Mục đích của hệ thống chuyên gia. "Tin học và khoa học máy tính"
Bảng điểm
2 E. V. Borovskaya N. A. Davydova Sách giáo khoa CƠ BẢN VỀ TRÍ TUỆ NHÂN TẠO ấn bản thứ 3 (điện tử) Phòng thí nghiệm Tri thức Moscow 2016
3 UDC BBK B83 Series thành lập năm 2007 Borovskaya E. V. B83 Nguyên tắc cơ bản của trí tuệ nhân tạo [Tài nguyên điện tử]: sách giáo khoa / E. V. Borovskaya, N. A. Davydova. tái bản lần thứ 3. (el.). Điện tử. dữ liệu văn bản (1 file PDF: 130 trang). M.: Phòng thí nghiệm tri thức, (Giáo dục sư phạm). Hệ thống. yêu cầu: Adobe Reader XI; màn hình 10". ISBN Sách giáo khoa giới thiệu với độc giả về lịch sử của trí tuệ nhân tạo, các mô hình biểu diễn tri thức, hệ thống chuyên gia và mạng lưới thần kinh. Các hướng và phương pháp chính được sử dụng trong phân tích, phát triển và triển khai hệ thống thông minh được mô tả. Các mô hình và phương pháp biểu diễn tri thức Khi làm việc với chúng, các phương pháp phát triển và tạo ra hệ chuyên gia được xem xét, cuốn sách sẽ giúp người đọc nắm vững các kỹ năng thiết kế logic cơ sở dữ liệu của các môn học và lập trình bằng ngôn ngữ ProLog.Dành cho sinh viên và giáo viên các trường đại học sư phạm, giáo viên của các trường trung học, phòng tập thể dục, phòng tập thể dục. UDC BBK Phiên bản điện tử phái sinh dựa trên bản in tương tự: Các nguyên tắc cơ bản về trí tuệ nhân tạo: sách giáo khoa / E. V. Borovskaya, N. A. Davydova. M.: BINOM. Phòng thí nghiệm kiến thức, p.: ill. (Giáo dục sư phạm). ISBN Theo Điều 1301 của Bộ luật Dân sự Liên bang Nga khi loại bỏ các hạn chế đã được thiết lập đối với các phương tiện kỹ thuật bảo vệ bản quyền, chủ bản quyền có quyền yêu cầu người vi phạm bồi thường thiệt hại hoặc ISBN c Phòng thí nghiệm Kiến thức, 2015
4 NỘI DUNG Chương 1. Trí tuệ nhân tạo Giới thiệu về hệ thống trí tuệ nhân tạo Khái niệm về trí tuệ nhân tạo Trí tuệ nhân tạo ở Nga Cấu trúc chức năng của hệ thống trí tuệ nhân tạo Phương hướng phát triển trí tuệ nhân tạo Dữ liệu và kiến thức. Biểu diễn tri thức trong hệ thống thông minh Dữ liệu và tri thức. Các định nghĩa cơ bản Mô hình biểu diễn tri thức Hệ chuyên gia Cấu trúc của hệ chuyên gia Phát triển và sử dụng hệ chuyên gia Phân loại hệ chuyên gia Biểu diễn tri thức trong hệ chuyên gia Công cụ xây dựng hệ chuyên gia Công nghệ phát triển hệ chuyên gia Câu hỏi kiểm tra và bài tập cho chương Tài liệu của chương Chương 2 Lập trình logic Phương pháp lập trình Phương pháp lập trình mệnh lệnh Phương pháp lập trình dựa trên đối tượng Lập trình hướng đối tượng Phương pháp lập trình chức năng Phương pháp lập trình logic Phương pháp lập trình ràng buộc Phương pháp lập trình mạng nơ-ron Giới thiệu ngắn gọn về phép tính vị từ và chứng minh định lý Quá trình suy luận logic trong Prolog... 58
5 4 Nội dung 2.4. Cấu trúc của một chương trình Prolog Sử dụng các đối tượng tổng hợp Sử dụng các miền thay thế Tổ chức lặp lại trong Prolog Phương pháp khôi phục sau thất bại Phương pháp cắt và khôi phục Đệ quy đơn giản Phương thức quy tắc đệ quy tổng quát (GRR) Danh sách trong ngôn ngữ Prolog Các phép toán trên danh sách Các chuỗi trong ngôn ngữ Prolog Các phép toán trên chuỗi Các tệp trong ngôn ngữ Prolog Prolog vị từ để làm việc với tệp Mô tả miền tệp Ghi vào tệp Đọc từ tệp Sửa đổi tệp hiện có Thêm vào cuối tệp hiện có Tạo cơ sở dữ liệu động trong ngôn ngữ Prolog Cơ sở dữ liệu trong Prolog Vị từ cơ sở dữ liệu động bằng ngôn ngữ Prolog Tạo hệ thống chuyên gia Cấu trúc của hệ thống chuyên gia Kiến thức trình bày Phương pháp suy luận Hệ thống giao diện người dùng Hệ chuyên gia dựa trên quy tắc Câu hỏi kiểm tra và bài tập của chương Tài liệu cho chương 3. Mạng nơ-ron Giới thiệu về mạng nơ-ron Mô hình nhân tạoỨng dụng nơ-ron mạng lưới thần kinh Huấn luyện mạng nơ-ron Câu hỏi và bài tập kiểm tra của chương Tài liệu của chương
6 CHƯƠNG 1 TRÍ TUỆ NHÂN TẠO 1.1. Giới thiệu về hệ thống trí tuệ nhân tạo Khái niệm về trí tuệ nhân tạo Hệ thống trí tuệ nhân tạo (AI) là hệ thống phần mềm mô phỏng quá trình tư duy của con người trên máy tính. Để tạo ra một hệ thống như vậy, cần phải nghiên cứu chính quá trình tư duy của một người khi giải quyết những vấn đề nhất định hoặc đưa ra quyết định trong khu vực cụ thể, nêu bật các bước chính của quy trình này và phát triển phần mềm tái tạo chúng trên máy tính. Do đó, các phương pháp AI áp dụng cách tiếp cận có cấu trúc đơn giản để phát triển các hệ thống ra quyết định phần mềm phức tạp. Trí tuệ nhân tạo là một nhánh của khoa học máy tính, mục tiêu của nó là phát triển phần cứng và phần mềm cho phép người dùng không phải là lập trình viên thiết lập và giải quyết các vấn đề trí tuệ được coi là truyền thống của họ, giao tiếp với máy tính bằng một tập hợp con ngôn ngữ tự nhiên hạn chế. Ý tưởng tạo ra hình dáng nhân tạo của một người để giải quyết các vấn đề phức tạp và mô phỏng tâm trí con người, như người ta nói, “đã xuất hiện” từ thời cổ đại. Người sáng lập trí tuệ nhân tạo được coi là nhà triết học, nhà toán học và nhà thơ người Tây Ban Nha thời trung cổ Raymond Lull, người sống ở thế kỷ 13. đã cố gắng tạo ra thiết bị máy mócđể giải quyết các vấn đề khác nhau dựa trên sự phân loại phổ biến các khái niệm mà ông đã phát triển.
7 6 Chương 1 Sau đó, Leibniz và Descartes độc lập tiếp tục ý tưởng này, đề xuất các ngôn ngữ phân loại phổ quát cho mọi ngành khoa học. Những công trình này có thể coi là những công trình lý thuyết đầu tiên trong lĩnh vực trí tuệ nhân tạo. Tuy nhiên, sự ra đời cuối cùng của trí tuệ nhân tạo như một hướng khoa học chỉ xảy ra sau khi máy tính được tạo ra vào những năm 1940, khi Norbert Wiener tạo ra các công trình quan trọng của mình về khoa học điều khiển học mới. Thuật ngữ “trí tuệ nhân tạo” (AI; AI tiếng Anh “Artificial Intelligence”) được đề xuất vào năm 1956 tại hội thảo cùng tên tại Đại học Dartmouth (Mỹ). Hội thảo này được dành cho việc phát triển các phương pháp giải quyết các vấn đề logic (chứ không phải tính toán). Lưu ý rằng trong tiếng Anh, cụm từ này không có ý nghĩa nhân hình hơi kỳ quái như nó có được trong bản dịch tiếng Nga khá thành công. Từ “trí thông minh” chỉ đơn giản có nghĩa là “khả năng suy luận thông minh” chứ không phải “trí thông minh” chút nào (có một từ “trí tuệ” tương tự trong tiếng Anh riêng biệt). Ngay sau khi trí tuệ nhân tạo được công nhận là một lĩnh vực khoa học đặc biệt, nó đã được chia thành hai lĩnh vực: điều khiển học thần kinh và điều khiển học “hộp đen”. Các lĩnh vực này phát triển gần như độc lập, khác biệt đáng kể cả về phương pháp và công nghệ. Và chỉ bây giờ xu hướng kết hợp lại những phần này thành một tổng thể mới trở nên đáng chú ý. Điều khiển học thần kinh Ý tưởng chính của hướng đi này có thể được hình thành như sau: “Vật thể duy nhất có khả năng suy nghĩ là bộ não con người, do đó bất kỳ thiết bị tư duy nào cũng phải tái tạo cấu trúc của nó bằng cách nào đó”. Do đó, điều khiển học thần kinh tập trung vào mô hình hóa phần mềm và phần cứng của các cấu trúc tương tự như cấu trúc của não. Những nỗ lực về điều khiển học thần kinh đã tập trung vào việc tạo ra các yếu tố tương tự như tế bào thần kinh và tích hợp chúng vào các hệ thống chức năng, mạng lưới thần kinh.
