istinitost ili neistinitost. Primjer 1. Bilo koji sud je izražen u rečenici A → 1. 2. Nijedan sud nije izražen u rečenici E → 0. 3. Neki sudovi nisu izraženi u rečenici O → 0. 4. Neki sudovi su izraženi u rečenici I → 1. Osim toga, koristeći Aristotelov logički kvadrat, to je moguće je uspostaviti vrste odnosa između presuda: 1) sticanje znanja zaključivanja; 2) poređenja različite tačke pogled na diskutabilna pitanja; 3) uređivanje tekstova iu drugim slučajevima. Formalizmi propozicionog računa Mnogi modeli predstavljanja znanja zasnovani su na formalizmima propozicionog i predikatskog računa. Rigorozno predstavljanje ovih teorija sa stanovišta klasične matematičke logike sadržano je u radovima Šenfilda i Tiesa, a kod Pospelova se može naći popularan prikaz ovih teorija, koji se može preporučiti kao početni uvod. Prema Teyseu, logičke propozicije su klasa rečenica u prirodnom jeziku koje mogu biti istinite ili netačne, a propozicioni račun je grana logike koja proučava takve rečenice. Postavlja se prirodno pitanje: šta je sa rečenicama jezika, o čijoj se istinitosti ne može reći ništa određeno? Primjer. "Ako sutra padne kiša, ostat ću kod kuće." Za sada samo pretpostavimo da sve rečenice s kojima imamo posla pripadaju klasi logičkih iskaza. Izjave će biti označene velikim slovima latinica i indeks, ako to zahtijeva prezentacija. Uzorci notacije iskaza: S, S1, S2, H, H1, H2. Kao što je napomenuto, logička izjava je ili tačna ili lažna. Tačnoj naredbi se dodjeljuje logička vrijednost - 41 - TRUE (ili I), false - logička vrijednost FALSE (ili L). Dakle, vrijednost istinitosti formira skup (I, L). U propozicioni račun uvodi se pet logičkih veziva (tablica 3), uz pomoć kojih se, u skladu sa pravilima konstrukcije, sastavljaju logičke formule. Tabela 3 Logičke veze Uobičajeni naziv Tip Druga notacija Negacija Unarno -, ~, NOT, NOT Konjunkcija ^ Binarno &,., I, I * Disjunkcija Binarno ILI ILI Implikacija Binarno => -> Ekvivalencija Binarno<=> <->~ * Napomena: ne treba se brkati sa istinitošću vrednosti I. Skup pravila za konstruisanje logičkih formula zasnovanih na iskazima uključuje tri komponente: - osnovu: svaki iskaz je formula; - korak indukcije: ako su X i Y formule, tada su X, (X ^ Y), (X Y), X Y i X Y formule; - ograničenje: formula je jedinstveno dobivena korištenjem pravila opisanih u bazi i koraku indukcije. Formule su označene velikim slovima latinice sa indeksima. Primjeri logičkih formula su prikazani u primjeru. Primjeri a) T = S1 ^ S2; b) N = H1H2. Izraz a) se može pročitati na sljedeći način: "Logička formula T je konjunkcija (logička konekcija And) logičkih iskaza S1 i S2". Interpretacija izraza b) je sljedeća: "Logička formula N je disjunkcija (logička konektivna ILI) negacije (NE) logičke izjave H1 i logičke izjave H2". Istinitost logičke formule je funkcija istinitosti vrijednosti njenih sastavnih iskaza i može se nedvosmisleno odrediti pomoću tablica istinitosti. Ispod su tablice istinitosti za negacije i binarne konektive (tablice 4, 5) Dakle, ako su poznate vrijednosti istinitosti za iskaze iz primjera a), na primjer S1 = I, S2 = L, tada je istinita vrijednost za formula - 42 - T se može naći na preseku drugog reda i treće kolone u tabeli 5, odnosno T = L. Tabela 4. Tabela istinitosti za negaciju ¬X I L L I Tabela 5. Tabela istinitosti za binarne vezive XYX ^ YX YXYXY I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I I sam? ... Svaka logika je formalni sistem za koji se mora definisati: - abeceda sistema - prebrojiv skup simbola; - sistemske formule - podskup svih riječi koje se mogu formirati od simbola uključenih u abecedu (obično je specificirana procedura koja vam omogućava da sastavite formule od simbola sistemske abecede); - sistemski aksiomi - odabrani skup sistemskih formula; - pravila sistemskog zaključivanja - konačan skup odnosa između sistemskih formula. Rječnik predikatskog računa u standardnoj prezentaciji uključuje sljedeće koncepte: - varijable (mi ćemo ih označiti poslednja slova engleska abeceda u, v, x, y, z); - konstante (označit ćemo ih prvim slovima engleske abecede a, b, c, d): o pojedinačne konstante; o funkcionalne konstante; o predikatske konstante; - izjave; - 43 - - logički veznici (¬ (negacija), konjunkcija, disjunkcija, implikacija); - kvantifikatori: (egzistencija, univerzalnost); - uslovi; - funkcionalne forme; - predikatske forme; - atomi; - formule. Pojedinačne konstante i pojedinačne varijable Slične su konstantama i varijablama iz matematičke analize, s jedinom razlikom što su područje njihove promjene pojedinci, a ne realni brojevi. U teoriji umjetne inteligencije, imenovane konstante i varijable u memoriji agenta koje odgovaraju objektima i konceptima u stvarnom svijetu obično se nazivaju konceptima. U jezicima prvog reda postoje samo pojedinačne varijable, tako da se jednostavno nazivaju varijable. Kao što će biti pokazano u nastavku, upotreba jezika prvog reda i odbijanje upotrebe jezika višeg reda nameće dodatna ograničenja na klasu rečenica prirodnog jezika koja se razmatra. Pojedinačne konstante će biti označene malim slovima latinice a, b, c, u, v, w sa indeksima ili mnemoničkim nazivima preuzetim iz teksta. Za označavanje varijabli koristit će se mala slova slova x, y, z , latinično pismo sa indeksima. Primjer. Pojedinačne konstante: a1, b1, c, u, v1, seller_w, k22, buy_l, m10, book_a1. Varijable: x, y2, z33. Konstante predikata Konstante predikata se koriste za označavanje odnosa koji predikat opisuje. Konstanta predikata ne mijenja svoju istinitost. Povezuje se sa odgovarajućim brojem argumenata ili parametara koji se nazivaju termini, formirajući predikatski oblik. Oznaka predikatske konstante je mnemonička imena ili slovo latinice P sa indeksima. Jezik predikata sadrži jezik iskaza, budući da izjava nije ništa više od predikatne konstante bez argumenata, ili predikatnog oblika nultog mjesta. Semantičko područje predikatskog oblika poklapa se sa područjem promjene iskaza, tj. (I, L). Funkcionalne konstante Funkcionalna konstanta (f, g, h) kao i predikat konstanta, kada se kombinuju sa odgovarajućim brojem pojmova, formiraju funkcionalnu formu. Razlika između funkcionalnog oblika i predikatnog oblika je u tome što - 44 - njegov semantički domen čini skup pojedinačnih konstanti. Nul-arna funkcionalna konstanta