Institut Kolomna (podružnica)
Državna obrazovna ustanova viša
strukovno obrazovanje
"MOSKVSKO DRŽAVNO OTVORENO SVEUČILIŠTE"
Zavod za informatiku i informacijske tehnologije
"ODOBRENO"
obrazovni i metodički
Vijeće KI (f) MGOU
Predsjednik Uprave
Profesor
prijepodne Lipatov
"___" ____________ 2010
p.s. Romanov
OSNOVE UMJETNE INTELIGENCIJE
Udžbenik o disciplinama smjera
"Informatika i računalno inženjerstvo"
Za sveučilišne studente
Kolomna - 2010
Na
Tiskano u skladu s odlukom obrazovno-metodičkog vijeća Kolomna instituta (podružnice) Državne obrazovne ustanove visokog stručnog obrazovanja "MGOU" od __________
2010
br ________
R69 Romanov P.S.
Osnove umjetne inteligencije. Vodič. - Kolomna: KI (f) MGOU, 2010. - 164 str.
Vodič pokriva osnove umjetne inteligencije. Prikazani su osnovni koncepti umjetne inteligencije. Dane su odredbe teorije neizraziti skupovi. Razmatraju se glavni inteligentni sustavi, njihova namjena, klasifikacija, karakteristike, problemi stvaranja, primjeri.
Udžbenik je namijenjen studentima visokih učilišta koji studiraju na smjeru "Informatika i računalno inženjerstvo". U proučavanju inteligentnih informacijskih sustava mogu ga koristiti studenti drugih specijalnosti.
Recenzent: doktor tehničkih znanosti, profesor V.G. Novikov
© Romanov P.S.
©KI(f) MGOU, 2010
Uvod…………………………………………………………………………………………………………………...5
Poglavlje 1. Osnovni koncepti umjetne inteligencije ........................................ .... 6
§ 1.1. Osnovni pojmovi i definicije ................................................................. ........................ 6
§ 1.2. Povijest razvoja AI sustava .................................................. ........................ 12
§ 1.4. Glavni pravci razvoja i primjene
inteligentni sustavi ................................................................ ................................................25
Poglavlje 2 32
§ 2.1. Nejasan skup. Operacije nad neizrazitim skupovima…..32
§ 2.1.1. Osnovne operacije nad neizrazitim skupovima..................................35
§ 2.2. Izgradnja funkcije članstva.................................................. .........38
§ 2.2.1. Neke metode za konstruiranje funkcije članstva......................39
§ 2.3. Nejasni brojevi ................................................................ .................................................44
§ 2.4. Operacije s neizrazitim brojevima (L-R) tipa ........................................ ........46
§ 2.5. Nejasne i jezične varijable .................................................. .47
§ 2.6. Zamućeni odnosi ................................................. .................................................pedeset
§ 2.7. Mutna logika ................................................ ................................................................ .51
§ 2.8. Nejasni zaključci ................................................................ ..............................................53
§ 2.9. Automatizacija obrade informacija korištenjem
neizraziti sustavi ................................................................ .................................................59
Poglavlje 3. Osnovni inteligentni sustavi.................................................. ........................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 sustavi. Predmetna područja................................................76
§ 3.5. Namjena i opseg ekspertnih sustava ................................77
§ 3.6. Metodologija razvoja ekspertnih sustava........................................................ .........81
§ 3.7. Osnovni ekspertni sustavi ................................................................. ................... 86
§ 3.8. Poteškoće u razvoju ekspertni sustavi i njihove načine
prevladavanje ................................................. ................................................90
§ 3.9. Namjena, klasifikacija robota ................................................. 94
§ 3.10. Primjeri robota i robotskih sustava........................................................ ...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 sustavi.....................................101
§ 3.10.5. Mozak kao analogno-digitalni uređaj ........................................ ......104
§ 3.10.6. Roboti - igračke ................................................................. ....................104
§ 3.11. Problemi tehničke implementacije robota ................................................. .. 105
§ 3.12. Prilagodljivi industrijski roboti.................................................. ...................114
§ 3.12.1. Prilagodba i obuka ................................................................. ............................114
§ 3.12.2. Klasifikacija adaptivnih sustava upravljanja
industrijski roboti ................................................................ ................... ...117
§ 3.12.3. Primjeri prilagodljivih upravljačkih sustava za robote...............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. Matematički neuron McCulloch-Pittsa .................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 generalizirano pravilo delte.........152
§ 3.14.2. Višeslojni perceptron i inverzni algoritam
širenje pogreške ................................................................ ........................ 155
§ 3.14.3. Vrste aktivacijskih funkcija ................................................. .160
Uvod
Znanost pod nazivom "umjetna inteligencija" uključena je u kompleks računalnih znanosti, a tehnologije stvorene na njezinoj osnovi pripadaju informacijskim tehnologijama. Zadaća ove znanosti je pružiti razumno zaključivanje i djelovanje uz pomoć računalnih sustava i drugih umjetnih uređaja. Kao samostalan znanstveni pravac, umjetna inteligencija (AI) postoji nešto više od četvrt stoljeća. Tijekom tog vremena, odnos društva prema stručnjacima koji se bave takvim istraživanjima evoluirao je od skepticizma do poštovanja. U naprednim zemljama rad u području inteligentnih sustava podržava se na svim razinama društva. Čvrsto je mišljenje da će upravo te studije odrediti prirodu informacijskog društva koje već zamjenjuje industrijsku civilizaciju koja je dosegla svoj najveći vrhunac u 20. stoljeću. Tijekom proteklih godina formiranja AI kao posebne znanstvene discipline formirani su njezini konceptualni modeli, akumulirane specifične metode i tehnike koje samo njoj pripadaju, te uspostavljene neke temeljne paradigme. Umjetna inteligencija postala je posve respektabilna znanost, ništa manje časna i potrebna od fizike ili biologije.
Umjetna inteligencija je eksperimentalna znanost. Eksperimentalna priroda umjetne inteligencije je da prilikom kreiranja određenih računalnih predstava i modela, istraživač uspoređuje njihovo ponašanje međusobno i s primjerima rješavanja istih problema od strane stručnjaka, modificira ih na temelju te usporedbe, pokušavajući postići bolje podudaranje između rezultate. Za modificiranje programa na "monotoničan" način radi poboljšanja rezultata, potrebno je imati razumne početne ideje i modele. Njih pružaju psihološka istraživanja svijesti, posebno kognitivna psihologija.
Važna karakteristika AI metoda je da se bavi samo onim mehanizmima kompetencija koji su verbalne prirode (dopuštaju simboličko predstavljanje). Nisu svi mehanizmi kojima se čovjek služi za rješavanje problema takvi.
Knjiga predstavlja osnove umjetne inteligencije koje omogućuju navigaciju velikim brojem publikacija o problemima umjetne inteligencije i stjecanje potrebnih znanja iz ovog područja znanosti.
Maslennikova O.E. , Popova I.V.Vodič. Magnitogorsk: MaSU, 2008. 282 str. funkcionalno programiranje. Mnogo se pažnje posvećuje povijesti razvoja umjetne inteligencije. Izlaganje gradiva popraćeno je velikim brojem ilustracija, ponuđene su vježbe i pitanja za samokontrolu.
Rad je namijenjen redovnim i izvanrednim studentima koji studiraju na smjerovima „Informatika“, „Fizičko-matematički odgoj (Profil – Informatika)“.Uvod u umjetnu inteligenciju.
Povijest razvoja umjetne inteligencije kao znanstvenog smjera.
Glavni pravci istraživanja u području umjetne inteligencije.
Filozofski aspekti problema umjetne inteligencije.
Pitanja za samokontrolu.
Književnost.
Modeli predstavljanja znanja.
Znanje.
Logički model predstavljanja znanja.
semantičke mreže.
Okviri.
proizvodni model.
Drugi modeli predstavljanja znanja.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Ekspertni sustavi.
Koncept ekspertnog sustava.
Vrste ekspertnih sustava i vrste zadataka koje treba riješiti.
Struktura i načini rada ekspertnog sustava.
Tehnologija razvoja ekspertnih sustava.
Stručni alati sustava.
intelektualni Informacijski sustavi.
Vježbe.
Pitanja za samokontrolu.
Književnost.
Prolog kao logički programski jezik.
Uvod u logičko programiranje.
Prikaz znanja o predmetnom području u obliku činjenica i pravila baze znanja Prolog.
Deskriptivno, proceduralno i strojno značenje Prolog programa.
Osnovne tehnike programiranja u Prologu.
Visual Prolog okruženje.
Vježbe.
Književnost.
Uvod u funkcionalno programiranje.
Povijest funkcionalnog programiranja.
Svojstva funkcionalnih programskih jezika.
Zadaci funkcionalnog programiranja.
Vježbe.
Odgovori za samotestiranje.
Književnost.
ssary.
Dodatak 1.
Dodatak 2
Dodatak 3
Datoteka će biti poslana na odabranu adresu e-pošte. Može proći do 1-5 minuta prije nego što ga primite.
Datoteka će biti poslana na vaš Kindle račun. Može proći do 1-5 minuta prije nego što ga primite.
Imajte na umu da morate dodati našu e-poštu [e-mail zaštićen]
na odobrene adrese e-pošte. Čitaj više.
Možete napisati recenziju knjige i podijeliti svoja iskustva. Druge čitatelje uvijek će zanimati vaše mišljenje o knjigama koje ste "pročitali. Bez obzira na to jeste li voljeli knjigu ili ne, ako date svoja iskrena i detaljna razmišljanja, ljudi će pronaći nove knjige koje im odgovaraju.
Ministarstvo obrazovanja i znanosti Ruske Federacije Magnitogorsk State University O.E. Maslennikova, I.V. Popova Osnove umjetne inteligencije Udžbenik Magnitogorsk 2008 UDK 681.142.1.01 LBC Z97 M Recenzenti: doktor fizikalno-matematičkih znanosti, profesor S.I. Kadchenko Doktor tehničkih znanosti, profesor A,S. Sarvarov M. Maslennikova O.E., Popova I.V. Osnove umjetne inteligencije: udžbenik. dodatak / O.E. Maslennikova, I.V. Popov. - Magnitogorsk: MaGU, 2008. - 282 str. ISBN 978-5.86781-609-4 Udžbenik prikazuje modele predstavljanja znanja, teoriju ekspertnih sustava, osnove logičkog i funkcionalnog programiranja. Mnogo se pažnje posvećuje povijesti razvoja umjetne inteligencije. Izlaganje gradiva popraćeno je velikim brojem ilustracija, ponuđene su vježbe i pitanja za samokontrolu. Rad je usmjeren na redovite i izvanredne studente koji studiraju na područjima "Računalstvo", "Fizika i matematika (Profil - Informatika)". UDC 681.142.1.01 BBC Z97 ISBN 978-5.86781-609-4 Maslennikova O.E., Popova I.V., 2008. Državno sveučilište Magnitogorsk, 2008. -2- SADRŽAJ POGLAVLJE 1. POGLAVLJE UVOD 1. UVOD ... ........ 5 1.1. POVIJEST RAZVOJA UMJETNE INTELIGENCIJE KAO ZNANSTVENOG PRAVCA ........................................ ........................................................ ...................................... 9 1.2. GLAVNI PRAVCI ISTRAŽIVANJA U PODRUČJU UMJETNE INTELIGENCIJE........................................ ................................................................... ........................................................ 13 1.3. FILOZOFSKI ASPEKTI PROBLEMA UMJETNE INTELIGENCIJE....... 16 PITANJA ZA SAMOKONTROLU................................... ................................................................ ........ 21 LITERATURA.......................................... ................................................................ ............... 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 SAMOPROJAVU ................ ............................................... 83 LITERATURA ... ........................................................ ........................................................ 84 POGLAVLJE 3. STRUČNI SUSTAVI.................................................. ........................ 86 3.1. POJAM EKSPERTNOG SUSTAVA ........................................ ........................................ 86 3.2. VRSTE EKSPERTNIH SUSTAVA I VRSTE RJEŠENIH PROBLEMA........................................ ......... 89 3.3. STRUKTURA I NAČINI RADA STRUČNOG SUSTAVA ................................................ .... 99 3.4. TEHNOLOGIJA ZA RAZVOJ STRUČNIH SUSTAVA ................................................ ................... 102 3.5. ALATI STRUČNOG SUSTAVA ........................................ 113 3.6. INTELIGENTNI INFORMACIJSKI SUSTAVI ................................................... ... 129 VJEŽBE ...................................... ................................................................ ............... 135 PITANJA ZA SAMOPROJAVU ...................... ................................................................... .. 136 LITERATURA ................................................. ........................................................ ......... 138 POGLAVLJE 4. PROLOG KAO LOGIČKI PROGRAMSKI JEZIK ................................... ................................................... ........... 139 4.1. POGLED NA LOGIČKO PROGRAMIRANJE ................................................ 139 4.2. PRIKAZ ZNANJA O PREDMETNOM PODRUČJU KAO ČINJENICE I PRAVILA PROLOŠKE BAZE ZNANJA.................................. ............................................................ ................................. 140 4.3. OPISNO, PROCEDURALNO I STROJNO ZNAČENJE PROGRAMA NA PROLOGU..................................... ........................................................ ................................... 148 4.4. OSNOVNE TEHNIKE PROGRAMIRANJA U PROLOGU .................................................. 151 4.5. VIZUALNO OKRUŽENJE PROLOGA........................................................ .................................. 154 VJEŽBE .............. ................................................................ ................................................................ .. 194 LITERATURA .............................................. ................................................................ ........ 197 -3- POGLAVLJE 5. UVOD U FUNKCIONALNO PROGRAMIRANJE. ................................................. .............................. 199 5.1. POVIJEST FUNKCIONALNOG PROGRAMIRANJA ................................................... .... 200 5.2. SVOJSTVA FUNKCIONALNIH PROGRAMSKIH JEZIKA 203 5.3. ZADACI FUNKCIONALNOG PROGRAMIRANJA........................................................ .................. 207 VJEŽBE.................................. ................................................................... ................................................... ................... 210 ODGOVORI SAMOTESTIRANJA.......... ................... ................................................ 210 LITERATURA ................................................................ .............................. ................... ..... 211 RJEČNIK ......................................... ................................................................ ......... 213 DODATAK 1 .................................. ................................................................ .... 221 DODATAK 2 ................................................... ............................................................ 252 DODATAK 3 ........................................................ ................................... 