8 Trí tuệ nhân tạo 7 Mạng lưới thần kinh đầu tiên được tạo ra vào những năm 1990. Đây không phải là những nỗ lực thành công lắm nhằm tạo ra các hệ thống mô phỏng mắt người và sự tương tác của nó với não. Dần dần vào những năm 1920 Số lượng công trình trong lĩnh vực trí tuệ nhân tạo này bắt đầu giảm sút, kết quả đầu tiên quá đáng thất vọng. Thông thường, các tác giả của quá trình phát triển giải thích những thất bại của chúng là do bộ nhớ nhỏ và tốc độ thấp của các máy tính tồn tại vào thời điểm đó. Máy tính thần kinh đầu tiên được tạo ra ở Nhật Bản như một phần của dự án “Máy tính thế hệ thứ năm”. Vào thời điểm này, những hạn chế về bộ nhớ và tốc độ máy tính trên thực tế đã được dỡ bỏ. Máy tính Transput xuất hiện với số lượng lớn bộ xử lý thực hiện tính toán song song. Công nghệ máy tính là một trong hàng chục phương pháp tiếp cận mới để triển khai phần cứng của mạng lưới thần kinh mô hình hóa cấu trúc phân cấp của bộ não con người. Nói chung, ngày nay chúng ta có thể phân biệt ba loại phương pháp chính để tạo mạng nơ-ron: phần cứng (tạo máy tính đặc biệt, chip thần kinh, thẻ mở rộng, chipset), phần mềm (tạo chương trình và công cụ phần mềm được thiết kế cho máy tính hiệu năng cao; các mạng như vậy được tạo “ảo”, trong bộ nhớ của máy tính, trong khi tất cả công việc được thực hiện bởi bộ xử lý của chính nó) và kết hợp (sự kết hợp của hai phương pháp đầu tiên). Điều khiển học hộp đen và trí tuệ nhân tạo Cách tiếp cận này dựa trên nguyên tắc đối lập với điều khiển học thần kinh. Ở đây, thiết bị “suy nghĩ” được cấu trúc chính xác như thế nào không còn quan trọng nữa, điều quan trọng chính là nó phản ứng với những tác động đầu vào nhất định giống như bộ não con người. Những người ủng hộ xu hướng này thúc đẩy cách tiếp cận của họ bởi thực tế là mọi người không nên mù quáng tuân theo tự nhiên trong quá trình tìm kiếm khoa học và công nghệ. Ngoài ra, các ngành khoa học biên giới về con người không thể đóng góp đáng kể
9 8 Chương 1 của đóng góp về mặt lý thuyết giải thích (ít nhất là gần đúng) quá trình trí tuệ diễn ra ở một người như thế nào, trí nhớ của anh ta hoạt động như thế nào và cách một người nhận thức thế giới xung quanh. Lĩnh vực trí tuệ nhân tạo này tập trung vào việc tìm kiếm các thuật toán giải quyết các vấn đề trí tuệ trên các mô hình máy tính hiện có. Những đóng góp đáng kể cho sự hình thành của ngành khoa học mới được thực hiện bởi những người tiên phong như McCarthy, Minsky, Newell, Simon, Shaw, Hunt và những người khác. Các cuộc tìm kiếm chuyên sâu đã được thực hiện đối với các mô hình và thuật toán về tư duy của con người cũng như việc phát triển các chương trình đầu tiên dựa trên chúng. Các đại diện của ngành nhân văn, triết gia, nhà tâm lý học và ngôn ngữ học, cả lúc đó lẫn bây giờ đều không thể đề xuất những thuật toán như vậy, sau đó điều khiển học bắt đầu tạo ra các mô hình của riêng họ. Vì vậy, nhiều cách tiếp cận khác nhau đã được tạo ra và thử nghiệm một cách nhất quán. Vào cuối những năm 1950. một mô hình tìm kiếm mê cung xuất hiện. Cách tiếp cận này biểu thị vấn đề dưới dạng một không gian trạng thái nhất định dưới dạng biểu đồ, sau đó đường dẫn tối ưu từ dữ liệu đầu vào đến dữ liệu kết quả sẽ được tìm kiếm trong biểu đồ này. đã được thực hiện công việc lớnđể tạo ra một mô hình như vậy, nhưng ý tưởng này vẫn chưa tìm được ứng dụng rộng rãi để giải quyết các vấn đề thực tế. Đầu những năm 1960 đã trở thành kỷ nguyên của lập trình heuristic. Heuristic là một quy tắc không hợp lý về mặt lý thuyết nhưng cho phép bạn giảm số lượng tìm kiếm trong không gian tìm kiếm. Lập trình heuristic là sự phát triển của một chiến lược hành động dựa trên các heuristic đã biết, được xác định trước. Vào những năm 1920 Các phương pháp logic toán học bắt đầu được sử dụng để giải quyết vấn đề. Robinson đã phát triển phương pháp giải, cho phép người ta tự động chứng minh các định lý cho một tập hợp tiên đề ban đầu. Cùng khoảng thời gian đó, nhà toán học xuất sắc người Nga Yu. S. Maslov đã đề xuất cái gọi là đạo hàm nghịch đảo (sau này được đặt theo tên ông), giải một bài toán tương tự theo một cách khác. Dựa vào phương pháp giải
10 Trí tuệ nhân tạo 9 Người Pháp Albert Colmeroe đã tạo ra ngôn ngữ lập trình logic Prolog vào năm 1973. Chương trình “Nhà logic học lý thuyết” do Newell, Simon và Shaw sáng tạo nhằm chứng minh các định lý của trường phái đã gây chấn động lớn trong cộng đồng khoa học. Tuy nhiên, hầu hết các vấn đề thực tế không thể được rút gọn thành một tập tiên đề và một người, khi giải các vấn đề sản xuất, không phải lúc nào cũng sử dụng logic cổ điển, do đó, các mô hình logic, với tất cả các ưu điểm của chúng, có những hạn chế đáng kể về các loại vấn đề đang được giải quyết. . Lịch sử trí tuệ nhân tạo chứa đầy những sự kiện kịch tính, một trong số đó là cái gọi là “báo cáo Lighthill” năm 1973, được chuẩn bị ở Anh theo lệnh của Hội đồng Nghiên cứu Anh. Nhà toán học nổi tiếng Lighthill, người không chuyên về trí tuệ nhân tạo, đã chuẩn bị một bản đánh giá về tình hình trong lĩnh vực này. Báo cáo ghi nhận một số thành tựu nhưng đánh giá là “đáng thất vọng” và đánh giá tổng thể là tiêu cực xét về ý nghĩa thực tiễn. Báo cáo này đã khiến các nhà nghiên cứu châu Âu lùi lại khoảng 5 năm vì nguồn tài trợ cho công việc này đã giảm đáng kể. Cùng thời gian đó, một bước đột phá đáng kể trong việc phát triển các ứng dụng thực tế của trí tuệ nhân tạo đã xảy ra ở Hoa Kỳ vào giữa những năm 1970. Việc tìm kiếm một thuật toán tư duy phổ quát đã được thay thế bằng ý tưởng mô hình hóa kiến thức cụ thể của các chuyên gia chuyên môn. Các hệ thống dựa trên tri thức thương mại đầu tiên, hay còn gọi là hệ thống chuyên gia (ES), xuất hiện ở Hoa Kỳ. Một cách tiếp cận mới để giải các bài toán trí tuệ nhân tạo, biểu diễn tri thức, cũng đã bắt đầu được sử dụng. Hai hệ thống chuyên gia đầu tiên về y học và hóa học, Mycin và Dendral, đã được tạo ra và trở thành hệ thống kinh điển. Lầu Năm Góc cũng có đóng góp tài chính đáng kể, đề xuất xây dựng cơ sở chương trình mới Bộ Quốc phòng Hoa Kỳ về các nguyên tắc của trí tuệ nhân tạo. Đã bắt kịp những cơ hội bị bỏ lỡ, Liên minh châu Âu vào đầu những năm 1980. đã công bố chương trình toàn cầu về phát triển công nghệ mới ESPRIT,
11 10 Chương 1, bao gồm các vấn đề về trí tuệ nhân tạo. Vào cuối những năm 1970. Nhật Bản đang tham gia cuộc đua, tuyên bố khởi động dự án máy dựa trên tri thức thế hệ thứ năm. Dự án được thiết kế trong mười năm và quy tụ những chuyên gia trẻ giỏi nhất từ các tập đoàn máy tính lớn nhất Nhật Bản. Một viện mới, ICOT, được thành lập đặc biệt dành cho những chuyên gia này và được trao quyền tự do hành động hoàn toàn (mặc dù không có quyền công bố kết quả sơ bộ). Kết quả là, họ đã tạo ra một bộ xử lý biểu tượng khá cồng kềnh và đắt tiền, triển khai ngôn ngữ giống Prolog trong phần mềm, nhưng không nhận được sự chấp nhận rộng rãi. Tuy nhiên, hiệu quả tích cực của dự án này là rõ ràng. Tại Nhật Bản, một nhóm đáng kể các chuyên gia có trình độ cao trong lĩnh vực trí tuệ nhân tạo đã xuất hiện và đã đạt được những kết quả đáng kể trong các vấn đề ứng dụng khác nhau. Đến giữa những năm 1990. Hiệp hội Trí tuệ nhân tạo Nhật Bản đã lên tới 40 nghìn người. Từ giữa những năm 1980. Việc thương mại hóa trí tuệ nhân tạo diễn ra khắp nơi. Đầu tư vốn hàng năm tăng lên và các hệ thống chuyên gia công nghiệp được tạo ra. Sự quan tâm ngày càng tăng đối với các hệ thống tự học. Hàng chục tạp chí khoa học đã được xuất bản, các hội nghị quốc tế và quốc gia được tổ chức hàng năm về các lĩnh vực khác nhau của trí tuệ nhân tạo, đang trở thành một trong những lĩnh vực có triển vọng và uy tín nhất của khoa học máy tính. Hiện tại, có hai cách tiếp cận chính để mô hình hóa trí tuệ nhân tạo: trí tuệ máy, bao gồm việc xác định nghiêm ngặt kết quả hoạt động và trí tuệ nhân tạo, nhằm mô hình hóa cấu trúc bên trong của hệ thống. Việc mô hình hóa các hệ thống thuộc nhóm đầu tiên đạt được thông qua việc sử dụng các định luật logic hình thức, lý thuyết tập hợp, đồ thị, mạng ngữ nghĩa và các thành tựu khoa học khác trong lĩnh vực tính toán rời rạc, mà kết quả chính là việc tạo ra các hệ chuyên gia, hệ thống phân tích cú pháp
12 Trí tuệ nhân tạo 11 ngôn ngữ tự nhiên và các hệ thống điều khiển đơn giản thuộc loại “phản ứng kích thích”. Các hệ thống của nhóm thứ hai dựa trên sự giải thích toán học về hoạt động của hệ thần kinh (chủ yếu là não người) và được triển khai dưới dạng mạng giống nơ-ron dựa trên phần tử giống nơ-ron tương tự nơ-ron Trí tuệ nhân tạo trong Nga Năm 1954, hội thảo “Automata và Tư duy” bắt đầu tại Đại học quốc gia Moscow dưới sự hướng dẫn của học giả A. A. Lyapunov (), một trong những người sáng lập ngành điều khiển học Nga. Hội thảo này có sự tham gia của các nhà sinh lý học, ngôn ngữ học, tâm lý học và toán học. Người ta thường chấp nhận rằng đó là thời điểm trí tuệ nhân tạo đã ra đời ở Nga. Cũng như ở nước ngoài, nó có hai hướng chính: điều khiển học thần kinh và điều khiển học “hộp đen”. Vào những năm 1920 các chương trình riêng biệt đã được tạo ra và nghiên cứu được thực hiện trong lĩnh vực tìm giải pháp cho các vấn đề logic. Tại LOMI (chi nhánh Leningrad của Viện Toán học Steklov), chương trình ALPEV LOMI đã được tạo ra, chương trình này tự động chứng minh các định lý dựa trên bản gốc đầu ra ngược lại Maslov, tương tự như phương pháp giải của Robinson. Trong số những kết quả quan trọng nhất mà các nhà khoa học trong nước thu được trong những năm 1960, cần lưu ý đến thuật toán “Kora” của M. M. Bongard, mô hình hóa hoạt động bộ não con người trong nhận dạng mẫu. Các nhà khoa học xuất sắc như M. L. Tsetlin, V. N. Pushkin, M. A. Gavrilov, những học trò của họ đã trở thành những người tiên phong trong ngành khoa học này ở Nga, cũng có đóng góp to lớn cho sự phát triển của trường phái trí tuệ nhân tạo Nga. Vào những năm 1920 một hướng đi mới của AI tình huống đã ra đời (tương ứng với cách biểu diễn tri thức theo thuật ngữ phương Tây). Người sáng lập trường khoa học này là Giáo sư D. A. Pospelov. Các mô hình đặc biệt để trình bày tình huống (biểu thị kiến thức) cũng được phát triển. Mặc dù thực tế là thái độ đối với các ngành khoa học mới ở nước Nga Xô viết luôn thận trọng, nhưng khoa học với một “thách thức” như vậy
13 12 Chương 1 với tựa đề mới cũng không thoát khỏi số phận này và vấp phải sự thù địch tại Viện Hàn lâm Khoa học. May mắn thay, trong số các thành viên của Viện Hàn lâm Khoa học Liên Xô có những người không sợ một cụm từ bất thường như tên của một hướng khoa học mới. Tuy nhiên, chỉ đến năm 1974, dưới Ủy ban Phân tích Hệ thống thuộc Đoàn chủ tịch Viện Hàn lâm Khoa học Liên Xô, một hội đồng khoa học về vấn đề “Trí tuệ nhân tạo” đã được thành lập, đứng đầu là D. A. Pospelov. Theo sáng kiến của hội đồng này, 5 dự án khoa học phức tạp đã được tổ chức, do các chuyên gia hàng đầu trong lĩnh vực này đứng đầu: “Đối thoại” (làm việc về hiểu ngôn ngữ tự nhiên), “Tình huống” (quản lý tình huống), “Ngân hàng” (ngân hàng dữ liệu), “ Constructor” (thiết kế công cụ tìm kiếm) và “Robot trí tuệ”. Vào những năm 1920 Ở nước ta, nghiên cứu tích cực đã được thực hiện trong lĩnh vực biểu diễn tri thức, ngôn ngữ biểu diễn tri thức và hệ thống chuyên gia đã được phát triển; Ngôn ngữ Refal được tạo ra tại Đại học quốc gia Moscow. Năm 1988, Hiệp hội Trí tuệ nhân tạo (AI) được thành lập và D. A. Pospelov được nhất trí bầu làm chủ tịch. Trong khuôn khổ hiệp hội này, một lượng lớn nghiên cứu đã được thực hiện, các trường dành cho các chuyên gia trẻ, các cuộc hội thảo, hội nghị chuyên đề đã được tổ chức, các hội nghị chung được tổ chức hai năm một lần và một tạp chí khoa học đã được xuất bản. Cần lưu ý rằng trình độ nghiên cứu lý thuyết về trí tuệ nhân tạo ở Nga luôn không thấp hơn trình độ toàn cầu. Tuy nhiên, thật không may, kể từ những năm 1980. Sự tụt hậu dần dần của công nghệ bắt đầu ảnh hưởng đến công việc ứng dụng. Hiện tại, độ trễ trong quá trình phát triển hệ thống thông minh công nghiệp là khoảng 3-5 năm. Các lĩnh vực ứng dụng chính của hệ thống AI: chứng minh định lý, trò chơi, nhận dạng mẫu, ra quyết định, lập trình thích ứng, sáng tác nhạc máy, xử lý ngôn ngữ tự nhiên, mạng học tập (mạng lưới thần kinh), học tập khái niệm bằng lời nói.
