Lektsia2_Struktura_metodologia_ExpSist_NeyronSeti

1. Лекция 2 Структура и методология построения систем искусственного интеллекта

ЛЕКЦИЯ 2
СТРУКТУРА И МЕТОДОЛОГИЯ
ПОСТРОЕНИЯ СИСТЕМ
ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА

2. Теоретические вопросы

1. Структура систем искусственного
интеллекта. Архитектура СИИ. Методология
построения СИИ.
2. Экспертные системы (ЭС) как вид СИИ,
общая структура и схема функционирования
ЭС.
3. Нейронные сети. Классификация
нейронных сетей.

3. СОВРЕМЕННЫЕ ЦИФРОВЫЕ ТЕХНОЛОГИИ

Основными цифровыми технологиями являются:
большие данные;
нейротехнологии и искусственный интеллект;
системы распределенного реестра;
квантовые технологии;
новые производственные технологии;
промышленный интернет;
компоненты робототехники и сенсорика;
технологии беспроводной связи;
технологии виртуальной и дополненной
реальностей.

4. ОСНОВНЫЕ НАПРАВЛЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

доказательство теорем
модели игр
распознавание образов
использование естественного языка
робототехника
экспертные системы
инженерия знаний

5. ОСНОВНЫЕ НАПРАВЛЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Доказательство теорем. Перекрывается с определенными
областями математики. Связано с использованием
исчисления высказываний.
Модели игр. Особое внимание уделяется шахматам.
Распознавание образов. Связано с распознаванием
зрительных и слуховых образов.
Использование естественного языка. Большое внимание
уделялось системам «вопрос-ответ» и системам
автоматического перевода.
Робототехника. Имеет непосредственную практическую
ценность.
Экспертные системы. Представляют большой раздел систем
искусственного интеллекта, будут подробно рассматриваться в
данном курсе.
Инженерия знаний. Эта область не является самостоятельной,
но тесно связана, например, с экспертными системами.

6. ОСНОВНЫЕ НАПРАВЛЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Два основных направления развития (пути создания) систем
искусственного интеллекта:
Классическое
Связан с попытками моделировать функции зрительного
анализа, распознавания звуков речи, логических операций,
переводов с одного языка на другой. Возникли затруднения
при объяснении принципов работы человеческого мозга.
Исследователи сосредоточили внимание на решении
инженерных проблем и создании экспертных систем.
Альтернативный путь создания ИИ
Основан на построении сетей из нейроно-подобных
элементов, осуществляющих параллельную обработку
информации.
Оба направления стремятся выйти на создание прикладных
систем, демонстрирующих преимущество этих систем
перед традиционными, использующими только
формальные методы.

7.

Нейроинтеллект (искусственные нейронные сети).
Его техническое воплощение - многоуровневая,
адаптивная, обучающаяся сеть из нейроно-подобных
элементов (нейрокомпьютер).
Полагают, что ИНС позволят разрешить противоречие
между возрастающими требованиями к
быстродействию вычисления и техническим
возможностями ЭВМ (аналогично живым
организмам, которые при сравнительно небольшом
быстродействии элементов нервной системы
достигают высокой скорости распознавания образов).

8. ДВА СОВРЕМЕННЫХ НАПРАВЛЕНИЯ ИИ

Сейчас выделяют два направления ИИ:
1) связанное с данными – интеллектуальный
анализ данных и машинное обучение;
2) связанное со знаниями (классическое)
Поскольку ИНС работают как «черный ящик»
(выдают результат, но не объясняют его),
появился термин «объяснимый искусственный
интеллект», для реализации которого пытаются
интегрировать ИНС и экспертные системы

9. Методы алгоритмов искусственного интеллекта

Машинное обучение (Machine
Learning, ML)
– метод построения алгоритмов и
систем, которые могут изучать и
анализировать данные,
обнаруживать закономерности и
использовать их для решения
задач.
Глубокое обучение (Deep Learning,
DL)
– подмножество методов машинного
обучения, основанных на
использовании искусственных
нейронных сетей для обработки и
анализа данных.
Искусственные нейронные сети
(Artificial Neural Networks, ANN)
– компьютерные системы,
моделирующие работу нейронных
сетей мозга, которые используются
для обработки информации и
решения задач.