265 -4 - PREDGOVOR B novije vrijeme postoji porast interesa za umjetnu inteligenciju, uzrokovan povećanim zahtjevima za informacijskim sustavima. Čovječanstvo se stalno kreće prema novoj informacijskoj revoluciji, usporedivoj po razmjeru s razvojem interneta. Umjetna inteligencija je grana informatike čija je svrha razvoj hardverskih i softverskih alata koji omogućuju korisniku koji nije programer da postavlja i rješava vlastite, tradicionalno smatrane intelektualne zadatke, komunicirajući s računalom na ograničenom podskupu prirodnog jezika. . Povijest umjetne inteligencije kao novog znanstvenog smjera počinje sredinom 20. stoljeća. U to su vrijeme već bili stvoreni 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 ljudskog mozga i razmišljajući, 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 nastala su prva računala. Svrha ovog priručnika je prikazati glavne smjerove i metode koje se koriste u umjetnoj inteligenciji, kao i utvrditi mogućnost njihove uporabe u profesionalnoj pedagoškoj djelatnosti. Ovaj vodič se sastoji od pet poglavlja. Prvi daje kratak uvod u umjetnu inteligenciju: razmatra se povijest njezina razvoja kao znanstvenog smjera, naglašavaju glavna područja umjetne inteligencije, te filozofski aspekti problema kao što su mogućnost postojanja, sigurnost i korisnost umjetne inteligencije. umjetna inteligencija se razmatraju. Drugo poglavlje posvećeno je opisu klasičnih modela reprezentacije znanja: logičkih, semantičkih, okvirnih, produkcijskih i neuronskih mreža. Treće poglavlje govori o teorijskom i praktične stvari razvoj ekspertnih sustava; opisuje omotač XpertRule. Četvrto poglavlje opisuje osnovne principe programiranja na jeziku Prolog, opisuje okruženje Visual Prolog. Peto poglavlje pokriva osnove funkcionalnog programiranja s primjerima LISP-a. Priručnik sadrži veliki broj ilustracije, vježbe i pitanja za samokontrolu. Za praktičnost proučavanja gradiva osiguran je pojmovnik. -5- POGLAVLJE 1. UVOD U UMJETNU INTELIGENCIJU Umjetna inteligencija (AI) je novo područje informatike, čiji je predmet svaka ljudska intelektualna aktivnost koja se pokorava poznatim zakonima. Slikovito se ovaj smjer naziva "najstarijim sinom informatike", budući da mnogi problemi koje on ne rješava postupno pronalaze svoje rješenje u okviru umjetne inteligencije. Poznato je da je predmet informatike obrada informacija. Područje AI-a uključuje takve slučajeve (zadatke) iz ove obrade koji se ne mogu izvesti jednostavnim i točnim algoritamskim metodama, a kojih je jako puno. AI se oslanja na znanje o procesu ljudskog razmišljanja. Istodobno, nije poznato kako točno funkcionira ljudski mozak, međutim, za razvoj učinkovitih programa s elementima umjetne inteligencije dovoljno je znanje o značajkama ljudske inteligencije koje znanost danas ima. Istodobno, AI ne pokušava točno kopirati rad ljudskog mozga, već pokušava simulirati njegove funkcije pomoću računalne tehnologije. Od samog nastanka, AI se razvija kao interdisciplinarni smjer u interakciji s informatikom i kibernetikom, kognitivnim znanostima, logikom i matematikom, lingvistikom i psihologijom, biologijom i medicinom (slika 1.). Informatika i kibernetika. Mnogi stručnjaci došli su u AI iz informatike i kibernetike. Također, mnogi kombinatorni problemi koji se ne mogu riješiti tradicionalnim metodama u informatici migrirali su u područje AI. Osim toga, rezultati dobiveni u AI-u posuđuju se pri izradi softvera i postaju dio Computer Science (računalstvo). Kognitivne znanosti. Kognitivne znanosti su znanosti o znanju. AI se također bavi znanjem. No, kognitivne znanosti ne koriste samo informacijske i neurobiološke pristupe, već također razmatraju socijalne i psiholingvističke aspekte korištenja znanja. Logika i matematika. Logika je temelj svih poznatih formalizama predstavljanja 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 područjima matematike: geometrija, integralni račun. Psihologija i lingvistika. Nedavno su se stručnjaci za umjetnu inteligenciju zainteresirali za psihološke aspekte ljudskog ponašanja kako bi ga mogli modelirati. Psihologija pomaže u izgradnji modela procjene vrijednosti, donošenja subjektivnih odluka. Zanimljiva je psihologija komunikacije -6 - "čovjek-računalo", psiholingvistika. Računalna lingvistika je dio AI koji se temelji na matematičkim metodama za obradu prirodnih i umjetnih jezika, s jedne strane, i na fenomenologiji jezika, s druge strane. Biologija i medicina omogućuju bolje proučavanje i razumijevanje rada mozga, sustava vida, sluha i drugih prirodnih senzora te daju novi poticaj području modeliranja njihovog rada. Riža. 1. Interakcija AI s drugim disciplinama Ne postoji jedinstvena definicija AI, kao što ne postoji jedinstvena definicija prirodne inteligencije. Među brojnim stajalištima o ovom znanstvenom polju, tri sada dominiraju. 1. Istraživanja u području umjetne inteligencije su temeljna istraživanja u okviru kojih se razvijaju modeli i metode rješavanja problema koji su se tradicionalno smatrali intelektualnim, a prije nisu bili podložni formalizaciji i automatizaciji. 2. AI je novi smjer u računalnoj znanosti povezan s novim idejama za rješavanje problema na računalu, s razvojem bitno drugačije tehnologije programiranja, s prijelazom na arhitekturu računala koja odbacuje klasičnu arhitekturu, koja datira od pr. računala. 3. Kao rezultat rada u području umjetne inteligencije rađaju se mnogi primijenjeni sustavi, rješavanje problema za koje prethodno stvoreni sustavi nisu bili prikladni. -7- Za ilustraciju prvog pristupa možemo dati primjer s kalkulatorom. Početkom stoljeća aritmetički izračuni s višeznamenkastim brojevima bili su sudbina nekolicine darovitih pojedinaca, a sposobnost izvođenja takvih aritmetičkih operacija u umu s pravom se smatrala jedinstvenim darom prirode i bila je predmet znanstveno istraživanje. U naše vrijeme, izum kalkulatora učinio je ovu sposobnost dostupnom čak i učeniku trećeg razreda. Isto vrijedi i za AI: poboljšava intelektualne sposobnosti osobe, preuzimajući rješavanje zadataka koji prethodno nisu formalizirani. Da bismo ilustrirali drugi pristup, možemo razmotriti povijest pokušaja stvaranja računala pete generacije. Sredinom 80-ih Japan je najavio početak ambicioznog projekta stvaranja računala pete generacije. Projekt se temeljio na ideji hardverske implementacije PROLOG jezika. Međutim, projekt je završio neuspjehom, iako je snažno utjecao na razvoj i distribuciju PROLOG jezika kao programskog jezika. Razlog neuspjeha bio je ishitreni zaključak da jedan jezik (iako prilično univerzalan) može pružiti jedino rješenje za sve probleme. Praksa je pokazala da do sada nije izmišljena univerzalna programska paradigma za rješavanje svih problema i malo je vjerojatno da će se pojaviti. To je zbog činjenice da je svaki zadatak dio predmetnog područja koji zahtijeva pažljivo proučavanje i specifičan pristup. Pokušaji stvaranja novih računalnih arhitektura se nastavljaju i povezani su s paralelnim i distribuiranim računalstvom, neuroračunalima, probabilističkim i neizrazitim procesorima. Rad u području stvaranja ekspertnih sustava (ES) može se pripisati trećem, najpragmatičnijem smjeru u AI. Ekspertni sustavi su softverski kompleksi , zamjenjujući čovjeka stručnjaka u uskim područjima intelektualne djelatnosti koja zahtijevaju korištenje posebnih znanja. Stvaranje ES u području medicine (kao što je MYCIN) omogućuje širenje znanja na najudaljenija područja. Dakle, u kombinaciji s telekomunikacijskim pristupom, svaki seoski liječnik može dobiti savjet od takvog sustava, zamjenjujući ga komunikacijom sa specijalistom o uskom pitanju. U Rusiji je umjetna inteligencija našla svoje pristaše gotovo od trenutka svog pojavljivanja. Međutim, ova disciplina nije odmah dobila službeno priznanje. AI je kritiziran kao podgrana kibernetike, koja se smatra "pseudoznanošću". Do nekog trenutka, šokantan naziv "umjetna inteligencija" također je igrao negativnu ulogu. Dakle, u Prezidiju Akademije znanosti bila je šala da se "umjetnom inteligencijom bave oni kojima nedostaje prirodna inteligencija". Međutim, danas je AI službeno priznat znanstveni smjer u Rusiji, izdaju se časopisi "Upravljački sustavi i strojevi" i "AI News", održavaju se znanstvene konferencije i seminari. Postoji Rusko udruženje umjetne inteligencije, koje broji oko 200 članova, čiji je predsjednik doktor tehničkih znanosti D.A. Pospelov, a počasni predsjednik akademik Ruske akademije znanosti G.S. Pospelov. Pri Vijeću predsjednika Ruske Federacije za informatiku i računalstvo postoji Ruski institut za umjetnu inteligenciju. U okviru Ruske akademije znanosti postoji Znanstveno vijeće o problemu "umjetne inteligencije". Uz sudjelovanje ovog Vijeća objavljeno je mnogo knjiga na temu AI i prijevoda. Poznata su djela D.A. Pospelova, Litvintseve i Kandrashine - u području predstavljanja i obrade znanja, E.V. Popov i Khoroshevsky - u području obrade prirodnog jezika i ekspertnih sustava, Averkin i Melikhov u području neizrazite logike i neizrazitih skupova, Stefanyuk - u području sustava učenja, Kuznetsov, Finn i Vagin - u području logike i znanja reprezentacija. U Rusiji postoji tradicionalno jaka računalna lingvistička škola, koja potječe iz Melchukovog rada na modelu SmyslText. Među poznatim računalnim lingvistima su Apresyan, Gorodetsky, Paducheva, Narinyani, Leontiev, Chaliapin, Zaliznyak stariji, Kibrik stariji, Baranov i mnogi drugi. itd. 1.1. Povijest razvoja umjetne inteligencije kao znanstvenog smjera Ideja o stvaranju umjetne sličnosti ljudskog uma za rješavanje složenih problema i simuliranje sposobnosti razmišljanja bila je u zraku od davnina. U starom Egiptu stvorena je "oživljavajuća" mehanička statua boga Amona. U Homerovoj Ilijadi bog Hefest je kovao humanoidna stvorenja. U literaturi se ta ideja mnogo puta poigravala: od Pigmalionove Galateje do Pinokija Pape Karla. Međutim, rodonačelnikom umjetne inteligencije smatra se srednjovjekovni španjolski filozof, matematičar i pjesnik R. Lull (c.1235-c.1315), koji je u XIV.st. pokušao stvoriti stroj za rješavanje raznih problema na temelju opće klasifikacije pojmova. U XVIII stoljeću. G. Leibniz (1646. - 1716.) i R. Descartes (1596. - 1650.) samostalno su razvili ovu ideju, predlažući univerzalne jezike za klasifikaciju svih znanosti. Te su ideje bile temelj teorijskih razvoja u području stvaranja umjetne inteligencije (slika 2). Razvoj umjetne inteligencije kao znanstvenog smjera postao je moguć tek nakon stvaranja računala. To se dogodilo 40-ih godina. 20. stoljeće Istovremeno, N. Wiener (1894. - 1964.) stvara svoja temeljna djela o novoj znanosti - kibernetici. Pojam umjetna inteligencija predložen je 1956. godine na istoimenom seminaru na Sveučilištu Stanford (SAD). Seminar je bio posvećen razvoju logičkih, a ne računskih problema. Ubrzo nakon priznavanja umjetne inteligencije kao neovisne grane znanosti, došlo je do podjele na dva glavna područja: neurokibernetiku i kibernetiku “crne kutije”. I tek u sadašnjim -9 - uočljive su tendencije ponovnog ujedinjenja ovih dijelova u jedinstvenu cjelinu. U SSSR-u je 1954. godine na Moskovskom državnom sveučilištu, pod vodstvom profesora A. A. Lyapunova (1911. - 1973.), započeo s radom seminar "Automati i razmišljanje". Na seminaru su sudjelovali vodeći fiziolozi, lingvisti, psiholozi i matematičari. Općenito je prihvaćeno da je u to vrijeme u Rusiji rođena umjetna inteligencija. Kao i u inozemstvu, istaknuli su se pravci neurokibernetike i kibernetike "crne kutije". Godine 1956. -1963. provedena su intenzivna potraga za modelima i algoritmima ljudskog mišljenja te razvoj prvih programa. Pokazalo se da niti jedna od postojećih znanosti - filozofija, psihologija, lingvistika - ne može ponuditi takav algoritam. Tada je kibernetika ponudila stvaranje vlastitih modela. Stvoreni su i testirani različiti pristupi. Prva istraživanja u području umjetne inteligencije povezana su s stvaranjem programa za igranje šaha, budući da se vjerovalo da je sposobnost igranja šaha pokazatelj visoke inteligencije. 1954. godine američki znanstvenik Newell osmislio je ideju stvaranja takvog programa. Shannon je predložio, a Turing precizirao, metodu za stvaranje takvog programa. Amerikanci Shaw i Simon su u suradnji s grupom nizozemskih psihologa iz Amsterdama, pod vodstvom de Groota, napravili takav program. Usput je stvoren i poseban jezik IPL1 (1956.), dizajniran za manipulaciju informacijama u simboličkom obliku, koji je bio prethodnik jezika Lisp (MacCarthy, 1960.). Međutim, prvi program umjetne inteligencije bio je program Logic Theorist, osmišljen da dokaže teoreme u propozicionom računu (9. kolovoza 1956.). Šahovski program nastao je 1957. (NSS - Newell, Shaw, Simon). Njegova struktura i struktura programa Logic Theorist činili su osnovu za stvaranje programa Universal Problem Solver (GPS-General Problem Solving). Ovaj program, analizirajući razlike između situacija i konstruiranjem ciljeva, dobar je u rješavanju zagonetki toranj Hanoi ili u izračunavanju neodređenih integrala. Program EPAM (Elementary Perceiving and Memorizing Program) je elementarni program za percepciju i pamćenje, koji je osmislio Feigenbaum. Godine 1957. pojavio se članak Chomskyja, jednog od utemeljitelja računalne lingvistike, o transformacijskim gramatikama. Krajem 50-ih godina. rođen je model pretraživanja labirinta. Ovaj pristup predstavlja problem kao određeni graf koji odražava prostor stanja1, a u ovom grafu se traži optimalni put od ulaznih podataka do rezultirajućih podataka. Učinjeno je veliki posao na razvoju ovog modela, već u rješavanju praktični zadaci ideja nije bila široko prihvaćena. 1 Prostor stanja je graf čiji vrhovi odgovaraju situacijama koje se susreću u problemu („problemske situacije“), a rješenje problema se svodi na pronalaženje puta u ovom grafu. - 10 - Početkom 60-ih. - doba heurističkog programiranja. Heuristika je pravilo koje nije teoretski opravdano, ali omogućuje smanjenje broja iteracija u prostoru pretraživanja. Heurističko programiranje je razvoj akcijske strategije temeljene na poznatoj, unaprijed određenoj heuristici. Šezdesetih godina prošlog stoljeća stvoreni su prvi programi koji su radili s upitima prirodnog jezika. BASEBALL program (Green et al., 1961.) odgovarao je na zahtjeve za rezultate prošlih bejzbol utakmica, STUDENT program (Bobrow, 1964.) bio je dostupan za rješavanje algebarskih problema formuliranih na engleskom jeziku. Riža. 2. Prekretnice u razvoju umjetne inteligencije kao znanstvenog područja Velike su nade polagane u rad na području strojnog prevođenja, čiji se početak veže uz ime ruske lingvistice Belske. Međutim, istraživačima je trebalo mnogo godina da to shvate automatski prijevod nije izoliran problem i zahtijeva prisutnost tako potrebne faze kao što je razumijevanje za uspješnu provedbu. Među najznačajnijim rezultatima koje su domaći znanstvenici dobili 60-ih godina, treba istaknuti algoritam "Cortex" M. Bongarda, koji simulira aktivnost ljudskog mozga u prepoznavanju uzoraka. Godine 1963-1970. metode matematičke logike počele su se povezivati s rješavanjem problema. Novi pristup formalnoj logici, zasnovan na svođenju rasuđivanja na proturječnost, pojavio se 1965. - 11. - (J. Robinson). Na temelju metode razlučivanja, koja je omogućila automatsko dokazivanje teorema u prisutnosti skupa početnih aksioma, 1973. godine stvoren je jezik Prolog. U SSSR-u 1954-1964. izrađuju se zasebni programi i istražuje se traženje rješenja logičkih problema. U Lenjingradu (LOMI - Lenjingradski odjel Matematičkog instituta imena V.A.Steklova) se stvara program koji automatski dokazuje teoreme (ALPEV LOMI). Temelji se na originalnoj obrnutoj derivaciji S.Yu.Maslova, sličnoj metodi Robinsonove rezolucije. Godine 1965-1980. razvija se nova znanost – situacijsko upravljanje (odgovara reprezentaciji znanja u zapadnoj terminologiji). Osnivač ove znanstvene škole je profesor D.A. Pospelov. Razvijeni su posebni modeli za predstavljanje situacija – reprezentacije znanja. U inozemstvu istraživanja u području AI-a prate razvoj programskih jezika nove generacije i stvaranje sve sofisticiranijih programskih sustava (Lisp, Prolog, Plannar, QA4, Macsyma, Reduce, Refal, ATNL, TMS). Dobiveni rezultati počinju se koristiti u robotici, pri upravljanju robotima, stacionarnim ili mobilnim, koji djeluju u stvarnom trodimenzionalnom prostoru. To otvara problem stvaranja umjetnih organa percepcije. Prije 1968. istraživači su radili uglavnom s odvojenim "mikroprostorima", stvarali su sustave prikladne za takva specifična i ograničena područja primjene kao što su igre, euklidska geometrija, integralni račun, "svijet kocki", obrada jednostavnih i kratkih fraza s malim vokabular . Gotovo svi ovi sustavi koristili su isti pristup – pojednostavljenje kombinatorike temeljeno na smanjenju potrebnog nabrajanja alternativa na temelju zdravog razuma, korištenju funkcija numeričke evaluacije i raznih heuristika. Početkom 1970-ih došlo je do kvantnog skoka u istraživanju umjetne inteligencije. To je zbog dva razloga. Prvo. Svi istraživači postupno su shvatili da svim dotadašnjim programima nedostaje ono najvažnije – duboko znanje iz relevantnog područja. Razlika između stručnjaka i obične osobe je u tome što stručnjak ima iskustvo u datom području, t.j. stečeno znanje tijekom godina. Drugo. Pojavljuje se specifičan problem: kako to znanje prenijeti u program ako njegov neposredni tvorac to znanje nema. Odgovor je jasan: sam program ih mora izdvojiti iz podataka dobivenih od stručnjaka. Istraživanje rješavanja problema i razumijevanja prirodnog jezika objedinjuje jedno čest problem- prezentacija znanja. Do 1970. postojalo je - 12 - mnogo programa temeljenih na tim idejama. Prvi od njih je DENDRAL program. Dizajniran je za generiranje strukturnih formula kemijskih spojeva na temelju informacija iz masenog spektrometra. Program je razvijen na Stanfordu uz sudjelovanje nobelovca D. Lederberga. Iskustvo je stjecala u procesu vlastitog funkcioniranja. Stručnjak je u to stavio tisuće elementarnih činjenica, predstavljenih u obliku zasebnih pravila. Sustav koji se razmatra bio je jedan od prvih ekspertnih sustava i rezultati njegovog rada su nevjerojatni. Trenutno se sustav isporučuje potrošačima zajedno sa spektrometrom. Godine 1971. Terry Winograd razvio je sustav SHRDLU, koji simulira robota koji manipulira blokovima. S robotom možete govoriti engleski. Sustav je zainteresiran ne samo za sintaksu fraza, već i ispravno razumije njihovo značenje zahvaljujući semantičkom i pragmatičkom znanju o svom "svijetu kocaka". Od sredine 1980-ih umjetna inteligencija se komercijalizirala u inozemstvu. Rastu godišnja ulaganja, stvaraju se industrijski ekspertni sustavi. Sve je veći interes za sustave za samoučenje. Kod nas je 1980.