Изкуствен интелект и невронни мрежи

33
Фиг.1.24. Трите ключови функции на системите с изкуствен интелект
1. Представяне (representation). Една от отличителните черти на системите с изкуствен интелект е използване на символен език (symbol structure) за представянето на общи знания от предметната област и конкретни знания за способите за решаване на задачи. Символите се формират във вече известни термини. Това прави символното представяне относително просто и понятно за човека. Символните системи на изкуствения интелект са пригодни за човеко- машинно общуване. Терминът „знание”, използван за създаване на системи с изкуствен интелект се явява друго название на данните. Знанията могат да имат процедурен и декларативен характер. В декларативния (declarative) характер са представени знания за статистически събрани факти. При това съществуват относително малък обем от процедури, използвани за манипулиране на тези факти.
Характерна особеност на декларативното представяне се явява това, че в очите на човека то има смисъл само по себе си, независимо от използването му в системите с изкуствен интелект. В процедурното (procedure) представяне знанията са внедрени в процедури, функциониращи независимо от смисъла на самите знания. В повечето области се изискват едновременно двата типа представяне на знания.
2. Разсъждение (reasoning). Под разсъждение обикновено се разбира способността за решаване на задачи. За да се нарича системата разумна, тя трябва да удоволетворява следните условия:
- Да описва и решава широк спектър от задачи.
- Да разбира явна (explicit) и неявна (implicit) информация.
- Да има механизъм за управление (control), определящ операциите, използвани за решение на отделните задачи.
Фиг. 1.25. Прост модел за обучение на машина

34
Решението на задача може да се разглежда като задача за търсене (searching problem). В процеса на търсене се използват правила (rules), данни (data) и управляващи
взаимодействия (control). Правилата действат на областта на данните, а управляващите взаимодействия се определят от правилата. За пример ще разгледаме задачата за намиране на най-кратък път от един град до друг град. При това всеки град трябва да се посети само един път. В тази задача множеството от данни се състои от всички възможни маршрути и технните стойности, представени във формата на претеглен граф. Правилата определят пътя на движение от единия град до другия, а модулите за управление решават кога какви правила да се прилагат. В много практически задачи
(например в медицинското диагностициране) натрупаните знания се явяват непълни или неточни. В такива ситуации се използват вероятностни разсъждения (probabilistic reasoning), позволяващи системите с изкуствен интелект да работят в условия на неопределености.
3. Обучение (learning). В простия модел на машинно обучение (фиг.1.25), информацията за обучвания елемент (learning element) използва получената информация за модернизиране на базата знания (knowledge base), знанията за всеки
функционален елемент (performance element), а след това се използват за изпълнение на поставената задача. Информацията постъпваща от външната среда е несъвършена, затова обучавания предмет в началото не знае как да запълни пропуските или да отстрани несъществуващите детайли. Машината действа на налучкване и след това получава сигнал за обратна връзка (feedback) от функционалните елементи. Мехънизмът за обратна връзка позволява на систематата да провери хипотезите и да ги прегледа при необходимост.
Машините за обучение може да включват два съвършено различни способа за обработка на информация: индуктивен (inductive) и дедуктивен (deductive). При индуктивния обработката на информация на общи шаблони и правила се създава на основа на практическия опит и потока от данни. При дедуктивния обработката на информация за определени конкретни факти се изпълнява по общите правила.
Обучението на основата на подобие предствалява индуктивен процес, а доказателството на теореми – дедуктивен, т.к. то се основава на вече известни аксиоми и доказани теореми. В обучението на основата на обяснение се използва както дедуктивен, така и индуктивен метод.
Възникващите по време на обучението усложнения и натрупания опит са довели до създаването на различни методи и алгоритми на попълване без знания. В частност ако в дадена предметна област работят опитни професионалисти по-просто е да се получи обобщен опит, вместо да се дублира техния експриментален път, който те са получили в процеса на натрупване. Тази идея се прилага в приложните системи (expert system).
Възниква въпросът: как сравнително когнитивни модели на невронната мрежа са символните системи на изкуствения интелект? За това сравнение проблемът ще бъде разделен на три части: ниво на обяснение, стил на обработка и структурно представяне.

Ниво на обяснение (explanation level). Класическите системи за изкуствен интелект са основани на символното представяне. Изкуственият интелект изучава ментални представяния, в които познанието се осъществява като

Изтегляне 1.78 Mb.

Сподели с приятели: