1.1 Цель курса – обеспечить овладение студентами комплексом теоретических знаний об интеллектуальных информационных системах, а также знаниями, умениями и навыками информационного моделирования.
1.2 Задачи курса:
- ориентировать студентов в проблематике искусственного интеллекта;
- обеспечить освоение студентами комплекса знаний о сущности, структуре и видах, назначении и разработке интеллектуальных информационных систем;
- обеспечить освоение методики проектирования базы знаний интеллектуальной информационной системы;
- познакомить с особенностями работы с ЭС как программами для ЭВМ.
1.3 Место курса в профессиональной подготовке выпускника.
Курс относится к циклу специальных дисциплин федерального компонента по квалификации «Референт-аналитик информационных ресурсов».
1.4 Требования к уровню освоения содержания курса.
Студент должен знать:
- виды, структуру и режимы использования ЭС;
- особенности различных моделей представления знаний;
- теоретические аспекты извлечения и структурирования знаний.
Студент должен уметь:
- оперировать терминологией искусственного интеллекта;
- осуществлять анализ баз данных и извлекать знания путем использования различных видов коммуникативных и текстологических методов с целью последующей разработки базы знаний ЭС;
- осуществлять структурирование знаний с использованием различных моделей представления знаний;
- выступать в качестве пользователя ЭС.
II. Содержание курса
1. Разделы курса
2. Темы и краткое содержание
Тема 1. Введение
Предмет, задачи, структура курса.
Интеллект как совокупность познавательных функций индивида. Модели творческой деятельности: эвристическая, ассоциативная, гипотезы. Функции интеллекта. Искусственный интеллект как направление информатики, его объект, цель и задачи. Экспертные системы (ЭС) как компьютерная программа, моделирующая рассуждения человека-эксперта.
Раздел 1. Интеллектуальные информационные системы: эволюция, виды, структура
Тема 2. История искусственного интеллекта
Идея моделирования человеческого разума в древней литературе и философии. Раймонд Луллий – родоначальник искусственного интеллекта. Работы Лейбница и Декарта. Н. Винер и возникновение кибернетики. Зарождение нейрокибернетики как одного из направлений искусственного интеллекта. Розенблатт и Мак-Каллок – создатели первых нейросетей. Возникновение нейрокомпьютера. Подходы к созданию нейросетей: аппаратный, программный, гибридный.
Кибернетика «черного ящика» - направление, противоположное нейрокибернетике. Основные подходы: модель лабиринтного поиска, эвристическое программирование, использование методов математической логики.Доклад Лайтхилла и приостановка исследований в Европе. Первые экспертные системы в США. Исследования в области искусственного интеллекта в Японии. Искусственный интеллект как одна из наиболее перспективных областей информатики.
Тема 3. История искусственного интеллекта в России
А.А.Ляпунов – один из основателей российской кибернетики. Семинар «Автоматы и мышление». Программы 1960-х гг. Деятельность Ленинградского отделения математического института им. Стеклова. Зарождение «ситуационного управления» как аналога западного «представления знаний». Деятельность Научного совета по проблеме «Искусственный интеллект». Создание Ассоциации искусственного интеллекта.
Семинарское занятие. Искусственный интеллект: фантазия или реальность.
Тема 4. Основные направления исследований в области искусственного интеллекта
Представление знаний и разработка систем, основанных на знаниях как основное направление в области изучения искусственного интеллекта. Программное обеспечение систем искусственного интеллекта как направление, связанное с разработкой языков для решения интеллектуальных задач. Разработка естественно-языковых интерфейсов и машинный перевод как одно из популярных направлений в исследованиях. Современные модели машинного перевода: применение «языков-посредников», ассоциативный поиск, структурный подход. Создание интеллектуальных роботов. Структура роботов. Типология роботов по структуре и функциональным возможностям. Значение развития средств вычислительной техники для создания интеллектуальных роботов.
Обучение и самообучение как одна из активно развивающихся областей искусственного интеллекта. Распознавание образов как направление, тесно связанное с нейрокибернетикой. Разработка новых архитектур компьютеров. Игры и машинное творчество как коммерческое направление искусственного интеллекта.
Семинарское занятие. Основные направления исследований в области искусственного интеллекта.
Тема 5. Структура и режимы использования ЭС
Обязательные элементы ЭС: пользователь, инженер по знаниям, эксперт, интерфейс пользователя, база знаний, решатель, подсистема объяснений, интеллектуальный редактор базы знаний. Режим приобретения знания как общение через посредничество инженера по знаниям. Деятельность в режиме консультации.