14 Trí tuệ nhân tạo Cấu trúc chức năng của hệ thống trí tuệ nhân tạo Cấu trúc chức năng của hệ thống AI (Hình 1.1) bao gồm ba tổ hợp công cụ máy tính. Đầu tiên trong số đó là một hệ thống điều hành (IS), một bộ công cụ thực thi các chương trình và được thiết kế theo các khía cạnh giải pháp hiệu quả nhiệm vụ; trong một số trường hợp, sự phức tạp này có một định hướng có vấn đề. Tổ hợp thứ hai là một bộ công cụ giao diện thông minh có cấu trúc linh hoạt, cung cấp khả năng thích ứng với nhiều sở thích của người dùng cuối. Bộ công cụ thứ ba với sự trợ giúp tổ chức sự tương tác của hai tổ hợp đầu tiên là cơ sở tri thức, đảm bảo việc sử dụng các công cụ tính toán theo Hình đầu tiên. Cấu trúc chức năng của hệ thống AI
15 [...]
16 Yêu cầu hệ thống tối thiểu được xác định theo yêu cầu hiện hành của chương trình Adobe Phiên bản đầu đọc không thấp hơn 11 đối với các nền tảng Windows, Mac OS, Android, ios, Windows Phone và BlackBerry; màn 10" Ấn phẩm điện tử giáo dục Sê-ri: "Giáo dục sư phạm" CƠ BẢN CỦA TRÍ TUỆ NHÂN TẠO Sách giáo khoa Biên tập viên hàng đầu D. Usenkov Nghệ sĩ N. Novak, S. Infante Biên tập viên kỹ thuật E. Denyukova Người hiệu đính L. Makarova Bố cục máy tính: S. Yankovaya Đã ký để sử dụng Định dạng mm Nhà xuất bản "Phòng thí nghiệm tri thức", Moscow, Aeroporta proezd, 3 Điện thoại: (499)
17 BOROVSKAYA ELENA VLADIMIROVNA Giảng viên cao cấp Khoa Tin học và Phương pháp giảng dạy Tin học, Đại học Sư phạm Bang Chelyabinsk. Lĩnh vực quan tâm: các vấn đề về hệ thống xếp hạng mô-đun để theo dõi và đánh giá thành tích giáo dục của sinh viên trong bối cảnh quản lý chất lượng tại một trường đại học. DAVYDOVA NADEZHDA ALEKSEEVNA Ứng viên Khoa học Sư phạm, chuyên ngành “Lý thuyết và Phương pháp Giảng dạy và Giáo dục (Tin học, Trình độ Giáo dục phổ thông)”, Phó Giáo sư Khoa Tin học và Phương pháp Giảng dạy Tin học, Đại học Sư phạm Bang Chelyabinsk. Lĩnh vực quan tâm: công nghệ hình thành nội dung giáo dục khoa học máy tính trong các lớp chuyên của trường trung học cơ sở, hệ thống dạy học thông minh. Sách giới thiệu đến người đọc lịch sử của trí tuệ nhân tạo, các mô hình biểu diễn tri thức, hệ thống chuyên gia và mạng lưới thần kinh. Các hướng và phương pháp chính được sử dụng trong phân tích, phát triển và triển khai các hệ thống thông minh được mô tả. Các mô hình biểu diễn tri thức và phương pháp làm việc với chúng, phương pháp phát triển và tạo ra hệ thống chuyên gia được xem xét. Cuốn sách sẽ giúp người đọc nắm vững các kỹ năng thiết kế logic cơ sở dữ liệu miền và lập trình trong Prolog. Cuốn sách dành cho sinh viên và giáo viên các trường đại học sư phạm, giáo viên các trường trung học cơ sở, nhà thi đấu và trường lyceum.
Giáo viên trí tuệ nhân tạo: Bragilevsky V.N. Diễn giả: Banar O.V. Lập kế hoạch Các khía cạnh triết học của AI Lịch sử phát triển AI Các phương pháp xây dựng hệ thống AI Tiếp cận theo cấu trúc. Hệ thống nhận dạng
Nhân kỷ niệm 100 năm ngày sinh của Hermogen Sergeevich Pospelov, ngày 25 tháng 5 năm 2014 đánh dấu kỷ niệm 100 năm ngày sinh của nhà khoa học kiệt xuất, viện sĩ Viện Hàn lâm Khoa học Liên Xô và Viện Hàn lâm Khoa học Nga, đoạt giải Nhà nước
1. MỤC ĐÍCH VÀ MỤC TIÊU CỦA Môn học Lịch sử của máy tính không chỉ là lịch sử phát triển các khái niệm mà còn là một trong những bộ phận của lịch sử hoạt động của con người, phản ánh cuộc sống của con người với tư cách vừa là một loài sinh học vừa là một loài sinh vật. thành viên
HƯỚNG DẪN luyện thi Thống nhất KHOA HỌC MÁY TÍNH HƯỚNG DẪN chuẩn bị cho Kỳ thi Thống nhất Quốc gia lần thứ 3, sửa chữa và mở rộng (điện tử) Biên tập bởi E. T. Vovk Moscow BINOM. Phòng thí nghiệm tri thức 2015 UDC
Tin học Bài giảng 1 Định nghĩa cơ bản Phó Giáo sư Bộ môn Hệ thống Điện tử (2302) Kuznetsov Igor Rostislavovich Định nghĩa Tin học là môn khoa học nghiên cứu tất cả các khía cạnh của việc tiếp nhận, lưu trữ, chuyển đổi, truyền tải và sử dụng
Hướng 09/03/03 Khoa học máy tính 1.2 Bài giảng “Tương tác giữa người và máy. PPO" Giảng viên Elena Vladimirovna Molnina Giáo viên cao cấp Khoa Hệ thống Thông tin, phòng 9, tòa nhà chính. thư: [email được bảo vệ]
UDC 004.89 TRÍ TUỆ NHÂN TẠO TRONG GIÁO DỤC R.V. Streltsov, Nghệ thuật. gr. TP08 L.V.Slavinskaya, nghệ thuật. giáo viên phòng Đại học Kỹ thuật Quốc gia VMiP Donetsk Quá trình giáo dục đại học bước vào thế giới
Văn bản quy định Tóm tắt chương trình lao động khoa học máy tính lớp 8. Chương trình lao động khoa học máy tính và CNTT được biên soạn trên cơ sở chương trình của tác giả Ugrinovich N.D. có tính đến chương trình gần đúng của chính
MÔ HÌNH GIẢI QUYẾT VẤN ĐỀ TÍNH TOÁN GIẢNG VIÊN ZARCHENKOVA A. A. KHÁI NIỆM CƠ BẢN Bài toán: bài toán tính toán - xác định một đại lượng nhất định, bài toán hàm - sáng tạo
Nội dung chương trình công tác I. Thuyết minh các văn bản quy phạm bảo đảm thực hiện chương trình 1. Đặc điểm chung của môn học Khoa học máy tính là một ngành khoa học tự nhiên
Cơ quan Giáo dục Liên bang Cơ quan giáo dục nhà nước về giáo dục chuyên nghiệp cao hơn "Đại học bang Novosibirsk" (NSU) Khoa Công nghệ thông tin
CƠ SỞ KỸ THUẬT CAO CẤP ĐẦU TIÊN CỦA NGA BỘ GIÁO DỤC VÀ KHOA HỌC CỦA LIÊN BANG NGA Cơ sở giáo dục ngân sách nhà nước liên bang của giáo dục đại học chuyên nghiệp
Mô hình hóa khả năng nhận thức của con người trong trí tuệ nhân tạo Natalya Andreevna Yastreb VSPU, 2010 zagoskina_natali@ mail.ru 1 Khái niệm về trí thông minh Thuật ngữ “trí thông minh” là mơ hồ;
Tóm tắt chương trình môn học “Các phương pháp nghiên cứu và mô hình hóa các quá trình và công nghệ thông tin” Mục đích của môn học: 1. MỤC TIÊU VÀ MỤC TIÊU CỦA NGÀNH Môn học “Phương pháp nghiên cứu và mô hình hóa
Về sự phát triển của các hệ thống công cụ tập trung vào giải quyết các vấn đề thông tin và logic R. G. Bukharaev, A. I. Enikeev, I. I. Makarov Thực hành sử dụng máy tính để tự động hóa
Cơ sở giáo dục ngân sách thành phố "Trường trung học cơ sở 9" Tóm tắt chương trình làm việc về khoa học máy tính và CNTT ở lớp 6 song song, Vilyuchinsk năm học 2016-2017 1 Số giờ
Tin học Tin học thiết lập các quy luật biến đổi thông tin trong bối cảnh hoạt động của các hệ thống tự động, phát triển các phương pháp thuật toán hóa và hình thành các phương tiện giao tiếp ngôn ngữ
ĐẠI HỌC LIÊN BANG KAZAN VIỆN TOÁN TÍNH TOÁN VÀ CÔNG NGHỆ THÔNG TIN Khoa Phân tích Hệ thống và Công nghệ Thông tin A.M. HỆ THỐNG TRẢI NGHIỆM YURIN Giáo dục và phương pháp luận
83 UDC 004.822 PHÁT TRIỂN HỆ THỐNG GIẢI PHÁP TỰ ĐỘNG CHO CÁC VẤN ĐỀ TÍNH TOÁN TRONG CAD, DỰA TRÊN PHƯƠNG PHÁP LẬP TRÌNH HẠN CHẾ Krilevich S.D., Grigoriev A.V. Kỹ thuật quốc gia Donetsk
MỘT. MỘT. Maríêk, Æ. MỘT. åðíêê, Þ. M. Momalovsk, S. MỘT. SỔ TAY: SỔ TAY GIẢNG DẠY BẰNG CỬ NHÂN tái bản lần thứ 2, được Rekomen sửa đổi và bổ sung
N. A. Davydova E. V. Borovskaya Sách giáo khoa LẬP TRÌNH Moscow BINOM. Phòng thí nghiệm Kiến thức 2009 UDC 004.4 BBK 32.973-018 D13 D13 Davydova N. A. Lập trình: sách giáo khoa / N. A. Davydova,
Tóm tắt môn học “trí tuệ Hệ thông thông tin» 1. MỤC ĐÍCH VÀ MỤC TIÊU CỦA NGÀNH 1.1. Mục tiêu của môn học Mục tiêu của việc giảng dạy môn học là thúc đẩy việc hình thành năng lực của học sinh.
Cơ sở giáo dục ngân sách thành phố trường trung học cơ sở 83 CHƯƠNG TRÌNH LÀM VIỆC về khoa học máy tính và CNTT ở cấp giáo viên giáo dục phổ thông trung học Galina Vladimirovna Kaurova
Các bài kiểm tra thuộc chuyên ngành IIS Chủ đề: 1. Trí tuệ nhân tạo Câu hỏi 1: Trí tuệ nhân tạo là một hướng cho phép bạn giải các bài toán phức tạp Bài toán trong ngôn ngữ lập trình;
LƯU Ý GIẢI THÍCH Chương trình hoạt động của câu lạc bộ khoa học máy tính “Nhà tin học trẻ” dành cho lớp 5-7 được xây dựng dựa trên chương trình của tác giả N.V. Makarova dành cho lớp 5-9, được Bộ Giáo dục khuyến nghị
Mạng lưới thần kinh nhân tạo và khả năng tạo ra trí tuệ nhân tạo dựa trên chúng Suleymanov K.B. FSBEI HE "Đại học bang Dagestan" Makhachkala, Nga. Mạng lưới thần kinh nhân tạo
Tóm tắt chuyên ngành “Cơ sở lập trình và thuật toán hóa” Hướng đào tạo (chuyên ngành) 09/03/02 “Hệ thống và công nghệ thông tin” Hồ sơ Hệ thống thông tin và công nghệ trong xây dựng
Phương pháp luận và logic nghiên cứu khoa học Môn học “Phương pháp luận và logic nghiên cứu khoa học” nằm trong phần cơ bản của chu trình khoa học tổng quát của đào tạo thạc sĩ. Mục đích của việc học môn học là để làm quen
Hệ thống thông minh trong kỹ thuật cơ khí Bài giảng 2.1. Các phương pháp biểu diễn tri thức. 1 Biểu diễn tri thức trong hệ thống trí tuệ nhân tạo Đặc điểm chính của hệ thống thông minh là
Marchuk 14 ĐÁNH GIÁ từ một tổ chức hàng đầu về luận án của Dmitry Aleksandrovich Krylov “Các mô hình và phương pháp thực hiện nền tảng đám mâyđể phát triển và sử dụng các dịch vụ thông minh",
CÔNG NGHỆ TRÍ TUỆ NHÂN TẠO Bài giảng 5. Hệ thống chuyên gia Tiếp theo Công nghệ AI 1 MÔ HÌNH KIỂM SOÁT Các bài toán điều khiển cổ điển. Chúng dựa trên luận điểm mà chúng ta biết: mục đích
8. QUỸ CÔNG CỤ ĐÁNH GIÁ CHỨNG CHỈ TRUNG CẤP CỦA HỌC SINH CÁC NGÀNH (MÔ-ĐUN) Tin học, Khoa học máy tính và 1. Bộ môn bảo mật thông tin 09.03.02 “Thông tin
TÓM TẮT chương trình công tác “Công nghệ thông tin trong quản lý” lĩnh vực đào tạo/chuyên ngành 38.03.04 Mã “Quản lý nhà nước, thành phố” và tên lĩnh vực/chuyên ngành
BỘ GIÁO DỤC VÀ KHOA HỌC CỦA NGA Cơ quan giáo dục ngân sách nhà nước liên bang về giáo dục đại học "Đại học công nghệ quốc gia Moscow "STANKIN" (FSBEI HE "MSTU "STANKIN") TÓM TẮT
1. Bách khoa toàn thư sư phạm Nga. Gồm 2 tập/Ch. biên tập. V.V. Davydov. M.: Bách khoa toàn thư Nga vĩ đại, 1993. T. 2. 608 tr. 2. Selevko G.K. Công nghệ giáo dục hiện đại: Proc. trợ cấp M.:
G. V. Alekseev, S. A. Bredikhin, I. I. Kholyavin TIẾP CẬN HỆ THỐNG TRONG KỸ THUẬT THỰC PHẨM Định nghĩa chung và một số ứng dụng Được Hiệp hội Phương pháp và Giáo dục Liên bang khuyến nghị trong Hệ thống Giáo dục Đại học
Phần mềm Phần mềm Hệ thống và phần mềm ứng dụng Phần mềm hệ thống được sử dụng để phát triển khả năng thực thi sản phẩm phần mềm cũng như cung cấp cho người dùng những dịch vụ nhất định. mang tính hệ thống
Tóm tắt chương trình giảng dạy môn khoa học máy tính và CNTT năm học 2016-2017 lớp 7 (giáo dục phổ thông cơ bản) Việc nghiên cứu khoa học máy tính và CNTT ở lớp VII nhằm đạt được các mục tiêu sau: - hình thành chương trình giáo dục phổ thông
UDC 004.514.6 ĐÁNH GIÁ CHẤT LƯỢNG GIAO DIỆN NGƯỜI DÙNG CỦA CHƯƠNG TRÌNH ĐÀO TẠO Goretsky A.A. Quốc gia Donetsk Đại học kỹ thuật Khoa Toán ứng dụng và Tin học Email: [email được bảo vệ]
TÓM TẮT CHƯƠNG TRÌNH CÔNG TÁC CỦA NGÀNH Hệ thống và công nghệ thông minh theo định hướng/chuyên ngành 09/03/02 - “Hệ thống và công nghệ thông tin” 1. Mục đích, mục đích của việc nắm vững bộ môn Mục đích của việc nắm vững bộ môn
HỆ THỐNG THÔNG MINH VÀ THÍCH ỨNG T. Kohonen Bản đồ tự tổ chức Bản dịch tiếng Anh lần thứ 3 của V. N. Ageev, Yu.V. Tyumentsev Moscow BINOM biên tập. Phòng thí nghiệm Kiến thức 2008 UDC 517.11+519.92
BỘ GIÁO DỤC VÀ KHOA HỌC CỦA RF Cơ sở giáo dục chuyên nghiệp nhà nước cao hơn "Đại học Nhân đạo Bang Murmansk" (MSGU) CHƯƠNG TRÌNH CÔNG VIỆC KỶ LUẬT
BỘ GIÁO DỤC VÀ KHOA HỌC CỦA LIÊN BANG NGA Cơ quan giáo dục ngân sách nhà nước liên bang về giáo dục chuyên nghiệp đại học "KỸ THUẬT HÀNG KHÔNG NHÀ NƯỚC UFA
Hệ quản trị cơ sở dữ liệu (DBMS) 1. Thông tin chung về DBMS 2. Mô hình dữ liệu 3. Hệ quản trị cơ sở dữ liệu của Microsoft Truy cập 1. Thông tin chung về hệ thống quản lý cơ sở dữ liệu Hai lĩnh vực sử dụng máy tính chính:
NGƯỜI MÁY TÍNH: Ryaby V.V., giảng viên cao cấp tại Khoa Hỗ trợ Toán học cho Máy tính Điện tử, Đại học Bang Belarus; Pobegailo A.P., Phó Giáo sư Khoa Công nghệ
BỘ GIÁO DỤC VÀ KHOA HỌC LIÊN BANG NGA Cơ quan giáo dục tự chủ nhà nước liên bang về giáo dục chuyên nghiệp đại học TRƯỜNG ĐẠI HỌC NGHIÊN CỨU QUỐC GIA HẠT NHÂN
BỘ GIÁO DỤC VÀ KHOA HỌC LIÊN BANG NGA LIÊN BANG NGÂN SÁCH NHÀ NƯỚC CƠ SỞ GIÁO DỤC GIÁO DỤC CHUYÊN NGHIỆP CAO CẤP "ĐẠI HỌC NHÀ NƯỚC - GIÁO DỤC- NGHIÊN CỨU- SẢN XUẤT
TRƯỜNG GIÁO DỤC TRUNG CẤP THÀNH PHỐ MOSCOW 382 Được xem xét tại cuộc họp của Người đứng đầu khu vực Moscow của Khu vực Moscow N.V. Nghị định thư Pavlenko năm 2014 ĐỒNG Ý Phó
UDC 372.851.046.14 BBK 74.262.21 G15 NGƯỜI ĐÁNH GIÁ: Tiến sĩ. ped. Khoa học, Phó giáo sư phòng toán và phương pháp dạy toán của Viện Giáo dục Bang Mozyr. ped. Trường đại học mang tên I. P. Shamyakin” L. A. Ivanenko; giáo viên
YURI MIKHAILOVICH ZABRODIN 70 TUỔI Vào tháng 10 năm 2010, Yuri Mikhailovich Zabrodin, một nhà khoa học lớn và người tổ chức khoa học tâm lý Nga, đã tròn 70 tuổi. Trong lịch sử tâm lý học Liên Xô và Nga
TRƯỜNG GIÁO DỤC VÙNG TAMBOV CƠ SỞ GIÁO DỤC CHUYÊN NGHIỆP BỔ SUNG “Viện ĐÀO TẠO NÂNG CAO CỦA CÔNG NHÂN GIÁO DỤC” Giảng dạy môn học
Cẩm nang dành cho cán bộ quản lý, cấp phó, giáo viên các cơ sở giáo dục phổ thông Mozyr “White Wind” 2 0 1 4 UDC 371 BBK 74.200.58 B59 Series thành lập năm 2007 Biên soạn bởi:
Giáo trình được biên soạn trên cơ sở giáo trình của cơ sở giáo dục đại học chuyên ngành 1-40 05 01 “Hệ thống thông tin và công nghệ (theo lĩnh vực)” và giáo trình “Cơ bản về thông tin”
Nội dung Mục Tiêu đề Trang phần 1. Chú giải 3-4 2. Nội dung môn học 4-5 3. Yêu cầu về trình độ chuẩn bị của học sinh 5-7 4. Ngữ văn 7 5. Lịch và lập kế hoạch chuyên đề
Chương trình đào tạo chính của giáo dục đại học đã được Hội đồng khoa học trường Đại học thông qua (Biên bản Hội đồng khoa học trường đại học số 3 ngày 16/3/2016) 2 NỘI DUNG 1. Đặc điểm chung của ngành nghề chính
MỘT. TÔI. GIẢ ĐỊNH QUẢN LÝ TỔNG QUÁT 1 TỪ PHÂN TÍCH CỦA HOA KỲ TRONG Phiên bản thứ 3, giữa hai Phiên bản chính thức của Liên bang Nga
Bài giảng 21 Hệ thống ra quyết định nhóm Quá trình ra quyết định có bản chất giống như quá trình ra quyết định quản lý. Trong đó có thể phân biệt các giai đoạn sau (Hình 4.1). I. Phân tích thiết kế
Họ viết thư cho chúng tôi từ ROSSIKHINA Larisa Vitalievna - ứng viên khoa học kỹ thuật, đội trưởng bộ phận nội vụ, giảng viên cao cấp về chu trình hệ thống kỹ thuật vô tuyến tại Trường Cao đẳng Voronezh của Dịch vụ Sám hối Liên bang
1 Sách giáo khoa: Khoa học máy tính. Lớp 11. Trình độ cao. Lúc 2 giờ Tác giả: K.Yu. Polyak, E.A. Eremin M.: BINOM, Phòng thí nghiệm Kiến thức, 2013. Dự kiến kết quả nghiên cứu khoa học máy tính Chương trình môn học “Khoa học máy tính”
Vai trò của lập trình logic trong nghiên cứu khoa học máy tính. N. Pelin State University Tiraspol (UST) Tóm tắt Công trình phân tích ý kiến của một số nhà khoa học, chuyên gia về ý nghĩa, vai trò của logic