je jednostavno individualna konstanta. logički spojevi u predikatskom računu služe za formiranje formula. Kvantifikatori. U predikatskom računu koriste se dva kvantifikatora: kvantifikator općenitosti () i kvantifikator postojanja (). Izraz xP glasi kao "za svaki x P je istinit." Izraz xP glasi “postoji takav x za koji je P tačno”. Termin je izraz formiran od varijabli i konstanti, eventualno pomoću funkcija. Termini, oblici, atomi i formule u predikatskom računu se konstruišu prema sledećim pravilima: - svaka varijabla ili konstanta je termin; - ako su t1, ..., tn termini, a f je n-arni funkcionalni simbol, tada je f (t1, ..., tn) pojam; - nema drugih pojmova. U stvari, svi objekti u logici predikata prvog reda predstavljeni su upravo u obliku pojmova. Ako termin ne sadrži varijable, onda se naziva osnovnim ili konstantnim terminom. Pojam (t1, t2 ... tn) je bilo koja varijabla i bilo koji funkcionalni oblik. Funkcionalni oblik je funkcionalna konstanta uparena s odgovarajućim brojem pojmova. Ako je f funkcionalna lokalna konstanta i t1 ..., tn su termini, tada se odgovarajući oblik obično označava sa f (t1, ..., tn). Ako je n = 0, tada je napisano samo f. Predikatski oblik je predikatska konstanta povezana s odgovarajućim brojem pojmova. Ako je p odgovarajuća m -arna konstanta i t1,. .., tn su termini, tada se odgovarajući oblik označava sa p (t1, ..., tm). Atom je predikatski oblik ili neka jednakost, tj. izraz tipa (s = t), gdje su s i t termini. Atomska ili elementarna formula se dobija primenom predikata na pojmove, tačnije, to je izraz p (t1, ..., tn), gde je p n-arni predikatski simbol (formula), a t1, .. ., tn su pojmovi. Koncept formule je definisan rekurzivno (induktivno) sledećim pravilima: - atom je formula; - ako je A formula, A je formula; - ako su A i B formule, onda su (A ^ B), (A B), (A B) i (A B) formule; - ako je A formula, a x varijabla, tada su xA i xA formule. Hajde da predstavimo abecedu predikatske logike u terminima pojmova. Konstante. Oni služe kao imena za pojedince (za razliku od imena za agregate): objekte, ljude ili događaje. Konstante su predstavljene - 45 - simbolima poput Jacques_2 (Dodatak 2 riječi Jacques označava vrlo specifičnu osobu među ljudima s tim imenom), Book_22, Sending_8. Varijable. Navedite nazive agregata, kao što su osoba, knjiga, paket, događaj. Simbol Book_22 predstavlja dobro definisanu instancu, a simbol knjige označava ili skup "svih knjiga" ili "koncept knjige". Simboli x, y, z predstavljaju imena kolekcija (specifičnih skupova ili koncepata). Imena predikata (konstante predikata). Oni definiraju pravila za spajanje konstanti i varijabli, na primjer, gramatička pravila, procedure, matematičke operacije. Za predikativna imena koriste se simboli poput sljedećih fraza: Pošalji, Napiši, Plus, Podijeli. Funkcionalna imena (konstante funkcija) predstavljaju ista pravila kao i predikati. Kako se ne bi zamijenili s imenima predikata, funkcionalna imena pišu se malim slovima: fraza, pošalji, napiši, plus, podijeli. Simboli koji se koriste za predstavljanje konstanti, varijabli, predikata i funkcija nisu "ruske riječi". Oni su simboli neke reprezentacije - riječi "jezika objekata" (u našem slučaju, jezika predikata). Prezentacija mora isključiti svaku dvosmislenost jezika. Dakle, imena pojedinaca sadrže brojeve koji se pripisuju imenima agregata. Jacques_1 i Jacques_2 predstavljaju dvije osobe sa istim imenom. Ovi prikazi su suština konkretizacije naziva zbirke "Jacques". Predikat je ime predikata zajedno sa odgovarajućim brojem pojmova. Predikat se naziva i predikatski oblik. Primjer. Na ruskom: Jacques šalje knjigu Marie, logično: Slanje (Jacques_2, Mari_4, Book_22). Fuzzy Logic Appearance fuzzy logike, teorija rasplinutih skupova i druge "fazi" teorije su povezane sa radom američkog naučnika Zadeha. Zadeova glavna ideja bila je da se ljudski način razmišljanja, zasnovan na prirodnom jeziku, ne može opisati u okviru tradicionalnih matematičkih formalizama. Ove formalizme karakterizira strogo nedvosmisleno tumačenje, a sve što je povezano s upotrebom prirodnog jezika ima viševrijednu interpretaciju. Zadeov cilj je bio da izgradi novu matematičku disciplinu zasnovanu ne na klasičnoj teoriji skupova, već na teoriji rasplinutih skupova. Dosljedno slijedeći ideju fuzzinessa, prema Zadeu, moguće je izgraditi nejasne analogije svih osnovnih matematičkih koncepata i stvoriti neophodan formalni aparat za modeliranje ljudskog razmišljanja i ljudskog načina rješavanja problema (Sl. 17). - 46 - Kreiranje teorije rasplinutih skupova - Rješenje Matematička teorija rasplinutih skupova - Osnova mehanizma Formalizacija rasuđivanja ljudskog načina - Zadatak Teza - osoba u svom svakodnevnom životu - Problem razmišlja i donosi odluke o osnova rasplinutih koncepata Fig. 17. Logika nastanka teorije rasplinutih skupova Trenutno je teorija rasplinutih skupova i fuzzy logike (fuzzy set & fuzzy logic) jako mesto među vodećim oblastima veštačke inteligencije. Koncept "faziness", primenjen u početku na skupove, a zatim u logici, uspešno je proširen na druge oblasti matematike i računarstva i sada već postoji: - teorija rasplinutih relacija; - teorija rasplinutih skupova; - teorija rasplinutih mjera i integrala; - teorija rasplinutih brojeva i jednačina: - teorija fazi logike i aproksimativno rezonovanje: - teorija fuzzy jezika; - teorija rasplinutih algoritama; - teorija fuzzy modela optimizacije i donošenja odluka. Sledeći paketi su najpopularniji kod ruskih kupaca: 1) CubiCalc 2.0 RTC - jedan od najmoćnijih komercijalnih ekspertskih sistema zasnovanih na fazi logici, koji vam omogućava da kreirate sopstvene primenjene ekspertske sisteme; 2) CubiQuick - akademska verzija CubiCalc paketa; 3) RuleMaker - program automatsko izvlačenje nejasna pravila iz ulaznih podataka; 4) FuziCalc - tabela sa nejasnim poljima, što vam omogućava da napravite brze procene sa netačno poznatim podacima bez gomilanja grešaka; 5) OWL - paket koji sadrži izvorne tekstove svih poznatih tipova neuronskih mreža, fuzzy asocijativnu memoriju itd. Glavni „potrošači“ fuzzy logike na ruskom tržištu su: bankari, finansijeri i stručnjaci iz oblasti političke i ekonomske analize. - 47 - Većina ljudskih zadataka ne zahtijeva visoku preciznost. Često je potrebno pronaći razuman kompromis