Sisteme informatice inteligente, tipurile și funcțiile acestora. Clasificarea sistemelor inteligente

Biosfera Vernadsky V.I. - M., 1975.

Vernadsky V.I. Materia vie. - M., 1978.

Lapo A.V. Urme ale biosferelor trecute. - M., 1987.

Odum Yu. - T. 1 și 2. - M., 1986.

Ponomareva I. N. Ecologie generală. - M., 1994.

Reimers N. f. Ecologie. - M., 1994.

Whittaker N. M. Comunități și ecosisteme. - M., 1980.

Chernova N. M., Bylova A. M. Ecologie. - M., 1988.

Un sistem informatic inteligent (IIS) se bazează pe conceptul de utilizare a unei baze de cunoștințe pentru a genera algoritmi de rezolvare a problemelor aplicate de diferite clase, în funcție de nevoile specifice de informații ale utilizatorilor.

IIS se caracterizează prin următoarele caracteristici:

Abilitati de comunicare dezvoltate;

Abilitatea de a rezolva probleme complexe, slab formalizate;

Capacitate de autoinvatare;

Adaptabilitate

Fiecare dintre caracteristicile enumerate corespunde în mod convențional propriei sale clase IIS. Sistemele diferite pot avea unul sau mai multe semne de inteligență cu diferite grade de manifestare.

Sfera sarcinilor rezolvate de IS include sarcini care, de regulă, au următoarele caracteristici:

algoritmul de rezolvare a problemelor este necunoscut în ele (vom numi astfel de probleme probleme intelectuale);
pe lângă datele tradiționale în format numeric, folosesc informații sub formă de imagini, desene, semne, litere, cuvinte, sunete;
ei presupun prezența alegerii (nu există un algoritm - aceasta înseamnă că trebuie să alegeți între multe opțiuni în condiții de incertitudine). Libertatea de acțiune este o componentă esențială a sarcinilor intelectuale.

O trăsătură caracteristică a sistemelor inteligente este prezența cunoștințelor necesare pentru rezolvarea problemelor dintr-o anumită zonă. Acest lucru ridică o întrebare firească: ce este cunoștințele și prin ce diferă acestea de datele obișnuite procesate de un computer?

Date apelați informații de natură faptică care descriu obiecte, procese și fenomene ale domeniului subiectului, precum și proprietățile acestora. În procesele de prelucrare informatică, datele trec prin următoarele etape de transformare:

Forma inițială de existență a datelor (rezultate ale observațiilor și măsurătorilor, tabele, cărți de referință, diagrame, grafice etc.);

Prezentarea în limbi speciale a descrierii datelor destinate introducerii și procesării datelor inițiale într-un computer;

Baze de date pe medii de stocare computerizate.

Cunoașterea este o categorie de informații mai complexă în comparație cu datele. Cunoașterea descrie nu numai faptele individuale, ci și relațiile dintre ele, motiv pentru care cunoștințele sunt uneori numite date structurate. Cunoștințele pot fi obținute pe baza prelucrării datelor empirice. Ele sunt rezultatul activității mentale a unei persoane care vizează generalizarea experienței sale dobândite ca urmare a activității practice.

Pentru a oferi IIS cunoștințe, acestea trebuie prezentate într-o anumită formă. Există două modalități principale de a transmite cunoștințe sistemelor software. În primul rând - puneți cunoștințele într-un program scris într-un limbaj obișnuit de programare. Un astfel de sistem va fi un singur cod de program în care cunoștințele nu sunt plasate într-o categorie separată. În ciuda faptului că problema principală va fi rezolvată, în acest caz este dificil să se evalueze rolul cunoștințelor și să se înțeleagă modul în care acestea sunt utilizate în procesul de rezolvare a problemelor. Modificarea și întreținerea unor astfel de programe nu este o sarcină ușoară, iar problema actualizării cunoștințelor poate deveni insolubilă.

Doilea Metoda se bazează pe conceptul de baze de date și constă în plasarea cunoștințelor într-o categorie separată, i.e. cunoștințele sunt prezentate într-un format specific și plasate în baza de cunoștințe. Baza de cunoștințe este ușor de actualizat și modificat. Este o parte autonomă a unui sistem inteligent, deși mecanismul de inferență logică implementat în blocul logic, precum și mijloacele de dialog, impun anumite restricții asupra structurii bazei de cunoștințe și operațiunilor cu aceasta. Această metodă este adoptată în IIS modern.

De remarcat că pentru a introduce cunoștințe într-un computer, acesta trebuie să fie reprezentat de anumite structuri de date corespunzătoare mediului ales pentru dezvoltarea unui sistem inteligent. În consecință, la dezvoltarea unui sistem informațional informațional, cunoștințele sunt mai întâi acumulate și prezentate, iar în această etapă este necesară participarea umană, iar apoi cunoștințele sunt reprezentate de anumite structuri de date care sunt convenabile pentru stocarea și procesarea într-un computer. Cunoștințele în IIS există sub următoarele forme:

Cunoștințe inițiale (reguli derivate din experiența practică, dependențe matematice și empirice care reflectă conexiuni reciproce între fapte; modele și tendințe care descriu schimbările în fapte în timp; funcții, diagrame, grafice etc.);

Descrierea cunoștințelor inițiale prin intermediul modelului de reprezentare a cunoștințelor selectat (multe formule logice sau reguli de producție, rețea semantică, ierarhii de cadre etc.);

Reprezentarea cunoștințelor prin structuri de date care sunt destinate stocării și prelucrării pe un computer;

Baze de cunoștințe despre mediile de stocare pentru computer. Ce este cunoașterea? Să dăm câteva definiții.

Cercetătorii AI oferă definiții mai specifice ale cunoștințelor.

„Cunoașterea reprezintă legile unui domeniu (principii, conexiuni, legi), obținute ca urmare a activităților practice și a experienței profesionale, permițând specialiștilor să stabilească și să rezolve probleme în acest domeniu.”

„Cunoștințele sunt date bine structurate sau date despre date sau metadate.”

„Cunoașterea este informații oficializate la care se face referire sau se utilizează în procesul de inferență logică.”

Există multe clasificări ale cunoștințelor. De regulă, cu ajutorul clasificărilor, se sistematizează cunoștințele unor domenii specifice. La un nivel abstract de considerație

Putem vorbi despre caracteristicile după care sunt împărțite cunoștințele, și nu despre clasificări. Prin natura sa, cunoștințele pot fi împărțite în declarative și procedurale.

Declarativ cunoașterea este o descriere a faptelor și fenomenelor, înregistrează prezența sau absența unor astfel de fapte și include, de asemenea, descrieri ale conexiunilor și tiparelor de bază în care sunt incluse aceste fapte și fenomene.

Procedural cunoașterea este o descriere a acțiunilor care sunt posibile atunci când manipulăm fapte și fenomene pentru a atinge obiectivele propuse.