-1990. provode se aktivna istraživanja u području predstavljanja znanja, razvijaju se jezici za predstavljanje znanja, ekspertni sustavi (više od 300). Jezik REFAL se stvara na Moskovskom državnom sveučilištu. Godine 1988. stvorena je AI - Udruženje umjetne inteligencije. Članovi su više od 300 istraživača. Predsjednik Udruge - D.A. Pospelov. Glavni centri - u Moskvi, Sankt Peterburgu, Pereslavl-Zalesskom, Novosibirsku. 1.2. Glavni pravci istraživanja u području umjetne inteligencije Trenutno je umjetna inteligencija brzo razvijajuće i vrlo razgranano znanstveno područje. Samo u računskoj lingvistici u svijetu se godišnje održava više od 40 konferencija. Gotovo svaka europska država, kao i SAD, Kanada, Japan, Rusija, jugoistočna Azija, redovito su domaćini nacionalnih konferencija o umjetnoj inteligenciji. U Rusiji se ova manifestacija održava svake dvije godine pod pokroviteljstvom Ruske udruge za umjetnu inteligenciju (RAAI). Osim toga, svake dvije godine održava se Međunarodna zajednička konferencija o umjetnoj inteligenciji (IJCAI). Više od 3 tisuće časopisa objavljuje znanstvene rezultate iz ovog područja. Ne postoji potpuna i stroga klasifikacija svih područja AI; pokušaj klasifikacije zadataka koje AI rješava prikazan je na Sl. 3. Prema D.A. Pospelova u AI, postoje dva dominantna pristupa istraživanjima u području AI: neurobionički i informacijski (sl. 4 i 5). - 13 - Zadaci Općenito formalno stručno percepcija igre (šah, go, zagonetke) Inženjering Obrada prirodnog jezika Matematika Znanstvena analiza Zdrav razum Rasuđivanje Geometrija Financijska analiza Kontrolni program robota Verifikacija Medicinska dijagnostika 3. Zadaci umjetne inteligencije Zagovornici prvog postavili su si za cilj umjetnu reprodukciju procesa koji se odvijaju u ljudskom mozgu. Ovaj smjer nalazi se na raskrižju medicine, biologije i kibernetike. Istodobno proučavaju ljudski mozak, identificiraju kako funkcionira, stvaraju tehnička sredstva za ponavljanje bioloških struktura i procesa koji se u njima odvijaju. Područje AI uvjetno se može podijeliti u pet glavnih dijelova: - strukture nalik neuronima; − programi za rješavanje intelektualnih problema; − sustavi temeljeni na znanju; − intelektualno programiranje; − inteligentni sustavi. Svaki odjeljak može se prikazati na sljedeći način (vidi sliku 4-9). - 14 - Sl. 4. Neuralne strukture Slika 5. Programi za rješavanje intelektualnih problema 6. Sustavi temeljeni na znanju - 15 - Sl. 7. Inteligentno programiranje 8. Inteligentni sustavi 1.3. Filozofski aspekti problema umjetne inteligencije Glavni filozofski problem u području umjetne inteligencije vezan je uz traženje odgovora na pitanje: je li moguće ili ne simulirati ljudsko mišljenje. U slučaju da se na ovo pitanje ikada dobije negativan odgovor, onda sva ostala pitanja iz područja AI neće imati ni najmanjeg smisla. Stoga se pri započinjanju proučavanja 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 Gospodin čovjeka na svoju sliku i priliku...". Na temelju ovih riječi možemo zaključiti da, budući da je Gospodin, prvo, stvorio ljude, a drugo, oni su mu u biti slični, onda su ljudi sasvim sposobni stvoriti nekoga na sliku i priliku osobe. 2. Biološki. Stvaranje novog uma na biološki način sasvim je uobičajena stvar za osobu. Promatrajući djecu, vidimo da - 16 - većinu znanja stječu kroz obuku, a ne onako kako im je unaprijed ugrađeno. Ova izjava nije dokazana na sadašnjoj razini, ali prema vanjskim znakovima sve izgleda upravo ovako. 3. Empirijski. Ono što se do sada činilo vrhuncem ljudske kreativnosti - igranje šaha, dame, prepoznavanje vizualnih i zvučnih slika, sinteza novih tehničkih rješenja, u praksi se pokazalo i ne tako teškim zadatkom. Sada se radi ne na razini mogućnosti ili nemogućnosti implementacije navedenog, već oko pronalaženja najoptimalnijeg algoritma - često se ti problemi niti ne klasificiraju kao problemi umjetne inteligencije. Nadamo se da je moguća i potpuna simulacija ljudskog razmišljanja. 4. Mogućnost samoreprodukcije. Sposobnost same reprodukcije dugo se smatrala prerogativom živih organizama. Međutim, neki fenomeni koji se javljaju u neživoj prirodi (na primjer, rast kristala, sinteza složenih molekula kopiranjem) vrlo su slični samoreproduciranju. Početkom 1950-ih J. von Neumann je započeo temeljito proučavanje samoreprodukcije i postavio temelje matematičkoj teoriji "samoreproducirajućih automata". Također je teoretski dokazao mogućnost njihova nastanka. Postoje i razni neformalni dokazi o mogućnosti samoreplikacije, ali programerima će možda najupečatljiviji dokaz biti postojanje računalnih virusa. 5. Algoritamski. Temeljnu mogućnost automatizacije rješavanja intelektualnih problema uz pomoć računala pruža svojstvo algoritamske univerzalnosti. Ovo svojstvo računala znači da je na njima moguće programski implementirati (tj. predstaviti u obliku računalnog programa) bilo koje algoritme pretvorbe informacija. Istovremeno, procesi generirani ovim algoritmima su potencijalno izvedivi, tj. To jest, da su izvedive kao rezultat konačnog broja elementarnih operacija. Praktična izvedivost algoritama ovisi o raspoloživim sredstvima, koja se mogu promijeniti s razvojem tehnologije. Dakle, u vezi s pojavom brzih računala, algoritmi koji su prije bili samo potencijalno izvedivi postali su praktički izvedivi. Osim toga, sadržaj ovog svojstva je prediktivne prirode: kad god u budućnosti algoritam prepozna bilo koji recept, tada se, bez obzira na oblik i način u kojem je prvobitno izražen, može također biti specificiran u obliku računala program. No, ne treba misliti da računala i roboti u principu mogu riješiti bilo kakve probleme. Analiza raznih problema dovela je matematičare do izvanrednog otkrića. Rigorozno je dokazano postojanje takvih vrsta problema za koje je nemoguć jedan učinkovit algoritam koji rješava sve probleme. ovog tipa; u tom smislu je nemoguće riješiti probleme ovog tipa uz pomoć računalnih strojeva. Ova činjenica pridonosi boljem razumijevanju što strojevi mogu, a što ne mogu. Doista, izjava o algoritamskoj nerješivosti određene klase problema nije samo priznanje da je takav algoritam nepoznat i da ga još nitko nije pronašao. Takva izjava je ujedno i prognoza za sva buduća vremena da nam ovakav algoritam nije poznat i da ga nitko neće naznačiti, odnosno da ga nema. AI se može smatrati brojnim alatima (intelektualnim i neintelektualnim) koje je čovječanstvo stvorilo i ovladalo na putu svog povijesnog razvoja. Tu spadaju: ručni alati; strojevi i strojevi; jezik i govor; uređaji za brojanje; sredstva VT i telekomunikacija. Filozofi tvrde da je proizvodnja alata (u širem smislu riječi) najveća važan pogled aktivnosti koje razlikuju naše pretke od drugih primata. Ljudska se bića ističu među životinjama po svojoj sposobnosti da proizvode znanje i alate. Niti jedan drugi tehnološki ili društveno-politički izum nije izazvao tako veliko odvajanje u razvoju homo sapiencea od drugih vrsta divljih životinja. Razvoj računalne tehnologije može se općenito podijeliti na dva područja: digitalnu obradu i simboličku obradu. Prvi smjer učinio je informacije mnogo prikladnijima za pohranu, obradu i prijenos od svih prethodnih poboljšanja u tehnologiji papira. Računalo je nadmašilo sve računalne alate prošlosti (abakus, abakus, stroj za zbrajanje) brzinom, raznolikošću funkcija, jednostavnošću korištenja. Dosljedno šireći opseg automatizacije u području monotonog mentalnog rada, digitalna obrada informacija proširila je opseg tiskarskog stroja i industrijske revolucije na nove granice. Druga grana računalne tehnologije, obrada znakova (Newellov i Simonov izraz) ili umjetna inteligencija, omogućila je računalu da oponaša osjetilnu percepciju i orijentaciju, rasuđivanje i rješavanje problema, obradu prirodnog jezika i druge ljudske sposobnosti. Drugim riječima, AI je nova vrsta alata, alternativa postojećim. Ova stvarnost natjerala je filozofe umjetne inteligencije da krenu dalje od pitanja "Je li moguće stvoriti inteligentni stroj?" na problem utjecaja intelektualnih alata na društvo. Između ostalog, razmatra se mogući društveni učinak razvoja AI, i to: - 18 - povećanje razine inteligencije cijelog društva, što će dati nova otkrića, izume i novo razumijevanje samog čovječanstva. promjena 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 je usmjereno na to da ne radimo ništa drugo. Međutim, uz dovoljno visok životni standard (velika količina potencijalne energije) osobe, više nije lijenost (u smislu želje za uštedom energije), već instinkti traženja koji igraju prvu ulogu. Pretpostavimo da je osoba uspjela stvoriti intelekt koji nadmašuje njegov vlastiti (ako ne u kvaliteti, onda u količini). Što će se sada dogoditi s čovječanstvom? Kakvu će ulogu ta osoba imati? Zašto je sada potreban? I općenito, je li u principu potrebno stvoriti AI? Očigledno, najprihvatljiviji odgovor na ova pitanja je koncept "pojačala inteligencije" (IA). Prema S.L. Sotnik, ovdje je prikladna analogija s predsjednikom države - on ne mora poznavati valenciju vanadija ili programski jezik Java da bi donio odluku o razvoju industrije vanadija. Svatko radi svoje – kemičar opisuje tehnološki proces, programer piše program; ekonomist kaže predsjedniku da će ulaganjem u industrijsku špijunažu zemlja dobiti 20%, au industriji vanadija - 30% godišnje. Mislim da s takvom formulacijom pitanja svatko može napraviti pravi izbor. U ovom primjeru, predsjednik koristi biološku umjetnu inteligenciju - skupinu stručnjaka sa svojim proteinskim mozgom. No, neživi MI se već koriste – na primjer, računala, ugrađeni računalni uređaji. Osim toga, osoba već dugo koristi pojačala snage (SS) - koncept koji je u mnogočemu sličan korisničkom sučelju. Automobili, dizalice, električni motori, preše, puške, avioni i još mnogo toga služe kao pojačala snage. Glavna razlika između UI-a i CS-a je prisutnost volje: prvi može imati svoje "želje" i djelovati drugačije od onoga što se od njega očekuje. Stoga se postavlja pitanje sigurnosti AI sustava. Kako izbjeći one negativne posljedice koje prate svako novo dostignuće znanstvene i tehnološke revolucije? Ovaj problem opsjeda umove čovječanstva još od vremena Karla Capeka, koji je prvi upotrijebio izraz "robot". Drugi pisci znanstvene fantastike također su uvelike pridonijeli njegovoj raspravi. Najpoznatiji su niz priča pisca znanstvene fantastike i znanstvenika Isaaca Asimova u kojima se može pronaći najrazvijenije i od većine najprihvaćenije rješenje sigurnosnog problema. To su tri zakona robotike. 1. Robot ne može naštetiti osobi ili svojim nečinjenjem dopustiti da se osoba ozlijedi. - 19 - 2. Robot se mora pokoravati naredbama koje mu daje čovjek, osim u slučajevima kada su te naredbe u suprotnosti s prvim zakonom. 3. Robot se mora pobrinuti za svoju sigurnost, u mjeri u kojoj to nije u suprotnosti s prvim i drugim zakonom. Naknadno, Asimov ovom popisu dodaje "Nulti zakon": "Robot ne može nanijeti štetu čovječanstvu niti svojim nečinjenjem dopustiti da se nanese šteta čovječanstvu." Na prvi pogled, takvi zakoni, ako se u potpunosti poštuju, trebali bi osigurati sigurnost čovječanstva. Međutim, pažljiviji pogled otvara neka pitanja. Prvo, zakoni su formulirani ljudskim jezikom, što ne dopušta njihovo jednostavno prevođenje u algoritamski oblik. Pretpostavimo da je ovaj problem riješen. Sada, što će AI sustav značiti pod pojmom "šteta"? Hoće li odlučiti da je samo postojanje osobe potpuna šteta? Uostalom, s godinama puši, pije, stari i gubi zdravlje, pati. Ne bi li manje zlo brzo prekinulo ovaj lanac patnje? Naravno, mogu se uvesti i neki dodaci vezani uz vrijednost života i slobodu izražavanja. Ali to više neće biti jednostavna tri zakona koja su bila u originalu. Nadalje: što će AI sustav odlučiti u situaciji kada je spašavanje jednog života moguće samo na račun drugog? Posebno su zanimljivi oni slučajevi u kojima sustav nema potpune informacije o tome tko je tko. Međutim, unatoč ovim problemima, ovi zakoni su prilično dobra neformalna osnova za testiranje pouzdanosti sigurnosnog sustava za AI sustave. Dakle, zar doista nema pouzdanog sigurnosnog sustava? Na temelju koncepta korisničkog sučelja možemo ponuditi sljedeću opciju. Prema brojnim eksperimentima, unatoč nedostatku pouzdanih podataka o tome za što je odgovoran svaki pojedini neuron u ljudskom mozgu, mnoge emocije obično odgovaraju uzbuđenju skupine neurona (neuralnog ansambla) u potpuno predvidljivom području. Provedeni su i obrnuti eksperimenti, kada je stimulacija određenog područja dala željeni rezultat. To mogu biti emocije radosti, ugnjetavanja, straha, agresivnosti. Stoga se čini mogućim uzeti stupanj zadovoljstva mozga ljudskog domaćina kao objektivnu funkciju. Ako poduzmete mjere da isključite samodestruktivnu aktivnost u stanju depresije, kao i osigurate druga posebna stanja psihe, tada ćete dobiti sljedeće. Budući da se pretpostavlja da normalna osoba neće naštetiti sebi i, bez posebnog razloga, drugima, a UI je sada dio te osobe (ne nužno fizičke zajednice), tada sva tri zakona robotike automatski vrijede. Istodobno, sigurnosna se pitanja prebacuju na područje psihologije i provođenja zakona, budući da - 20 - (obučeni) sustav neće učiniti ništa što njegov vlasnik ne bi želio. Pitanja za samokontrolu 1. Što je umjetna inteligencija? 2. S čime znanstvenim smjerovima interakciji s umjetnom inteligencijom? 3. Opišite pristupe razumijevanju predmeta umjetne inteligencije kao znanstvene discipline. 4. Opišite stanje tehnike AI u Rusiji. 5. Opiši "predračunalnu" fazu u razvoju umjetne inteligencije 6. Opiši razvoj umjetne inteligencije 40-ih godina. 20. stoljeće 7. Opišite razvoj umjetne inteligencije 50-ih godina. 20. stoljeće 8. Opišite razvoj umjetne inteligencije 60-ih godina. 20. stoljeće 9. Opišite razvoj umjetne inteligencije 70-ih godina. 20. stoljeće 10. Opišite razvoj umjetne inteligencije 80-ih godina. 20. stoljeće 11. Opišite glavne zadatke umjetne inteligencije. 12. Koji su dijelovi raspoređeni u području umjetne inteligencije? 13. Navedite dokaze o mogućnosti modeliranja ljudskog mišljenja. 14. Što opravdava prijelaz na problem utjecaja intelektualnih alata na društvo? 15. Koji uzroci i kako se može riješiti sigurnosni problem sustava umjetne inteligencije? Literatura 1. Luger, J., F. Umjetna inteligencija: strategije i metode rješavanja složenih problema: per. s engleskog / George F. Luger - M .: Williams Publishing House, 2003. - 864 str. 2. Osnove umjetne inteligencije / B.V. Kostrov, V.N. Ruchkin, V.A. Fulin. – M.: DESS, Tekhbuk, 2007. – 192 str. 3. Web stranica Ruske udruge umjetne inteligencije. – Način pristupa: http://www.raai.org/ 4. Sotnik, S.L. Osnove projektiranja sustava umjetne inteligencije: predavanja. – Način pristupa: http://newasp.omskreg.ru/intellect/f25.htm 5. Russell, S. Artificial intelligence: a modern approach / Stuart Russell, Peter Norvig. – M.: Williams Publishing House, 2006. – 1408 str. - 21 - POGLAVLJE 2. MODELI PREDSTAVLJANJA ZNANJA 2.1. Znanje Koje vrste znanja su potrebne da bi se omogućilo "inteligentno" ponašanje? "Tajna" fenomenologije modela znanja leži u svijetu oko nas. NA opći slučaj model predstavljanja znanja trebao bi dati drugačiji opis objekata i fenomena koji čine predmetno područje u kojem inteligentni agent mora raditi. Predmetno područje je dio stvarnosti povezan s rješenjem problema. Inteligentni agent je sustav (čovjek, program) koji ima intelektualne sposobnosti. Znanje su otkriveni obrasci predmetnog područja (načela, veze, zakoni). Znanje ima složeniju strukturu od podataka (metapodataka). U isto vrijeme, znanje se specificira ekstenzivno (tj. kroz skup specifičnih činjenica koje odgovaraju danom konceptu i koje se odnose na predmetno područje) i intenzivno (tj. kroz svojstva koja odgovaraju danom konceptu i shemu odnosa 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 hijerarhija klasa. Osim toga, potrebno je razlikovati apstraktne objekte koji se koriste za označavanje skupina (skupova, klasa) pojedinaca. Primjer "Ptice imaju krila" "Golubovi su ptice" "Snijeg je bijeli" "Ova knjiga je nova" - pojedinačni objekt Situacije - sve vrste interakcija između objekata. Primjer "Jučer je padala kiša" "Vlak je kasnio 10 minuta" Primjer klasifikacije situacija koju je predložila Paducheva prikazan je na Sl. 9. Osim toga, da bi mogao opisati situacije same po sebi, model prezentacije mora biti sposoban opisati mjesto događaja na vremenskoj osi, kao i njihovu uzročnu vezu. Situacije Statička stanja Konstantna svojstva i odnosi Dinamički procesi Stabilni incidenti Privremeni rezultati Događaji Sl. 9. Primjer klasifikacije situacija koju je predložila Paducheva Prilikom predstavljanja hijerarhije objekata i odnosa glavna poteškoća je izbor baze, t.j. svojstvo (atribut) prema kojem dolazi do diobe. Obično, čak i ako osoba lako razlikuje različite vrste objekata i situacija u životu, pokušaj verbalne klasifikacije predstavlja veliki problem. Postupci. Ponašanje (na primjer: vožnja biciklom) zahtijeva znanje koje je izvan deklarativnog znanja o objektima i odnosima među njima. To je znanje o tome kako napraviti ovu ili onu radnju, koje se naziva proceduralno znanje ili iskustvo (vještina). Poput vožnje bicikla, većina svjesnih ponašanja (kao što je komunikacija, razumijevanje ili dokazivanje teorema) uključuje proceduralno znanje i često je teško