između pojmova "tačnosti" i "važnosti" kada se komunicira sa stvarnim svijetom. Na primjer: da bi se odlučilo da pređe ulicu, osoba ne procjenjuje brzinu automobila koji se približava s tačnošću od desetinki metra u sekundi. On za sebe definiše brzinu automobila kao „veoma brzo“, „brzo“, „sporo“ itd. koristi lingvističke varijable za označavanje brzine. U teoriji rasplinutih skupova predlažu se sljedeći načini formalizacije rasplinutih koncepata. Prva metoda (bazirana na Zadehovim radovima) uključuje odbacivanje glavne izjave klasične teorije skupova da neki element može pripadati ili ne pripadati skupu. U ovom slučaju se uvodi posebna funkcija skupa karakteristika - takozvana funkcija članstva, koja uzima vrijednosti iz intervala. Ova metoda vodi do kontinuirane logike. U drugom, općenitijem načinu formaliziranja fuzzinessa, pretpostavlja se da karakteristične funkcije skupa uzimaju vrijednosti ne iz intervala, već u konačnoj ili beskonačnoj distributivnoj rešetki. Ova generalizacija se naziva rasplinutim skupovima u smislu Gauguina. Treći način su P-fazi skupovi. Sa ovom generalizacijom, svaki element univerzalnog skupa nije povezan s točkom u intervalu, već s podskupom ili dijelom ovog intervala. Algebra P-fazi skupova može se svesti na algebru klasa. Četvrti način su heterogeni rasplinuti skupovi. Ovdje se, u općenitom slučaju, elementima univerzalnog skupa dodijeljuju vrijednosti u različitim distributivnim rešetkama. Svaka stavka može biti povezana s najprikladnijom ocjenom za nju. Štoviše, vrijednosti samih procjena mogu biti nejasne i date u obliku funkcija. Dobija se opšta ideja nejasne logike. Sada o svemu detaljnije. Razmotrimo konceptualni aparat koji se zasniva na konceptu "jezičke varijable". Definicija lingvističke varijable (intuitivna) 4 Ako varijabla može poprimiti značenja riječi u prirodnom jeziku (na primjer, "malo", "brzo" itd.) ), tada je ova varijabla definirana kao lingvistička varijabla. Riječi čija je značenja pretpostavljena lingvistička varijabla obično označavaju nejasne skupove. 4 Inteligentni informacioni sistemi: Metodološka uputstva za laboratorijsku vežbu na predmetu "Inteligentni informacioni sistemi" za studente specijalnosti 071900 - Informacioni sistemi u ekonomiji / Ufimsk. stanje Avijacija tech. un-t; komp.: G.G. Kulikov, T.V. Breikin, L.Z. Kamalova. - Ufa, 1999.-40 str. - 48 - Jezička varijabla može poprimiti svoje vrijednosti bilo riječi ili brojeva. Definicija lingvističke varijable (formalna) Jezička varijabla se naziva pet (x, T (x), X, G, M), gdje je x ime varijable; T (x) - skup imena jezičkih vrijednosti varijable x, od kojih je svaka fuzzy skup na skupu X; G je sintaktičko pravilo za formiranje imena vrijednosti x; M je semantičko pravilo za povezivanje svake vrijednosti vrijednosti sa njenim konceptom. Svrha koncepta lingvističke varijable je da se na formalan način kaže da varijabla može uzeti kao značenje riječ iz prirodnog jezika. Drugim riječima, svaka lingvistička varijabla se sastoji od: - imena; - skup njegovih vrijednosti, koji se naziva i osnovni skup pojmova T. Elementi osnovnog skupa pojmova su imena rasplinutih varijabli; - univerzalni set X; - sintaksičko pravilo G, prema kojem se novi pojmovi generišu upotrebom riječi prirodnog ili formalnog jezika; - semantičko pravilo P, koje svakoj vrijednosti lingvističke varijable dodjeljuje nejasni podskup skupa X. Na primjer, ako kažemo “ brza brzina", Tada varijablu "brzina" treba shvatiti kao jezičku varijablu, ali to ne znači da varijabla "brzina" ne može uzeti realne vrijednosti. Fazi varijabla je opisana skupom (N, X, A), gdje je N je naziv varijable, X je univerzalni skup (područje rasuđivanja), A je rasplinuti skup na X. Vrijednosti jezičke varijable mogu biti fuzzy varijable, tj. lingvistička varijabla je na višem nivou od fuzzy varijable. Glavni pristup formalizaciji fuzzinessa je sljedeći. Fazi skup se formira uvođenjem generalizovanog koncepta pripadnosti, tj. proširenje dvoelementnog skupa vrijednosti karakteristične funkcije (0,1) na kontinuum. To znači da se prijelaz iz potpune pripadnosti objekta klasi u njegovu potpunu nepripadnost odvija ne naglo, već glatko, postepeno, a pripadnost elementa skupu izražava se brojem iz intervala. - 49 - Fuzzy skup (NM), matematički je definiran kao skup uređenih parova sastavljenih od elemenata x univerzalnog skupa X i odgovarajućih stupnjeva pripadnosti μa (x) ili (pošto je funkcija pripadnosti iscrpna karakteristika NM) direktno u obliku funkcije pomoću Univerzalnog skupa X rasplinutog skupa A naziva se domen definicije funkcije pripadnosti μa. Na sl. 18 prikazuje glavne varijante funkcija članstva. Rice. 18. Tip funkcija pripadnosti Po tipu funkcija članstva razlikuju se na: - submodalne (sl. 1. c); - amodal (sl. 1. a); - multimodalni (slika 1. m); - unimodalni (slika 1.u). - Primjer. 1) A = ((x1,0.2), (x2,0.6), (x3,1), (x4,0.8)); 2) A = 0,2 | x1 + 0,6 | x2 + 1 | x3 + 0,8 | x4. 3) Isti primjer se može predstaviti u obliku tabele. Tabela 6 A = Tabela koja opisuje funkciju članstva x1 x2 x3 x4 0,2 0,6 1 0,8 Primjer "Mnogo visokih ljudi" B pravi zivot koncept kao što je "rast visoke osobe" je subjektivan. Neki vjeruju da bi visoka osoba trebala biti visoka više od 170 cm, drugi - više od 180 cm, a treći - više od 190 cm. Nejasne grupe nam omogućavaju da uzmemo u obzir tako zamagljenu procjenu. - 50 - Neka je x lingvistička varijabla koja označava "visinu osobe", njenu funkciju pripadnosti skupu visokih ljudi A: X (0,1), gdje je X skup koji uključuje sve moguće vrijednosti neke osobe visina, daje se na sledeći način: Tada je skup "visokih ljudi" dat izrazom A = (x | A (x) = 1), x ϲ X. Ovo je grafički prikazano na Sl. 19 (puna linija), tj. zavisi od pojedinca koji procenjuje. Neka funkcija pripadnosti A: X (0,1) ima oblik prikazan na slici isprekidanom linijom. Rice. 19. Nejasan skup visokih ljudi Dakle, osoba visine 145 cm pripada skupu A sa stepenom pripadnosti A (145) = 0, osoba visine 165 cm - A (165) = 0,3, visina 185 cm -A (185) = 0,9, a visina 205 cm - A (205) = 1. Primjer. "Je li ti sada hladno?" Temperature od +60oF (+12oC) ljudi doživljavaju kao hladno, a temperature od +80oF (+27oC) doživljavaju kao toplotu. Temperature od +65oF (+15oC) nekima se čine niskim, drugima prilično ugodnima. Ovu grupu definicija nazivamo