Pentru a descrie cunoștințele la nivel abstract, au fost dezvoltate limbaje speciale - limbaje de descriere a cunoștințelor. Aceste limbi sunt, de asemenea, împărțite în limbi procedurale și declarative. Toate limbajele de descriere a cunoștințelor orientate spre utilizarea computerelor tradiționale cu arhitectură von Neumann sunt limbaje procedurale. Dezvoltarea unor limbaje declarative care sunt convenabile pentru reprezentarea cunoștințelor este o problemă presantă astăzi.

De metoda de achizitie cunoștințele pot fi împărțite în fapteŞi euristică(reguli care vă permit să faceți o alegere în lipsa unor justificări teoretice precise). Prima categorie de cunoștințe indică, de obicei, circumstanțe bine-cunoscute într-un domeniu dat. A doua categorie de cunoștințe se bazează pe experiența proprie a unui expert care lucrează într-un domeniu specific, acumulată ca urmare a multor ani de practică.

De tip de reprezentare cunoștințele se împart în fapteŞi reguli. Faptele sunt precum cunoașterea "A - Acest O", astfel de cunoștințe sunt tipice pentru bazele de date și modelele de rețea. Regulile sau produsele sunt cunoștințe de tip „IF”. O, CĂ ÎN".

Pe lângă fapte și reguli, există și metacunoastere - cunoștințe despre cunoștințe. Ele sunt necesare pentru managementul cunoștințelor și pentru organizarea eficientă a procedurilor de inferență logică.

Forma de reprezentare a cunoștințelor are un impact semnificativ asupra caracteristicilor sistemelor informaționale. Bazele de cunoștințe sunt modele ale cunoașterii umane. Cu toate acestea, toate cunoștințele pe care o persoană le folosește în procesul de rezolvare a unor probleme complexe nu pot fi modelate. Prin urmare, în sistemele inteligente este necesar să se separe în mod clar cunoștințele în cele care sunt destinate a fi procesate de un computer și cunoștințele utilizate de oameni. Evident, pentru a rezolva probleme complexe, baza de cunoștințe trebuie să aibă un volum suficient de mare și, prin urmare, inevitabil apar probleme de gestionare a unei astfel de baze de date. Prin urmare, atunci când se alege un model de reprezentare a cunoștințelor, ar trebui să se țină seama de factori precum uniformitatea reprezentării și ușurința de înțelegere. Omogenitatea prezentării conduce la o simplificare a mecanismului de management al cunoștințelor. Ușurința de înțelegere este importantă pentru utilizatorii de sisteme inteligente și experții ale căror cunoștințe sunt încorporate în sistemul informațional. Dacă forma de reprezentare a cunoștințelor este greu de înțeles, atunci procesele de dobândire și interpretare a cunoștințelor devin mai complicate. Trebuie remarcat faptul că îndeplinirea simultană a acestor cerințe este destul de dificilă, mai ales în sistemele mari în care structurarea și reprezentarea modulară a cunoștințelor devine inevitabilă.

Sistemele de informații inteligente sunt capabile să îndeplinească funcții intelectuale umane individuale. Pe lângă funcțiile tradiționale de management, control, protecție și diagnosticare, IIS îndeplinește și funcții specifice suplimentare care facilitează munca intelectuală umană: adoptarea rapidă a deciziilor corecte într-un mediu dificil, răspuns aproape instantaneu la schimbările influențelor externe, analiză continuă și evaluarea situațiilor curente, prognozarea și prevenirea situațiilor extreme și neprevăzute, emiterea de sfaturi și recomandări către operator cu privire la managementul optim al unității etc. IIS, ca o persoană, lucrează cu cunoștințe și este important să se țină cont de aceste cunoștințe. în IIS este axat pe procesarea computerizată. Cunoștințele utilizate în sistemele informaționale trebuie prezentate sau descrise într-un anumit mod. Reprezentarea cunoștințelor într-un sistem informațional informațional este procesul sau rezultatul codificării și stocării cunoștințelor într-o bază de cunoștințe (reguli). Procesul de utilizare a cunoștințelor în sistemele informaționale se realizează folosind mecanisme speciale de derivare (căutare) soluții. Baza de cunoștințe și mecanismul de ieșire a deciziilor constituie nucleul IIS.

Există diverse modalități de implementare practică a bazei de cunoștințe (reguli) și mecanisme de derivare a soluțiilor sistemelor informaționale informaționale, bazate pe tehnologii de modelare a activității intelectuale umane. În practica de proiectare a diferitelor tipuri de sisteme informaționale, tehnologii precum „Sisteme expert” și „Logica fuzzy” sunt cel mai des utilizate.

Curs nr. 1 IIS

Datorită scopului lor, sistemele informaționale inteligente pot fi utilizate în aproape orice domeniu al activității umane. Exemple de domenii în care această abordare oferă deja rezultate tangibile includ:

Industrie:

Managementul producției: compilarea și optimizarea lanțului de producție prin distribuirea pașilor tehnologici atât între departamentele interne, cât și între contractori terți.

Controlul proceselor de productie: colectarea si analiza informatiilor curente, comunicatii cu agentii care controleaza alte subsisteme, adoptarea si implementarea deciziilor operationale.

Managementul transportului aerian: modelarea si optimizarea activitatilor de dispecerat aeroportuar.

· Antreprenoriat:

Managementul informației: căutarea surselor, colectarea, filtrarea și analiza datelor, procesarea inteligentă a unor volume mari de informații.

Comerțul electronic deschide oportunități mari pentru utilizarea agenților inteligenți atât din partea vânzătorului, cât și a cumpărătorului.

Managementul proceselor de afaceri: automatizarea flexibilă a activităților organizaționale corporative cu o logică internă complexă și un număr mare de părți participante.

Medicament:

Monitorizarea pacientului: colectarea, înregistrarea și analiza continuă a unui număr mare de caracteristici ale pacientului monitorizate pe o perioadă lungă de timp.

Asistență medicală: capacitatea de a examina și diagnostica pacienții folosind specialiști virtuali din diverse domenii ale medicinei.

· Industria divertismentului:

Jocuri pe calculator: capacitatea de a atinge noi niveluri prin utilizarea agenților inteligenți pentru diferitele părți implicate.

Aplicații interactive (televiziune, teatru, cinema): agenții pot crea iluzia realității acțiunii care se desfășoară, permițând utilizatorului să participe la aceasta.

Exemple de IIS în economie:

· Hedger inteligent: abordare bazată pe cunoștințe a problemelor de asigurare a riscurilor. Companie: Departamentul de Sisteme Informaționale, Universitatea din New York. Provocarea numărului mare de alternative de asigurare a riscurilor în continuă creștere, luarea rapidă a deciziilor de către managerii de risc în fluxul accelerat de informații și lipsa suportului adecvat al mașinii la începutul procesului de dezvoltare a sistemului de asigurare a riscurilor sugerează o gamă largă de diferite solutii optime pentru managerii de risc. În acest sistem, dezvoltarea asigurării de risc este formulată ca o problemă de optimizare multi-obiectivă. Această problemă de optimizare implică mai multe complexități cărora soluțiile tehnice existente nu le pot face față. Scurte caracteristici: Sistemul folosește o reprezentare a obiectului care surprinde cunoștințe profunde despre managementul riscului și facilitează emularea raționamentului primar care controlează riscul, util pentru inferențe și explicațiile acestora.