10. Методы алгоритмов искусственного интеллекта

Language Processing, NLP)
– область искусственного
интеллекта, которая занимается
разработкой систем и алгоритмов
для обработки и анализа
естественного языка,
Робототехника (Robotics)
– искусственного интеллекта, которая
занимается разработкой и созданием
роботов и автономных систем,
способных выполнять различные
задачи.
Интернет вещей (Internet of Things,
IoT)
– концепция взаимодействия между
различными устройствами и сетями,
которые используют сенсоры и другие
технологии для сбора и обработки
данных.

11. Методы алгоритмов искусственного интеллекта

Компьютерное зрение (Computer
Vision)
– область искусственного интеллекта,
которая занимается разработкой
систем и алгоритмов для анализа и
интерпретации изображений и видео.
Автономные системы (Autonomous
Systems)
– системы и устройства, способные
принимать решения и выполнять
действия без участия человека.
Большие данные (Big Data) Большие
данные (Big Data)
– огромные объемы данных, которые
требуют специальных методов и
технологий для их обработки, анализа и
использования.

12. Современные методы алгоритмов искусственного интеллекта

Распознавание образов (Image
Recognition)
Алгоритмы оптимизации
(Optimization Algorithms)
Решающие деревья (Decision Trees)
– процесс определения и
идентификации объектов и паттернов
на изображениях.
– методы и алгоритмы, используемые
для поиска наилучших решений в
различных задачах оптимизации.
– модели машинного обучения,
использующие древовидную структуру
для принятия решений.

13. Методы алгоритмов искусственного интеллекта

Байесовские сети (Bayesian
Networks)
– модели, основанные на
вероятностных методах и
используемые для анализа и
предсказания сложных систем.
Эволюционные алгоритмы
(Evolutionary Algorithms)
– методы машинного обучения,
основанные на принципах эволюции в
природе и используемые для поиска
наилучших решений.
Кластеризация (Clustering)
– метод машинного обучения, который
позволяет разбивать данные на группы,
основанные на их сходстве.

14. Методы алгоритмов искусственного интеллекта

Ассоциативные правила (Association
Rules)
– методы машинного обучения,
используемые для анализа больших
данных и поиска закономерностей и
связей между различными
параметрами.
Нейронные сети прямого
распространения (Feedforward Neural
Networks)
– тип искусственных нейронных сетей,
используемых для решения различных
задач, включая распознавание образов,
прогнозирование и классификацию.
Рекуррентные нейронные сети
(Recurrent Neural Networks)
– тип искусственных нейронных сетей,
способных обрабатывать
последовательные данные, такие как
текст, речь и временные ряды.

15. Методы алгоритмов искусственного интеллекта

Сверточные нейронные сети
(Convolutional Neural Networks)
– тип искусственных нейронных
сетей, используемых для обработки и
анализа изображений и видео.

16. ЭКСПЕРТНЫЕ СИСТЕМЫ

Экспертные системы как
интеллектуальные системы
поддержки принятия врачебных
решений:
выполняют задачи анализа, моделирования
и прогноза. Принятие решения – это акт
целенаправленного воздействия на объект
управления, основанный на анализе
ситуации, определении цели, разработке
программы достижения этой цели.

17. Экспертные системы (ЭС) как пример интеллектуализации программных средств:

ЭС – это комплекс программ,
аккумулирующий знания специалистов в
конкретной предметной области,
предназначенный для тиражирования знаний
и консультаций менее квалифицированных
пользователей.

18. ЭКСПЕРТНЫЕ (ИНТЕЛЛЕКТУАЛЬНЫЕ) СИСТЕМЫ (используемые термины)

Экспертная система – это интеллектуальная система,
предназначенная для оказания консультационной
помощи специалистам, работающим в некоторой
предметной области.
Интеллектуальная система – это техническая или
программная система, способная решать задачи,
считающиеся творческими и принадлежащие
конкретной предметной области, знания о которой
хранятся в памяти интеллектуальной системы.
Система баз знаний – это интеллектуальная система,
функционирование которой определяется
совокупностью знаний о предметной области, в которой
она используется.