Thực thể thành phố - quận nội thành của thành phố Ryazan, vùng Ryazan CHƯƠNG TRÌNH LÀM VIỆC về khoa học máy tính và CNTT Trình độ học vấn - lớp 10-11 về nhân văn Số giờ: 2 giờ mỗi tuần,
ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG PHÁT TRIỂN TRÒ CHƠI MÁY TÍNH Kaziev A.B., Prokopyuk S.Yu. Đại học Bách khoa Tomsk Tomsk, Nga ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
Quản lý, công nghệ máy tính và khoa học thông tin UDC 004.032.26:612.825 MẠNG THẦN KINH ĐA NĂNG ĐỒNG NHẤT PHÂN PHỐI TRỰC TIẾP VỚI KẾT NỐI ĐỊA PHƯƠNG VỚI CƠ CHẾ PHẢN XẠ CÓ ĐIỀU KIỆN CỦA HỌC TẬP TRÊN
MÔ PHỎNG ROBOT TÍCH HỢP TRONG MATLAB S.T. Sadykov ENU được đặt theo tên. L.N. Gumilyov, Astana, st. Munaitpasova, 5, 001008. E-mail: [email được bảo vệ] Giới thiệu. Thiết bị tự động Robot (robot Séc)
Phát triển trí tuệ nhân tạo
Lịch sử trí tuệ nhân tạo bắt đầu cách đây không lâu. Vào nửa sau thế kỷ 20, khái niệm này đã được hình thành trí tuệ nhân tạo(trí tuệ nhân tạo) và một số định nghĩa đã được đề xuất. Một trong những định nghĩa đầu tiên, mặc dù có nhiều cách giải thích nhưng vẫn không mất đi sự liên quan, đó là cách trình bày về trí tuệ nhân tạo như: “Một cách để làm cho máy tính suy nghĩ giống như một con người”.
Sự liên quan của việc trí tuệ hóa các hệ thống máy tính được xác định bởi nhu cầu của con người trong việc tìm ra giải pháp cho những thực tế như vậy của thế giới hiện đại như sự thiếu chính xác, mơ hồ, không chắc chắn, mờ nhạt và vô lý của thông tin. Sự cần thiết phải cải thiện tốc độ và sự phù hợp quá trình này kích thích việc tạo ra các hệ thống máy tính, thông qua tương tác với thế giới thực bằng robot, thiết bị sản xuất, dụng cụ và phần cứng khác, có thể góp phần thực hiện nó.
Các hệ thống máy tính, cơ sở của nó chỉ dựa trên logic cổ điển - tức là các thuật toán để giải quyết các vấn đề đã biết, gặp phải vấn đề khi gặp phải các tình huống không chắc chắn. Ngược lại, những sinh vật sống dù chậm hơn về tốc độ nhưng lại có khả năng đưa ra quyết định thành công trong những tình huống như vậy.
Ví dụ về trí tuệ nhân tạo
Một ví dụ là sự sụp đổ của thị trường chứng khoán năm 1987, khi các chương trình máy tính bán cổ phiếu trị giá hàng trăm triệu đô la để kiếm được lợi nhuận vài trăm đô la, điều này thực sự đã tạo ra tiền đề cho sự sụp đổ. Tình hình đã được khắc phục sau khi chuyển giao toàn quyền kiểm soát giao dịch trao đổi sang các hệ thống thông minh nguyên sinh chất, tức là cho con người.
Khi xác định khái niệm trí tuệ là một phạm trù khoa học thì cần hiểu nó là sự phù hợp của một hệ thống cho việc học tập. Do đó, theo chúng tôi, một trong những định nghĩa cụ thể nhất về trí tuệ nhân tạo được hiểu là khả năng của các hệ thống tự động trong việc tiếp thu, điều chỉnh, sửa đổi và mở rộng kiến thức nhằm tìm ra giải pháp cho các vấn đề khó chính thức hóa.
Trong định nghĩa này, thuật ngữ “kiến thức” có sự khác biệt về chất so với khái niệm thông tin. Sự khác biệt này được phản ánh rõ ràng trong việc thể hiện các khái niệm này dưới dạng kim tự tháp thông tin trong hình 1.
Hình 1 - Kim tự tháp thông tin
Nó dựa trên dữ liệu, cấp độ tiếp theo là thông tin và cấp độ kiến thức sẽ hoàn thiện kim tự tháp. Khi bạn di chuyển lên trên kim tự tháp thông tin, khối lượng dữ liệu sẽ chuyển thành giá trị của thông tin và sau đó thành giá trị của kiến thức. Nghĩa là, thông tin phát sinh tại thời điểm tương tác giữa dữ liệu chủ quan và phương pháp xử lý chúng khách quan. Kiến thức được hình thành trên cơ sở hình thành các mối quan hệ phân tán giữa các thông tin không đồng nhất, đồng thời tạo ra một hệ thống hình thức - một cách phản ánh chúng bằng những khái niệm hoặc phát biểu chính xác.
Chính sự hỗ trợ của một hệ thống như vậy - một hệ thống tri thức, ở trạng thái cập nhật như vậy, cho phép người ta xây dựng các chương trình hành động để tìm giải pháp cho các nhiệm vụ được giao, có tính đến các tình huống cụ thể phát sinh tại một thời điểm. thời điểm nhất định trong môi trường, đó là nhiệm vụ của trí tuệ nhân tạo. Do đó, trí tuệ nhân tạo cũng có thể được hình dung như một siêu thuật toán phổ quát có khả năng tạo ra các thuật toán để giải quyết các vấn đề mới.
Bang Armavir
Đại học sư phạm
CƠ BẢN CỦA TRÍ TUỆ NHÂN TẠO
dành cho sinh viên học chuyên ngành “Tin học”
Armavir 2004
Được xuất bản theo quyết định của UMS ASPU
Người phản biện: , Ứng viên Khoa học Vật lý và Toán học, Phó Giáo sư, Giám đốc Trung tâm Internet của Học viện Nông nghiệp Bang Kabardino-Balkarian
Trí tuệ nhân tạo Kozyrev. Cẩm nang giáo dục và phương pháp dành cho sinh viên học chuyên ngành “khoa học máy tính”. – Armavir, 2004
Các khái niệm cơ bản về trí tuệ nhân tạo, phương hướng và triển vọng phát triển nghiên cứu trong lĩnh vực trí tuệ nhân tạo cũng như những kiến thức cơ bản về ngôn ngữ lập trình logic PROLOG đều được xem xét.
Cẩm nang giáo dục và phương pháp này dành cho sinh viên đang theo học chuyên ngành “khoa học máy tính” và cũng có thể được sử dụng bởi bất kỳ ai quan tâm đến các vấn đề về trí tuệ nhân tạo và lập trình logic.
Lời giới thiệu………………………………..……… 4
1. Trí tuệ nhân tạo: chủ đề, lịch sử
hướng phát triển, nghiên cứu……..……….. 5
1.1. Các hướng nghiên cứu trong lĩnh vực này
trí tuệ nhân tạo…..………………………….. 5
trí tuệ nhân tạo….……………..……………. 6
2. Hệ thống tri thức……………………….. 8
3. Các mô hình biểu diễn tri thức………………………. 9
3.1. Mạng ngữ nghĩa………………………..9
3.2. Mô hình khung………………………..10
3.3. Mẫu sản phẩm…………..11
3.4. Mô hình lôgic……………………….. .12
4. Hệ chuyên gia………………………..12
4.1. Mục đích của hệ thống chuyên gia……………………….12
4.2. Các loại vấn đề được giải quyết bằng hệ thống chuyên gia…….14
4.3. Cấu trúc của hệ chuyên gia………………………..15
4.4. Các giai đoạn chính của quá trình phát triển hệ thống chuyên gia……..16
4.5. Công cụ phát triển hệ thống chuyên gia………18
5. MỞ ĐẦU - ngôn ngữ lập trình logic……….19
5.1. Thông tin chung về PROLOGE……………………………………………………19
5.2. Gợi ý: sự kiện và quy tắc……………………….20
5.4. Các biến trong PROLOG……………………….22
5.5. Đối tượng và kiểu dữ liệu trong PROLOG……………………….23
5.6. Các phần chính của chương trình PROLOG……………………….23
5.7. Quay lại………………………….24
5.8. Kiểm soát quay lui: vị từ thất bại và cắt tỉa......26
5.9. Tính toán số học……………………….27
5.10. Đệ quy………………………………..28
5.11. Danh sách……………………………………………30
5.12. Nhiệm vụ xử lý danh sách tiêu chuẩn………….….31
Văn học………………………………………………............................... 0,35
Giới thiệu
Trong những thập kỷ gần đây, trí tuệ nhân tạo đã và đang xâm chiếm mọi lĩnh vực hoạt động và trở thành phương tiện tích hợp khoa học. Các công cụ phần mềm dựa trên công nghệ và phương pháp trí tuệ nhân tạo đã trở nên phổ biến trên toàn thế giới. Nghiên cứu chuyên sâu về việc tạo ra một không gian thông tin thống nhất tạo điều kiện cho công việc chung từ xa dựa trên cơ sở tri thức hiện đã bắt đầu được thực hiện ở tất cả các nước phát triển về kinh tế. Khóa học “Cơ bản về trí tuệ nhân tạo” trong giáo dục đại học bao gồm nghiên cứu các phần như biểu diễn kiến thức bằng ngôn ngữ hình thức, cấu trúc của hệ thống chuyên gia và các nguyên tắc cơ bản cho sự phát triển của chúng, các chiến lược khác nhau để tìm kiếm mục tiêu. Một trong những nội dung chính của khóa học là thảo luận về việc triển khai hệ thống trí tuệ nhân tạo để giải quyết các vấn đề ứng dụng cụ thể.