· Un sistem de raționament în prognoza schimbului valutar. Firma. Departamentul de Informatică Universitatea Politehnică din Hong Kong Prezintă o nouă abordare a prognozei schimbului valutar bazată pe acumulare și raționament susținut de caracteristici prezent pentru a se concentra asupra unui set de ipoteze despre mișcările cursului de schimb. Prezentat într-un sistem predictiv set de caracteristici este un set dat de valori economice și diverse seturi de parametri variabili în timp, utilizați într-un model de prognoză. Scurte caracteristici: baza matematică a abordării aplicate se bazează pe teoria Dempster-Shafer.

· Nereidă. Sistem de suport decizional pentru optimizarea lucrului cu opțiuni valutare. Companie: NTT Data, The Tokai Bank, Science University of Tokyo. Sistemul facilitează suportul dealer-ului pentru răspunsul optim ca una dintre opțiunile posibile prezentate; mai practic și produce decizii mai bune decât sistemele convenționale de luare a deciziilor. Scurte caracteristici: Sistemul este proiectat folosind un cadru CLP care integrează fără probleme domeniul financiar într-o aplicație AI. Se propune un tip mixt de optimizare, combinând cunoștințele euristice cu tehnici de programare liniară. Sistemul rulează pe stațiile Sun.

· PMIDSS: Sistem de suport pentru decizii de management al portofoliului. Dezvoltatori: New York University Finance Group. Probleme de rezolvat: selectarea unui portofoliu de valori mobiliare; planificarea investițiilor pe termen lung. Scurte caracteristici: sistem mixt de reprezentare a cunoștințelor, utilizarea diferitelor mecanisme de inferență: logică, rețele semantice dirijate, cadre, reguli.

În prezent, cea mai semnificativă pondere a utilizării sistemelor informaționale inteligente este reprezentată de agenții informaționali inteligenți.

Scopul și funcțiile agenților de informații inteligenți

Unul dintre conceptele fundamentale în multe domenii ale teoriei inteligenței artificiale (și, în special, problema planificării) este conceptul de agent - un obiect care acționează într-un anumit mediu pentru a îndeplini anumite funcții. În ciuda utilizării pe scară largă a termenului „agent”, nu există încă o definiție general acceptată a acestui concept. În prezentarea următoare, conceptul de agent inteligent va fi interpretat în sensul a două definiții:

1. Definiție slabă a unui agent inteligent: un agent inteligent este un sistem hardware sau software care are următoarele proprietăți: autonomie, reactivitate, activitate și comunicare.

2. Definiție puternică a unui agent inteligent: un agent inteligent este un sistem de calcul care are proprietățile enumerate și, în plus, este implementat pe baza unor concepte care sunt cele mai aplicabile oamenilor.

În lucrare, definițiile sunt formulate într-un mod ușor diferit în raport cu cele date mai sus: un agent este înțeles ca un sistem software independent care are capacitatea de a primi influență din lumea exterioară, de a determina reacția sa la această influență și de a efectua această reacție, în timp ce conceptul de agent inteligent corespunde unui agent care are o serie de cunoștințe despre sine și despre lumea din jurul său și al cărui comportament este determinat de această cunoaștere

Alături de definițiile enumerate, în literatura despre inteligența artificială există mai multe zeci de formulări diferite ale definiției unui agent, cu toate acestea, cele mai multe dintre ele se rezumă la prezența setului de caracteristici cheie enumerate. Să luăm în considerare proprietățile definitorii ale agenților inteligenți mai detaliat:

· Autonomie – capacitatea de a funcționa independent de influențele externe de control (de exemplu, controlul operatorului). Un grad ridicat de autonomie este facilitat de astfel de capabilități ale agenților, cum ar fi algoritmi de lucru flexibili, capacitatea de a auto-învăța și capacitatea de a lucra cu informații incomplete.

· Reactivitatea este capacitatea unui agent de a percepe starea mediului (lumea externă) și schimbările din această stare, precum și de a ține cont de aceste informații în activitățile sale. Formele extreme de utilizare a proprietății de reactivitate sunt o schemă rigidă a muncii agentului, în care acțiunile sunt efectuate conform unui plan pre-elaborat care nu este modificat în timpul execuției și o schemă de comportament complet reactivă, atunci când agentul nu are un plan întocmit în prealabil și acționează numai pe baza informațiilor despre starea actuală a mediului.

· Intenția este capacitatea agentului nu numai pentru acțiuni reactive, ci și pentru un comportament intenționat de a atinge un anumit scop, stabilit independent sau extern.

· Comunicativitatea este capacitatea agenților de a interacționa între ei, precum și cu alte ființe inteligente (de exemplu, oamenii). De exemplu, într-o sarcină de inteligență artificială distribuită, mai mulți agenți acționează în sistem și interacționează între ei într-un fel. Într-un caz simplu, interacțiunea se limitează doar la schimbul de informații în sisteme mai complexe, agenții își pot coopera și își pot ajusta activitățile pentru atingerea scopurilor comune.

Un exemplu de agent inteligent este un softbot (robot software) - un sistem care interacționează cu un mediu computerizat (de exemplu, un sistem de operare) executând comenzi și interpretând rezultatele comenzilor și ale altor mesaje din mediu.

După cum arată practica, în cele mai multe cazuri, utilizarea agenților inteligenți se reduce la una dintre cele două opțiuni:

1. Efectuarea autonomă a unor funcții specifice în locul unei persoane și, în unele cazuri, chiar în numele unei persoane.

2. Ajutor la anumite activități prin interacțiune umană la nivel înalt.

Ca rezultat al analizei sistemelor de aplicații binecunoscute implementate pe baza abordării luate în considerare, se pot distinge următoarele tipuri de agenți inteligenți:

1. Agenți cooperativi, capabili nu numai de funcționare autonomă izolată, ci și de activități în comun cu alți agenți, în special coordonarea acțiunilor, elaborarea de planuri comune și soluționarea conflictelor. Exemple de agenți sunt proiectul Pleiade al Universității Carnegie Mellon, sistemele MII și ADEPT.

2. Agenți de interfață, a căror sarcină este să interacționeze cu utilizatorul (și nu cu alți agenți) și să-l ajute să efectueze o anumită activitate. Acest tip de agent este uneori numit și asistent personal. Implementările existente includ diverse sisteme de ajutor, asistenți de tranzacționare, sisteme de suport pentru documente și sisteme de divertisment.

3. Agenți mobili care au capacitatea de a-și îndeplini funcțiile în diferite locații din habitat. Mediul de operare cel mai natural pentru astfel de agenți este diversele rețele de calculatoare sau sisteme de comunicații. De asemenea, trebuie remarcat faptul că mobilitatea în sine nu este nici o proprietate necesară, nici suficientă a unui agent inteligent.