jasno razlikovati proceduralno znanje od znanja o objektu. Primjer Pojam "doktrinalizam" - opisuje situaciju nedostatka proceduralnog znanja osobe koja se pretvara da je specijalist Meta-znanje također uključuje - 23 - ono što ljudi znaju o vlastitoj sposobnosti prerađivača znanja: prednosti, slabosti, razine iskustva u različitim područjima i osjećaj napretka u rješavanju problema. Klasifikacija znanja Po dubini: Površno znanje (skup empirijskih asocijacija i kauzalnih veza između pojmova predmetnog područja). Dubinsko znanje (apstrakcije, slike, analogije, koje odražavaju razumijevanje strukture predmetnog područja i odnosa pojedinih pojmova). Po načinu postojanja: Činjenice (poznate okolnosti). Heuristika (znanje iz iskustva stručnjaka). U pogledu krutosti: Kruto znanje (omogućuje vam da dobijete nedvosmislene jasne preporuke pod zadanim početnim uvjetima). meko znanje (tolerirati višestruka, nejasna rješenja i različite preporuke). Po oblicima prezentacije: Deklarativna znanja (činjenice u obliku strukturiranih skupova podataka). Proceduralno znanje (algoritmi u obliku postupaka obrade činjenica). Način stjecanja: Znanstvena znanja (stečena tijekom sustavnog usavršavanja i/ili studiranja). Svakodnevno, svakodnevno znanje (stečeno tijekom života). Za postavljanje baze znanja kako bi se koristila za rješavanje primijenjenih problema, potrebno ju je formalno opisati matematičkim modelima. Kao što je već spomenuto, predstavljanje znanja moguće je uz pomoć deklarativnih i proceduralnih modela. Tipični deklarativni modeli obično uključuju mrežne i okvirne modele; na proceduralne – logičke i proizvodne. Sa stanovišta pristupa predstavljanju znanja u računalu, modeli reprezentacije znanja mogu se klasificirati na sljedeći način: Na temelju heurističkog pristupa: „trojka“, proizvodni, okvirni, mrežni modeli Na temelju teorijskog pristupa: na temelju formalne logike i temeljene na "ljudskoj logici" - modalnoj i viševrijednoj. - 24 - 2.2. Logički model predstavljanja znanja Osnovni pojmovi logike Većina ljudi misli da riječ "logičan" znači "razumno". Dakle, ako čovjek logično rasuđuje, onda je njegovo razmišljanje opravdano, pa ne dopušta ishitrene zaključke. Logika je znanost o oblicima i metodama ispravnog mišljenja. To znači da s obzirom na potreban broj istinitih činjenica zaključak uvijek mora biti istinit. S druge strane, ako je logički zaključak nevažeći, to znači da je na temelju istinitih činjenica izvučen lažan zaključak. Potrebno je razdvojiti pojmove formalne logike i neformalne. Posebnost neformalne logike je da se koristi u svakodnevnom životu. Složen logički dokaz je lanac logičkih zaključaka u kojem jedan zaključak vodi drugom i tako dalje. U formalnoj logici, koja se još naziva i simboličkom logikom, važno je kako se logički zaključak provodi, kako se uzimaju u obzir drugi čimbenici koji na valjan način daju dokaz istinitosti ili neistinitosti konačnog zaključka. Logici je također potrebna semantika da bi dala značenje simbolima. Formalna logika koristi semantiku koja se ne temelji na upotrebi riječi koje nose emocionalno opterećenje, već na izboru smislenih imena za varijable, poput programiranja. Poput matematike, logika izravno proučava ne empirijske, već apstraktne objekte. Ovo postavlja pitanje: Kakva je priroda ili ontološki status apstraktnih objekata? O kakvim apstraktnim objektima je riječ? U (klasičnoj) logici razlikuju se dvije temeljne varijante apstraktnih objekata: − pojmovi (svojstva); − odnosima. Koncepti mogu biti jednostavni ili složeni. Složeni pojmovi su skup relativno jednostavnijih pojmova (jednostavnih svojstava) međusobno povezanih jednim ili drugim odnosom. Složeniji apstraktni objekti su sudovi čiji su strukturni elementi također pojmovi i određeni odnosi. Sudovi su pak strukturni elementi zaključivanja (sustavi sudova), a zaključci su strukturni elementi pojmova i teorija (sustavi zaključaka). Na sl. 10 prikazuje hijerarhiju tipova apstraktnih objekata u klasičnoj logici. Specifičnost logike leži u činjenici da proučava najopćenitije, univerzalne odnose ili odnose između apstraktnih objekata. U skladu s tim, postoji sljedeća ciljna - 25 - definicija logike: "Logika je znanost o univerzalnim (općevrijednim) odnosima između pojmova, sudova, zaključaka i drugih apstraktnih objekata." Pojmovi i teorije (sustavi zaključivanja) Zaključci (sustav prosudbi) Prosudbe Pojmovi (svojstva) Relacije Sl. 10. Hijerarhija tipova apstraktnih objekata u klasičnoj logici Primjer “Učenik” je pojam. "Pripadnost" je svojstvo. „Vrijedan student“, „Učenik 4. godine“ – odnosi. “Osoba studira na sveučilištu” je presuda. "Ako osoba studira na institutu, onda je ili student ili diplomirani student" - zaključak. "Teorija predikatnog računa prvog reda" je koncept. Pojam Pojmovi su apstraktni objekti dostupni ljudskom razumijevanju kao jednostavna i složena svojstva (obilježja) empirijskih objekata. Koncept je suprotstavljen entitetima kao što su: "riječ", "percepcija", "empirijski objekt". Koncept je univerzalna jedinica mišljenja i temelj intelektualne aktivnosti. Najvažnije karakteristike koncepta su sadržaj i volumen. Sve logičke karakteristike i logičke operacije rezultat su inferencijalnog znanja iz zakona obrnuto proporcionalnog odnosa između sadržaja i opsega pojma. Svaki pojam ima opseg pojma (konceptualni opseg) i dodatak opsegu pojma (sl. 11, 12). Opseg pojma je skup (skup) svih onih empirijskih (pojedinačnih objekata) kojima je taj pojam svojstven (kao svojstvo, znak). - 26 - Dopuna svesku - ukupnost svih onih empirijskih objekata koji nemaju ovaj koncept. Koncept H a1 a2 V Volumen a3 Sl. 11. Pojam X, opseg koncepta X, element opsega (a1, a2, a3) H Nije H Sl. 12. Opseg i njegova dopuna Primjer koncepta: činjenični model podataka. Opseg koncepta: relacijski, mrežni, hijerarhijski modeli podataka Dopuna opsega: dokumentarni modeli podataka (deskriptor, tezaurus, modeli podataka orijentirani prema formatu dokumenta) Koncepti mogu biti sljedećih tipova: 1) po opsegu: a. uniforma (U =1 element, KAMAZ); b. općenito (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. nebitno (publika); b. korelativni (roditelji); 5) po prisutnosti kvaliteta, svojstava, odnosa a. pozitivno (vrlina); b. negativan (prekršaj); 6) po kvaliteti elemenata: a. registrirano (časopis "Otvoreni sustavi", 1/2008); b. neregistrirani (inteligencija), apstraktan; 7) po prirodi predmeta: a. specifičan (olovka); - 27 - b. sažetak (model). Na temelju navedenih tipova moguće je dati logičan opis svakog pojma, odnosno prikazati upotrebu pojma u svih sedam značenja. Primjerice, pojam dužnika je opći, neprazan, zbiran, korelativan, pozitivan, neevidentibilan i specifičan. Osnovne metode razumijevanja pojmova Glavne metode razumijevanja pojma uključuju: - apstrakciju; − usporedba; − generalizacija; − analiza; − sinteza. Apstrakcija je mentalni odabir (razumijevanje) određenog svojstva ili odnosa apstrahiranjem od drugih svojstava ili odnosa empirijskog objekta. Usporedba je utvrđivanje sličnosti ili razlika između objekata. Generalizacija je mentalni odabir pojma usporedbom nekih drugih pojmova. Apstrakcija, usporedba i generalizacija tehnike su usko povezane jedna s drugom. Mogu se nazvati "kognitivnim postupcima". Usporedba je nemoguća bez obzira na apstrakciju. Generalizacija uključuje usporedbu i istovremeno nije ništa drugo do svojevrsna složena apstrakcija itd. Analiza je mentalna podjela empirijskog ili apstraktnog objekta na njegove sastavne dijelove. strukturne komponente (dijelovi, svojstva, odnosi). Sinteza je mentalno sjedinjenje različitih objekata u neki integralni objekt. Primjeri 1. Usporedba ljudi po visini uključuje apstrakciju kako bi se istaknulo svojstvo "rast" koncepta "osoba". 2. Generalizacija: "stolica" i "stol" - "namještaj". Korelacija pojmova Za objašnjenje odnosa između pojmova možete koristiti dijagrame u obliku Eulerovih krugova (slika 13). Primjeri Uniforma (ekvivalent): Kazan je glavni grad. Samostalni (prijelaz): putnik-student. Podnošenje: drvo - breza. Suprotnost (kontraralnost): bijela i crna. - 28 - Konradiran: bijela - ne bijela. Subordinacija (subcontrary): časnici (bojnik-kapetan). Logička podjela pojma je podjela opsega pojma na dijelove koji se ne sijeku na temelju nekog atributa. Koncepti X, Y Nekompatibilno M(X)M(Y)= Kompatibilno M(X)M(Y) Nezavisno kontradiktorno Y=Nije-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 Kontradiktorni identitet (jednolik) X, Y X Y M(X)= M(Y) M(X)M(Y) U X podređen Y X Y M(X)M(Y)=M(X) 13. Korelacija pojmova U ovom slučaju postoje: − generički pojam X; − članovi odjela (koncepti vrsta A i B); − osnova dijeljenja (tj. znak). - 29 - Tri pravila logičke podjele. 1. Pravilo nespojivosti. Volumen koncepata vrsta ne bi se trebao križati (tj. članovi odjela ne bi trebali biti međusobno nespojivi); 2. Pravilo slijeda. Ne možete podijeliti odjednom po nekoliko osnova; 3. Pravilo proporcionalnosti. Zbroj volumena specifičnih pojmova trebao bi biti jednak volumenu generičkog koncepta. Dihotomna podjela (najstrožiji oblik) je podjela pojmova prema principu kontradikcije (A, ne-A). Klasifikacije su određeni sustavi (uređeni skupovi) specifičnih pojmova. Klasifikacije se koriste za traženje novih odnosa između pojmova, kao i za sistematizaciju postojećih znanja. Primjer 1. Periodični sustav je primjer znanstvene klasifikacije kemijskih elemenata. 2. Primjer klasifikacije informacijskih sustava (IS) prikazan je na donjoj slici. Osnove podjela: funkcionalna namjena. A, B, C su primjeri informacijskih sustava prema ovoj klasifikaciji. IS Faktografski sustavi Sustavi umjetne inteligencije Dokumentarni sustavi IS "Sveučilište" Lingvo "Konsultant Plus" A B C Sl. 14. Primjer klasifikacije Tehnike razumijevanja pojmova (apstrakcija, usporedba, generalizacija, analiza, sinteza, podjela) su univerzalni i temeljni kognitivni postupci koji još uvijek nisu uspješno modelirani u okviru umjetne inteligencije. Ovo je jedan od temeljnih dijelova klasične logike, koji se mora integrirati u teoriju baza znanja. Nakon toga će postati dostupni zadaci modeliranja takvih mentalnih radnji kao što su hipoteze, poučavanje deklarativnog znanja, a postupci zaključivanja postat će opsežniji. - 30 - Presuda Presuda je strukturno složen objekt koji odražava objektivni odnos između predmeta i njegovog svojstva. Presuda je suprotstavljena entitetima kao što su: "rečenica", "percepcije", "prizori iz stvarnog svijeta". Primjer. Sljedeće rečenice izražavaju isti prijedlog: - "Morski pas je riba grabežljiva"; - "Svi morski psi su ribe grabežljivci." - "Ribe grabežljivci su morski psi." Klasična logika strukturu jednostavne propozicije razmatra u nešto drugačijoj interpretaciji nego što je to uobičajeno u modernim logičko-lingvističkim studijama. Dakle, u skladu s konceptima klasične logike o strukturi suda, jednostavan sud je apstraktni objekt čiji su glavni strukturni elementi: − pojedinačni koncept (IC); − predikatski koncept (PC); − predikacijski odnos (RP). Primjeri S obzirom na rečenicu: "Platon je filozof." U ovoj rečenici, koja izražava prijedlog S: "Platon" je logički subjekt, t.j. simbol koji označava pojedinačni koncept suda S. "Filozof" je logički predikat, t.j. simbol koji označava predikatski koncept prijedloga S. “Biti” je veza subjekt-predikat, t.j. simbol koji označava predikacijski odnos. Dakle, možemo izvući sljedeći međuzaključak: - pojedinačni koncept je sustav pojmova, koji se promatra kao konceptualni entitet, neki empirijski objekt; - predikatski koncept - pojam koji se smatra svojstvom određenog empirijskog objekta; - odnos predikacije - odnos koji povezuje pojedinačne i predikatske pojmove nekog empirijskog objekta u integralni apstraktni objekt. Osim toga, može se razlikovati nekoliko vrsta jednostavnih sudova (vidi sliku 15). Postoji nekoliko načina za formaliziranje elementarnih presuda. - 31 - 1. način. Prirodni jezik, koji se tradicionalno smatra glomaznim i netočnim, ali formalna metoda koja bi se po svojoj univerzalnosti mogla usporediti s prirodnim jezikom još nije izmišljena. Jednostavne presude Atributivne O odnosima postojanja Redovnici su, u pravilu, skromni Magnitogorsk južno od Čeljabinska. Postoje plave jele Slika. 15. Vrste jednostavnih sudova 2. metoda. Tradicionalna aristotelova logika. 3. način. Moderna simbolička logika. Glavne vrste složenih sudova Osim sudova izraženih u Aristotelovoj logici iskazima oblika A, E, I, O (vidi str. Aristotelova logika), postoje razne vrste složenih sudova. Što je sud složeniji, to ga je teže točno formalizirati pomoću tradicionalne aristotelovske logike, au nekim slučajevima takva je formalizacija jednostavno nemoguća. Stoga je analizu logičke strukture složenih sudova svrsishodno provesti pomoću suvremene simboličke logike, uključujući sredstva propozicionalne logike i logike predikata (vidi relevantne odlomke paragrafa). Glavne vrste složenih sudova su − konjunktivni; − disjunktivni; − implikacijski; - modalni: o aletički (nužan, možda slučajno); o epistemički (znam, vjerujem, vjerujem, vjerujem); o deontički (odlučeno, zabranjeno); o aksiološki (dobro, loše); o vremenski (u prošlosti, ranije, jučer, sutra, u budućnosti); - pitanja: o da li - pitanja; o nešto pitanja. Također postoji kontinuitet klasa logike i metoda umjetne inteligencije. - 32 - Zaključak Pod zaključivanjem (u tradicionalnoj logici) podrazumijeva se neki oblik mišljenja kojim se vrši mentalni prijelaz (nazvan "zaključak") s jedne ili više propozicija (nazvanih "premisa") u neku drugu tvrdnju (nazvanu "zaključak"). ) . Dakle, zaključak je složen apstraktni objekt u kojem se uz pomoć određenih odnosa jedan ili više sudova spaja u jedinstvenu cjelinu. Pojam silogizam koristi se za označavanje zaključka u logici. Silogizmi su ili formalni ili neformalni. Prve formalne silogizme koristio je Aristotel. Silogistika koju je razvio (teorija formalnih silogizama, tj. zaključaka) imala je značajan utjecaj na razvoj antičke i skolastičke logike, poslužila je kao temelj za stvaranje moderne logičke teorije zaključivanja. Za konsolidaciju pojmova logike potrebno je dovršiti vježbe na stranici 78. Zakoni logike Najvažniji logički zakoni uključuju: - identitete (svaki objekt je identičan samo sebi); - nedosljednost (tvrdnje koje su međusobno proturječne ne mogu istovremeno biti istinite); - isključena treća (od dvije tvrdnje koje su međusobno kontradiktorne, jedna je istinita, druga netočna, a treća nije data); - dovoljan razlog (svaka istinita izjava ima dovoljan razlog, zbog čega je istinita, a ne lažna). Pogledajmo pobliže svaku od ovih 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 sastoji se od Na i Cl." Ako se prekrši ovaj zakon, moguće su greške navedene u nastavku. Amfibolija (od grčkog amphibolos - dvosmislenost, dvojnost) je logička pogreška, koja se temelji na višeznačnosti jezičnih izraza. Drugi naziv za ovu pogrešku je "zamjena teze". Primjer “S pravom se kaže da će vas jezik dovesti u Kijev. I jučer sam kupio dimljeni jezik. Sada mogu sigurno ići u Kijev.” - 33 - Dvosmislenost je logička pogreška koja se temelji na korištenju iste riječi u različitim značenjima. Dvosmislenost se često koristi kao umjetničko retoričko sredstvo. U logici, ova tehnika se također naziva "zamjena koncepta". Primjer “Stari morski vuk je stvarno vuk. Svi vukovi žive u šumi." Ovdje je pogreška zbog činjenice da se u prvom sudu riječ "vuk" koristi kao metafora, au drugoj premisi - u izravnom značenju. Logomakhia je spor oko riječi, kada tijekom rasprave sudionici ne mogu doći do zajedničkog stajališta zbog činjenice da nisu razjasnili izvorne koncepte. Dakle, zakon identiteta izražava jedan od najvažnijih zahtjeva logičkog mišljenja – izvjesnost. II. Zakon neprotuslovnosti Ovaj zakon izražava zahtjev neprotuslovnosti mišljenja. Zakon nekontradikcije kaže: dva suda, od kojih jedan tvrdi nešto o subjektu mišljenja ("A je B"), a drugi poriče istu stvar o istom predmetu mišljenja ("A nije B" ), ne može biti istodobno 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 pritok Volge” i “Kama nije pritoka Volge” ne mogu biti istodobno istinite ako se te presude odnose na istu rijeku. Neće biti proturječnosti ako nešto potvrđujemo i poričemo istu stvar o istoj osobi, koja se, međutim, razmatra u različito vrijeme. Dakle, presude "Ova osoba je student Moskovskog državnog sveučilišta" i "Ova osoba nije student Moskovskog državnog sveučilišta" mogu biti istovremeno istinite ako se prva od njih odnosi na jedno vrijeme (kada ova osoba studira na Moskovskom državnom sveučilištu), au drugom - još jedan (kada je diplomirao na sveučilištu). Zakon nekontradikcije ukazuje da je od dvije suprotstavljene tvrdnje jedna nužno lažna. Ali budući da se proteže na suprotne i proturječne tvrdnje, pitanje druge tvrdnje ostaje otvoreno: ne može biti i istinito i lažno: papir ne može biti bijel i nebijel. III. Zakon isključene sredine Zakon isključene sredine kaže da dvije kontradiktorne tvrdnje ne mogu biti obje lažne: jedan od njih je nužno istinit; drugi je nužno lažan; treća presuda je isključena, t.j. ili je A istinito ili nije-A. - 34 - Zakon isključene sredine formulira važan zahtjev za vaše razmišljanje: ne možete odstupiti od prepoznavanja istinitosti jedne od dvije kontradiktorne