funkcijom pripadnosti skupovima koji opisuju subjektivnu percepciju temperature od strane osobe. Mašine nisu sposobne za tako finu gradaciju. Ako je standard za određivanje hladnoće "temperatura ispod +15oC", tada će se +14,99oC smatrati hladnom, ali +15oC neće. Na sl. 20. Prikazan je grafikon koji će vam pomoći da shvatite kako osoba percipira temperaturu. Jednako je lako stvoriti dodatne skupove koji opisuju percepciju temperature od strane osobe. Na primjer, možete dodati setove kao što su "veoma hladno" i "veoma vruće". Slične funkcije mogu se opisati za druge koncepte kao što su otvorena i zatvorena stanja, temperatura rashladnog uređaja — 51 — ili temperatura rashladnog tornja. Rice. 20. Fazni skup "Temperatura" Dakle, o suštini koncepta "fazi skupa" mogu se izvući sljedeći zaključci: 1) rasplinuti skupovi opisuju neodređene pojmove (brzi trkač, topla voda, toplo vrijeme); 2) rasplinuti skupovi dozvoljavaju mogućnost delimične pripadnosti (petak je delimično slobodan dan (skraćeno), vreme je prilično toplo); 3) stepen pripadnosti objekta rasplinutom skupu određen je odgovarajućom vrednošću funkcije pripadnosti na intervalu (petak pripada vikendima sa stepenom pripadnosti 0,3); 4) funkcija pripadnosti povezuje objekat (ili logičku varijablu) sa vrednošću stepena njegovog članstva u rasplinutom skupu. Oblici krivulja za dodjelu funkcija članstva Postoji preko desetak tipičnih krivulja za dodjelu funkcija članstva. Najrasprostranjenije su: trokutaste, trapezoidne i Gausove funkcije pripadnosti. Funkcija trokutaste pripadnosti određena je trojkom brojeva (a, b, c), a njena vrijednost u tački x izračunava se prema izrazu (1). bx 1 b a, a x b; c x MF (x) , b x c; c b 0, u svim ostalim slučajevima - 52 - (1) Za (ba) = (cb) imamo slučaj simetrične trouglaste funkcije pripadnosti (slika 21), koja se može jednoznačno specificirati sa dva parametri iz trojke (a, b, c). Rice. 21. Funkcija trouglastog članstva Slično, da biste postavili funkciju trapezoidne pripadnosti, potrebna su vam četiri broja (a, b, c, d). bx 1 b a, a x b; 1, b x c; MF (x) d x, c x d; d c 0, u svim ostalim slučajevima (2) Kada je (b-a) = (d-c), trapezoidna funkcija pripadnosti ima simetričan oblik (slika 22). Rice. 22. Trapezna funkcija pripadnosti Skup funkcija pripadnosti za svaki član iz osnovnog skupa termina T obično se prikazuje zajedno na jednom grafikonu. Na sl. 23, prikazana je formalizacija nepreciznog koncepta "ljudskog doba". Dakle, za osobu od 48 godina, stepen pripadnosti skupu "Mladi" je 0, "Prosjek" - 0,47, "Iznad prosjeka" - 0,20. - 53 - Fig. 23. Opis lingvističke varijable "Human age" Osnovne operacije nad rasplinutim skupovima U nastavku su prikazane osnovne operacije nad IS iz klase svih IS F (X) = ( | : X ) univerzalnog skupa X. 1. Sabiranje 5 2 = = 1- 1, x X Sl. 24. Raspored operacije "Komplement" nad funkcijom M 2. Presjek I (minimum: varijable koje nisu u interakciji). 3 = ( 1 2) (x) = min ( 1 (x), 2 (x)), x X 3. Unija I (maksimum: varijable koje nisu u interakciji). 3 = ( 1 2) (x) = max ( 1 (x), 2 (x)), x X 4. Raskrsnica II (ograničeni proizvod). 3 = ( 1 2) (x) = max (0, 1 (x) + 2 (x) -1), x X 5. Unija II (maksimum: ograničena količina). 3 = ( 1 2) (x) = min (1, 1 (x) + 2 (x)), x X 6. Presjek III (algebarski proizvod). 5 U daljem tekstu, operacije koje su iste za sve tri baze su prikazane na žutoj pozadini. - 54 - 3 = ( 1 2) (x) = 1 (x) * 2 (x), x X 7. Unija III (algebarski zbir). 3 = ( 1 2) (x) = 1 (x) + 2 (x) - 1 (x) 2 (x), x X A V Sl. 25. Grafikon rada preseka I (A) unije I (B) funkcija M i M1 A B Sl. 26. Grafikon rada preseka II (A) unije II (B) funkcija M i M1 A B Sl. 27. Grafikon rada raskrsnice III (A) unije III (B) funkcija M i M1 - 55 - 8. Razlika. 3 = 1 (x) - 2 (x) = max (0, 1 (x) - 2 (x)), x X 9. Koncentracija. 3 = 2 (x), x X Sl. 28. Grafikon razlike funkcija M i M1 Sl. 29. Grafikon koncentracije funkcije M1 Za razliku od Bulove algebre, u F (X) nisu zadovoljeni zakoni isključenja trećeg. Kada se konstruišu operacije unije ili preseka u F (X), potrebno je odbaciti ili zakone isključenja trećeg, ili svojstvo distributivnosti i idempotencije. Fuzzy objekti se mogu klasificirati prema tipu raspona vrijednosti funkcije članstva. I ovdje se razlikuju varijante X: - rešetka; - polugrupa; - prsten; - kategorija. Slučaj S-fazi skupova definisanih parom (X, ), gdje je - 56 - : XS preslikavanje iz X u linearno uređen skup S. Prirodno je nametnuti zahtjeve konačnosti i potpunosti na S. Primjer konačnog linearno uređenog skupa je skup lingvističkih vrijednosti jezičke varijable "KVALITETA" = (loše, prosječno, dobro, odlično). N 1 2 3 4 5 6 7 8 9 Tabela 7. Tabela korespondencije operacija na rasplinutim skupovima i logičkim funkcijama Naziv operacije Modifikator / veza Komplement NIJE Presek (minimalno: I (I, ..., I) neinteragirajuće varijable) Unija I ( maksimum: ILI neinteragujuće varijable) (ILI, ..., ILI) Presjek II (ograničeni I proizvod) Unija II (ograničeni proizvod I) ILI presjek III (algebarski I proizvod) Unija III (algebarski zbir) ILI Koncentracija razlike VRLO Kao što je prikazano, U zavisnosti Od metoda uvođenja operacija ujedinjenja i preseka IS-a, postoje tri glavne teorije IS-a. U skladu sa sličnim kriterijumima dijele: - fuzzy logiku sa maksiminskim operacijama (operacije 1,2,3,8,9); - fuzzy logika sa ograničenim operacijama (operacije 1,4,5,8,9); - probabilistička fuzzy logika (operacije 1,6,7,8,9). Tumačenje istine kao jezičke varijable dovodi do nejasne logike sa značenjima "tačno", "veoma istinito", "savršeno istinito", "manje ili više istinito", "ne baš tačno", "netačno" itd. , tj. na nejasnu logiku na kojoj se zasniva teorija približnog zaključivanja. Područja primjene teorije rasplinutih skupova u različitim oblastima ljudskog znanja.
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
Kozirjev vještačke inteligencije. Nastavno sredstvo za studente koji studiraju na specijalnosti "informatika". - Armavir, 2004.
Razmatrano osnovni koncepti umjetna inteligencija, pravci i perspektive razvoja istraživanja u oblasti umjetne inteligencije, osnove logičkog programskog jezika PROLOG.
Priručnik za obuku je namenjen studentima koji studiraju na specijalnosti „informatika“, a mogu ga koristiti i svi koji su zainteresovani za veštačku inteligenciju i logičko programiranje.