4. Agenții de informații au apărut ca o clasă separată ca urmare a nevoii bruște de a căuta, colecta și procesa cantități mari de informații cu acces relativ ușor. În primul rând, acest grup include sisteme de căutare pe Internet, de exemplu, căutarea în WWW (Jasper, Webwatcher) și filtrarea arhivelor de teleconferințe (NewT).

5. Agenții reactivi constituie un grup special de agenți care nu au niciun model intern al mediului, ci acționează doar ca răspuns la o anumită stare a mediului sau la o schimbare de stare. Exemple de astfel de sisteme sunt „mașina de situație”, diverse sisteme pentru modelarea comportamentului social și aplicațiile de jocuri.

6. Agenți hibrizi care combină caracteristicile inerente diferitelor clase enumerate mai sus. Acest grup include, în special, InterRRaP, care combină module reactive și cooperante, sistemul de monitorizare a pacienților Guardian, precum și diverși agenți de informare mobili.

7. Sistemele de agenți eterogene, spre deosebire de agenții hibrizi, constau din mai mulți agenți aparținând unor clase diferite. Motivația principală pentru crearea unor astfel de sisteme este de a construi integrarea sistemelor specializate existente (ARCHON), în timp ce una dintre problemele principale este organizarea interacțiunii dintre agenți.

În ciuda avantajelor și perspectivelor evidente pentru utilizarea agenților inteligenți în diverse domenii științifice și practice, această abordare are, de asemenea, o serie de limitări, în special:

· Lipsa controlului general asupra agenților inteligenți poate duce la dificultăți semnificative atunci când vine vorba de necesitatea de a lua în considerare restricțiile globale, cerințele pentru răspunsuri garantate în timp real și evitarea posibilelor situații de blocaj.

· Lipsa unei perspective globale: întrucât în realitate sistemele de agenți nu pot avea un sistem complet de cunoștințe despre lumea din jurul lor, se pune întrebarea cu privire la posibilitatea de a găsi soluții optime sau suboptime pe baza unei baze de cunoștințe locale.

· Problema încrederii: cât de mult se poate avea încredere în agenții inteligenți pentru a-și îndeplini în mod autonom funcțiile atribuite, mai ales când un astfel de agent acționează în lumea reală în numele unui individ sau al unei organizații.

Cu toate acestea, există în prezent o cerere crescută de tehnologie a agenților inteligenți din partea corporațiilor de top din lume, ceea ce stimulează o cantitate mare de muncă de cercetare în acest domeniu, care se desfășoară în mai multe direcții principale:

· Domeniul teoriei agentilor se ocupa de cercetarea si dezvoltarea specificatiilor, conceptualizarea agentilor, determinarea proprietatilor si metode de reprezentare formalizata a acestora. Lucrarea examinează caracteristicile care disting agenții inteligenți de software-ul convențional și conține o privire de ansamblu destul de completă a abordărilor teoretice existente.

· Direcția arhitecturii agentului studiază implementarea specificațiilor, aspectelor hardware și software ale problemei construirii unui sistem de calcul care satisface proprietățile specificate. Exemple dintre cele mai cunoscute arhitecturi de agenți inteligenți sunt: GISA (Generic Intelligent Software Agent), BDI (Belief-Desire-Intention) și FIPA (Foundation for Intelligent Physical Agents).

· Direcția despre limbaje de programare a agenților explorează metode de descriere formală a principiilor teoretice, probleme de găsire a primitivelor optime la codificarea agenților, compilarea și execuția eficientă a programelor. Acest grup, în special, include lucrări dedicate implementării agenților pentru Internet și rețelelor corporative, studiului caracteristicilor aplicării abordării orientate pe obiecte și conceptului de programare orientată pe agenți.

Introducere…………………………………………………………………………………………………2

Prevederi generale ale IIS .................................................. ....... .................................5

Direcții pentru dezvoltarea IIS și metode de implementare a acestora…………..5
Proprietăţile şi capacităţile sistemului informaţional……………………………………...9

Caracteristici și semne ale inteligenței sistemelor informaționale………………………………………………………………………………………..13

Modele de reprezentare a cunoștințelor în sistemele informaționale bazate pe reguli…..…14

Concluzie……………………………………………………………………………………………….16

Lista referințelor……………………………………………………………………….17

Introducere.

În știința modernă, cercetarea legată de modelarea capacităților intelectuale umane este înțeleasă ca o direcție științifică care se ocupă de problemele sintetizării structurilor automate capabile să rezolve probleme complexe de suport informațional pentru diverse tipuri de activitate umană. De obicei, acestea sunt probleme pentru care, dintr-un motiv sau altul, nu există reguli gata făcute sau exemple de soluții. O persoană cu cunoștințele, experiența și inteligența necesare poate dezvolta reguli pentru rezolvarea unei astfel de probleme. Dar dacă creați un model de computer, a cărui memorie va conține cunoștințele unei astfel de persoane, programate cu experiența și abilitățile sale intelectuale necesare pentru a rezolva o anumită problemă, atunci acest model poate fi folosit pentru a rezolva multe probleme similare cu cea deja rezolvate. Mai mult, acest model poate fi adaptat pentru utilizare în alte situații problematice.

Dintre aceste sarcini, cele mai dificile și relevante sunt sarcina de a dezvolta mijloace de comunicare între o persoană și un sistem informatic care modelează inteligența umană în limbaj natural și sarcina de a traduce automat automat dintr-o limbă în alta, cu condiția ca semantice și emoționale. aspectele sunt transmise cu acuratețe. Ideea este că, potrivit

Potrivit multor lingviști remarcabili, activitatea intelectuală umană (în aproape toate aspectele sale) este cea mai direct legată de funcționarea limbajului și a gândirii. Numai cu ajutorul unor mijloace absolut naturale de comunicare între o persoană și un automat care execută un program de calculator va fi posibil să se creeze sisteme care să modeleze în mod adecvat inteligența umană și proprietățile acesteia precum gândirea, intuiția, conștiința și subconștientul... Astfel de sisteme în informatica modernă sunt numite sisteme informatice inteligente (IIS).

Starea actuală a cercetării fundamentale și aplicate în domeniul sistemelor informaționale inteligente sugerează că rezultatele acestora au devenit destul de certe. Aceasta înseamnă că a apărut un sistem relativ stabil de concepte, a apărut o metodologie de proiectare, construcție și implementare și au fost determinate structurile standard ale unor astfel de sisteme și componentele acestora.

Este general acceptat că sarcina intelectuală este de a găsi un algoritm necunoscut pentru rezolvarea unei anumite probleme practice sau teoretice, universal pe setul de date inițiale caracteristice acestei probleme. Se cere doar ca interpretul

persoana care rezolva problema a fost capabilă să efectueze acele operații elementare care alcătuiesc procesul și, în plus, a fost ghidată pedant și precis de algoritmul propus. Un astfel de interpret (uman sau automat), acționând pur mecanic, poate rezolva cu succes orice problemă de tipul luat în considerare. Prin urmare, pare complet firesc să excludem din clasa problemelor intelectuale pentru care există metode standard de rezolvare. Exemple de astfel de sarcini

Sarcinile pur computaționale pot servi:

Rezolvarea unui sistem de ecuații algebrice liniare;

Integrarea numerică a ecuațiilor diferențiale;

Probleme de aproximare a datelor empirice etc.