tvrdnje i tražiti nešto treće između njih. Ako se jedno od njih prepozna kao istinito, onda se drugo mora prepoznati kao lažno, a ne tražiti treće. Primjer: životinje mogu biti ili kralježnjaci ili beskralježnjaci, ne može biti ništa treće. IV. Zakon dovoljnog razloga Sadržaj ovog zakona može se izraziti na sljedeći način: da bi se smatrao potpuno pouzdanim, svaka tvrdnja mora biti dokazana, t.j. moraju biti poznati dovoljni razlozi na temelju kojih se smatra istinitim. Dovoljan razlog može biti drugi, već provjereni praksom, prepoznat kao istinita misao, čiji je nužni rezultat istinitost stava koji se dokazuje. Primjer. Obrazloženje za tvrdnju "Soba je sve toplija" je činjenica da se živa u termometru širi. U znanosti se dovoljnim osnovama smatraju: a) izjave o provjerenim činjenicama stvarnosti, b) znanstvene definicije, c) prethodno dokazane znanstvene tvrdnje, d) aksiomi, a također i e) osobno iskustvo. Logičko zaključivanje Logičko zaključivanje je izvođenje neke formule iz skupa drugih logičkih formula primjenom pravila zaključivanja. Tumač logičkih izraza, koristeći logičko zaključivanje, sam gradi nužni lanac izračuna na temelju izvornog opisa. Značaj logičkog pristupa leži u mogućnosti konstruiranja interpretatora čije djelovanje ne ovisi o logičkim formulama. Pravila u logičkom prikazu izgledaju ovako: P0←P1, …, Pn. P0 se zove cilj, a P1, P2, ..., Pn - tijelo pravila. Predikati P1, P2, ..., Pn uvjeti koji moraju biti ispunjeni da bi postizanje cilja P0 bilo uspješno. Analizirajmo osnove logičkog zaključivanja na primjeru postupka utvrđivanja ispravnosti zaključivanja. Definicija logički ispravnog zaključivanja 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 propozicijskoj logici imamo posla s formulama P i D. , ovisno o nekim varijablama X1, X2,.., Xn. Definicija. Reći ćemo da formula D(X1, X2,...,Xn) logično slijedi iz formule P(X1, X2,...,Xn) i označit ćemo P à D ako za - 35 - bilo koji skup vrijednosti X1, X2 ,...,Xn pod uvjetom P(X1, X2,...,Xn) = I2, uvjet D(X1, X2,...,Xn) = I je zadovoljen. Formula P naziva se premisa, a D je zaključak logičkog zaključivanja. Obično se u logičkom zaključivanju ne koristi jedna premisa P, već nekoliko; u ovom slučaju će obrazloženje biti logički ispravno, iz spoja premisa logično slijedi zaključak. Provjera ispravnosti logičkog zaključivanja Prvi način je po definiciji: a) zapisati sve premise i zaključke u obliku propozicionalnih logičkih formula; b) napraviti spoj formaliziranih prostorija R1& P2&…& Rn,; c) provjeriti na tablici istinitosti da li zaključak D slijedi iz formule P1&P2&...&Pn. Druga metoda temelji se na sljedećem znaku logičke posljedice: "Formula D logički slijedi iz formule P ako i samo ako je formula P | - D tautologija." Tada se provjera ispravnosti logičkog zaključivanja svodi na odgovor na pitanje: je li formula tautologija? Na ovo se pitanje može odgovoriti konstruiranjem tablice istinitosti za formulu ili reduciranjem ove formule uz pomoć ekvivalentnih transformacija na dobro poznatu tautologiju. Treći način provjere ispravnosti logičkog zaključivanja nazvat ćemo skraćeno, jer ne zahtijeva iscrpno nabrajanje vrijednosti varijabli da bi se izgradila tablica istinitosti. Kako bismo opravdali ovu metodu, formuliramo uvjet pod kojim je logično zaključivanje netočno. Obrazloženje je pogrešno ako postoji skup vrijednosti varijabli X01, X02,.., X0n tako da je premisa D(X01, X02,.., X0n)=A 3, a zaključak P(X01, X02,.., X0n)= I. Primjer. Dano je obrazloženje: „Ako pada kiša, onda je mačka u sobi ili u podrumu. Miš u sobi ili u kuci. Ako je mačka u podrumu, onda je miš u sobi. Ako je mačka u sobi, onda je miš u minku, a sir je u hladnjaku. Sad pada kiša i sir je na stolu. Gdje je mačka, a gdje miš? Uvedimo sljedeće oznake: D - "kiša pada"; K - "mačka u sobi"; P - "mačka u podrumu"; M - "miš u sobi"; N - "miš u kuni"; X - "sir u hladnjaku"; ¬X - "sir na stolu." Dobivamo sljedeću shemu zaključivanja: D→K|R M|N K→N&X 2 3 Točno Netočno - 36 - R→M D&¬X ----? Koristimo se pravilima zaključivanja 1) D&¬XÜD; 2) D&¬HܬH; 3) D→K|R, Dà K|R. Zatim razmotrite dvije opcije. Varijanta A. Neka se odvija K. Tada 4a) K, K→H&X, Kà H&X; 5a) H&X à X; 6a) ¬X,X├X&¬X - dobio je kontradikciju, što znači da je pretpostavka bila pogrešna i ova opcija je nemoguća. Opcija B. Neka se dogodi P. Tada 4b) P, P →MÃM; 5b) R,MÃR&M “mačka je u podrumu, a miš u sobi” Primjer Provjeri točnost obrazloženja na skraćeni način. Na koje se još načine može riješiti ovaj problem? Dano je obrazloženje: „Ako je danas mraz, onda ću ići na klizalište. Bude li danas otopljenje, ići ću u diskoteku. Danas će biti mraz ili odmrzavanje. Stoga ću ići u diskoteku." Odluka. Uvjet problema formaliziramo uvođenjem oznake: M - “danas će biti mraz”; K - "Ići ću na klizalište"; O - "danas će biti odmrzavanje"; D - "Idem u diskoteku." Shema obrazloženja ima oblik: M→K O→D M|O ---D Obrazloženje je logično ispravno ako za bilo koji skup vrijednosti varijabli (M, K, O, D), za dane za koje su sve premise su istiniti, istinit je i zaključak. Pretpostavimo suprotno: postoji skup (M0,K0,O0.D0) takav da su premise istinite, a zaključak netočan. Primjenjujući 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 (tablica 1). Stoga obrazloženje nije logično ispravno. Tablica 1. Shema za rješavanje logičkog problema br. 1 2 3 4 5 6 7 i definicije disjunkcije od 1, 6 i definicije implikacije Drugi način rješavanja problema je izgradnja tablice istinitosti za formulu (M→K)& (O→D)&(M˅O)→D i provjerite da nije tautologija. Zatim, na temelju logičkog slijeđenja, obrazloženje nije logički ispravno. Budući da su u obrazloženje uključene četiri propozicijske varijable (M, K, O, D), tablica istinitosti će sadržavati 16 redaka, a ova metoda oduzima mnogo vremena. Uz pomoć pravila zaključivanja moguće je konstruirati logički ispravno razmišljanje, ali nije uvijek moguće dokazati neispravnost logičkog zaključivanja. Stoga je za ovaj problem najprikladniji način provjeriti ispravnost logičkog zaključivanja. Da biste konsolidirali pravila logičkog zaključivanja, morate dovršiti vježbe na str. 78. Glavni dijelovi moderne simboličke logike U razvoju klasične logike razlikuju se tri glavne etape: antička logika (oko 500. pr. Kr. - početak nove ere), skolastička logika (početak nove ere - prva polovica XIX st.), moderna simbolička logika ( sredina 19.-20. stoljeća). Moderna simbolička logika podijeljena je na glavne dijelove čija je bit razotkrivena u nastavku. Propozicijska logika (propozicijski račun). Proučava jednostavne sudove, razmatrane bez obzira na njihovu unutarnju strukturu, kao i elementarne zaključke, najpristupačnije ljudskom razumijevanju. U prirodnom jeziku takve jednostavne tvrdnje predstavljaju rečenice koje se razmatraju samo s gledišta njihove istinitosti ili neistinitosti, a zaključci su predstavljeni odgovarajućim sustavima iskaza. - 38 - Predikatska logika (predikatski račun). Složeniji predmeti proučavanja su prosudbe koje se razmatraju s obzirom na njihovu unutarnju strukturu. Dio logike koji proučava ne samo veze između prijedloga, već i unutarnju konceptualnu strukturu prijedloga, nazvan je "logika predikata". Metalogic. Metalogika je proširenje predikatske logike. Predmet njezina 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 odlomci stavka predstavljaju ključne pozicije propozicijske logike i predikata prvog reda. Za bolje razumijevanje moderne logike potrebno je razmotriti glavne odredbe definirane Aristotelovim silogizmima. Aristotelova logika U Aristotelovoj logici struktura elementarnih sudova izražena je strukturama: - S je P (1); − S nije P (2) , gdje je S neki logički subjekt (od lat. Subjectum); P - neki logički predikat (od lat. Predicatum). Dolje su navedene vrste sudova u Aristotelovoj logici. 1. Opći afirmativni sudovi - A "Sve S je P" - Svi pjesnici su dojmljivi ljudi. Riječi "jest", "nije" služe kao veza subjekt-predikat. Iz iskaza (1) i (2) uz pomoć riječi "svi" i "neki" konstruiraju se iskazi oblika: - sve S je P: Tip A (Affirmo); − 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. Posebna potvrdna prosudba - I "Neki S su P" - Neki ljudi imaju kovrčavu kosu. 4. Djelomično negativno - O "Neke S nisu P" - Neki ljudi ne mogu slušati. Izjave poput A, E, I, O jednostavne su kategoričke izjave koje čine temelj cijele Aristotelovske logike. Između istinitosti i neistinitosti iskaza tipa A, E, I, O postoji funkcionalno-holistički odnos, koji se obično prikazuje kao logički kvadrat (Sl. 16, Tablica 2). - 39 - Prilikom korištenja logičkog kvadrata važno je uzeti u obzir sljedeću suptilnost: riječ "neki" u ovom se slučaju razumijeva u širem smislu - kao "neki, a možda i svi". Tablica 2. Tablica istinitosti za prosudbe Aristotelove logike A I L L E L L I I I I L O L I I Sl. 16. Logički kvadrat Objašnjenja Aristotelova logičkog kvadrata U gornjem lijevom kutu logičkog kvadrata nalaze se iskazi tipa A (općepotvrdni). U gornjem desnom kutu nalaze se izjave tipa E (opće negativno). U donjem lijevom kutu (pod A) nalaze se iskazi tipa I (djelomično potvrdni). U donjem desnom kutu (pod E) nalaze se izjave tipa O (osobito negativne). Izjave tipa A i O, kao i iskazi tipova E i I, međusobno su kontradiktorni, odnosno kontradiktorni (dijagonalni odnosi). Izjave tipa A i E u odnosu su na suprotnost ili suprotnost. - 40 - Izjave tipa I su podređene (dakle impliciraju) iskazima tipa A. Izjave tipa O podređene su izjavama tipa E. Dok kontradiktorne izjave imaju suprotne vrijednosti istinitosti (jedna je istinita, druga je lažna) , protuizjave ne mogu biti istinite, ali mogu biti i lažne u isto vrijeme. Uz pomoć logičkog kvadrata mogu se izvesti sudovi koji su suprotni, kontradiktorni i podređeni podacima, utvrđujući njihovu istinitost ili neistinitost. Primjer 1. Bilo koji sud izražen je u rečenici A → 1. 2. U rečenici E → 0 nije izražen nikakav sud. 3. Neki sudovi nisu izraženi u rečenici O → 0. 4. Neki su sudovi izraženi u rečenici I → 1. Osim toga, koristeći Aristotelov logički kvadrat, možete uspostaviti vrste odnosa među prosudbama: 1) stjecanje znanja zaključivanja; 2) usporedba različitih stajališta o diskutabilnim pitanjima; 3) uređivanje tekstova iu drugim slučajevima. Formalizmi propozicionog računa Mnogi modeli predstavljanja znanja temelje se na formalizmima propozicionog i predikatnog računa. Rigorozno izlaganje ovih teorija sa stajališta klasične matematičke logike sadržano je u djelima Shenfielda i Teisea, Pospelov može pronaći popularno izlaganje ovih teorija, koje se može preporučiti kao početni uvod. Prema Taiseovoj definiciji, logički prijedlozi su klasa rečenica prirodnog jezika koje mogu biti istinite ili netočne, a propozicijski račun je grana logike koja proučava takve rečenice. Postavlja se prirodno pitanje: Što je s rečenicama jezika, o čijoj se istinitosti ne može reći ništa određeno? Primjer. “Ako sutra padne kiša, ostat ću kod kuće.” Za sada ćemo jednostavno pretpostaviti da sve rečenice s kojima imamo posla pripadaju klasi logičkih propozicija. Izjave će biti označene velikim slovima latinice i indeksom, ako to zahtijeva prezentacija. Primjeri zapisa za izjave: S, S1, S2, H, H1, H2. Kao što je već napomenuto, logična tvrdnja je ili istinita ili lažna. Točnoj izjavi dodjeljuje se logička vrijednost - 41 - TRUE (ili I), netočnom - logička vrijednost FALSE (ili L). Dakle, vrijednost istine tvori skup (I, L). U propozicijski račun uvedeno je pet logičkih veziva (tablica 3), uz pomoć kojih se, u skladu s pravilima konstrukcije, sastavljaju logičke formule. Tablica 3 Logički veznici Uobičajeni naziv Vrsta Druga notacija Simbol Negacija Unarno -, ~, NOT, NOT Konjunkcija ^ Binarno & , ., AND , AND * Disjunkcija Binarno ILI ILI Implikacija Binarno => -> Ekvivalencija Ekvivalencija<=> <-> ~ * Napomena: ne smije se brkati s vrijednošću istinitosti I. Skup pravila za konstruiranje logičkih formula na temelju propozicija uključuje tri komponente: − osnovu: svaki prijedlog 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 latinične abecede s indeksima. U primjeru su dati primjeri logičkih formula. Primjeri a) T = S1 ^ S2; b) N = H1H2. Izraz a) može se čitati ovako: "Logička formula T je konjunkcija (logička veziva I) logičkih iskaza S1 i S2." Tumačenje izraza b) je sljedeće: "Logička formula N je disjunkcija (logička ILI veza) negacije (NE) logičke izjave H1 i logičke tvrdnje H2." Istinitost logičke formule funkcija je vrijednosti istinitosti njezinih sastavnih iskaza i može se jednoznačno odrediti pomoću tablica istinitosti. Ispod su tablice istinitosti za negacije i binarne veznike (tablice 4, 5) Dakle, ako su poznate vrijednosti istinitosti za izjave iz primjera a), na primjer S1 = I, S2 = L, tada je istinita vrijednost za formulu - 42 - T se može naći na sjecištu drugog retka i trećeg stupca u tablici 5, odnosno T = L. Tablica 4. Tablica istinitosti za negaciju ¬X I L L I Tablica 5. Tablica istinitosti za binarne veznike X Y X^Y X Y XY XY I I I I I I I I I L I L L I I I I L I L L I I I Predikatska logika prvog reda Odnosi između objekata opisuju se pomoću posebnih matematičkih koncepata koji se nazivaju logički predikati, a predikatski račun je grana logike koja se bavi njihovim proučavanjem. Svaka logika je formalni sustav, za koji se mora definirati: - abeceda sustava - prebrojiv skup simbola; - formule sustava - neki podskup svih riječi koji se mogu tvoriti od znakova uključenih u abecedu (obično se postavlja postupak koji omogućuje izradu formula od znakova abecede sustava); − aksiomi sustava - odabrani skup formula sustava; − pravila sustavnog zaključivanja – konačan skup odnosa između formula sustava. Rječnik predikatskog računa u standardnom prikazu uključuje sljedeće pojmove: - varijable (označit ćemo ih zadnjim slovima engleske abecede 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: (postojanje, općenitost); − pojmovi; − funkcionalni oblici; − predikatski oblici; − atomi; − formule. Pojedinačne konstante i pojedinačne varijable One su slične konstantama i varijablama računa, s jedinom razlikom što su njihov raspon pojedinci, a ne stvarni brojevi. U teoriji umjetne inteligencije, imenovane konstante i varijable u agentovoj memoriji koje odgovaraju objektima i konceptima u stvarnom svijetu obično se nazivaju konceptima. U jezicima prvoga reda varijable su samo pojedinačne, pa se nazivaju jednostavno varijable. Kao što će biti pokazano u nastavku, upotreba jezika prvog reda i odbijanje upotrebe jezika visokoga reda nameće dodatna ograničenja na klasu rečenica prirodnog jezika koja se razmatra. Pojedinačne konstante bit će označene malim slovima a, b, c, u, v, w latinice s indeksima ili mnemoničkim nazivima preuzetim iz teksta. Za označavanje varijabli koristit će se mala slova x,y,z latinice s indeksima. Primjer. Pojedinačne konstante: a1, b1, c, u, v1, prodavač_w, k22, kupnja_l, m10, knjiga_a1 . Varijable: x, y2, z33. Konstante predikata Konstante predikata koriste se za označavanje relacije koja opisuje predikat. Konstanta predikata ne mijenja svoju istinitost. Povezan je s odgovarajućim brojem argumenata ili parametara, koji se nazivaju pojmovima, koji tvore predikatski oblik. Oznaka predikatske konstante je mnemonička imena ili slovo latinice R s indeksima. Jezik predikata sadrži jezik prijedloga, budući da prijedlog nije ništa drugo nego predikatska konstanta bez argumenata, ili predikat na nultom mjestu. Semantičko područje predikatskog oblika podudara se s područjem promjene iskaza, tj. (I, L). Funkcijske konstante Funkcijska konstanta (f, g, h) kao i predikatna konstanta, u kombinaciji s odgovarajućim brojem pojmova, tvore funkcionalni oblik. Razlika između funkcionalnog oblika i predikatnog oblika leži u činjenici da njegovu semantičku domenu čini skup pojedinačnih konstanti. Funkcijska konstanta nul-mjesta samo je pojedinačna konstanta. logički veznici u predikatskom računu služe za tvorbu formula. Kvantifikatori. Predikatski račun koristi dva kvantifikatora: opći kvantifikator () i egzistencijalni kvantifikator (). Izraz xP čita se kao “za bilo koji x P je istinit”. Izraz xP čita se kao "postoji x za koji je P istinito". Pojam je izraz formiran od varijabli i konstanti, moguće uz korištenje funkcija. Pojmovi, oblici, atomi i formule u predikatskom računu grade se prema sljedećim pravilima: - svaka varijabla ili konstanta je pojam; − ako su t1,...,tn termini i f je simbol funkcije na n mjesta, tada je f(t1,...,tn) pojam; − nema drugih pojmova. Zapravo, svi objekti u logici predikata prvoga reda predstavljeni su upravo u obliku pojmova. Ako pojam ne sadrži varijable, onda se naziva glavni ili konstantni pojam. 