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 …………………………………. devet
3.1. Semantičke mreže …………………………………………………………… ..9
3.2. Model okvira …………………………………………………… 10
3.3. Model proizvodnje ………………………………………………………… ..11
3.4. Logički model ………………………………………………………. .12
4. Ekspertni sistemi ………………………………………………………… 12
4.1. Imenovanje ekspertnih sistema ……………………………………… .12
4.2. Vrste zadataka koji se rješavaju uz pomoć ekspertnih sistema …………… .14
4.3. Struktura ekspertnih sistema ……………………………………… ... 15
4.4. Glavne faze razvoja ekspertnih sistema ……………………………… 16
4.5. Stručni alati za razvoj 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 PROLOGU ………………………………………… ... 22
5.5. Objekti i tipovi podataka u PROLOGU ……………………………… ... 23
5.6. Glavni dijelovi PROLOG-programa …………………………… .23
5.7. Vraćanje unazad …………………………………………………………… ... 24
5.8. Kontrola povratnog praćenja: neuspjeh i predikat izrezivanja …… 26
5.9. Aritmetički proračuni ………………………………………… 27
5.10. Rekurzija ……………………………………………………………………… .28
5.11. Liste ………………………………………………………………… 30
5.12. Standardni zadaci obrade liste ……………………………… .31
Književnost…………………………………………………………………………………………………………… .35
Uvod
U posljednjih nekoliko decenija, umjetna inteligencija je zahvatila sve sfere aktivnosti, postajući sredstvo integracije znanosti. Softverski alati zasnovani na tehnologijama i metodama vještačke inteligencije postali su široko rasprostranjeni u svijetu. Sve ekonomski razvijene zemlje počele su da intenzivno istražuju stvaranje jedinstvenog informacionog prostora koji stvara uslove za zajednički rad na daljinu zasnovan na bazama znanja. Kurs "Osnove veštačke inteligencije" u visokom obrazovanju obuhvata proučavanje sekcija kao što su prezentacija znanja na formalnom jeziku, struktura ekspertskih sistema i osnovni principi njihovog razvoja, različite strategije za pronalaženje cilja. Jedan od glavnih pravaca kursa je diskusija o implementaciji sistema veštačke inteligencije za rešavanje specifičnih primenjenih problema.
As kompjuterska podrška Predmet ispituje instrumentalno razvojno okruženje za Visual Prolog programe. Programski jezik Prolog, zasnovan na idejama i metodama matematičke logike, prvobitno je kreiran za razvoj aplikacija umjetne inteligencije. Aplikacije kao što su baze znanja, ekspertski sistemi, interfejsi prirodnog jezika i inteligentni sistemi za upravljanje informacijama su efikasno programirani u okruženju Visual Prolog. Visok nivo apstrakcije, sposobnost predstavljanja složenih struktura podataka i simulacije logičkih odnosa između objekata omogućavaju rešavanje problema različitih predmetnih oblasti.
Nastavno sredstvo „Osnove veštačke inteligencije“ pomoći će da se prošire ideje budućeg nastavnika informatike o oblastima primene teorije veštačke inteligencije, o postojećim i obećavajućim jezicima programiranje i hardverske strukture za kreiranje sistema veštačke inteligencije.
1. Vještačka inteligencija: predmet, istorijat razvoja, pravci istraživanja.
Intellectus(lat) - um, razum, razum, misaone sposobnosti osobe. Umjetna inteligencija(AI) je oblast računarske nauke, čiji je predmet razvoj hardverskih i softverskih alata koji omogućavaju korisniku da rešava probleme koji se tradicionalno smatraju inteligentnim. Teorija veštačke inteligencije je nauka o znanju, kako ga izvući, predstaviti u veštačkim sistemima, obraditi ga unutar sistema i koristiti za rešavanje praktičnih problema. AI tehnologije se danas koriste u mnogim područjima primjene.
Početak istraživanja u oblasti AI (kraj 1950-ih) vezuje se za radove Newella, Symana i Shawa, koji su istraživali procese rješavanja različitih problema. Rezultati njihovog rada bili su programi kao što su "LOGIK-THEORETIK", namenjeni dokazivanju teorema u propozicionom računu, i "OPŠTI REŠAVAČ ZADATAKA". Ovi radovi označili su početak prve faze istraživanja u oblasti AI, povezane sa razvojem programa koji rešavaju probleme na osnovu upotrebe različitih heurističkih metoda.
U ovom slučaju, heuristički metod rješavanja problema smatran je karakterističnim za ljudsko razmišljanje „općenito“, koje karakterizira pojava nagađanja o načinu rješavanja problema uz njihovu naknadnu provjeru. Protivio se algoritamskoj metodi korištenoj u kompjuteru, 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.
Neurokiberietika je fokusirana na hardversko modeliranje struktura sličnih strukturi mozga. Fiziolozi su odavno utvrdili da je osnova ljudskog mozga veliki broj međusobno povezanih i međusobno povezanih nervnih ćelija - neurona. Stoga su napori neurokibernetike bili usmjereni na stvaranje elemenata sličnih neuronima i njihovo kombiniranje u funkcionalne sisteme. Ovi sistemi se obično nazivaju neuronske mreže ili neuronske mreže. Nedavno je neurokibernetika ponovo počela da se razvija zbog skoka u razvoju računara. Pojavili su se neurokompjuteri i transputeri.
Trenutno se koriste tri pristupa za kreiranje 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. Dio proračuna obavljaju posebne ploče za proširenje (koprocesori), a dio softverski.
B. Kibernetika "crne kutije".
Kibernetika "crne kutije" zasniva se na principu suprotnom od neurokibernetike. Nije važno kako funkcioniše uređaj koji "razmišlja". Glavna stvar je da na zadate ulazne uticaje reaguje na isti način kao i ljudski mozak.
Ovaj pravac vještačke inteligencije bio je fokusiran na pronalaženje algoritama za rješavanje inteligentnih problema na postojećim kompjuterskim modelima.
Istraživanja u oblasti veštačke inteligencije prešla su dug i trnovit put: prvi hobiji (1960), pseudonauka (1960-65), uspesi u rešavanju zagonetki i igara (), razočarenje u rešavanju praktičnih problema (), prvi uspesi u rješavanje niza praktičnih problema ( ), masovna komercijalna upotreba u rješavanju praktičnih problema ( ). Ali osnovu komercijalnog uspjeha s pravom čine ekspertni sistemi i prije svega ekspertni sistemi u realnom vremenu. Upravo su oni omogućili umjetnoj inteligenciji da pređe sa igara i zagonetki na masovnu upotrebu u rješavanju praktički značajnih problema.
1.2. Glavni zadaci rješavani na terenu
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 ranih 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 neuspješnom. Trenutno se koristi složeniji model, uključujući analizu i sintezu poruka prirodnog jezika, koji se sastoji od nekoliko blokova. Za analizu, ovo su:
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 - skup osnovnih elemenata različite prirode sa odgovarajućim postupcima;
P je skup sintaksičkih pravila. Uz njihovu pomoć od T elemenata se formiraju sintaktički ispravne kolekcije. Procedura P (R) određuje da li je ovaj skup ispravan;
A je podskup skupa P, koji se naziva aksiomi. Procedura P (A) daje odgovor na pitanje o pripadnosti skupu A;
B - skup pravila zaključivanja. Primjenjujući ih na elemente A, možete dobiti nove sintaktički ispravne kolekcije na koje možete ponovo primijeniti ova pravila. Procedura P (B) određuje, za svaku sintaksički ispravnu kolekciju, da li je deducibilna.