Pentru a rezolva probleme de acest gen, există algoritmi standard, care sunt o anumită secvență de operații elementare care pot fi implementate cu ușurință sub forma unui program de calculator. În schimb, pentru o clasă largă de sarcini intelectuale, cum ar fi recunoașterea modelelor, deducțiile logice și jocurile complexe din punct de vedere logic (de exemplu, jocul de șah), demonstrarea teoremelor etc., o astfel de împărțire formală a procesului de găsire a unei soluții în elemente elementare separate. pașii este opusul de multe ori se dovedește a fi foarte dificil, chiar dacă soluția lor în sine nu este dificilă.

Astfel, există anumite motive pentru a considera conceptul de inteligență echivalent cu conceptul de super-algoritm universal care este capabil să creeze algoritmi pentru rezolvarea unor probleme specifice.

Prevederi generale ale IIS.

Dezvoltarea sistemelor de suport informațional pentru diferite tipuri de activitate umană poate fi reprezentată istoric în etape:

„sisteme informaționale” (IS), „sisteme informatice automatizate” (AIS), „sisteme informaționale inteligente” (IIS).

Sistem informatic inteligent - acesta este un model de calculator

capacitățile intelectuale umane în căutarea țintită, analiza și sinteza informațiilor actuale despre realitatea înconjurătoare pentru a obține noi cunoștințe despre aceasta și a rezolva diverse probleme vitale pe această bază .

Fiecare dintre aceste etape are propriul său model de informare a domeniului de studiu. Pentru primele sisteme informatice, un astfel de model era cataloage sau clasificatoare, pentru AIS acestea erau rețele de informații organizate sub formă de baze de date și bănci de date, iar pentru IIS, modelul domeniului tematic era reprezentat de un sistem de date structurat numit bază de cunoștințe. . Sistemele informaționale bazate pe cataloage au fost create în principal pentru a implementa, într-o măsură sau alta, o căutare mecanizată a informațiilor necesare. AIS bazat pe

bazele de date extrem de organizate au permis nu numai efectuarea unei căutări automate și multidimensionale a informațiilor, ci și prelucrarea destul de complexă a informațiilor găsite, stocarea și transmiterea lor organizată. IIS bazat pe baze de cunoștințe trebuie (pe lângă capacitățile AIS) să rezolve probleme numite „inteligente”.

Dezvoltarea sistemelor informaționale în stadiul actual este în concordanță cu trei domenii de cercetare, al căror scop este modelarea capacităților umane în rezolvarea problemelor intelectuale.

Prima direcție de cercetare examinează structura și mecanismele creierului uman, iar scopul final este dezvăluirea secretelor gândirii. Etapele necesare cercetării în această direcție sunt construirea de modele pe baza datelor psihofiziologice, efectuarea de experimente cu acestea, formularea de noi ipoteze privind mecanismele activității intelectuale, îmbunătățirea modelelor create anterior etc.

A doua direcție este considerată ca obiect de cercetare

sistem inteligent artificial. Aici vorbim despre modeling.

activitate intelectuală cu ajutorul calculatoarelor sau mașinilor cu alt principiu de funcționare. Scopul muncii în această direcție este de a crea algoritmice și software pentru astfel de mașini de calcul, care să permită rezolvarea anumitor tipuri de probleme intelectuale în același mod în care o persoană le-ar rezolva.

A treia direcție se concentrează pe crearea de om-mașină sau, după cum se spune, de sisteme interactive, inteligente, care sunt o simbioză a capacităților inteligenței naturale și artificiale. Cele mai importante probleme din aceste studii sunt combinația optimă a capacităților umane și un sistem artificial care modelează capacitățile intelectuale umane și organizarea unui dialog semantic fără cusur între o persoană și un astfel de sistem.

În fiecare direcție, există abordări diferite pentru construirea unui sistem informațional. Aceste abordări nu sunt etape evolutive, ele au apărut aproape simultan (în termeni istorici) și există și se dezvoltă în mod independent în prezent. În plus, nu a existat niciodată motive suficiente pentru a prefera necondiționat o abordare față de altele.

Aproape fiecare computer bazat pe o abordare logică este o mașină pentru rezolvarea problemelor de inferență logică și demonstrarea teoremelor. În acest caz, datele sursă sunt stocate în baza de cunoștințe sub formă de axiome și reguli pentru construirea de inferențe logice ca relații între aceste date. În plus, fiecare astfel de mașină are o unitate de generare a obiectivelor (formularea unei probleme sau teoreme) și un sistem de ieșire (universal

rezolvator) trebuie să rezolve o problemă dată sau să demonstreze o teoremă. Dacă scopul formulat este atins (teorema este dovedită), atunci succesiunea regulilor aplicate formează un lanț de acțiuni care permite rezolvarea oricăror probleme de acest tip. Puterea este așa

Sistemul este determinat de capacitățile generatorului de obiective și de capacitățile mașinii de demonstrare a teoremei (rezolvator universal). Dovada poate necesita o căutare completă a tuturor soluțiilor posibile.

Prin urmare, această abordare necesită implementarea eficientă a procesului de calcul și funcționează bine cu o bază de cunoștințe relativ mică.

Abordarea fizică combină metode de modelare a capacităților intelectuale umane folosind un computer și diverse dispozitive fizice. Una dintre primele astfel de încercări a fost perceptronul lui Frank Rosenblatt. Unitatea structurală a unui perceptron (precum și majoritatea celorlalte variante de astfel de modelare) este un model computerizat al unui neuron - o celulă nervoasă. Mai târziu, au apărut modele

care a devenit cunoscut sub termenul de „rețele neuronale artificiale” (ANN). Aceste modele sunt structuri bazate pe exemple. Ele folosesc atât implementări fizice diferite ale modelelor de celule nervoase, cât și topologii diferite

legături între ele.

În ultimii ani, evolutiv

modelare. Principiul care stă la baza acestei metode este împrumutat de la natură - de la organismele și sistemele vii. În multe surse, este definit ca reproducerea procesului de evoluție naturală folosind algoritmi și programe speciali.

O altă metodă utilizată pe scară largă a acestei abordări pentru construirea unui sistem informațional este modelarea prin simulare. Este asociat cu unul dintre conceptele clasice ale ciberneticii, unul dintre conceptele sale de bază - „cutia neagră” (BB). Acesta este denumirea unui dispozitiv a cărui structură internă și conținut sunt complet absente, dar este cunoscută matricea de corespondență obligatorie dintre semnalele de la intrare și semnalele de la ieșire. Obiectul al cărui comportament este simulat de model este tocmai o astfel de „cutie neagră”. Nu contează pentru noi ce se află în el sau cum funcționează, principalul lucru este că modelul nostru se comportă exact la fel în situații similare. În acest fel poți modela o proprietate umană importantă - abilitatea de a copia ceea ce fac alții fără să te gândești de ce este nevoie. Adesea, această abilitate îi economisește mult timp, mai ales la începutul vieții. Principalul dezavantaj al abordării simulării este informația scăzută despre motivele motivaționale ale comportamentului modelelor construite cu ajutorul acesteia.