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 članovi, tada se odgovarajući oblik obično označava s f(t1, ...,tn). Ako je n=0, tada se jednostavno zapisuje f. Predikatski oblik je predikatska konstanta povezana s odgovarajućim brojem pojmova. Ako je p odgovarajuća konstanta m -mjesta i t1, ..., tn su članovi, tada se odgovarajući oblik označava s p(t1,...,tm). Atom je predikatski oblik ili neka jednakost, t.j. izraz poput (s=t), gdje su s i t pojmovi. Atomska ili elementarna formula dobiva se primjenom predikata na pojmove, točnije, riječ je o izrazu p(t1,...,tn), gdje je p predikatski simbol na n mjesta (formula), a t1,.. .,tn su pojmovi. Pojam formule definira se rekurzivno (induktivno) sljedećim pravilima: - atom je formula; - ako je A formula, A je formula; - ako su A i B formule, tada su (A ^ B), (A B), (A B) i (A B) formule; - ako je A formula, a x varijabla, tada su xA i xA formule. Predstavimo abecedu predikatske logike u terminima pojmova. Konstante. Oni služe kao nazivi za pojedince (za razliku od naziva za zbirke): objekte, ljude ili događaje. Konstante su predstavljene sa - 45 - simbolima poput Jacque_2 (dodatak 2 riječi Jacque označava dobro definiranu osobu među ljudima s tim imenom), Book_22, Package_8. Varijable. Oni označavaju nazive agregata, kao što su osoba, knjiga, paket, događaj. Simbol Book_22 predstavlja dobro definiranu instancu, a knjiga simbola označava ili skup "svih knjiga" ili "koncept knjige". Simboli x, y, z predstavljaju nazive zbirki (određenih skupova ili pojmova). Imena predikata (konstante predikata). Oni definiraju pravila za povezivanje konstanti i varijabli, kao što su gramatička pravila, procedure, matematičke operacije. Predikativna imena koriste znakove poput sljedećih izraza: Pošalji, Napiši, Plus, Odvoji. Nazivi funkcija (konstante funkcija) predstavljaju ista pravila kao i predikati. Kako bi se izbjegla zabuna s imenima predikata, nazivi funkcija pišu se malim slovima: fraza, pošalji, napiši, plus, split. Simboli koji se koriste za predstavljanje konstanti, varijabli, predikata i funkcija nisu "riječi ruskog jezika". Oni su simboli neke reprezentacije - riječi " objektni jezik” (u našem slučaju, jezik predikata). Prikaz mora isključiti svaku dvosmislenost jezika. Dakle, imena pojedinaca sadrže brojeve dodijeljene nazivima populacija. Jack_1 i Jack_2 predstavljaju dvije osobe s istim imenom. Ti su prikazi konkretizacija naziva zbirke "Jacques". Predikat je ime predikata zajedno s odgovarajućim brojem pojmova. Predikat se također naziva predikatski oblik. Primjer. Na ruskom: Jacques šalje knjigu Marie, logično: Parcel (Jacques_2, Marie_4, Book_22). Mutna logika nejasne logike, teorija neizrazitih skupova i druge "nerazgovetne" teorije povezuje se s radom američkog znanstvenika Zadeha. Zadehova glavna ideja bila je da se ljudski način razmišljanja, utemeljen na prirodnom jeziku, ne može opisati u okviru tradicionalnih matematičkih formalizama. Ove formalizme karakterizira stroga jednoznačnost tumačenja, a sve što je u vezi s upotrebom prirodnog jezika ima višeznačnu interpretaciju. Zadehov je cilj bio izgraditi novu matematičku disciplinu, koja se ne bi temeljila na klasičnoj teoriji skupova, već na teoriji neizrazitih skupova. Dosljedno provodeći ideju fuzzinessa, prema Zadehu, moguće je izgraditi nejasne analogije svih osnovnih matematičkih koncepata i stvoriti neophodan formalni aparat za modeliranje ljudskog razmišljanja i ljudskog načina rješavanja problema (slika 17). - 46 - Stvaranje teorije neizrazitih skupova - Odluka Matematička teorija neizrazitih skupova - Osnova mehanizma Formalizacija rasuđivanja na ljudski način - Zadatak Teza - osoba u svakodnevnom životu - Problem razmišlja i donosi odluke na temelju neizrazitih pojmova Sl. 17. Logika nastanka teorije neizrazitih skupova Trenutno, teorija neizrazitih skupova i neizrazita logika (fuzzy set & fuzzy logic) zauzima jako mjesto među vodećim područjima umjetne inteligencije. Koncept fuzzinessa, u početku primijenjen na skupove, a potom i na logiku, uspješno je proširen na druga područja matematike i informatike i sada već postoji: - teorija neizrazitih odnosa; - teorija neizrazitih skupova; - teorija neizrazitih mjera i integrala; - teorija neizrazitih brojeva i jednadžbi: - teorija neizrazite logike i aproksimativno zaključivanje: - teorija neizrazitih jezika; - teorija neizrazitih algoritama; - teorija neizrazite optimizacije i modeli odlučivanja. Sljedeći paketi su najpopularniji među ruskim kupcima: 1) CubiCalc 2.0 RTC jedan je od najmoćnijih komercijalnih ekspertnih sustava baziranih na neizrazitoj logici, koji vam omogućuje stvaranje vlastitih primijenjenih ekspertnih sustava; 2) CubiQuick - akademska verzija CubiCalc paketa; 3) RuleMaker - program automatsko izvlačenje nejasna pravila iz ulaznih podataka; 4) FuziCalc - proračunska tablica s nejasnim poljima, što vam omogućuje da napravite brze procjene s netočno poznatim podacima bez nakupljanja pogrešaka; 5) OWL - paket koji sadrži izvorne tekstove svih poznatih tipova neuronskih mreža, nejasnu asocijativnu memoriju itd. Glavni "potrošači" nejasne logike na ruskom tržištu su: bankari, financijeri i stručnjaci iz područja političke i ekonomske analize. - 47 - Većina ljudskih zadataka ne zahtijeva visoku preciznost. Često morate pronaći razuman kompromis između pojmova "točnosti" i "važnosti" kada komunicirate sa stvarnim svijetom. Na primjer: da bi donijela odluku o prelasku ulice, osoba ne procjenjuje brzinu automobila koji se približava s točnošću od desetinki metara u sekundi. Brzinu automobila za sebe definira kao "vrlo brzo", "brzo", "sporo" itd., t.j. koristi lingvističke varijable za označavanje brzine. U teoriji neizrazitih skupova predlažu se sljedeći načini formaliziranja neizrazitih koncepata. Prvi način (temeljen na Zadehovom djelu) uključuje odbacivanje glavne tvrdnje klasične teorije skupova da neki element može pripadati ili ne pripadati skupu. U ovom slučaju uvodi se posebna karakteristična funkcija skupa - takozvana funkcija članstva, koja uzima vrijednosti iz intervala. Ova metoda vodi do kontinualne logike. U drugom općenitijem načinu formaliziranja fuzzinessa, pretpostavlja se da karakteristične funkcije skupa ne uzimaju vrijednosti iz intervala, već u konačnoj ili beskonačnoj distributivnoj rešetki. Ova generalizacija se naziva neizrazitim skupovima u smislu Gauguina. Treći način su P-fazi skupovi. S ovom generalizacijom, svaki element univerzalnog skupa nije povezan s točkom u intervalu, već s podskupom ili dijelom ovog intervala. Algebra P-izrazitih skupova može se svesti na algebru klasa. Četvrti način su heterogeni neizraziti skupovi. Ovdje su, u općem slučaju, elementima univerzalnog skupa dodijeljene vrijednosti u različitim distributivnim rešetkama. Svaki element može biti povezan s najprikladnijom ocjenom za njega. Štoviše, vrijednosti samih procjena mogu biti nejasne i zadane kao funkcije. Dobivena je opća ideja neizrazite logike. Sada o svemu detaljnije. Razmotrimo konceptualni aparat koji se temelji na konceptu "jezične varijable". Definicija jezične varijable (intuitivna)4 Ako varijabla može poprimiti značenja riječi u prirodnom jeziku (na primjer, "malo", "brzo" itd. ), tada je ova varijabla definirana kao jezična varijabla. Riječi čije vrijednosti uzima lingvistička varijabla obično označavaju nejasne skupove. 4 Inteligentna informacijska sustava: Smjernice na laboratorijsku radionicu na kolegiju "Intelektualni informacijski sustavi" za studente specijalnosti 071900 - Informacijski sustavi u ekonomiji / Ufimsk. država zrakoplovstvo tech. un-t; sastavili G.G. Kulikov, T.V. Breikin, L.Z. Kamalova. - Ufa, 1999. -40 str. - 48 - Jezična varijabla može uzeti riječi ili brojeve kao svoje vrijednosti. Definicija jezične varijable (formalna) Jezična varijabla je petica (x, T(x), X, G, M), gdje je x naziv varijable; T(x) je skup imena lingvističkih vrijednosti varijable x, od kojih je svaka neizraziti skup na skupu X; G je sintaktičko pravilo za formiranje imena vrijednosti x; M je semantičko pravilo za povezivanje svake vrijednosti vrijednosti s njezinim konceptom. Svrha koncepta jezične varijable je formalno reći da varijabla može uzeti riječi iz prirodnog jezika kao vrijednosti. Drugim riječima, svaka jezična varijabla sastoji se od: - imena; − skup njegovih vrijednosti, koji se naziva i osnovni skup pojmova T. Elementi skupa osnovnih pojmova su imena neizrazitih varijabli; − univerzalni skup X; − sintaktičko pravilo G prema kojem se novi pojmovi generiraju korištenjem riječi prirodnog ili formalnog jezika; − semantičko pravilo P, koje svaku vrijednost jezične varijable pridružuje nejasnom podskupu skupa X. Na primjer, ako kažemo “ brza brzina “, tada varijablu “brzina” treba shvatiti kao lingvističku varijablu, ali to ne znači da varijabla “brzina” ne može poprimiti stvarne vrijednosti. Fazna varijabla je opisana skupom (N,X,A), gdje je N je naziv varijable, X je univerzalni skup (područje rasuđivanja), A je neizraziti skup na X. Vrijednosti lingvističke varijable mogu biti neizrazite varijable, tj. jezična varijabla je na višoj razini od neizrazite varijable. Glavni pristup formalizaciji fuzzinessa je sljedeći. Fazni skup se formira uvođenjem generaliziranog koncepta članstva, t.j. proširenje dvoelementnog skupa vrijednosti karakteristične funkcije (0,1) na kontinuum . To znači da se prijelaz iz potpunog članstva objekta u klasu u njegovo potpuno nečlanstvo ne događa naglo, već glatko, postupno, a članstvo elementa u 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 (budući da je funkcija pripadnosti iscrpna karakteristika NM) izravno u obliku funkcije Univerzalnim skupom X neizrazitog skupa A je domena definicije funkcije pripadnosti μa. Na sl. 18 prikazuje glavne vrste funkcija članstva. Riža. 18. Vrsta funkcija članstva Prema vrsti funkcija članstva dijele se na: - submodalne (sl. 1. c); − amodal (slika 1. a); − multimodalni (sl. 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 može se prikazati u obliku tablice. Tablica 6 A= Tablica opisa funkcije članstva x1 x2 x3 x4 0,2 0,6 1 0,8 Primjer "Mnogo visokih ljudi" U stvarnom životu, takva stvar kao što je "visina visoke osobe" je subjektivna. Neki vjeruju da bi visoka osoba trebala biti visoka više od 170 cm, drugi - više od 180 cm, treći - više od 190 cm. Nejasni skupovi omogućuju uzimanje u obzir takvog zamućenja procjena. - 50 - Neka je x lingvistička varijabla koja označava "visinu osobe", njegovu funkciju pripadnosti skupu visokih ljudi A:X(0,1), gdje je X skup koji uključuje sve moguće vrijednosti a visina osobe, daje se na sljedeći način: Tada je skup "visokih ljudi" dan izrazom A=(x| A(x)=1), x ϲ X. Grafički je to prikazano na sl. 19 (puna linija), t.j. ovisi o osobi koja procjenjuje. Neka funkcija pripadnosti A:X(0,1) ima oblik prikazan na slici isprekidanom linijom. Riža. 19. Nejasan skup visokih ljudi Dakle, osoba visine 145 cm pripada skupu A sa stupnjem pripadnosti A(145)=0, osoba visine 165 cm - A(165) = 0,3, osoba visine 185 cm -A (185) = 0,9, visine 205 cm - A(205)=1. Primjer. "Je li ti sada hladno?" Osoba temperaturu od +60oF (+12oC) doživljava kao hladno, a +80oF (+27oC) kao toplinu. Temperatura od +65oF (+15oC) nekima se čini niskom, drugima prilično ugodnom. Ovu skupinu definicija nazivamo funkcijom pripadnosti skupovima koji opisuju subjektivnu percepciju temperature od strane osobe. Strojevi nisu sposobni za tako finu gradaciju. Ako je standard za definiranje hladnoće "temperatura ispod +15oC", tada bi se +14,99oC smatralo hladnim, ali +15oC ne. Na sl. 20. je grafikon koji pomaže razumjeti 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 "vrlo hladno" i "vrlo vruće". Moguće je opisati slične funkcije za druge koncepte, kao što su otvorena i zatvorena stanja, temperatura hladnjaka - 51 - ili temperatura rashladnog tornja. Riža. 20. Fuzzy skup "Temperatura" Dakle, možemo izvući sljedeće zaključke o suštini koncepta "fazi skupa": Vruća voda , vruće vrijeme); 2) neizraziti skupovi dopuštaju mogućnost djelomične pripadnosti (petak je dijelom slobodan dan (skraćeno), vrijeme je prilično vruće); 3) stupanj pripadnosti objekta neizrazito skupu određen je odgovarajućom vrijednošću funkcije pripadnosti na intervalu (petak pripada slobodnim danima sa stupnjem pripadnosti 0,3); 4) funkcija pripadnosti pridružuje objekt (ili logičku varijablu) s vrijednošću stupnja njegovog članstva u neizrazito skupu. Oblici krivulja za funkcije članstva Postoji više od desetak tipičnih krivulja za funkcije članstva. Najraširenije su: trokutasta, trapezna i Gaussova funkcija pripadnosti. Funkcija trokutaste pripadnosti definirana je trostrukom brojeva (a,b,c), a njezina vrijednost u točki 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) Uz (b-a)=(c-b) imamo slučaj simetrične trokutaste funkcije pripadnosti (slika 21), koja se može jednoznačno odrediti s dva parametri iz trojke (a,b,c). Riža. 21. Funkcija trokutaste pripadnosti Slično, za postavljanje trapezoidne funkcije članstva potrebna su 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) Uz (b-a)=(d-c), trapezoidna funkcija pripadnosti poprima simetričan oblik (slika 22). Riža. 22. Trapezoidna funkcija pripadnosti Skup funkcija pripadnosti za svaki član iz osnovnog skupa pojmova T obično se zajedno prikazuje na jednom grafikonu. Na sl. 23 prikazuje formalizaciju netočnog koncepta "ljudskog doba". Dakle, za osobu od 48 godina, stupanj pripadnosti skupu "Mladi" je 0, "Prosjek" - 0,47, "Iznad prosjeka" - 0,20. - 53 - Sl. 23. Opis lingvističke varijable "Dob osobe" Osnovne operacije nad neizrazitim skupovima Osnovne operacije nad NM-ovima iz klase svih NM-ova F(X)=( | :X ) univerzalnog skupa X prikazane su u nastavku. 1. Zbrajanje5 2 = = 1- 1, x X 24. Grafikon operacije "Komplement" na funkciji M 2. Presjek I (minimum: varijable koje ne djeluju 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. Raskrižje II (ograničeni proizvod). 3 = ( 1 2) (x)= max(0, 1(x) + 2(x)-1) , x X 5. Konsolidacija II (maksimalno: ograničeni iznos). 3 = ( 1 2) (x)= min(1, 1(x) + 2(x)) , x X 6. Presjek III (algebarski umnožak). 5 U daljnjem tekstu, na žutoj pozadini, prikazane su operacije koje su iste za sve tri baze. - 54 - 3 = ( 1 2) (x)= 1(x) * 2(x) , x X 7. Unija III (algebarski zbroj). 3 = ( 1 2) (x)= 1(x) + 2(x)- 1(x) 2(x) , x X A B Slika 25. Grafikon rada presjeka I (A) unije I (B) funkcija M i M1 A B Slika 26. Grafikon rada presjeka II (A) spoja II (B) funkcija M i M1 A B Sl. 27. Grafikon rada raskrižja III (A) spoja 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 28. Grafikon razlike funkcija M i M1 Slika 29. Grafikon koncentracije funkcije M1 Za razliku od Booleove algebre, u F(X) nisu zadovoljeni zakoni eliminacije trećeg. Kada se konstruiraju operacije sjedinjenja ili sjecišta u F(X), mora se odbaciti ili zakon eliminacije trećeg, ili svojstvo distributivnosti i idempotencije. Fuzzy objekti mogu se klasificirati prema vrsti raspona vrijednosti funkcije članstva. I ovdje se razlikuju varijante X: - rešetka; - poluskupina; - prsten; - kategorija. Za praktične primjene u smislu izražavanja kvalitativnih predstava i procjena osobe u procesu donošenja odluke o problemu važan je slučaj S-fazi skupova specificiranih parom (X, ), gdje je - 56 - :X S je preslikavanje iz X u linearno uređeni skup S S prirodno je nametnuti zahtjeve konačnosti i potpunosti. Primjer konačnog linearno uređenog skupa je skup jezičnih vrijednosti jezične varijable "KVALITETA" = (loše, prosječno, dobro, izvrsno). 1 2 3 4 5 6 7 8 9 ILI varijable koje nisu u interakciji) (ILI, ... , ILI) Presjek II (ograničeni I proizvod) Unija II (ograničeni zbroj) ILI presjek III (algebarski I proizvod) Unija III (algebarski zbroj ) ILI Koncentracija razlike VRLO Kao što je prikazano, ovisno o načinu uvođenja operacija sjedinjenja i presjeka NM, postoje tri glavne teorije NM. U skladu sa sličnim kriterijima dijele: − neizrazu logiku s maksiminskim operacijama (operacije 1,2,3,8,9); − neizrazita logika s ograničenim operacijama (operacije 1,4,5,8,9); − probabilistička neizrazita logika (operacije 1,6,7,8,9). Tumačenje istine kao jezične varijable dovodi do nejasne logike s vrijednostima "točno", "vrlo istinito", "potpuno istinito", "manje-više istinito", "ne baš istinito", "lažno" itd. , tj. na nejasnu logiku, na kojoj se temelji teorija približnog zaključivanja. Područja primjene teorije neizrazitih skupova u različitim područjima ljudskog znanja Filozofski, teorija NM je izvanredna po tome što otvara
Vodič upoznaje čitatelje s poviješću umjetne inteligencije, modelima predstavljanja znanja, ekspertnim sustavima i neuronskim mrežama. Opisani su glavni pravci i metode koje se koriste u analizi, razvoju i implementaciji inteligentnih sustava. Razmatraju se modeli prikaza znanja i metode rada s njima, metode razvoja i kreiranja ekspertnih sustava. Knjiga će čitatelju pomoći da svlada vještine logičkog oblikovanja domenskih baza podataka i programiranja na jeziku ProLog.
Za studente i nastavnike pedagoških sveučilišta, nastavnike srednjih škola, gimnazija, liceja.
Koncept umjetne inteligencije.
Sustav umjetne inteligencije (AI) je softverski sustav koji simulira proces ljudskog razmišljanja na računalu. Za stvaranje takvog sustava potrebno je proučiti sam proces razmišljanja osobe koja odlučuje određene zadatke ili donositelja odluka u određenom području, istaknuti glavne korake ovog procesa i razviti softver koji ih reproducira na računalu. Stoga metode umjetne inteligencije uključuju jednostavan strukturalni pristup razvoju složenih softverskih sustava za donošenje odluka.
Umjetna inteligencija je grana informatike, čija je svrha razvoj hardverskih i softverskih alata koji omogućuju korisniku koji nije programer da postavlja i rješava svoje tradicionalno smatrane intelektualne zadatke, komunicirajući s računalom na ograničenom podskupu prirodnog jezika.