19. ТИПЫ ЭКСПЕРТНЫХ СИСТЕМ

Существует два типа экспертных систем:
системы тиражирования знаний (для специалистов, чей
профессиональный уровень не слишком высок);
системы получения новых знаний (для специалистов
высокой квалификации).
В БЗ систем тиражирования знаний хранятся знания, полученные
от экспертов. Примером такой системы может являться АСДУ
(автоматизированная система диспетчерского управления).
Особенностью экспертных систем получения новых знаний
является наличие в них подсистемы объяснений, объясняющих,
каким образом был получен тот или иной вывод.
Существуют системы третьего типа (нового поколения), например,
система G2 (ее используют в системах реального времени для
отслеживания показаний технических приборов).

20.

Этапы построения экспертных систем
1. Идентификация (определение людских и
материальных ресурсов, класса задач, целей и т.д.);
2. Концептуализация (определяются основные понятия,
терминология, стратегия принятия решений и т.д.);
3. Формализация (выбор языка представления знаний,
продукционные модели, семантические сети и т.д.);
4. Разработка прототипа (создание усеченной версии для
проверки работы программы);
5. Тестирование (выявление ошибок, адекватности
интерфейса и т.д.);
6. Опытная эксплуатация.

21. АРХИТЕКТУРА ЭКСПЕРТНОЙ СИСТЕМЫ

Пользователь
Эксперт
Инженер по знаниям
Экспертная система
Интерфейс пользователя
Подсистема
объяснения
знания
Ядро экспертной системы
Машина вывода
База знаний
Подсистема
приобретения знания

22. АРХИТЕКТУРА ЭКСПЕРТНОЙ СИСТЕМЫ

Комментарии:
Инженер по знаниям (или инженер-когнитолог) –
специалист, извлекающий знания для проектирования и
заполнения базы знаний. Он же может быть
разработчиком экспертной системы.
Ядро экспертной системы – база знаний и машина
вывода. Последнюю считают аналогом СУБД и иногда
называют Системой управления базой знаний (СУБЗ)
Подсистема приобретения знаний позволяет вводить в
базу знаний новые понятия, которые ранее в ней
отсутствовали

23.

Классификация экспертных систем
Экспертные
системы
По задаче
По связи с реальным временем
По типу ЭВМ
По степени интеграции

24.

Классификация ЭС по задаче
По задаче
Интерпретация данных (обнаружение и идентификация
различных типов океанских судов – SIAP, определение
свойств личности – АВТАНТЕСТ и др.)
Диагностика (медицинская, аппаратуры, математического
обеспечение и др.)
Мониторинг (помощь диспетчерам атомного реактора –
REACTOR, контроль за работой электростанций, аварийных
датчиков)
Проектирование (конфигураций ЭВМ, синтез
электрических цепей – SYN и др.)

25.

Классификация ЭС по задаче
По задаче
Прогнозирование (предсказание погоды –
WILLARD,
оценки урожая - PLANT,
прогнозы в экономике - ECON и т.д.)
Планирование (планирование поведение
робота – STRIPS, планирование
промышленных заказов – ISIS и т.д.)
Обучение (языку программирования
ЛИСП, ПАСКАЛЬ и т.д.)

26.

Классификация ЭС по связи с реальным
временем
По связи с реальным временем
Статические
Квазидинамические
Динамические

27.

Классификация ЭС по типу ЭВМ
По типу ЭВМ
На суперЭВМ
На ЭВМ средней производительности
На символьных процессорах
На мини- и супермини- ЭВМ
На ПЭВМ

28.

Классификация ЭС по степени интеграции
По степени
интеграции
Автономные
Гибридные (интегрированные)

29.

НЕЙРОННЫЕ СЕТИ
Нейронная сеть — это математическая модель, а
также её программное или аппаратное
воплощение, построенная по принципу
организации и функционирования биологических
нейронных сетей — сетей нервных клеток живого
организма.

30.

Искусственные нейронные сети (ИНС)
строятся
по
принципам
организации
и
функционирования их биологических аналогов.
Они способны решать широкий круг задач
распознания
образов,
идентификации,
прогнозирования,
оптимизации,
управления
сложными объектами. Дальнейшее повышение
производительности компьютеров все в большей
мере связывают с ИНС, в частности с
нейрокомпьютерами
(НК),
основу
которых
составляет искусственная нейронная сеть.
Термин «нейронные сети» сформировался к
середине 50-х годов XX века. Основные
результаты в этой области связаны с именами У.
Маккалоха, Д Хебба, Ф Розенблатта, М. Минского.

31.