Môi trường phát triển phần mềm Visual Prolog được coi là máy tính hỗ trợ cho khóa học. Ngôn ngữ lập trình Prolog, dựa trên ý tưởng và phương pháp logic toán học, ban đầu được tạo ra để phát triển các ứng dụng trí tuệ nhân tạo. Các ứng dụng như cơ sở tri thức, hệ thống chuyên gia, giao diện ngôn ngữ tự nhiên và hệ thống quản lý thông tin thông minh được lập trình hiệu quả trong môi trường Visual Prolog. Mức độ trừu tượng cao, khả năng biểu diễn các cấu trúc dữ liệu phức tạp và mô hình hóa các mối quan hệ logic giữa các đối tượng giúp giải quyết các vấn đề trong các lĩnh vực chủ đề khác nhau.
Cẩm nang giáo dục và phương pháp “Các nguyên tắc cơ bản của trí tuệ nhân tạo” sẽ giúp mở rộng ý tưởng của giáo viên khoa học máy tính trong tương lai về các lĩnh vực ứng dụng lý thuyết trí tuệ nhân tạo, về các ngôn ngữ lập trình và cấu trúc phần cứng hiện có và đầy hứa hẹn để tạo ra hệ thống trí tuệ nhân tạo.
1. Trí tuệ nhân tạo: đối tượng, lịch sử phát triển, lĩnh vực nghiên cứu.
TÔItrí thức(lat) - trí óc, lý trí, trí thông minh, khả năng tư duy của một người. Trí tuệ nhân tạo(AI) là một lĩnh vực khoa học máy tính, chủ đề của nó là sự phát triển phần cứng và phần mềm cho phép người dùng giải quyết các vấn đề truyền thống được coi là trí tuệ. Lý thuyết về trí tuệ nhân tạo là khoa học về tri thức, làm thế nào để có được nó, trình bày nó trong các hệ thống nhân tạo, xử lý nó trong hệ thống và sử dụng nó để giải quyết các vấn đề thực tế. Các công nghệ sử dụng AI ngày nay được sử dụng trong nhiều lĩnh vực ứng dụng.
Sự khởi đầu nghiên cứu trong lĩnh vực AI (cuối những năm 50 của thế kỷ 20) gắn liền với công trình của Newell, Sayman và Shaw, những người đã nghiên cứu các quá trình giải quyết các vấn đề khác nhau. Kết quả công việc của họ là các chương trình như "Nhà lý thuyết logic", được thiết kế để chứng minh các định lý trong phép tính mệnh đề và "Trình giải quyết vấn đề tổng quát". Những công trình này đánh dấu sự khởi đầu của giai đoạn nghiên cứu đầu tiên trong lĩnh vực AI, liên quan đến việc phát triển các chương trình, những người giải quyết rắc rối dựa trên việc sử dụng các phương pháp heuristic khác nhau.
Phương pháp heuristic để giải quyết một vấn đề được coi là đặc điểm của tư duy con người “nói chung”, được đặc trưng bởi sự xuất hiện của những phỏng đoán về cách giải quyết vấn đề và việc xác minh chúng sau đó. Nó trái ngược với phương pháp thuật toán được sử dụng trong máy tính, được hiểu là việc thực hiện một cách máy móc một chuỗi các bước nhất định, dẫn đến câu trả lời đúng một cách xác định. Việc giải thích các phương pháp heuristic để giải quyết vấn đề như một hoạt động thuần túy của con người đã dẫn đến sự xuất hiện và lan rộng hơn nữa của thuật ngữ AI
A. Điều khiển học thần kinh.
Neurocyberetic tập trung vào mô hình hóa phần cứng của các cấu trúc tương tự như cấu trúc của não. Các nhà sinh lý học từ lâu đã xác định rằng nền tảng của bộ não con người là một số lượng lớn các tế bào thần kinh - tế bào thần kinh được liên kết và tương tác với nhau. Do đó, những nỗ lực của điều khiển học thần kinh đã tập trung vào việc tạo ra các yếu tố tương tự như tế bào thần kinh và kết hợp chúng thành các hệ thống hoạt động. Các hệ thống này thường được gọi là mạng nơ-ron hoặc mạng nơ-ron. Gần đây, điều khiển học thần kinh đã bắt đầu phát triển trở lại nhờ sự phát triển nhảy vọt của máy tính. Máy tính thần kinh và máy truyền tin xuất hiện.
Hiện tại, có ba phương pháp tạo mạng nơ-ron được sử dụng:
phần cứng- tạo ra các máy tính đặc biệt, thẻ mở rộng, chipset thực hiện tất cả các thuật toán cần thiết,
chương trình- tạo ra các chương trình và công cụ được thiết kế cho máy tính hiệu suất cao. Mạng được tạo ra trong bộ nhớ của máy tính, mọi công việc đều được thực hiện bởi bộ xử lý của chính nó;
hỗn hợp- sự kết hợp của hai cái đầu tiên. Một số tính toán được thực hiện bằng các thẻ mở rộng đặc biệt (bộ đồng xử lý) và một số tính toán được thực hiện bằng phần mềm.
B. Điều khiển học hộp đen.
Điều khiển học hộp đen dựa trên nguyên tắc đối lập với điều khiển học thần kinh. Việc thiết bị "suy nghĩ" được thiết kế như thế nào không quan trọng. Điều chính là nó phản ứng với những tác động đầu vào nhất định giống như bộ não con người.
Lĩnh vực trí tuệ nhân tạo này tập trung vào việc tìm kiếm các thuật toán giải quyết các vấn đề trí tuệ trên các mô hình máy tính hiện có.
Nghiên cứu trong lĩnh vực trí tuệ nhân tạo đã trải qua một chặng đường dài và đầy chông gai: sở thích đầu tiên (1960), giả khoa học (1960-65), thành công trong việc giải các câu đố và trò chơi (), thất vọng khi giải quyết các vấn đề thực tế (), những thành công đầu tiên trong việc giải quyết một số bài toán thực tiễn ( ), ứng dụng thương mại đại chúng trong việc giải các bài toán thực tế ( ). Nhưng nền tảng của thành công thương mại chính đáng nằm ở các hệ thống chuyên gia và trước hết là các hệ thống chuyên gia thời gian thực. Chính họ là người đã cho phép trí tuệ nhân tạo chuyển từ trò chơi và câu đố sang sử dụng hàng loạt trong việc giải quyết các vấn đề thực tế quan trọng.
1.2. Nhiệm vụ chính được giải quyết trong khu vực
trí tuệ nhân tạo
Biểu diễn tri thức và phát triển hệ thống dựa trên tri thức
Phát triển các mô hình biểu diễn tri thức, tạo ra các cơ sở tri thức làm cốt lõi của các hệ chuyên gia (ES). Gần đây, nó bao gồm các mô hình và phương pháp trích xuất và cấu trúc tri thức cũng như kết hợp với kỹ thuật tri thức. Trong lĩnh vực trí tuệ nhân tạo, các hệ thống và công cụ chuyên gia để phát triển đã đạt được thành công lớn nhất về mặt thương mại.
Trò chơi và sự sáng tạo.
Trò chơi nhiệm vụ trí tuệ - cờ vua, cờ caro, cờ vây. Nó dựa trên một trong những cách tiếp cận trước đó - mô hình mê cung cộng với phương pháp phỏng đoán.
Phát triển giao diện ngôn ngữ tự nhiên và dịch máy
Điều khiển bằng giọng nói, dịch từ ngôn ngữ này sang ngôn ngữ khác. Chương trình đầu tiên trong lĩnh vực này là dịch giả từ tiếng Anh sang tiếng Nga. Ý tưởng đầu tiên, dịch từng chữ, hóa ra lại không hiệu quả. Hiện tại, một mô hình phức tạp hơn đang được sử dụng, bao gồm phân tích và tổng hợp các thông điệp bằng ngôn ngữ tự nhiên, bao gồm một số khối. Để phân tích, đó là:
Ngôn ngữ sử dụng mô hình sản xuất là PROLOGUE.
3.4. Mô hình logic
Mô tả của họ dựa trên một hệ thống chính thức với bốn yếu tố:
M=<Т, Р, А, В >, Ở đâu
T – tập hợp các phần tử cơ bản có tính chất khác nhau với các thủ tục tương ứng;
P – tập hợp các quy tắc cú pháp. Với sự trợ giúp của họ, các bộ sưu tập đúng về mặt cú pháp được hình thành từ các phần tử T. Thủ tục P(P) xác định liệu việc thu thập này có chính xác hay không;
A là tập con của tập P, gọi là tiên đề. Thủ tục P(A) đưa ra câu trả lời cho câu hỏi về tư cách thành viên trong tập hợp A;
B – tập luật suy diễn. Bằng cách áp dụng chúng cho các phần tử của A, người ta có thể thu được các tập hợp mới đúng về mặt cú pháp mà các quy tắc này có thể được áp dụng lại. Quy trình P(B) xác định đối với mỗi tập hợp đúng về mặt cú pháp liệu tập hợp đó có thể suy ra được hay không.
4. Hệ chuyên gia
4.1. Mục đích của hệ thống chuyên gia
Những hệ thống chuyên gia(ES) rất phức tạp hệ thống phần mềm, tích lũy kiến thức của các chuyên gia trong các lĩnh vực chủ đề cụ thể và nhân rộng kinh nghiệm thực nghiệm này để cung cấp lời khuyên cho những người dùng kém trình độ hơn.
Mục tiêu của nghiên cứu hệ thống chuyên gia là phát triển các chương trình khi giải quyết các vấn đề từ một lĩnh vực chủ đề nhất định sẽ thu được kết quả không thua kém về chất lượng và hiệu quả so với kết quả mà các chuyên gia thu được.
Các hệ chuyên gia được thiết kế để giải quyết các vấn đề không chính thức, có ý nghĩa thực tế. Hệ thống chuyên gia chỉ nên được sử dụng khi sự phát triển của chúng là có thể và khả thi.
Thực tế cho thấy sự cần thiết phải phát triển và triển khai các hệ thống chuyên gia:
Thiếu các chuyên gia dành thời gian đáng kể để giúp đỡ người khác;
Cần có một đội ngũ chuyên gia đông đảo, vì không ai trong số họ có đủ kiến thức;
Hiệu suất thấp vì nhiệm vụ yêu cầu phân tích đầy đủ tập hợp phức tạp các điều kiện và một chuyên gia bình thường không thể xem xét (trong thời gian quy định) tất cả các điều kiện này;
Sự hiện diện của các đối thủ cạnh tranh có lợi thế ở chỗ họ hoàn thành nhiệm vụ tốt hơn.