SADRŽAJ
Poglavlje 1. Umjetna inteligencija
1.1. Uvod u sustave umjetne inteligencije
1.1.1. Koncept umjetne inteligencije
1.1.2. Umjetna inteligencija u Rusiji
1.1.3. Funkcionalna struktura sustava umjetne inteligencije
1.2. Smjerovi razvoja umjetne inteligencije
1.3. Podaci i znanje. Zastupljenost znanja u inteligentnim sustavima
1.3.1. Podaci i znanje. Osnovne definicije
1.3.2. Modeli predstavljanja znanja
1.4. Ekspertni sustavi
1.4.1. Struktura ekspertnog sustava
1.4.2. Razvoj i korištenje ekspertnih sustava
1.4.3. Klasifikacija ekspertnih sustava
1.4.4. Zastupljenost znanja u ekspertnim sustavima
1.4.5. Alati za izgradnju ekspertnih sustava
1.4.6. Ekspertna tehnologija razvoja sustava
Kontrolna pitanja i zadaci za 1. poglavlje
Literatura za 1. poglavlje
Poglavlje 2 Logičko programiranje
2.1. Metodologije programiranja
2.1.1. Metodologija imperativnog programiranja
2.1.2. Metodologija objektno orijentiranog programiranja
2.1.3. Metodologija funkcionalnog programiranja
2.1.4. Metodologija logičkog programiranja
2.1.5. Metodologija programiranja ograničenja
2.1.6. Metodologija programiranja neuronskih mreža
2.2. Kratak uvod u predikatski račun i dokazivanje teorema
2.3. Proces zaključivanja u Prologu
2.4. Struktura programa u Prologu
2.4.1. Korištenje složenih objekata
2.4.2. Korištenje alternativnih domena
2.5. Organiziranje ponavljanja u Prologu
2.5.1. Metoda povrata nakon neuspjeha
2.5.2. Metoda rezanja i vraćanja
2.5.3. jednostavna rekurzija
2.5.4. Metoda generaliziranog rekurzivnog pravila (GRR)
2.6. Popisi u Prologu
2.6.1. Operacije na listama
2.7. Žice u Prologu
2.7.1. Operacije na žicama
2.8. Datoteke u Prologu
2.8.1. Prolog predikati za rad s datotekama
2.8.2. Opis domene datoteke
2.8.3. Napiši u datoteku
2.8.4. Čitanje iz datoteke
2.8.5. Promjena postojeće datoteke
2.8.6. Dodavanje na kraj postojeće datoteke
2.9. Izrada dinamičkih baza podataka u Prologu
2.9.1. Baze podataka na Prologu
2.9.2. Predikati dinamičke baze podataka u Prologu
2.10. Izrada ekspertnih sustava
2.10.1. Struktura ekspertnog sustava
2.10.2. Reprezentacija znanja
2.10.3. Izlazne metode
2.10.4. Sustav korisničko sučelje
2.10.5. Stručni sustav utemeljen na pravilima
Kontrolna pitanja i zadaci za 2. poglavlje
Literatura za 2. poglavlje
Poglavlje 3 Neuralne mreže
3.1. Uvod u neuronske mreže
3.2. Model umjetnog neurona
3.3. Primjena neuronskih mreža
3.4. Trening neuronske mreže
Kontrolna pitanja i zadaci za 3. poglavlje
Literatura za 3. poglavlje.
Besplatno preuzimanje e-knjige na pogodan format, gledaj i čitaj:
Preuzmite knjigu Osnove umjetne inteligencije, Borovskaya E.V., Davydova N.A., 2016 - fileskachat.com, brzo i besplatno.
Država Armavir
Pedagoško sveučilište
OSNOVE UMJETNE INTELIGENCIJE
za studente koji studiraju na specijalnosti "Informatika"
Armavir 2004
Tiskano odlukom ASPU UMC
Recenzent: , kandidat fizikalno-matematičkih znanosti, izvanredni profesor, voditelj Internet centra Kabardino-Balkarske državne poljoprivredne akademije
Kozyrev umjetna inteligencija. Nastavno pomagalo za studente smjera informatike. - Armavir, 2004
Razmatraju se Osnovni koncepti umjetna inteligencija, pravci i perspektive razvoja istraživanja u području umjetne inteligencije, osnove logičkog programskog jezika PROLOG.
Edukativno-metodički priručnik namijenjen je studentima koji studiraju na smjeru "informatika", a mogu ga koristiti i svi koji se zanimaju za umjetnu inteligenciju i logičko programiranje.
Uvod…………………………………………………………………………………… 4
1. Umjetna inteligencija: predmet, povijest
razvoj, smjerovi istraživanja ……..…………………………….. 5
1.1. Smjerovi istraživanja na tom području
umjetna inteligencija…………………………………………………………….. 5
umjetna inteligencija………………………………………………….. 6
2. Sustav znanja…………………………………………………………………….. 8
3. Modeli predstavljanja znanja………………………………………………. devet
3.1. Semantičke mreže…………………………………………………………………..9
3.2. Model okvira ……………………………………………………….…………10
3.3. Proizvodni model…………………………………………………………..11
3.4. Logički model…………………………………………………………………. .12
4. Ekspertni sustavi……………………………………………………………...12
4.1. Imenovanje ekspertnih sustava………………………………………….12
4.2. Vrste zadataka rješavanih uz pomoć ekspertnih sustava…………….14
4.3. Struktura ekspertnih sustava……………………………………………...15
4.4. Glavne faze razvoja ekspertnih sustava……………………16
4.5. Alati za razvoj ekspertnih sustava………18
5. PROLOG - logički programski jezik ……….19
5.1. Opće informacije o PROLOGU………………………………………………………………………………………………………19
5.2. Prijedlozi: činjenice i pravila………………………………………20
5.4. Varijable u PROLOG-u……………………………………………...22
5.5. Objekti i tipovi podataka u PROLOG-u……………………………………………...23
5.6. Glavni dijelovi programa PROLOG……………………………….23
5.7. Vraćanje unatrag…………………………………………………………24
5.8. Kontrola vraćanja unatrag: predikati neuspjeha i rezanja ……26
5.9. Aritmetički izračuni……………………………………………27
5.10. Rekurzija………………………………………………………………………………… .28
5.11. Popisi………………………………………………………………………………30
5.12. Standardni zadaci obrade popisa……………………………….31
Književnost………………………………………………............................... .35
Uvod
Posljednjih desetljeća umjetna inteligencija je napala sva područja djelovanja, postajući sredstvo integracije znanosti. Softverski alati bazirani na tehnologiji i metodama umjetne inteligencije postali su rašireni u svijetu. Intenzivno istraživanje stvaranja jedinstvenog informacijskog prostora koji stvara uvjete za zajednički rad na daljinu na bazi znanja počele su provoditi sve gospodarski razvijene zemlje. Kolegij "Osnove umjetne inteligencije" u visokom obrazovanju uključuje proučavanje sekcija kao što su prikaz znanja u formalnom jeziku, struktura ekspertnih sustava i temeljna načela njihova razvoja, različite strategije za pronalaženje cilja. Jedan od glavnih pravaca kolegija je rasprava o implementaciji sustava umjetne inteligencije za rješavanje specifičnih primijenjenih problema.
Kao računalna podrška Predmet se bavi programskim okruženjem Visual Prolog. Programski jezik Prolog, temeljen na idejama i metodama matematičke logike, izvorno je stvoren za razvoj aplikacija umjetne inteligencije. Aplikacije kao što su baze znanja, ekspertni sustavi, sučelja prirodnog jezika i inteligentni sustavi za upravljanje informacijama učinkovito su programirani u okruženju Visual Prolog. Visoka razina apstrakcije, sposobnost predstavljanja složenih struktura podataka i modeliranja logičkih odnosa između objekata omogućuju rješavanje problema u različitim predmetnim područjima.
Nastavno pomagalo "Osnove umjetne inteligencije" pomoći će u proširenju ideja budućeg učitelja informatike o područjima primjene teorije umjetne inteligencije, o postojećim i perspektivnim programskim jezicima i hardverskim strukturama za stvaranje sustava umjetne inteligencije.
1. Umjetna inteligencija: predmet, povijest razvoja, područja istraživanja.
jaintelektualac(lat) - um, razum, um, mentalne sposobnosti osobe. Umjetna inteligencija(AI) je područje računalne znanosti, čiji je predmet razvoj hardverskih i softverskih alata koji omogućuju korisniku rješavanje problema koji se tradicionalno smatraju intelektualnim. Teorija umjetne inteligencije je znanost o znanju, kako ga izvući, predstaviti u umjetnim sustavima, obraditi unutar sustava i koristiti za rješavanje praktičnih problema. Tehnologije koje koriste AI danas se koriste u mnogim područjima primjene.
Početak istraživanja u području umjetne inteligencije (kraj 50-ih godina 20. stoljeća) povezuje se s radom Newella, Saymana i Shawa koji su proučavali procese rješavanja različitih problema. Rezultati njihova rada bili su programi kao što su "LOGIC-THEORETIC", namijenjeni dokazivanju teorema u propozicionom računu, i "OPĆI PROBLEM RJEŠAVAČ". Ovi radovi označili su početak prve faze istraživanja u području umjetne inteligencije, povezana s razvojem programa koji rješavaju probleme na temelju korištenja različitih heurističkih metoda.
Smatralo se da je heuristička metoda rješavanja problema inherentna ljudskom razmišljanju "općenito", za koju je karakteristična pojava nagađanja o načinu rješavanja problema uz njihovu naknadnu provjeru. Bio je suprotan algoritamskoj metodi korištenoj u računalu, koja se tumačila kao mehanička implementacija zadanog slijeda koraka, koji deterministički vodi do točnog odgovora. Tumačenje heurističkih metoda rješavanja problema kao isključivo ljudske djelatnosti dovelo je do pojave i daljnjeg širenja pojma AI
A. Neurokibernetika.
Neurokiberietika je usmjerena na hardversko modeliranje struktura sličnih strukturi mozga. Fiziolozi su odavno utvrdili da je osnova ljudskog mozga veliki broj međusobno povezanih i međusobno povezanih živčanih stanica – neurona. Stoga su napori neurokibernetike bili usmjereni na stvaranje elemenata sličnih neuronima i njihovo kombiniranje u funkcionalne sustave. Ti se sustavi nazivaju neuronskim mrežama ili neuronskim mrežama. Nedavno se neurokibernetika ponovno počela razvijati zbog skoka u razvoju računala. Pojavili su se neuroračunala i transputeri.
Trenutno postoje tri pristupa stvaranju neuronskih mreža:
hardver- stvaranje posebna računala, kartice za proširenje, čipsete koji implementiraju sve potrebne algoritme,
program- Izrada programa i alata dizajniranih za računala visokih performansi. Mreže se stvaraju u memoriji računala, sav posao obavljaju njegovi vlastiti procesori;
hibrid je kombinacija prva dva. Dio proračuna obavljaju posebne ploče za proširenje (koprocesori), dio - softver.
B. Kibernetika crne kutije.
Kibernetika "crne kutije" temelji se na principu suprotnom neurokibernetici. Nije važno kako funkcionira uređaj za "razmišljanje". Glavna stvar je da na zadane ulazne radnje reagira na isti način kao i ljudski mozak.
Ovo područje umjetne inteligencije bilo je usmjereno na traženje algoritama za rješavanje intelektualnih problema na postojećim računalnim modelima.
Istraživanja u području umjetne inteligencije prešla su dug i trnovit put: prvi hobiji (1960.), pseudoznanost (1960.-65.), uspjeh u rješavanju zagonetki i igara (), razočaranje u rješavanju praktičnih problema (), prvi uspjesi u rješavanju niz praktičnih problema ( ), masovna komercijalna upotreba u rješavanju praktičnih problema (). No, temelj komercijalnog uspjeha s pravom čine ekspertni sustavi i prije svega ekspertni sustavi u stvarnom vremenu. Upravo su oni dopustili umjetnoj inteligenciji da prijeđe s igara i zagonetki na masovnu upotrebu u rješavanju praktički značajnih problema.
1.2. Glavni zadaci riješeni u regiji
umjetna inteligencija
Predstavljanje znanja i razvoj sustava temeljenih na znanju
Razvoj modela predstavljanja znanja, stvaranje baza znanja koje čine jezgru ekspertnih sustava (ES). Nedavno uključuje modele i metode za izvlačenje i strukturiranje znanja te se spaja s inženjeringom znanja. U području umjetne inteligencije najveći komercijalni uspjeh postigli su ekspertni sustavi i alati za njihov razvoj.
Igre i kreativnost.
Intelektualni zadaci igre - šah, dame, go. Temelji se na jednom od ranih pristupa - modelu labirinta plus heuristika.
Razvoj sučelja prirodnog jezika i strojno prevođenje
Upravljanje glasom, prijevod s jezika na jezik. Prvi program na ovom području je prevoditelj s engleskog na ruski. Prva ideja - prijevod od riječi do riječi, pokazala se neuspješnom. Trenutno se koristi složeniji model, uključujući analizu i sintezu poruka prirodnog jezika, koji se sastoji od nekoliko blokova. Za analizu je:
Jezik koji koristi proizvodni model je PROLOG.
3.4. Logički model
Njihov opis temelji se na formalnom sustavu s četiri elementa:
M=<Т, Р, А, В >, gdje
T - skup osnovni elementi različite prirode s odgovarajućim postupcima;
R je skup sintaktičkih pravila. Uz njihovu pomoć, sintaktički ispravni skupovi formiraju se od elemenata T. P(R) postupak utvrđuje je li ova zbirka ispravna;
A je podskup skupa P, koji se naziva aksiomima. Postupak P(A) daje odgovor na pitanje pripadnosti skupu A;
B je skup pravila zaključivanja. Primjenjujući ih na elemente A, moguće je dobiti nove sintaktički ispravne kolekcije na koje se ta pravila mogu ponovno primijeniti. P(V) postupak određuje, za svaki sintaktički ispravan skup, je li on inferiran.
4. Ekspertni sustavi
4.1. Imenovanje ekspertnih sustava
Ekspertni sustavi(ES) su složeni softverski sustavi koji akumuliraju znanje stručnjaka u određenim predmetnim područjima i repliciraju ovo empirijsko iskustvo za konzultacije manje kvalificiranih korisnika.
Svrha proučavanja ekspertnih sustava je izrada programa koji pri rješavanju problema iz određenog predmetnog područja postižu rezultate koji po kvaliteti i učinkovitosti nisu inferiorni u odnosu na rezultate koje postižu stručnjaci.
Ekspertni sustavi dizajnirani su za rješavanje neformaliziranih, praktički značajnih zadataka. Korištenje ekspertnog sustava potrebno je samo kada je njihov razvoj moguć i primjeren.
Činjenice koje ukazuju na potrebu razvoja i implementacije ekspertnih sustava:
Nedostatak stručnjaka koji provode značajno vrijeme pomažući drugima;
Potreba za velikim timom stručnjaka, budući da nitko od njih nema dovoljno znanja;
Niska produktivnost, budući da zadatak zahtijeva potpunu analizu složenog skupa uvjeta, a prosječni stručnjak nije u mogućnosti pregledati (u dodijeljenom vremenu) sve te uvjete;
Prisutnost natjecatelja koji imaju prednost u tome što su bolji u zadatku.
Po funkcionalna Namjena ekspertnih sustava može se podijeliti u sljedeće vrste:
1. Snažni ekspertni sustavi namijenjeni uskom krugu korisnika (sustavi upravljanja složenom tehnološkom opremom, stručni sustavi protuzračne obrane). Takvi sustavi obično rade u stvarnom vremenu i vrlo su skupi.
2. Stručni sustavi dizajnirani za širok raspon korisnika. To uključuje sustave medicinske dijagnostike, složene nastavne sustave. Baza znanja ovih sustava nije jeftina, jer sadrži jedinstveno znanje dobiveno od stručnjaka. Prikupljanje znanja i formiranje baze znanja provodi specijalist za prikupljanje znanja – kognitivni inženjer.
3. Ekspertni sustavi s nekoliko pravila i relativno jeftin. Ovi su sustavi dizajnirani za masovnog potrošača (sustavi koji olakšavaju rješavanje problema u opremi). Korištenje takvih sustava omogućuje vam da bez visokokvalificiranog osoblja, smanjite vrijeme otklanjanja i otklanjanja kvarova. Baza znanja takvog sustava može se nadopunjavati i mijenjati bez pomoći programera sustava. Obično koriste znanja iz raznih referentnih priručnika i tehničke dokumentacije.
4. Jednostavni ekspertni sustavi za individualnu upotrebu. Često se izrađuju sami. Koriste se u situacijama za olakšavanje svakodnevnog rada. Korisnik, organizirajući pravila u određenu bazu znanja, na njezinoj osnovi stvara vlastiti stručni sustav. Takvi se sustavi koriste u jurisprudenciji, komercijalnim djelatnostima, popravku jednostavne opreme.
Korištenje ekspertnih sustava i neuronskih mreža donosi značajne ekonomske koristi. Na primjer: - American Express je smanjio svoje gubitke za 27 milijuna dolara godišnje zahvaljujući stručnom sustavu koji utvrđuje primjerenost izdavanja ili odbijanja zajma određenoj tvrtki; - DEC štedi 70 milijuna dolara godišnje sa sustavom XCON/XSEL, koji konfigurira VAX računalni sustav na zahtjev kupca. Njegova uporaba smanjila je broj pogrešaka s 30% na 1%; - Sira je smanjila troškove izgradnje cjevovoda u Australiji za 40 milijuna dolara pomoću ekspertnog sustava za upravljanje cjevovodom.
4.2. Vrste zadataka riješenih s
ekspertni sustavi
Interpretacija podataka. Tumačenje se odnosi na određivanje značenja podataka čiji rezultati moraju biti dosljedni i točni. Primjeri ES-a:
Detekcija i identifikacija raznih vrsta prekooceanskih plovila - SIAP;
Određivanje glavnih osobina ličnosti na temelju rezultata psihodijagnostičkog testiranja u sustavima AVTANTEST i MICROLUSHER itd.
Dijagnostika. Dijagnostika se odnosi na otkrivanje kvara u nekom sustavu. Primjeri ES-a:
Dijagnoza i terapija suženja koronarnih žila - ANGY;
Dijagnostika grešaka u hardveru i softveru računala - CRIB sustav itd.
Praćenje. Glavni zadatak praćenja je kontinuirana interpretacija podataka u stvarnom vremenu i signaliziranje da pojedini parametri prelaze dopuštene granice. Glavni problemi su "preskakanje" alarmantne situacije i inverzni problem "lažne" operacije. Primjeri ES-a:
Kontrola rada elektrana SPRINT, pomoć dispečerima nuklearnih reaktora - REAKTOR:
Praćenje senzora za hitne slučajeve u kemijskom postrojenju - FALCON itd.
Oblikovati. Dizajn se sastoji od pripreme specifikacija za izradu "objekata" s unaprijed određenim svojstvima. Pod specifikacijom se podrazumijeva cijeli skup potrebnih dokumenata, crtež, objašnjenje, itd. Primjeri ES-a:
Projektiranje računalnih konfiguracija VAX - 1/780 u XCON (ili R1) sustavu,
LSI dizajn - CADHELP;
Sinteza električni krugovi- SYN itd.
Prognoziranje. Prediktivni sustavi logički izvode vjerojatne posljedice iz zadanih situacija. Primjeri ES-a:
Prognoza vremena - WILLARD sustav:
Procjene buduće žetve - PI. MRAV;
Prognoze u gospodarstvu - ECON i drugi.
Planiranje. Planiranje se shvaća kao pronalaženje akcijskih planova vezanih uz objekte koji mogu obavljati određene funkcije. U takvim ES-ima koriste se bihevioralni modeli stvarnih objekata kako bi se logički zaključile posljedice planirane aktivnosti. Primjeri ES-a:
Planiranje ponašanja robota - STRIPS,
Planiranje industrijskih narudžbi - 1SIS,
Dizajn eksperimenta - MOLGEN et al.
Obrazovanje. Sustavi za obuku dijagnosticiraju greške u proučavanju bilo koje discipline uz pomoć računala i predlažu prava rješenja. Akumuliraju znanje o hipotetičkom "učeniku" i njegovim karakterističnim pogreškama, zatim u radu mogu dijagnosticirati slabosti u znanju učenika i pronaći odgovarajuća sredstva za njihovo otklanjanje. Primjeri ES-a:
Podučavanje programskog jezika Lisp u sustavu "Lisp Teacher";
PROUST sustav - učenje jezika Pascal itd.