4. Ekspertni sistemi
4.1. Imenovanje ekspertskih sistema
Ekspertni sistemi(ES) su složeni softverski sistemi koji akumuliraju znanje stručnjaka u određenim predmetnim oblastima i repliciraju ovo empirijsko iskustvo za savjete manje kvalifikovanih korisnika.
Svrha proučavanja ekspertnih sistema je razvoj 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.
Ekspertski sistemi su dizajnirani da rešavaju neformalizovane, praktične zadatke. Korištenje ekspertnog sistema treba koristiti samo kada je njihov razvoj moguć i svrsishodan.
Činjenice koje ukazuju na potrebu razvoja i implementacije ekspertnih 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 vidjeti (u dodijeljenom vremenu) sve ove uvjete;
Prisustvo konkurenata koji imaju prednost da bolje rade posao na datom zadatku.
By funkcionalan ekspertni sistemi se mogu podijeliti na sljedeće vrste:
1. Snažni 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, kompleksne sisteme obuke. Baza znanja ovih sistema nije jeftina, jer sadrži jedinstvena znanja dobijena od 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 namenjeni široj javnosti (sistemi koji olakšavaju rešavanje problema sa hardverom). Upotreba ovakvih sistema omogućava da se bez visokokvalificiranog osoblja skrati vrijeme otklanjanja kvarova. Baza znanja takvog sistema može se dopunjavati i mijenjati bez pribjegavanja pomoći programera sistema. Obično koriste znanja iz različitih referentnih priručnika i tehničke dokumentacije.
4. Jednostavni ekspertni sistemi za individualnu upotrebu. Često se izrađuju samostalno. Koristi se u situacijama za olakšavanje svakodnevnog rada. Korisnik, organizirajući pravila u određenu bazu znanja, na njenoj osnovi kreira vlastiti stručni sistem. Takvi sistemi se koriste u jurisprudenciji, komercijalnim aktivnostima i popravci jednostavne opreme.
Upotreba ekspertskih sistema i neuronskih mreža donosi značajne ekonomske koristi. Na primjer: - American Express je smanjio gubitke za 27 miliona dolara godišnje zahvaljujući ekspertskom sistemu koji utvrđuje preporučljivost davanja ili odbijanja kredita određenoj firmi; “DEC štedi 70 miliona dolara godišnje uz XCON / XSEL, koji prilagođava VAX računarski sistem. Njegovom upotrebom smanjen je broj grešaka sa 30% na 1%; - Sira je sa ekspertskim sistemom za gasovode smanjila troškove izgradnje gasovoda u Australiji za 40 miliona dolara.
4.2. Vrste zadataka koje se rješavaju sa
ekspertni sistemi
Interpretiranje podataka... Tumačenje se odnosi na definiciju značenja podataka čiji rezultati moraju biti konzistentni i tačni. Primjeri ES-a:
Otkrivanje i identifikacija različite vrste oceanski brodovi - SIAP;
Određivanje osnovnih osobina ličnosti na osnovu rezultata psihodijagnostičkog testiranja u AUTANTEST i MICROLUSHER sistemima itd.
Dijagnostika... Dijagnostika se odnosi na otkrivanje kvara u određenom sistemu. Primjeri ES-a:
Dijagnostika i terapija koronarne vazokonstrikcije - ANGY;
Dijagnostika grešaka u hardveru i kompjuterskom softveru - CRIB sistem i dr.
Monitoring... Osnovni zadatak monitoringa je kontinuirana interpretacija podataka u realnom vremenu i signaliziranje da su određeni parametri izvan dozvoljenih granica. Glavni problemi su "preskakanje" alarmantne situacije i inverzni zadatak "lažnog" aktiviranja. Primjeri ES-a:
Kontrola rada elektrana SPRINT, pomoć dispečerima nuklearnog reaktora - REAKTOR:
Kontrola senzora za hitne slučajeve u hemijskom postrojenju - FALCON itd.
Dizajn... Dizajn se sastoji u pripremi specifikacija za kreiranje "objekata" sa unapred definisanim svojstvima. Specifikacija se odnosi na kompletan set potrebnih dokumenata, crteža, objašnjenja, itd. Primeri ES:
Dizajn VAX - 1/780 kompjuterskih konfiguracija u XCON (ili R1) sistemu,
LSI dizajn - CADHELP;
Sinteza električnih kola - SYN itd.
Predviđanje. Prediktivni sistemi logički zaključuju vjerovatne posljedice iz datih situacija. Primjeri ES-a:
Prognoza vremena - WILLARD sistem:
Procjene buduće žetve - PI. ANT;
Prognoze u privredi - ECON et al.
Planiranje. Planiranje se odnosi na pronalaženje akcionih planova koji se odnose na objekte koji su sposobni da obavljaju neke funkcije. U takvim ES koriste se modeli ponašanja stvarnih objekata kako bi se logički zaključile posljedice planirane aktivnosti. Primjeri ES-a:
Planiranje ponašanja robota - STRIPS,
Planiranje industrijskih narudžbi - 1SIS,
Planiranje eksperimenta - MOLGEN et al.
Obrazovanje. Sistemi učenja dijagnosticiraju greške u proučavanju discipline koristeći kompjuter i predlažu prave odluke. Akumuliraju znanja o hipotetičkom „učeniku“ i njegovim karakterističnim greškama, zatim u svom radu umeju da dijagnostikuju slabosti u znanju učenika i pronađu odgovarajuća sredstva da ih otklone. Primjeri ES-a:
Učenje programskog jezika Lisp u sistemu Lisp Teacher;
PROUST sistem - podučavanje Pascal jezika, itd.
Rješenja ekspertnih sistema su transparentna, odnosno mogu se objasniti korisniku na kvalitativnom nivou.
Ekspertski sistemi su u mogućnosti da dopune svoja znanja u toku interakcije sa stručnjakom.
4.3. Struktura ekspertnih sistema
Struktura ekspertnih sistema uključuje sledeće komponente:
Baza znanja- jezgro ES-a, korpusa znanja predmetne oblasti, snimljenog na mašinskom mediju u formi razumljivom stručnjaku i korisniku (obično na nekom jeziku bliskom prirodnom). Paralelno sa ovom "ljudskom" predstavljanjem, postoji baza znanja u unutrašnjoj "mašinskoj" reprezentaciji. Sastoji se od skupa činjenica i pravila.
Činjenice – opisuju objekte i odnos između njih. Pravila – Koriste se u bazi znanja za opisivanje odnosa između objekata. Zaključivanje se vrši na osnovu odnosa definisanih pravilima.
Baza podataka- namijenjen je 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 u cilju dobijanja novih podataka, za to se obično koristi softverski implementirani mehanizam za pronalaženje rješenja.
Komunikacijski podsistem- služi za vođenje dijaloga sa korisnikom, tokom kojeg ekspertni sistem od korisnika traži potrebne činjenice za proces rasuđivanja, kao i omogućava korisniku da u određenoj mjeri kontroliše tok rezonovanja.
Objasniti podsistem- neophodno je kako bi se korisniku dala mogućnost kontrole toka rezonovanja.
Podsistem za sticanje znanja- program koji inženjeru znanja pruža mogućnost kreiranja baza znanja u interaktivnom načinu rada. Uključuje sistem ugniježđenih menija, jezičke šablone za predstavljanje znanja, savjete ("pomoć" - način rada) i druge servisne alate koji olakšavaju rad sa bazom podataka.