Тема 6. Классификация ЭС
Основания деления: тип решаемой задачи, связи с реальным временем, тип ЭВМ, степень интеграции с другими программами. Типы решаемых задач: интерпретация данных, диагностика, мониторинг, проектирование, прогнозирование, планирование, обучение, управление, поддержка принятия решений. Системы, решающие задачи анализа, и системы, решающие задачи синтеза. Виды ЭС по связи с реальным временем: статические, квазидинамические, динамические. Виды ЭС по типу ЭВМ: для стратегически важных задач на суперЭВМ, на ЭВМ средней производительности, на символьных процессорах и рабочих станциях, на мини ЭВМ, на ПК. Виды ЭС по степени интеграции: автономные, гибридные.
Тема 7. Данные и знания. Система знаний
Разграничение понятий «данные» и «знания». Трансформация данных и знаний при обработке на ЭВМ, основные этапы. Интенсионал и экстенсионал – способы определения понятий. Базы данных и базы знаний. Классификация знаний: поверхностные и глубинные, процедурные и декларативные. Система знаний как математическая модель области неформализованного знания. Основные проблемы в области разработки систем знаний: формализация, представление знаний, использование знаний, разработка средств программной поддержки моделей. Требования к системам знаний: терпимость к противоречиям, обеспечение вывода, критичность к новой информации, дробность, обучаемость и способность к переструктурированию знаний.
Практическая работа. Классификация знаний.
Тема 8. Организация знаний в ЭС
Алгоритмические и эвристические методы. Эвристики как правила, используемые в экспертных системах. Состав ЭС: база знаний (факты, правила) и механизм вывода (интерпретатор, диспетчер). Основные этапы представления знаний: определение состава представляемых знаний, организация знаний, представление знаний. Интерпретируемые и неинтерпретируемые знания.
Практическая работа. Организация знаний в ЭС.
Тема 9. Модели представления знаний
Требования к представлению знаний: обеспечение возможности построения активных систем знаний, обеспечение реализации в системе знаний функций оценивания информации, обеспечение возможности функционирования систем знаний в режиме опережения. Продукционная модель как самая распространенная модель представления знаний в промышленных экспертных системах. Антецедент и консеквент. Прямой и обратный выводы. Семантические сети как одно из наиболее мощных средств представления знаний. Наличие трех типов отношений (класс – элемент класса, свойство – значение, пример элемента класса) – особенность семантических сетей. Классификации семантических сетей. Преимущества и недостатки. Фреймы как одна из распространенных форм представления знаний. Фреймы-образцы и фреймы-экземпляры. Структура фрейма. Наследование свойств по АКО-связям – важнейшее свойство теории фреймов.
Логическая модель как формальная система, основанная на классическом исчислении предикатов первого порядка. Недостатки модели.
Практическая работа. Модели представления знаний.
Тема 10. Вывод на знаниях
Машина вывода как программа, управляющая перебором правил. Функции и структура машины вывода. Правило modus ponens как основа действия компонента вывода. Функции управляющего компонента: сопоставление, выбор, срабатывание, действие. Цикл работы интерпретатора. Выбор стратегии управления выводом как залог успешного поиска. Методы поиска: в глубину, в ширину, разбиение на подзадачи, альфа-бета алгоритм.
Практическая работа. Стратегии вывода.
Тема 11. Нечеткие знания
Свойства размытости и неточности знаний. Понятие «лингвистическая переменная». Основы теории нечетких множеств.
Раздел 2. Разработка экспертных систем
Тема 12. Отличие ЭС от традиционных программ
ЭС как программа для ЭВМ, обладающая рядом свойств. Компетентность ЭС и робастность как ее условие. Способность к переформулированию задачи как одно из важных и труднодостижимых свойств экспертной системы. Понятия «символ», «символьная структура». Глубина знаний как показатель способности ЭС работать эффективно в узкой предметной области. Самосознание как одно из новаторских свойств ЭС. Метазнание – знание о знаниях. Возможность ЭС совершенствовать свое умение решать задачи.
Практическая работа. Экспертные системы как программы для ЭВМ.
Тема 13. Коллектив разработчиков
Минимальный состав коллектива разработчиков: пользователь, эксперт, программист, инженер по знаниям. Их психофизиологические и профессиональные характеристики. Портрет инженера по знаниям. Навыки и умения, необходимые в процессах извлечения, концептуализации и формализации знаний.