Stručna sustavna rješenja su transparentna, odnosno mogu se objasniti korisniku na kvalitativnoj razini.
Ekspertni sustavi su u mogućnosti nadopuniti svoje znanje tijekom interakcije sa stručnjakom.
4.3. Struktura ekspertnih sustava
Struktura ekspertnih sustava uključuje sljedeće komponente:
Baza znanja- jezgra ES-a, tijelo znanja predmetnog područja, snimljeno na strojnom mediju u obliku razumljivom stručnjaku i korisniku (obično na nekom jeziku bliskom prirodnom). Paralelno s takvim "ljudskim" predstavljanjem postoji baza znanja u unutarnjem "strojnom" predstavljanju. Sastoji se od skupa činjenica i pravila.
Činjenice – opisuju predmete i odnos među njima. Pravila – koriste se u bazi znanja za opisivanje odnosa između objekata. Na temelju odnosa definiranih pravilima, izvodi se logički zaključak.
Baza podataka- namijenjen je za privremeno skladištenje činjenica i hipoteza, sadrži međupodatke ili rezultat komunikacije između sustava i korisnika.
Strojno-logički zaključak- mehanizam rasuđivanja koji radi na znanju i podacima kako bi se dobili novi podaci; za to se obično koristi softverski implementiran mehanizam pretraživanja odluka.
Komunikacijski podsustav- služi za vođenje dijaloga s korisnikom, tijekom kojeg stručni sustav od korisnika traži potrebne činjenice za proces zaključivanja, a također omogućuje korisniku da u određenoj mjeri kontrolira tijek zaključivanja.
Podsustav objašnjenja- nužan je kako bi se korisniku dala mogućnost kontrole tijeka zaključivanja.
Podsustav stjecanja znanja- program koji inženjeru znanja pruža mogućnost stvaranja baza znanja u interaktivnom načinu. Uključuje sustav ugniježđenih izbornika, jezičnih predložaka za predstavljanje znanja, savjeta ("pomoć" - način rada) i drugih servisnih alata koji olakšavaju rad s bazom podataka.
Stručni sustav radi na dva načina:
Stjecanje znanja (definicija, modifikacija, dopuna);
Rješavanje problema.
U ovom načinu rada se podaci zadatka obrađuju i nakon odgovarajućeg kodiranja prenose u blokove ekspertnog sustava. Rezultati obrade zaprimljenih podataka šalju se modulu savjeta i objašnjenja te se nakon prekodiranja na jezik blizak prirodnom izdaju u obliku savjeta, objašnjenja i komentara. Ako korisniku odgovor nije jasan, može zatražiti od stručnog sustava objašnjenje kako je primljen.
4.4. Glavne faze razvoja ekspertnih sustava
Tehnološki proces razvoja industrijskog ekspertnog sustava može se podijeliti u šest glavnih faza:
1. Odabir pravog problema
Aktivnosti koje dovode do odluke o početku razvoja određenog ES-a uključuju:
Identifikacija problematičnog područja i zadataka;
Pronalaženje stručnjaka koji je voljan surađivati u rješavanju problema i imenovanje razvojnog tima;
Određivanje preliminarnog pristupa rješavanju problema;
Analiza troškova i dobiti od razvoja;
Izrada detaljnog plana razvoja.
2. Razvoj prototipa sustava
prototip sustava je skraćena verzija ekspertnog sustava dizajniranog za provjeru ispravnosti kodiranja činjenica, odnosa i strategija stručnog zaključivanja.
Prototip mora ispunjavati dva zahtjeva:
Najviše bi trebao riješiti prototipni sustav tipični zadaci, ali ne bi trebao biti ni prevelik.
Vrijeme i trud izrade prototipa trebali bi biti niski.
Rad prototipnih programa se ocjenjuje i testira kako bi se uskladio sa stvarnim zahtjevima korisnika. Prototip se provjerava za:
Pogodnost i primjerenost ulazno-izlaznih sučelja (priroda pitanja u dijalogu, koherentnost izlaznog teksta rezultata, itd.)
Učinkovitost strategije kontrole (redoslijed nabrajanja, korištenje neizrazitog zaključivanja, itd.);
Kvaliteta testnih slučajeva;
Ispravnost baze znanja (potpunost i dosljednost pravila).
Stručnjak obično radi s inženjerom znanja koji pomaže u strukturiranju znanja, definiranju i oblikovanju potrebnih koncepata i pravila
riješiti problem. Ako je uspješan, stručnjak uz pomoć inženjera znanja proširuje bazu znanja prototipa o problematičnom području.
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 sustava.
U ovoj fazi, baza znanja je značajno proširena, veliki broj dodatne heuristike. Ove heuristike obično povećavaju dubinu sustava pružanjem više pravila za suptilne aspekte pojedinačnih slučajeva. Nakon uspostavljanja osnovne strukture ES-a, inženjer znanja nastavlja razvijati i prilagođavati sučelja putem kojih će sustav komunicirati s korisnikom i stručnjakom.
Obično se provodi glatki prijelaz od prototipa do industrijskih ekspertnih sustava. Ponekad se pri razvoju industrijskog sustava razlikuju dodatne faze za tranziciju: demonstracijski prototip - istraživački prototip - živi prototip - industrijski sustav.
4. Evaluacija sustava
Stručni sustavi se ocjenjuju kako bi se provjerila točnost programa i njegova korisnost. Evaluacija se može provesti na temelju različitih kriterija koje grupiramo na sljedeći način:
Kriteriji korisnika (razumljivost i "transparentnost" rada sustava, praktičnost sučelja itd.);
Kriteriji pozvanih stručnjaka (procjena savjeta-rješenja koje nudi sustav, njihova usporedba s vlastitim rješenjima, procjena podsustava objašnjenja i sl.);
Kriteriji razvojnog tima (učinkovitost implementacije, performanse, vrijeme odziva, dizajn, širina pokrivenosti predmetnog područja, konzistentnost baze znanja, broj zastoja kada sustav ne može donijeti odluku, analiza osjetljivosti programa na manje promjene u predstavljanju znanja, težinskim koeficijentima koji se koriste u mehanizmima logičkog izlaza, podacima itd.).
5. Sustav pristajanja
U ovoj fazi se ekspertni sustav spaja s drugim softverom u okruženju u kojem će raditi, a obučavaju se ljudi kojima će služiti.Uspajanje podrazumijeva i razvoj veza između ekspertnog sustava i okruženja u kojem djeluje.
Sučelje uključuje omogućavanje EC-u da komunicira s postojećim bazama podataka i drugim sustavima u poduzeću, kao i poboljšanje čimbenika ovisnih o vremenu kako bi mogao djelovati učinkovitije i poboljšati performanse svojih tehničkih sredstava ako sustav radi u neobičnom okruženju ( npr. komunikacija s mjernim uređajima).
6. Podrška sustava
Rekodiranje sustava u jezik sličan C poboljšava performanse i prenosivost, ali smanjuje fleksibilnost. To je prihvatljivo samo ako sustav zadrži sva znanja o problemskom području, a to se znanje neće promijeniti u bliskoj budućnosti. Međutim, ako je ekspertni sustav stvoren upravo zbog promjene problematičnog područja, onda je potrebno održavati sustav u okruženju razvojnih alata.
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. Univerzalnost ovih jezika je manja od tradicionalnih jezika, ali jezici umjetne inteligencije nadoknađuju njegov gubitak bogatim mogućnostima za rad sa simboličkim i logičkim podacima, što je iznimno važno za zadatke umjetne inteligencije. Na temelju jezika umjetne inteligencije, specijalizirana računala(na primjer, Lisp strojevi) dizajnirani za rješavanje problema s umjetnom inteligencijom. Nedostatak ovih jezika je njihova neprimjenjivost za stvaranje hibridnih ekspertnih sustava.
Posebni softverski alati
Lisp biblioteke i dodaci za jezik umjetne inteligencije Lisp: KEE (Knowledge Engineering Environment), FRL (Jezik predstavljanja okvira), KRL (Jezik predstavljanja znanja), ARTS, itd., omogućujući korisnicima da rade s prazninama ekspertnih sustava na višim razinama. razini nego što je to moguće u konvencionalnim jezicima umjetne inteligencije.
"školjke"
"Šells" su prazne" verzije postojećih ekspertnih sustava, tj. gotovih ekspertnih sustava bez baze znanja. Primjer takve ljuske je EMYCIN (Empty MYCIN - prazan MYC1N), koji je prazan MYCIN ekspertni sustav. Prednost ljuske je to što uopće ne zahtijevaju rad programera za stvaranje gotovog ekspertnog sustava. Zahtijeva samo stručnjake u predmetnom području da popune bazu znanja. Međutim, ako se određeno predmetno područje ne uklapa dobro u modela koji se koristi u nekoj ljusci, u ovom slučaju nije lako popuniti bazu znanja.
5. PROLOG - jezik logičkog
programiranje
5.1. Opći podaci o PROLOG-u.
PROLOG (PROGRAMIRANJE U LOGICI) je logički programski jezik dizajniran za rješavanje problema iz područja umjetne inteligencije (izrada ES-a, prevođenje programa, obrada prirodnog jezika). Koristi se za obradu prirodnog jezika i ima moćne alate za izdvajanje informacija iz baza podataka, a metode pretraživanja koje se u njemu koriste bitno se razlikuju od tradicionalnih.
Osnovne konstrukcije PROLOGA posuđene su iz logike. PROLOG nije proceduralni, već deklarativni programski jezik. Ona nije usmjerena na razvoj rješenja, već na sustavan i formaliziran opis problema tako da rješenje proizlazi iz opisa.
Bit logičkog pristupa je da se stroju ne nudi algoritam kao program, već formalni opis predmetnog područja i problema koji se rješava u obliku aksiomatskog sustava. Tada se potraga za rješenjem pomoću izlaza u ovom sustavu može povjeriti samom računalu. Glavni zadatak programera je uspješno predstaviti predmetno područje sustavom logičkih formula i takvim skupom relacija na njemu koji najpotpunije opisuju zadatak.
Osnovna svojstva PROLOG-a:
1) mehanizam zaključivanja s traženjem i vraćanjem
2) ugrađeni mehanizam za usklađivanje uzoraka
3) jednostavna i lako promjenjiva struktura podataka
4) nedostatak pokazivača, operatora dodjele i prijelaza
5) prirodnost rekurzije
Faze programiranja u PROLOG-u:
1) izjava činjenica o predmetima i odnosima među njima;
2) definiranje pravila za odnos objekata i odnosa među njima;
3) formuliranje pitanja o objektima i odnosima među njima.
Teorijska osnova PROLOG-a je dio simboličke logike koji se naziva predikatski račun.
Predikat je naziv svojstva ili odnosa između objekata sa nizom argumenata.
<имя_предиката>(t1, t2, ..., tn)), t1,t2,...,tn su argumenti
Na primjer, činjenica black(cat) je napisana pomoću predikata crni, koji ima jedan argument. Činjenica napisao (Sholokhov, "TIHI DON") napisano pomoću predikata napisao, koji ima dva argumenta.
Broj predikatnih argumenata naziva se arititet predikata i označava se s crnim/1 (crni predikat ima jedan argument, a aritnost mu je jedan). Predikati možda nemaju argumente; arititet takvih predikata je 0.
Jezik Prolog izrastao je iz rada A. Colmerauera o obradi prirodnog jezika i samostalnog rada Roberta Kowalskog o primjeni logike u programiranju (1973.).
Najpoznatiji programski sustav u Rusiji je Turbo Prolog - komercijalna implementacija jezika za IBM-kompatibilna računala. 1988. mnogo moćniji turbo verzija Prolog 2.0, koji uključuje poboljšani IDE, brzi prevodilac i alate za programiranje niske razine. Borland je ovu verziju distribuirao do 1990. godine, kada je PDC stekao ekskluzivno pravo korištenja izvorni kod kompajler i daljnju promociju programskog sustava na tržištu pod imenom PDC Prolog.
Godine 1996. Razvojni centar Prologa je na tržište pustio Visual Prolog 4.0. Visual Prolog okruženje koristi pristup koji se naziva "vizualno programiranje" u kojem izgled a ponašanje programa definirano je korištenjem posebnih alata za grafički dizajn bez tradicionalnog programiranja u algoritamskom jeziku.
Visual Prolog uključuje interaktivno okruženje vizualni razvoj (VDE - Visual Develop Environment), koji uključuje tekstualne i različite grafičke uređivače, alata generiranje koda, konstruiranje kontrolne logike (Stručnjaci), kao i sučelje koje je proširenje jezika vizualno programiranje(VPI - Visual Programming Interface), Prolog kompajler, skup raznih plug-in datoteka i knjižnica, uređivač linkova, datoteke koje sadrže primjere i pomoć.
5.2. Prijedlozi: činjenice i pravila
PROLOG Program se sastoji od rečenica, koje mogu biti činjenice, pravila ili upiti.
Činjenica je izjava da se promatra neki specifični odnos između objekata. Činjenica se koristi za prikaz jednostavnog odnosa između podataka.
Struktura činjenica:
<имя_отношения>(t1,t2,...,tn)), t1,t2,...,tn su objekti
Primjeri činjenica:
studija (Ira, sveučilište). % Ira studira na sveučilištu
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 temelju postojećih činjenica.
Struktura pravila:
<имя_правила> :- <тело правила>ili
<имя_правила >ako<тело правила>
Lijeva strana pravila zaključivanja se zove glava pravila, a desna strana - tijelo. Tijelo se može sastojati od nekoliko uvjeta odvojenih zarezima ili točkom i zarezom. Zarez predstavlja logičku operaciju I, a točka-zarez predstavlja logičku operaciju ILI. Rečenice koriste varijable za generalizaciju formulacije pravila zaključivanja. Varijable rade samo u jednoj rečenici. Naziv u različitim rečenicama odnosi se na različite objekte. Sve rečenice moraju završiti točkom.
Primjeri pravila:
majka (X, Y):- roditelj (X, Y), žena (X).
student (X) :- studij (X, institut); studiranje (X, sveučilište).
Pravilo se razlikuje od činjenice po tome što je činjenica uvijek istinita, a pravilo je istinito ako vrijede svi iskazi koji čine tijelo pravila. Činjenice i pravila formiraju baza znanja.
Ako postoji baza podataka, onda možete pisati zahtjev(cilja) na to. Upit je izjava o problemu koji program mora riješiti. Njegova je struktura ista kao kod pravila ili činjenice. Postoje upiti s konstantama i upiti s varijablama.
Upiti s konstantama omogućuju vam da dobijete jedan od dva odgovora: "da" ili "ne"
Na primjer, postoje činjenice:
zna (lena, tanya).
zna (lena, saša).
zna (Sasha, Tanya).
a) Poznaje li Lena Sašu?
zahtjev: zna (lena, saša).
Proizlaziti: Da
b) Poznaje li Tanya Lenu?
zahtjev zna (tanya, lena).
Proizlaziti: Ne
Ako je varijabla uključena u zahtjev, onda tumač pokušava pronaći takve vrijednosti za koje će zahtjev biti istinit.
a) Koga Lena poznaje?
zahtjev: zna (lena, X).
Proizlaziti:
X = Tanja
X = saša
b) Tko poznaje Sašu?
zahtjev: zna (X, Saša).
Proizlaziti: X = Lena
Zahtjevi mogu biti složeni, tj. sastoje se od nekoliko jednostavnih zahtjeva. Kombiniraju se sa znakom ",", koji se shvaća kao logički veznik "i".
Pozivaju se jednostavni upiti podcilj, višedijelni upit procjenjuje se na istinito kada je svaki podcilj istinit.
Da biste odgovorili imaju li Lena i Sasha zajedničke poznanike, trebali biste postaviti zahtjev:
zna (lena, X), zna (sasha, X).
Proizlaziti:
X = Tanja
5.4. Varijable u PROLOG-u
Varijabla u PROLOG-u se ne tretira kao dodijeljeni dio memorije. Koristi se za označavanje objekta koji se ne može nazvati imenom. može se uzeti u obzir varijabla lokalni naziv za neki predmet.
Naziv varijable mora početi s veliko slovo ili podvlake i sadrže samo slova, brojeve i donje crte: X, _y, AB, X1. Poziva se varijabla koja nema vrijednost besplatno, varijabla koja ima vrijednost - specifično.
Poziva se varijabla koja se sastoji samo od donje crte anonimni a koristi se kada njegova vrijednost nije značajna. Na primjer, postoje činjenice:
roditelj (Ira, Tanya).
roditelj (Misha, Tanya).
roditelj (olya, ira).
Svi roditelji moraju biti identificirani
Zahtjev: roditelj (X, _)
Proizlaziti:
X = Ira
X = Miša
X = Olja
Opseg varijable je tvrdnja. Unutar izjave, isto ime pripada istoj varijabli. Dvije izjave mogu koristiti isti naziv varijable na potpuno različite načine.
U PROLOGU nema operatora dodjele, njegovu ulogu ima operator jednakosti =. Cilj X=5 može se promatrati kao usporedba (ako X ima vrijednost) ili kao zadatak (ako je X slobodan).
U PROLOG-u ne možete napisati X=X+5 za povećanje vrijednosti varijable. Treba koristiti novu varijablu: Y=X+5.
5.5. Objekti i tipovi podataka u PROLOG-u
Pozivaju se objekti podataka u PROLOG-u Pojmovi. Pojam može biti konstanta, varijabla ili složeni pojam (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 s mala slova i sadrži samo slova, brojeve i donje crte (tj. ako se može razlikovati od oznake varijable). Primjeri atoma:
abcd, “a+b”, “student Ivanov”, prolog, “Prolog”.
Struktura omogućuje kombiniranje nekoliko objekata u jednu cjelinu. 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("Masha","Ivanova"), podaci (15. travnja 1983.))
domena u PROLOG-u je tip podataka. Standardne domene su:
cijeli broj - cijeli brojevi.
realni - realni brojevi.
string - nizovi (bilo koji niz znakova zatvoren u navodnike).
char je jedan znak zatvoren u apostrofe.
simbol - niz latiničnih slova, brojeva i podvlaka koji počinje malim slovom ili bilo kojim nizom znakova u navodnicima.
5.6. Glavni dijelovi programa PROLOG
Program na PROLOG-u se u pravilu sastoji od četiri dijela.
DOMENE– odjeljak opisa domena (vrsta). Odjeljak se koristi ako se u programu koriste nestandardne domene.
Na primjer:
PREDIKATI- odjeljak opisa predikata. Odjeljak se koristi ako se u programu koriste nestandardni predikati.
Na primjer:
zna (ime, ime)
ime studenta)
KLAUZE- odjeljak ponude. Upravo u ovom dijelu su ispisane rečenice: činjenice i pravila zaključivanja.
Na primjer:
zna (Lena, Ivan).
student (ivan).
učenik_znak(X, Y):- zna (X, Y), učenik (Y).
CILJ- ciljni dio. Zahtjev je napisan u ovom odjeljku.
Na primjer:
znak_učenik(lena, X).
Najjednostavniji program može sadržavati samo odjeljak CILJ, na primjer:
write("Unesite svoje ime: "), readln(Ime),
write("Pozdrav, ", Ime, "!").