Ekspertski sistem radi na dva načina:
Sticanje znanja (definicija, modifikacija, dopuna);
Rješavanje problema.
U ovom načinu rada se podaci o zadatku obrađuju i nakon odgovarajućeg kodiranja prenose u blokove ekspertnog sistema. Rezultati obrade dobijenih podataka šalju se modulu savjeta i objašnjenja i nakon prevođenja u jezik blizak prirodnom izdaju se u obliku savjeta, objašnjenja i komentara. Ukoliko korisniku odgovor nije jasan, može tražiti objašnjenje od ekspertskog sistema da bi ga dobio.
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 dovode do odluke da se počne razvijati određeni ES uključuju:
Definisanje problematične oblasti i zadatka;
Pronalaženje stručnjaka voljnog za saradnju u rješavanju problema i dodjeljivanje razvojnog tima;
Određivanje preliminarnog pristupa rješavanju problema;
Analiza troškova i koristi od razvoja;
Izrada detaljnog plana razvoja.
2. Razvoj prototipa sistema
Prototip sistema je skraćena verzija ekspertnog sistema, dizajnirana za provjeru ispravnosti kodiranja činjenica, odnosa i strategija ekspertskog rezonovanja.
Prototip mora ispuniti dva zahtjeva:
Prototip sistema bi trebao riješiti najčešće probleme, ali ne bi trebao biti ni veliki.
Vrijeme i trud uključeni u izradu prototipa trebali bi biti zanemarivi.
Rad prototipa programa se evaluira i verifikuje kako bi se uskladio sa stvarnim potrebama korisnika. Prototip se provjerava za:
Pogodnost i adekvatnost ulazno-izlaznih interfejsa (priroda pitanja u dijalogu, konzistentnost izlaznog teksta rezultata, itd.)
Efikasnost strategije kontrole (redosled nabrajanja, upotreba rasplinutog zaključivanja, itd.);
Kvaliteta testnih slučajeva;
Ispravnost baze znanja (potpunost i konzistentnost pravila).
Stručnjak obično radi s inženjerom znanja koji pomaže u strukturiranju znanja, definiranju i formiranju potrebnih koncepata i pravila
riješiti problem. U slučaju uspjeha, stručnjak uz pomoć kognicionog inženjera proširuje bazu znanja prototipa o domenu problema.
Ako ne uspije, može se zaključiti da. 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 dajući više pravila za suptilne aspekte pojedinačnih slučajeva. Nakon uspostavljanja osnovne strukture ES-a, inženjer znanja prelazi na razvoj i prilagođavanje interfejsa, uz pomoć kojih će sistem komunicirati sa korisnikom i stručnjakom.
Po pravilu se ostvaruje nesmetan prelazak sa prototipa na industrijske ekspertne sisteme. Ponekad se prilikom razvoja industrijskog sistema izdvajaju dodatne faze za tranziciju: demonstracijski prototip - istraživački prototip - radni prototip - industrijski sistem.
4. Procjena sistema
Stručni sistemi se evaluiraju kako bi se provjerila tačnost programa i njegova korisnost. Procjena se može izvršiti na osnovu različitih kriterija koje ćemo grupisati na sljedeći način:
Kriterijumi korisnika (jasnoća i "transparentnost" sistema, prilagođenost interfejsa, itd.);
Kriterijumi pozvanih stručnjaka (procena saveta-rešenja koje nudi sistem, poređenje sa sopstvenim rešenjima, procena podsistema objašnjenja i sl.);
Kriterijumi za razvojni tim (efikasnost implementacije, produktivnost, vreme odziva, dizajn, širina obima, konzistentnost baze znanja, broj zastoja kada sistem ne može da donese odluku, analiza osetljivosti programa na manje promene u predstavljanju znanja, faktori težine koristi se u logičkom izlazu, podacima itd.).
5. Spajanje sistema
U ovoj fazi se ekspertni sistem spaja sa drugim softverskim alatima u okruženje u kojem će raditi, a obučavaju se ljudi kojima će služiti.Docking znači i razvoj veza između ekspertnog sistema i okruženja u kojem on djeluje.
Docking uključuje osiguranje povezanosti ES sa postojećim bazama podataka i drugim sistemima u preduzeću, kao i poboljšanje sistemskih faktora koji zavise od vremena, kako bi se efikasnije osigurao i poboljšao njegove karakteristike. tehnička sredstva ako sistem radi u neobičnom okruženju (na primjer, komunikacija sa mjernim uređajima).
6. Sistemska podrška
Transkodiranje sistema u jezik kao što je C poboljšava performanse i prenosivost, ali smanjuje fleksibilnost. Ovo je prihvatljivo samo ako sistem zadrži sva znanja o problemskom području i to znanje se neće promijeniti u bliskoj budućnosti. Međutim, ako se ekspertski sistem kreira upravo zato što se problemsko područje mijenja, onda je potrebno podržati sistem u razvojnom okruženju.
Jezici umjetne inteligencije
Lisp (LISP) i Prolog (Prolog) su najčešći jezici za rješavanje problema umjetne inteligencije. Postoje i manje uobičajeni jezici umjetne inteligencije, kao što je 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 kreiraju se specijalizovani računari (na primer, Lisp mašine) dizajnirani da rešavaju probleme 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 predstavljanja okvira), KRL (Jezik predstavljanja znanja), ARTS, itd., omogućavajući korisnicima rad sa ekspertnim sistemima na višem nivou od moguće je na konvencionalnim jezicima umjetne inteligencije.
"školjke"
"Šelovi" su prazne "verzije postojećih ekspertskih sistema, odnosno gotovih ekspertskih sistema bez baze znanja. Primer takve ljuske je EMYCIN (Empty MYCIN), koji je prazan MYCIN ekspertski sistem. uopste zahtevaju rad programera za kreiranje gotovog ekspertskog sistema.Sve sto su potrebni su eksperti iz domena da popune bazu znanja.Ipak, ako se odredjena domena ne uklapa dobro sa modelom koji se koristi u odredjenoj ljusci, popunjavanje baza znanja u ovom slučaju je veoma teška.
5. PROLOG - jezik logičkog
programiranje
5.1. Opće informacije o PROLOGU.
PROLOG (PROGRAMIRANJE U LOGICI) je logički programski jezik dizajniran za rješavanje problema iz oblasti umjetne inteligencije (izrada ES-a, prevođenje programa, obrada prirodnog jezika). Koristi se za obradu prirodnog jezika i ima moćne alate za dohvaćanje informacija iz baza podataka, a metode pretraživanja koje se u njemu koriste bitno se razlikuju od tradicionalnih.
Osnovne konstrukcije PROLOGA su pozajmljene iz logike. PROLOG nije proceduralni jezik, već deklarativni programski jezik. Nije fokusiran na razvoj rješenja, već na sistematizovan i formaliziran opis problema tako da rješenje proizlazi iz pismenog opisa.
Suština logičkog pristupa je da se mašini kao programu nudi ne algoritam, 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 da uspješno predstavi predmetnu oblast sa sistemom logičkih formula i sa takvim skupom relacija na njemu koji najpotpunije opisuje zadatak.