БИОЛОГИЧЕСКИЙ НЕЙРОН
Нервная система и мозг
человека состоят из нейронов,
соединенных между собой нервными
волокнами. Нервные волокна
способны передавать электрические
импульсы между нейронами. Нейрон
(нервная клетка) является особой
биологической клеткой, которая
обрабатывает информацию. Он
состоит из тела или сомы, и
отростков нервных волокон двух
типов - дендритов, по которым
принимаются импульсы, и
единственного аксона, по которому
нейрон может передавать импульс.

32.

СТРУКТУРА ИСКУССТВЕННОЙ СЕТИ
Нейрон является составной частью нейронной
сети.
Он состоит из элементов трех типов: умножителей
(синапсов),
сумматора
и
нелинейного
преобразователя.
Синапсы
осуществляют
связь
между
нейронами, умножают входной сигнал на число,
характеризующее силу связи, (вес синапса).
Сумматор выполняет сложение сигналов,
поступающих по синаптическим связям от других
нейронов, и внешних входных сигналов.
Нелинейный преобразователь реализует
нелинейную функцию одного аргумента - выхода
сумматора.

33. Нейронная сеть 

Нейронная сеть
Есть множество
видов нейросетей, но
выделяют основные:
1. (однослойные)
многослойные
2. сверточные
3. рекуррентные
4. генеративные

34.

Многослойные нейросети
Многослойные нейросети представляет из себя
несложный, но большой алгоритм. Обычный вид
программ строится на условии, а нейросеть на
сложении и соотношении разных значений. Для
компьютера проверять условие слишком дорого и
время затратно при таких объемах вычислений, как в
нейросетях.
Многослойность состоит в том, что они состоят из
сети с большим количеством слоев нейронов,
совершающих математические действия. Нейроны
берут все доступные значения из всех входов, после
складывают и выводят под разными коэффициентами.
После эти значения поступают в другие нейроны и т.д.
пока не дойдут до выхода.

35.

Многослойные нейросети
Остальные виды нейросетей мало чем отличаются, т.к.
строятся на АНАЛОГИЧНОМ алгоритме.

36. Сверточные нейросети

Сверточные - обрабатывают изображение.
Они сравнивают изображения по паттернам,
чтобы находить цвета, определенные формы
и линии, используя ядро. Чаще всего ядро
представляет из себя массив данных три на
три, в каждой ячейке которого свой
коэффициент, оно попиксельно с разным
шагом проверяет изображение.

37. Рекуррентные

Рекуррентная нейросеть имеет такой же вид
алгоритма за исключением того, что он
зациклен. Это означает, что рекуррентная
нейросеть способна к простому самообучению,
откидывая неподходящие значения и
развивающая другие. Она используется для
обработки естественного человеческого языка,
анализа написанного текста, машинного
перевода текста, генерации текста, генерации
чисел, и др.

38. Генеративные

Генеративные же плотно связаны со всеми
остальными видами нейросетей. Они
используются для создания(генерации)
изображений и текстов.
Например для создания изображения они берут
свои абсолютно случайно сгенерированные
изображения по запросу, после чего сравнивают
и смешивают их с уже существующими
изображениями, часто для это есть отдельная
база изображений или текстов, как образец.

39.

Структурная классификация нейронной сети

40.

ПОСТРОЕНИЕ НЕЙРОННОЙ СЕТИ
Практически любую задачу можно свести к задаче,
решаемой нейронной сетью.
Нейронная сеть строится в два этапа
Выбор типа (архитектуры) сети
Подбор весов (обучение) сети
На первом этапе необходимо определить следующее:
какие
нейроны использовать (число входов,
функции активации),
каким образом следует соединить нейроны между
собой,
что взять в качестве входов и выходов сети
На втором этапе производится обучение выбранной
сети посредством настройки ее весов

41.

ОБЛАСТЬ ПРИМЕНЕНИЯ НС
Уже сегодня искусственные нейронные
сети используются во многих областях, но
прежде чем их можно будет применять там,
где на карту поставлены человеческие жизни
или значительные материальные ресурсы,
должны быть решены важные вопросы,
касающиеся надежности их работы.
Области применения нейронных сетей
весьма разнообразны — это распознавание
текста и речи, семантический поиск,
экспертные системы и системы поддержки
принятия решений, предсказание курсов
акций, системы безопасности, анализ текстов.