1.2. Proprietățile și capacitățile IIS.

Scopul principal al IIS inițial a fost și va fi acela de a juca rolul unui „amplificator” al intelectului unei persoane, făcând posibilă rezolvarea unei probleme care necesită cunoștințe, experiență și mod de gândire pe care nu le-a putut, nu le-a considerat necesar. sau nu a putut dobândi înainte de a apărea înaintea lui această problemă. Pentru ca un IIS de orice categorie tipologică (ES, NS sau hibrid) să îndeplinească pe deplin acest scop, este necesar ca acesta să posede calitățile (proprietățile și capacitățile) unui asistent uman ideal: onestitate, înțelegere, receptivitate, capacitate, diligență. . Dacă trecem la concepte mai specifice, atunci în ceea ce privește teoria și practica construirii sistemelor informatice automatizate, aceste calități sunt interpretate astfel:

Comunicativitatea, interpretată ca o varietate de moduri de a comunica cu sistemul disponibil tuturor categoriilor de utilizatori ;

- universalitatea în raport cu varietatea sarcinilor care alcătuiesc zona problematică în cadrul sarcinilor cărora trebuie să funcționeze sistemul;

- « pricepere » învață pe baza experienței și cunoștințelor dobândite, adaptându-se la

modificarea condițiilor de rezolvare a problemei;

- « pricepere » restructurarea atunci când prevederile (conceptele) fundamentale ale domeniului subiectului (și, prin urmare, problemei) se modifică.

Calitățile comunicative ale unui sistem informațional sunt determinate de prezența în structura sa a hardware-ului și software-ului care oferă posibilitatea oricărui utilizator al sistemului de a comunica cu acesta într-un mod care este firesc pentru el. Aceasta înseamnă că utilizatorul sistemului nu ar trebui să „alege expresii” atunci când apelează la el cu una sau cutare sarcină, ci să o facă într-un mod familiar și convenabil. Și sistemul trebuie să recunoască cu exactitate sensul sarcinii și să înceapă să o ducă la îndeplinire. Dacă sarcina este finalizată, atunci sistemul ar trebui să spună utilizatorului cum a fost obținută soluția și de ce este așa. Funcțiile de comunicare sunt implementate sub forma dialogului de clarificare. Pentru ca dialogul să fie posibil atunci când utilizatorul alege una sau alta metodă de comunicare cu sistemul (voce, cerere de text, imagine grafică), acesta trebuie să conțină hardware și software adecvat.

Hardware-ul convertește semnalele analogice în coduri digitale ale mașinii (la introducerea unei cereri) și codurile digitale într-un semnal analogic (la ieșirea unui răspuns). Instrumentele software efectuează prelucrarea necesară a informațiilor prezentate în cererea către sistem. Prelucrarea unei cereri scrise în limbaj natural (interogare NL) presupune analiza lingvistică a acesteia (recunoașterea structurii sintactice și morfologiei textului de interogare), analiza semantică a interogării NL (recunoașterea semnificației acesteia), interpretarea lingvistică și semantică a interogării în conceptele și termenii limbajului de descriere intrasistem cunoașterea și descrierile tuturor relațiilor posibile dintre concepte. După o astfel de „traducere” a cererii în limba „sa”, sistemul rezolvă problema pusă în ea. Această funcție este îndeplinită de un set de programe care implementează algoritmi de proceduri și reguli care alcătuiesc componenta procedurală a bazei de cunoștințe a sistemului. După rezolvarea problemei puse de utilizator, sistemul trebuie să prezinte rezultatele în forma specificată în cererea de soluție: sub forma unui mesaj vocal, text, diagramă, animație sau imagine tridimensională. Pentru a face acest lucru, este necesar să se transforme rezultatele rezolvării problemei dintr-o reprezentare într-un limbaj intrasistem într-o reprezentare într-un limbaj natural, grafică sau limbaj de animație. Astfel de transformări sunt efectuate mai întâi prin programe de interpretare semantică a rezultatelor soluției în conceptele și termenii limbajului natural, un limbaj grafic sau un limbaj de animație, iar apoi prin programe de sinteza lingvistică a rezultatelor soluției (răspunsul sistemului la o solicitare). ) în limbajul natural al utilizatorului sau în limbajul graficii sau al animației.

Versatilitatea sistemului („capacitatea” de a rezolva orice probleme intelectuale ale clasei determinate de zona problematică) este asigurată de prezența informațiilor relevante în structura bazei sale de cunoștințe. După cum sa menționat deja, baza de cunoștințe a sistemului constă din cunoștințe declarative și procedurale. Prima componentă este reprezentată de modelul informațional al domeniului de studiu căruia îi aparține clasa

probleme, iar al doilea - un set de proceduri și reguli logice care sunt necesare și suficiente pentru a rezolva problemele unei clase de probleme date. Aceste două componente, fiind consistente și compatibile din punct de vedere informațional, ar trebui să ofere o soluție la orice problemă tipică din această clasă. Dacă condițiile oricărei probleme necesită cunoștințe sau proceduri care nu se află în baza sistemului, atunci faptele (cunoștințe) și algoritmii de analiză și sinteză care sunt disponibili în aceasta ar trebui să facă posibilă obținerea acestora și rezolvarea problemei.

Capacitatea sistemului de a învăța și de a autoînvăța este asigurată prin analiza și rezumarea cunoștințelor existente și sintetizarea noilor cunoștințe pe această bază. Astfel de instrumente pot fi complexe, adică hardware și software. Componenta software a sistemului informațional bazat pe reguli rezolvă probleme de analiză și sinteză a cunoștințelor utilizând algoritmi logici și computaționali care implementează metode de inferență plauzibilă sau folosind reguli cunoscute pentru rezolvarea stereotipurilor.

sarcini. Componentă hardware și software a sistemului informațional bazat pe analogii (exemple).

Figura 1 prezintă structura funcțională generalizată a IIS în interpretarea sa fundamentală. Instrumentele de dialog (DS) asigură interacțiunea utilizatorului cu sistemul și organizează activitatea altor blocuri. Funcțiile DS sunt asigurate de baza de cunoștințe, care conține informații despre utilizatorii IIS, precum și prin intermediul analizei lingvistice (LA), sintezei lingvistice (LS) și a mijloacelor de interpretare semantică (SI).

Structura funcțională generalizată a IIS.

Orez. 1

2. Caracteristici și semne ale inteligenței sistemelor informaționale.

Orice sistem informatic (IS) îndeplinește următoarele funcții:

Acceptă solicitările de informații introduse de utilizator și datele inițiale necesare.

Prelucrează datele introduse și stocate în sistem în conformitate cu un algoritm cunoscut și generează informațiile de ieșire necesare.