Qua chức năng Hệ thống chuyên gia có thể được chia thành các loại sau:
1. Hệ thống chuyên gia mạnh mẽ được thiết kế cho một nhóm người dùng hẹp (hệ thống điều khiển cho các thiết bị công nghệ phức tạp, hệ thống chuyên gia phòng không). Những hệ thống như vậy thường hoạt động theo thời gian thực và rất tốn kém.
2. Hệ thống chuyên gia được thiết kế cho nhiều người dùng. Chúng bao gồm các hệ thống chẩn đoán y tế và hệ thống đào tạo phức tạp. Cơ sở kiến thức của các hệ thống này không hề rẻ vì nó chứa đựng những kiến thức độc đáo thu được từ các chuyên gia giàu kinh nghiệm. Việc thu thập kiến thức và hình thành cơ sở tri thức được thực hiện bởi chuyên gia thu thập kiến thức - kỹ sư nhận thức.
3. Hệ thống chuyên gia có số lượng quy tắc nhỏ và tương đối rẻ tiền. Các hệ thống này được thiết kế cho người tiêu dùng đại chúng (hệ thống hỗ trợ khắc phục sự cố trong thiết bị). Việc sử dụng các hệ thống như vậy giúp loại bỏ nhu cầu về nhân sự có trình độ cao và giảm thời gian khắc phục sự cố. Cơ sở tri thức của một hệ thống như vậy có thể được bổ sung và thay đổi mà không cần sự trợ giúp của các nhà phát triển hệ thống. Họ thường sử dụng kiến thức từ nhiều sách tham khảo và tài liệu kỹ thuật.
4. Hệ thống chuyên gia đơn giản để sử dụng cá nhân. Thường được thực hiện độc lập. Được sử dụng trong các tình huống để làm cho công việc hàng ngày dễ dàng hơn. Người dùng, sau khi sắp xếp các quy tắc thành một cơ sở tri thức nhất định, sẽ tạo ra hệ thống chuyên gia của riêng mình dựa trên cơ sở đó. Những hệ thống như vậy được sử dụng trong luật pháp, hoạt động thương mại và sửa chữa các thiết bị đơn giản.
Việc sử dụng các hệ thống chuyên gia và mạng lưới thần kinh mang lại lợi ích kinh tế đáng kể. Ví dụ: - American Express giảm lỗ 27 triệu USD mỗi năm nhờ hệ thống chuyên gia xác định tính khả thi của việc cấp hoặc từ chối khoản vay cho một công ty cụ thể; - DEC tiết kiệm 70 triệu USD hàng năm nhờ XCON/XSEL, công cụ tùy chỉnh hệ thống máy tính VAX. Việc sử dụng nó đã giảm số lỗi từ 30% xuống 1%; - Sira đã giảm chi phí xây dựng đường ống ở Úc tới 40 triệu USD bằng cách sử dụng hệ thống quản lý đường ống chuyên nghiệp.
4.2. Các loại vấn đề được giải quyết bằng cách sử dụng
những hệ thống chuyên gia
Giải thích dữ liệu. Giải thích có nghĩa là xác định ý nghĩa của dữ liệu, kết quả của nó phải nhất quán và chính xác. Ví dụ về ES:
Phát hiện và nhận dạng các loại tàu biển - SIAP;
Xác định các nét tính cách cơ bản dựa trên kết quả kiểm tra chẩn đoán tâm lý trong hệ thống AVTANTEST và MICROLUSHER, v.v.
Chẩn đoán. Chẩn đoán đề cập đến việc phát hiện sự cố trong một hệ thống nhất định. Ví dụ về ES:
Chẩn đoán và điều trị hẹp mạch vành - ANGY;
Chẩn đoán lỗi phần cứng, phần mềm máy tính - hệ thống CRIB,..
Giám sát. Nhiệm vụ chính của giám sát là giải thích liên tục dữ liệu theo thời gian thực và báo hiệu khi một số thông số nhất định vượt quá giới hạn chấp nhận được. Các vấn đề chính là “thiếu” tình huống cảnh báo và vấn đề ngược lại với việc kích hoạt “sai”. Ví dụ về ES:
Giám sát vận hành nhà máy điện SPRINT, hỗ trợ điều độ lò phản ứng hạt nhân - REACTOR:
Giám sát các cảm biến khẩn cấp tại nhà máy hóa chất - FALCON, v.v.
Thiết kế. Thiết kế bao gồm việc chuẩn bị các thông số kỹ thuật để tạo ra các “đối tượng” với các đặc tính được xác định trước. Đặc điểm kỹ thuật có nghĩa là toàn bộ tài liệu cần thiết bản vẽ, ghi chú giải thích, v.v. Ví dụ về ES:
Thiết kế cấu hình máy tính VAX - 1/780 trong hệ thống XCON (hoặc R1),
Thiết kế LSI - CADHELP;
Tổng hợp các mạch điện - SYN, v.v.
Dự báo. Các hệ thống dự đoán rút ra một cách hợp lý các hậu quả có thể xảy ra từ các tình huống nhất định. Ví dụ về ES:
Dự báo thời tiết - hệ thống WILLARD:
Ước tính thu hoạch trong tương lai - PI. CON KIẾN;
Dự báo trong nền kinh tế - ECON, v.v.
Lập kế hoạch. Lập kế hoạch đề cập đến việc tìm kiếm các kế hoạch hành động liên quan đến các đối tượng có khả năng thực hiện các chức năng nhất định. ES như vậy sử dụng các mô hình hành vi của các đối tượng thực để suy luận một cách hợp lý các hậu quả của hoạt động đã lên kế hoạch. Ví dụ về ES:
Lập kế hoạch hành vi của robot - STRIPS,
Lập kế hoạch đặt hàng công nghiệp - 1SIS,
Thiết kế thí nghiệm - MOLGEN et al.
Giáo dục. Hệ thống giáo dục chẩn đoán lỗi khi học bất kỳ môn học nào bằng máy tính và đề xuất giải pháp chính xác. Họ tích lũy kiến thức về một “học sinh” giả định và những sai lầm đặc trưng của anh ta, sau đó trong công việc của mình, họ có thể chẩn đoán những điểm yếu trong kiến thức của học sinh và tìm ra những biện pháp thích hợp để loại bỏ chúng. Ví dụ về ES:
Đào tạo ngôn ngữ lập trình Lisp trên hệ thống “Teacher Lisp”;
Hệ thống PROUST - đào tạo ngôn ngữ Pascal et al.
Các giải pháp của hệ thống chuyên gia rất minh bạch, tức là chúng có thể được giải thích cho người dùng ở mức độ định tính.
Các hệ chuyên gia có thể mở rộng kiến thức của mình trong quá trình tương tác với chuyên gia.
4.3. Cấu trúc của hệ thống chuyên gia
Cấu trúc của hệ chuyên gia bao gồm các thành phần sau:
Kiến thức cơ bản– cốt lõi của ES, một khối kiến thức về một lĩnh vực chủ đề, được ghi lại trên phương tiện máy tính dưới dạng dễ hiểu đối với chuyên gia và người dùng (thường bằng một số ngôn ngữ gần gũi với tự nhiên). Song song với cách biểu diễn “con người” này, còn có một cơ sở tri thức trong cách biểu diễn “máy” bên trong. Nó bao gồm một tập hợp các sự kiện và quy tắc.
Sự kiện – mô tả các đối tượng và mối quan hệ giữa chúng. Quy tắc – được sử dụng trong cơ sở tri thức để mô tả mối quan hệ giữa các đối tượng. Dựa trên các mối quan hệ được quy định bởi các quy tắc, suy luận logic được thực hiện.
Cơ sở dữ liệu– nhằm mục đích lưu trữ tạm thời các sự kiện và giả thuyết, chứa dữ liệu trung gian hoặc kết quả giao tiếp giữa hệ thống và người dùng.
Máy suy luận– một cơ chế suy luận hoạt động với kiến thức và dữ liệu để thu được dữ liệu mới; đối với điều này, cơ chế tìm kiếm giải pháp được triển khai bằng phần mềm thường được sử dụng.
Tiểu hệ thống truyền thông– dùng để tiến hành đối thoại với người dùng, trong đó hệ thống chuyên gia yêu cầu người dùng cung cấp các dữ kiện cần thiết cho quá trình lý luận và cũng cho phép người dùng kiểm soát quá trình lý luận ở một mức độ nào đó.
Hệ thống con giải thích– là cần thiết để cung cấp cho người dùng cơ hội kiểm soát quá trình suy luận.
Hệ thống con tiếp thu kiến thức– một chương trình cung cấp cho kỹ sư tri thức cơ hội tạo ra cơ sở tri thức ở chế độ tương tác. Bao gồm một hệ thống các menu lồng nhau, các mẫu ngôn ngữ biểu diễn kiến thức, các gợi ý (chế độ "trợ giúp") và các công cụ dịch vụ khác giúp làm việc với cơ sở dữ liệu dễ dàng hơn.
Hệ thống chuyên gia hoạt động ở hai chế độ:
Tiếp thu kiến thức (định nghĩa, sửa đổi, bổ sung);
Giải pháp vấn đề.
Trong chế độ này, dữ liệu nhiệm vụ được xử lý và sau khi mã hóa thích hợp, được chuyển đến các khối của hệ thống chuyên gia. Kết quả xử lý dữ liệu nhận được đưa vào mô-đun tư vấn, giải thích và sau khi mã hóa sang ngôn ngữ gần gũi với tự nhiên sẽ được đưa ra dưới dạng tư vấn, giải thích và nhận xét. Nếu câu trả lời không rõ ràng đối với người dùng, người dùng có thể yêu cầu hệ thống chuyên gia giải thích để có được câu trả lời.
4.4. Các giai đoạn chính của phát triển hệ thống chuyên gia
Quy trình công nghệ phát triển hệ thống chuyên gia công nghiệp có thể được chia thành sáu giai đoạn chính:
1. Lựa chọn vấn đề đúng
Các hoạt động trước khi quyết định bắt đầu phát triển một ES cụ thể bao gồm:
Xác định khu vực và nhiệm vụ có vấn đề;
Tìm một chuyên gia sẵn sàng hợp tác giải quyết vấn đề và phân công nhóm phát triển;
Xác định cách tiếp cận sơ bộ để giải quyết vấn đề;
Phân tích chi phí và lợi nhuận từ việc phát triển;
Chuẩn bị kế hoạch phát triển chi tiết.
2. Phát triển hệ thống nguyên mẫu
Hệ thống nguyên mẫu là phiên bản rút gọn của hệ thống chuyên gia được thiết kế để xác minh việc mã hóa chính xác các sự kiện, mối quan hệ và chiến lược lý luận của chuyên gia.
Nguyên mẫu phải đáp ứng hai yêu cầu:
Hệ thống nguyên mẫu sẽ giải quyết được những vấn đề điển hình nhất nhưng không nên lớn.
Thời gian và lao động liên quan đến việc tạo ra một nguyên mẫu sẽ không đáng kể.