Osnovna svojstva PROLOGA:
1) mašina za zaključivanje pretraživanja i vraćanja
2) ugrađeni mehanizam za usklađivanje uzoraka
3) jednostavna i lako promjenjiva struktura podataka
4) nedostatak pokazivača, operatora dodjeljivanja i skoka
5) prirodna rekurzija
Faze programiranja PROLOGUE:
1) objavljivanje činjenica o objektima i odnosu među njima;
2) utvrđivanje pravila odnosa objekata i odnosa među njima;
3) formulisanje pitanja o objektima i odnosu među njima.
Teorijska osnova PROLOGA 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 su argumenti
Na primjer, činjenica crna (mačka) je napisana korištenjem predikata crni, koji ima jedan argument. Činjenica napisao (šolohov, "TIHI DON") napisano pomoću predikata napisao koji ima dva argumenta.
Broj argumenata predikata naziva se arititet predikata i označava se sa crnim / 1 (crni predikat ima jedan argument, njegov arititet je 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 R. Kowalskog o primjeni logike na programiranje (1973).
Najpoznatiji u Rusiji je programski sistem Turbo Prolog - komercijalna implementacija jezika za IBM-kompatibilne računare. Godine 1988. objavljena je mnogo moćnija verzija Turbo Prologa 2.0, uključujući poboljšano integrirano programsko okruženje, brzi kompajler i alate za programiranje niskog nivoa. Borland je distribuirao ovu verziju do 1990. godine, kada je PDC stekao monopol na korištenje izvornog koda kompajlera i dalje plasirao programski sistem pod imenom PDC Prolog.
Razvojni centar Prolog 1996. godine lansira Visual Prolog 4.0 sistem na tržište. Visual Prolog okruženje koristi pristup koji se naziva "vizuelno programiranje", u kojem se izgled i ponašanje programa definiraju korištenjem posebnih alata za grafički dizajn bez tradicionalnog programiranja u algoritamskom jeziku.
Visual Prolog uključuje interaktivno okruženje vizualnog razvoja (VDE - Visual Develop Environment), koje uključuje tekst i razne grafički editor, alati za generisanje koda koji konstruišu kontrolnu logiku (eksperti) i interfejs za proširenje jezika vizuelno programiranje(VPI - Visual Programming Interface), Prolog kompajler, skup raznih uključenih fajlova i biblioteka, editor linkova, fajlovi koji sadrže primere i pomoć.
5.2. Prijedlozi: činjenice i pravila
PROLOG program se sastoji od rečenica, koje mogu biti činjenice, pravila ili upiti.
Činjenica- ovo je izjava da se uočava neki specifičan odnos između objekata. Činjenica se koristi da pokaže jednostavan odnos između podataka.
Struktura činjenica:
<имя_отношения>(t1, t2, ..., tn)), t1, t2, ..., tn su objekti
Primjeri činjenica:
studiranje (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 sažetak pravila zaključivanja. Varijable vrijede samo u jednoj rečenici. Ime u različitim rečenicama označava različite objekte. Sve rečenice moraju se završiti tačkom.
Primjeri pravila:
majka (X, Y): - roditelj (X, Y), žena (X).
student (X): - studije (X, institut); studiranje (X, univerzitet).
Pravilo se razlikuje od činjenice po tome što je činjenica uvijek istinita, a pravilo je istinito ako su tačni svi iskazi koji čine tijelo pravila. Činjenice i pravila baza znanja.
Ako imate bazu podataka, možete pisati upit(meta) njoj. Zahtjev je formulacija problema koji program mora riješiti. Njegova struktura je ista kao kod pravila ili činjenice. Postoje stalni upiti i varijabilni upiti.
Stalni upiti 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?
upit: zna (lena, saša).
rezultat: da
b) Da li Tanja poznaje Lenu?
upit zna (tanja, lena).
rezultat: br
Ako je varijabla uključena u zahtjev, tumač pokušava pronaći takve vrijednosti za koje će zahtjev biti istinit.
a) Koga Lena poznaje?
upit: zna (Lena, X).
rezultat:
X = tanja
X = saša
b) Ko poznaje Sašu?
upit: zna (X, saša).
rezultat: X = Lena
Upiti mogu biti složeni, odnosno sastoje se od nekoliko jednostavni upiti... Objedinjuje ih znak ",", koji se shvaća kao logički veznik "i".
Pozivaju se jednostavni upiti podcilj, složeni upit traje pravo značenje kada je svaki podcilj istinit.
Da biste odgovorili da li Lena i Sasha imaju zajedničke poznanike, trebate postaviti zahtjev:
zna (Lena, X), zna (Sasha, X).
rezultat:
X = Tanja
5.4. Varijable u PROLOGU
Varijabla u PROLOGUE se ne smatra dodijeljenom memorijskom lokacijom. Koristi se za označavanje objekta koji se ne može referencirati imenom. Varijabla se može uzeti u obzir lokalni naziv za neki objekat.
Ime varijable mora početi sa veliko slovo ili donja crta i sadrže samo slova, brojeve i donje crte: X, _y, AB, X1. Poziva se varijabla koja nije bitna besplatno, varijabla koja ima vrijednost - konkretizovan.
Poziva se varijabla koja se sastoji samo od znaka donje crte anoniman i koristi se ako je njegovo značenje nebitno. Na primjer, postoje činjenice:
roditelj (Ira, Tanja).
roditelj (miša, tanja).
roditelj (Olya, Ira).
Potrebno je identifikovati sve roditelje
upit: roditelj (x, _)
rezultat:
X = Ira
X = Miša
X = Olya
Opseg varijable je tvrdnja. Unutar iskaza, isto ime pripada istoj varijabli. Dvije izjave mogu koristiti isto ime varijable na potpuno različite načine.
U PROLOGU nema operatora dodjeljivanja, njegovu ulogu ima operator jednakosti =. Cilj X = 5 može se smatrati poređenjem (ako X ima vrijednost) ili kao zadatkom (ako je X slobodan).
U PROLOGU, ne možete napisati X = X + 5 za povećanje vrijednosti varijable. Treba koristiti novu varijablu: Y = X + 5.
5.5. Objekti i tipovi podataka u PROLOGU
Pozivaju se objekti podataka u PROLOGU uslovi... Termin može biti konstantan, varijabilan ili složen 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 niz počinje malim slovom i sadrži samo slova, brojeve i donju crtu (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_datum (osoba ("Maša", "Ivanova"), podaci (15. aprila 1983.))
Domain u PROLOGU, tip podataka je imenovan. Standardne domene su:
cijeli broj - cijeli brojevi.
realni - realni brojevi.
string - stringovi (bilo koji niz znakova u navodnicima).
char je jedan znak zatvoren u apostrofe.
simbol - niz latiničnih slova, brojeva i donjih crta koji počinje malim slovom ili bilo kojim nizom simbola u navodnicima.
5.6. Glavni dijelovi programa PROLOG
Program PROLOG se u pravilu sastoji od četiri dijela.
DOMENI- odjeljak koji opisuje domene (tipove). Odjeljak se koristi ako program koristi nestandardne domene.
Na primjer:
PREDIKATI - dio za opisivanje predikata. Odjeljak se koristi ako program koristi nestandardne predikate.
Na primjer:
zna (ime, ime)
ime studenta)
KLAUZE - dio prijedloga. 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).
GOAL - ciljni dio. Ovaj odjeljak bilježi zahtjev.
Na primjer:
student_sign (lena, X).
Najjednostavniji program može sadržavati samo dio CILJ, na primjer:
napisati (“Unesite svoje ime:”), readln (ime),
napišite (“Zdravo”, Ime, “!”).