Din punctul de vedere al implementării funcțiilor enumerate, un sistem informațional poate fi considerat ca o fabrică care produce informații, în care comanda este o cerere de informare, materia primă este datele inițiale, produsul este informația solicitată, iar instrument (echipament) este cunoștințele cu ajutorul cărora datele sunt convertite în informații.

Sistemele informaționale inteligente axate pe generarea de algoritmi de rezolvare a problemelor se caracterizează prin următoarele caracteristici:

Abilitati de comunicare dezvoltate,

Abilitatea de a rezolva probleme complexe, slab formalizate,

Capacitate de autoînvățare

Capacitățile de comunicare ale IIS caracterizează modul în care utilizatorul final interacționează (interfață) cu sistemul.

Problemele complexe, slab formalizate sunt sarcini care necesită construirea unui algoritm de soluție original în funcție de o situație specifică, care poate fi caracterizată prin incertitudine și dinamism al datelor și cunoștințelor inițiale.

Modele pentru reprezentarea cunoștințelor în sistemele informaționale bazate pe reguli.

În sistemele informaționale inteligente (IIS), modelul informatic software reprezintă un set de două tipuri de cunoștințe – declarative și procedurale. Declarativă este de obicei numită cunoaștere despre proprietățile entităților software și relațiile dintre ele, iar procedurală este cunoașterea despre regulile acceptabile pentru manipularea unor astfel de informații. Cunoașterea declarativă afirmă prezența anumitor proprietăți ale entităților, iar cunoașterea procedurală definește regulile, metodele și procedurile cu ajutorul cărora este posibil să se efectueze o varietate de analize a cunoștințelor declarate și să sintetizeze noi cunoștințe pe baza acesteia. LA

De exemplu, aplicând o anumită secvență de reguli cunoscute unui anumit set de fapte, se poate afla:

Cum a fost obținut acest corp de fapte;

De ce exact aceste fapte au fost obținute;

În ce condiții aceste fapte nu au sens;

Ce noi tipuri de relații sunt inerente entităților software și proprietăților acestora.

Problema centrală atunci când se creează o bază de cunoștințe a sistemelor informaționale informaționale este alegerea unui model de reprezentare a cunoștințelor (KR) despre proprietățile entităților software și relațiile (conexiunile) dintre acestea. Acest model ar trebui să determine nu numai structurile de informații la diferite niveluri, ci și să asigure adecvarea lor maximă (conformitatea) cu structura operațiunilor interne ale computerului și structura limbajelor de programare utilizate pentru implementarea modelului. În același timp, desigur, nu se poate ignora o condiție atât de importantă precum respectarea maximă a modelului PP cu natura (clasa) problemelor pentru care este creat sistemul. Multe mijloace (limbi) moderne pentru descrierea cunoștințelor abstracte și concrete și limbaje pentru manipularea unor astfel de cunoștințe sunt concentrate pe crearea de structuri productive (proceduri) implementate pe computerele arhitecturii von Neumann sub formă de secvențe de operații elementare de aritmetică, algebră de calcul predicat. si logica. Alegerea metodei de construire a unor astfel de structuri (proceduri) generatoare determină tipul modelului de reprezentare a cunoștințelor . Reprezentarea cunoștințelor într-un astfel de model trebuie să fie înțeleasă și omogenă (la fel pentru orice categorie de cunoștințe afișate) în software-ul specific. Omogenitatea reprezentării cunoștințelor face ca managementul inferenței logice în analiza și sinteza informației și managementul cunoștințelor (achiziția și evaluarea cunoștințelor) să fie mai avansat din punct de vedere tehnologic. Cerința de claritate și omogenitate în prezentarea cunoștințelor poate fi, în unele cazuri, contradictorie. Iar calea de ieșire dintr-o astfel de situație poate fi diferită atunci când se rezolvă probleme simple sau mai complexe. În cazuri simple (omogenitatea relativă a obiectelor software și tipurile de conexiuni între ele sau o clasă relativ restrânsă de probleme în curs de rezolvare), o structurare nestrictă („slabă”) a cunoștințelor poate fi acceptabilă. În cazuri complexe (eterogenitatea obiectelor, varietatea conexiunilor dintre ele, o clasă largă de probleme de rezolvat), este necesară alegerea unei metode de reprezentare a cunoștințelor care să asigure structurarea strictă („puternică”) a acesteia și, dacă este posibil, o organizarea modulară a modelului de reprezentare a cunoştinţelor.

În sistemele informaționale moderne se folosesc patru tipuri de modele de reprezentare a cunoștințelor:

Model de produs;

Model logic formal;

Model cadru;

Modelul rețelei semantice.

Concluzie.

Astfel, un sistem informațional inteligent este un model computerizat al capacităților intelectuale ale unei persoane în căutarea, analiza și sinteza țintită a informațiilor curente despre realitatea înconjurătoare pentru a obține noi cunoștințe despre aceasta și a rezolva diverse probleme vitale pe această bază.

Un sistem informațional inteligent (IIS) este un IS care se bazează pe conceptul de utilizare a unei baze de cunoștințe pentru a genera algoritmi de rezolvare a problemelor economice de diferite clase, în funcție de nevoile specifice de informații ale utilizatorilor.

Cel mai adesea, sistemele inteligente sunt folosite pentru rezolvarea problemelor, a căror complexitate principală este asociată cu utilizarea cunoștințelor slab formalizate ale practicienilor și unde procesarea semantică sau logică a informațiilor prevalează asupra celei computaționale. De exemplu, înțelegerea limbajului natural, luarea deciziilor într-o situație complexă, gestionarea panourilor de control. Sistemele, al căror nucleu este o bază de cunoștințe sau un model de domeniu, descrise într-un limbaj de nivel ultra-înalt apropiat de al său, sunt numite inteligente. Un astfel de limbaj de nivel super-înalt se numește limbaj de reprezentare a cunoștințelor.

O modalitate promițătoare de îmbunătățire și dezvoltare în continuare a sistemelor expert este crearea de instrumente bazate pe utilizarea în comun a diferitelor modele de reprezentare a cunoștințelor: modele de producție, semantice, cadre și logice. Toate aceste modele sunt un mijloc matematic de construire a unor sisteme inteligente de procesare și control automată a informațiilor promițătoare.

Lista literaturii folosite:

Andreychikov A.V., Andreychikova O.N. Sisteme informatice inteligente. Uch.- M.: Finanţe şi Statistică, 2004.- 424 p.

Arseniev S.N., Shelobov S.I., Davydova T.Yu. "Luarea deciziilor. Sisteme informatice integrate”. Manual pentru universități.

M.: Unitate-Dana, 2003.-270 p.

Jackson P. Introduction to expert systems / Manual - M.: „Williams”, 2001 – 624 p.

Ledeneva T.M., Podvolny S.L. Inteligență artificială și sisteme de luare a deciziilor: manual; Ufa: UGATU, 2005. – 246 p.

Pospelov G. S. „Inteligenta artificiala. Noi tehnologii informaționale” - M.: „Science 2006”

Baze de date și sisteme de management al cunoștințelor.

Ref. Ed./A.N. Naumov, A.M. Vendrov, V.K.

Ivanov și alții; Ed. UN. Naumova. – Finanțe și Statistică, 2001.

NOTE DE PRELEGERE ELECTRONICĂ

DUPĂ DISCEPLINĂ

SISTEME DE INFORMAȚII INTELIGENTE

AI este una dintre domeniile informaticii, al cărei scop este acela de a dezvolta instrumente hardware și software care să permită unui utilizator non-programator să-și pună și să rezolve propriile probleme intelectuale, considerate în mod tradițional, comunicând cu un computer într-un subset limitat de naturale. limbaj (mai specializat pentru rezolvarea problemelor practice).

Să luăm în considerare principalele domenii de cercetare în domeniul inteligenței artificiale.

Dezvoltarea informațiilor inteligentecucmem sau sisteme bazate pe cunoştinţe. Acesta este unul dintre domeniile principale ale AI. Scopul principal al construirii unor astfel de sisteme este identificarea, studierea și aplicarea cunoștințelor experților cu înaltă calificare pentru a rezolva probleme complexe care apar în practică. La construirea sistemelor bazate pe cunoștințe (KBS), se utilizează cunoștințele acumulate de experți sub forma unor reguli specifice pentru rezolvarea anumitor probleme. Această direcție își propune să imite arta umană de a analiza problemele nestructurate și semistructurate. În acest domeniu de cercetare sunt dezvoltate modele de reprezentare, regăsire și structurare a cunoștințelor și sunt studiate problemele creării bazelor de cunoștințe (KB-uri) care formează nucleul KOP-urilor. Un caz special de POP sunt sistemele expert (ES).

Dezvoltarea de interfețe în limbaj natural și traducere automată. Problemele de lingvistică computațională și traducerea automată au fost dezvoltate în IA încă din anii 1950. Sistemele de traducere automată dintr-o limbă naturală în alta oferă acces rapid și sistematic la informații, eficiență și uniformitate a traducerii unor fluxuri mari, de obicei texte științifice și tehnice. Sistemele de traducere automată sunt construite ca sisteme inteligente, deoarece se bazează pe o bază de cunoștințe într-o anumită arie și pe modele complexe care oferă traducere suplimentară „limba sursă a originalului - limba semnificației - limba traducerii”. Ele se bazează pe o abordare structural-logică, inclusiv analiza secvențială și sinteza mesajelor în limbaj natural. În plus, efectuează o căutare asociativă pentru fragmente de text similare și traducerile acestora în baze de date speciale (DB-uri). Această direcție acoperă și cercetarea metodelor și dezvoltarea sistemelor care asigură implementarea procesului de comunicare între o persoană și un computer în limbaj natural (așa-numitele sisteme de comunicare NL).

Generarea și recunoașterea vorbirii. Sunt create sisteme de comunicare vocală pentru a crește viteza de introducere a informațiilor într-un computer, pentru a ușura vederea și mâinile, precum și pentru a implementa comunicarea vocală pe o distanță considerabilă. În astfel de sisteme, textul fonemic (așa cum este auzit) este ridicat sub text.

Prelucrarea informațiilor vizuale.În această direcție științifică se rezolvă probleme de prelucrare, analiză și sinteză a imaginilor. Sarcina procesării imaginilor este asociată cu transformarea imaginilor grafice, rezultatul cărora este imagini noi. În sarcina de analiză, imaginile originale sunt convertite într-un alt tip de date, cum ar fi descrieri de text. La sintetizarea imaginilor, intrarea sistemului primește un algoritm de construcție a imaginii, iar datele de ieșire sunt obiecte grafice (sisteme grafice de mașină).

Antrenament și auto-studiu. Această zonă actuală a IA include modele, metode și algoritmi concentrați pe acumularea și generarea automată de cunoștințe folosind proceduri de analiză și sinteză a datelor. Această zonă include sisteme de data mining apărute recent și sisteme de căutare a modelelor în baze de date computerizate (Knowledge Discovery).

Recunoașterea modelelor. Aceasta este una dintre cele mai timpurii domenii ale AI, în care recunoașterea obiectelor se realizează pe baza utilizării unui aparat matematic special care asigură alocarea obiectelor la clase, iar clasele sunt descrise prin seturi de anumite valori caracteristice.

Jocuri și creativitate mașină. Creativitatea mașinilor acoperă compoziția muzicii computerizate, a poeziei și a sistemelor inteligente pentru inventarea de noi obiecte. Crearea de jocuri inteligente pe calculator este una dintre cele mai dezvoltate domenii comerciale în domeniul dezvoltării software. În plus, jocurile pe calculator oferă un arsenal puternic de diverse instrumente folosite pentru învățare.

Software de sisteme AI. Instrumentele pentru dezvoltarea sistemelor inteligente includ limbaje speciale de programare axate pe procesarea informațiilor simbolice (LISP, SMALLTALK, REFAL), limbaje de programare logică (PROLOG), limbaje de reprezentare a cunoștințelor (OPS 5, KRL, FRL), integrate. medii software care conțin un arsenal de instrumente instrumente pentru crearea sistemelor AI (KE, ARTS, GURU, G2), precum și shell-uri de sisteme expert (BUILD, EMYCIN, EXSYS Professional, EXPERT), care vă permit să creați ES aplicat fără a recurge la programare.

Noi arhitecturi de calculatoare. Această direcție este asociată cu crearea computerelor cu arhitectură non-von Neumann concentrate pe procesarea informațiilor simbolice. Sunt cunoscute soluții industriale de succes de calculatoare paralele și vectoriale, dar în prezent au un cost foarte ridicat, precum și compatibilitate insuficientă cu instrumentele de calcul existente.

Roboți inteligenți. Crearea de roboți inteligenți este scopul final al roboticii. În prezent, se folosesc în principal manipulatoare programabile cu un circuit de control rigid, numiți roboți de prima generație. În ciuda succeselor evidente ale dezvoltărilor individuale, era roboților autonomi inteligenți nu a sosit încă. Principalii factori limitativi în dezvoltarea roboților autonomi sunt problemele nerezolvate din domeniul interpretării cunoștințelor, viziunii computerizate, stocării și procesării adecvate a informațiilor vizuale tridimensionale.

Conceptul unui sistem informatic inteligent.

IIS se caracterizează prin următoarele caracteristici:

Abilitati de comunicare dezvoltate;

Abilitatea de a rezolva probleme complexe, slab formalizate;

Capacitate de autoinvatare;

Adaptabilitate

Sfera sarcinilor rezolvate de IS include sarcini care, de regulă, au următoarele caracteristici:

algoritmul de rezolvare a problemelor este necunoscut în ele (vom numi astfel de probleme probleme intelectuale);

pe lângă datele tradiționale în format numeric, folosesc informații sub formă de imagini, desene, semne, litere, cuvinte, sunete;

ei presupun prezența alegerii (nu există un algoritm - aceasta înseamnă că trebuie să alegeți între multe opțiuni în condiții de incertitudine). Libertatea de acțiune este o componentă esențială a sarcinilor intelectuale.