Hiệu suất của các chương trình nguyên mẫu được đánh giá và kiểm tra để đảm bảo chúng phù hợp với nhu cầu thực tế của người dùng. Nguyên mẫu được thử nghiệm:
Sự thuận tiện và đầy đủ của các giao diện đầu vào-đầu ra (bản chất của câu hỏi trong đoạn hội thoại, tính mạch lạc của văn bản đầu ra của kết quả, v.v.)
Hiệu quả của chiến lược điều khiển (thứ tự liệt kê, sử dụng suy luận mờ, v.v.);
Chất lượng của các trường hợp thử nghiệm;
Tính đúng đắn của cơ sở kiến thức (sự đầy đủ và nhất quán của các quy tắc).
Chuyên gia thường làm việc với một kỹ sư tri thức, người giúp cấu trúc tri thức, xác định và hình thành các khái niệm và quy tắc cần thiết
để giải quyết vấn đề. Nếu thành công, chuyên gia, với sự trợ giúp của kỹ sư nhận thức, sẽ mở rộng cơ sở kiến thức của nguyên mẫu về miền vấn đề.
Nếu thất bại, có thể rút ra kết luận. Cần những phương pháp nào khác để giải quyết vấn đề này hoặc phát triển một nguyên mẫu mới.
3. Phát triển nguyên mẫu thành hệ thống chuyên gia công nghiệp.
Ở giai đoạn này, cơ sở kiến thức được mở rộng đáng kể và một số lượng lớn các phương pháp phỏng đoán bổ sung được bổ sung. Những phương pháp phỏng đoán này thường làm tăng độ sâu của hệ thống bằng cách cung cấp số lớn hơn quy tắc cho các khía cạnh tinh tế của từng trường hợp cụ thể. Sau khi thiết lập cấu trúc cơ bản của ES, kỹ sư tri thức bắt đầu phát triển và điều chỉnh các giao diện mà qua đó hệ thống sẽ giao tiếp với người dùng và chuyên gia.
Theo quy định, quá trình chuyển đổi suôn sẻ từ nguyên mẫu sang hệ thống chuyên gia công nghiệp sẽ được thực hiện. Đôi khi trong quá trình phát triển hệ thống công nghiệp Có các giai đoạn bổ sung cho quá trình chuyển đổi: nguyên mẫu trình diễn - nguyên mẫu nghiên cứu - nguyên mẫu hoạt động - hệ thống công nghiệp.
4. Đánh giá hệ thống
Hệ thống chuyên gia được đánh giá để kiểm tra tính chính xác của chương trình và tính hữu ích của nó. Việc đánh giá có thể được thực hiện dựa trên nhiều tiêu chí khác nhau mà chúng tôi nhóm lại như sau:
Tiêu chí người dùng (sự rõ ràng và minh bạch của hệ thống, giao diện thân thiện với người dùng, v.v.);
Tiêu chí chuyên gia được mời (đánh giá tư vấn, giải pháp mà hệ thống đưa ra, so sánh với Quyết định của riêng, đánh giá hệ thống con giải thích, v.v.);
Tiêu chí của nhóm phát triển (hiệu quả thực hiện, năng suất, thời gian phản hồi, thiết kế, phạm vi bao phủ của chủ đề, tính nhất quán về kiến thức, số lượng ngõ cụt khi hệ thống không thể đưa ra quyết định, phân tích độ nhạy của chương trình đối với những thay đổi nhỏ trong biểu diễn kiến thức, trọng số các hệ số được sử dụng trong đầu ra logic, dữ liệu, v.v.).
5. Lắp ghép hệ thống
Ở giai đoạn này, hệ thống chuyên gia được giao tiếp với các hệ thống khác phần mềm trong môi trường mà nó sẽ hoạt động và đào tạo những người mà nó sẽ phục vụ. Giao diện cũng đề cập đến sự phát triển các kết nối giữa hệ thống chuyên gia và môi trường mà nó hoạt động.
Việc lắp ghép bao gồm việc đảm bảo liên lạc giữa ES và căn cứ hiện có dữ liệu và các hệ thống khác trong doanh nghiệp, cũng như cải thiện các yếu tố hệ thống phụ thuộc vào thời gian để có thể hoạt động hiệu quả hơn và cải thiện hiệu suất phần cứng khi hệ thống hoạt động trong môi trường bất thường (ví dụ: giao tiếp với các thiết bị đo lường).
6. Hỗ trợ hệ thống
Việc mã hóa lại hệ thống sang ngôn ngữ như C sẽ cải thiện hiệu suất và tính di động nhưng làm giảm tính linh hoạt. Điều này chỉ được chấp nhận nếu hệ thống giữ lại toàn bộ tri thức về miền vấn đề và tri thức này sẽ không thay đổi trong tương lai gần. Tuy nhiên, nếu hệ thống chuyên gia được tạo ra chính xác vì lĩnh vực vấn đề đang thay đổi thì cần phải duy trì hệ thống trong môi trường công cụ phát triển.
Ngôn ngữ trí tuệ nhân tạo
Lisp (LISP) và Prolog (Prolog) là những ngôn ngữ phổ biến nhất được thiết kế để giải quyết các vấn đề về trí tuệ nhân tạo. Ngoài ra còn có các ngôn ngữ trí tuệ nhân tạo ít phổ biến hơn, chẳng hạn như REFAL, được phát triển ở Nga. Tính linh hoạt của các ngôn ngữ này kém hơn so với các ngôn ngữ truyền thống, nhưng các ngôn ngữ trí tuệ nhân tạo bù đắp cho sự thiếu hụt của nó bằng khả năng làm việc phong phú với dữ liệu biểu tượng và logic, điều này cực kỳ quan trọng đối với các nhiệm vụ trí tuệ nhân tạo. Dựa trên các ngôn ngữ trí tuệ nhân tạo, các máy tính chuyên dụng (ví dụ máy Lisp) được tạo ra để giải quyết các vấn đề về trí tuệ nhân tạo. Nhược điểm của các ngôn ngữ này là không thể áp dụng để tạo ra các hệ thống chuyên gia lai.
Công cụ phần mềm đặc biệt
Thư viện và tiện ích bổ sung cho ngôn ngữ trí tuệ nhân tạo Lisp: KEE (Môi trường kỹ thuật tri thức), FRL (Ngôn ngữ biểu diễn khung), KRL (Ngôn ngữ biểu diễn tri thức), ARTS, v.v., cho phép người dùng làm việc với các khoảng trống hệ thống chuyên gia ở cấp độ cao hơn hơn những gì có thể làm được trong các ngôn ngữ trí tuệ nhân tạo thông thường.
"Vỏ"
“Shell” là phiên bản trống của các hệ chuyên gia hiện có, tức là các hệ chuyên gia được tạo sẵn không có cơ sở tri thức. Một ví dụ về lớp vỏ như vậy là EMYCIN (Empty MYCIN - trống MYC1N), là một hệ thống chuyên gia MYCIN trống. shell là chúng hoàn toàn không yêu cầu công sức của các lập trình viên để tạo ra một hệ thống chuyên gia làm sẵn. Chỉ các chuyên gia về miền mới được yêu cầu đưa vào cơ sở kiến thức. Tuy nhiên, nếu một lĩnh vực chủ đề nhất định không phù hợp lắm với mô hình được sử dụng trong một cái vỏ nào đó, việc điền vào cơ sở tri thức trong trường hợp này không phải là điều dễ dàng lắm.
5. MỞ ĐẦU - ngôn ngữ logic
lập trình
5.1. Thông tin chung về PROLOG.
PROLOGUE (Lập trình trong LOGIC) là ngôn ngữ lập trình logic được thiết kế để giải quyết các vấn đề trong lĩnh vực trí tuệ nhân tạo (tạo hệ thống điện tử, chương trình dịch thuật, xử lý ngôn ngữ tự nhiên). Nó được sử dụng để xử lý ngôn ngữ tự nhiên và có các công cụ mạnh mẽ cho phép bạn trích xuất thông tin từ cơ sở dữ liệu và các phương pháp tìm kiếm được sử dụng trong đó về cơ bản khác với các phương pháp tìm kiếm truyền thống.
Cấu trúc cơ bản của PROLOG được mượn từ logic. PROLOG không phải là ngôn ngữ lập trình thủ tục mà là ngôn ngữ lập trình khai báo. Nó không tập trung vào việc phát triển các giải pháp mà tập trung vào việc mô tả vấn đề một cách có hệ thống và chính thức để giải pháp tuân theo mô tả đã biên soạn.
Bản chất của cách tiếp cận logic là máy không được cung cấp thuật toán như một chương trình mà là một mô tả chính thức về lĩnh vực chủ đề và vấn đề đang được giải quyết dưới dạng một hệ thống tiên đề. Sau đó, việc tìm kiếm giải pháp sử dụng đầu ra trong hệ thống này có thể được giao cho chính máy tính. Nhiệm vụ chính của lập trình viên là thể hiện thành công lĩnh vực chủ đề bằng một hệ thống các công thức logic và các mối quan hệ đa dạng trên đó mô tả đầy đủ nhất nhiệm vụ.
Các thuộc tính cơ bản của PROLOGUE:
1) cơ chế suy luận với tìm kiếm và trả về
2) cơ chế khớp mẫu tích hợp
3) cấu trúc dữ liệu đơn giản và dễ thay đổi
4) không có con trỏ, toán tử gán và chuyển đổi
5) tính tự nhiên của đệ quy
Các giai đoạn lập trình trong PROLOG:
1) tuyên bố sự thật về các đối tượng và mối quan hệ giữa chúng;
2) xác định các quy tắc về mối quan hệ của các đối tượng và mối quan hệ giữa chúng;
3) xây dựng câu hỏi về các đối tượng và mối quan hệ giữa chúng.
Cơ sở lý thuyết của PROLOG là một nhánh của logic ký hiệu được gọi là phép tính vị từ.
Thuộc tính là tên của một thuộc tính hoặc mối quan hệ giữa các đối tượng với một chuỗi đối số.
<имя_предиката>(t1, t2, ..., tn)), t1,t2,...,tn – đối số
Ví dụ, thực tế black(cat) được viết bằng vị từ black, có một đối số. Sự thật đã viết (Sholokhov, "QUIET FON")được viết bằng vị ngữ đã viết, trong đó có hai đối số.
Số lượng đối số của vị từ gọi là độ tính của vị từ và được ký hiệu là black/1 (vị ngữ màu đen có một đối số, độ tính của nó bằng một). Các vị từ có thể không có đối số; giá trị của các vị từ đó là 0.
Ngôn ngữ Prolog phát triển từ công trình của A. Colmerauer về xử lý ngôn ngữ tự nhiên và công trình độc lập của Robert Kowalski về ứng dụng logic vào lập trình (1973).
Hệ thống nổi tiếng nhất ở Nga Lập trình Turbo Prolog là một triển khai thương mại của ngôn ngữ này dành cho các PC tương thích với IBM. Năm 1988, phiên bản Turbo Prolog 2.0 mạnh mẽ hơn nhiều được phát hành, bao gồm môi trường phát triển chương trình tích hợp được cải tiến, trình biên dịch nhanh và các công cụ lập trình cấp thấp. Borland phân phối phiên bản này cho đến năm 1990, và sau đó PDC giành được độc quyền sử dụng mã nguồn trình biên dịch và tiếp tục quảng bá hệ thống lập trình ra thị trường dưới tên PDC Prolog.
Năm 1996, Trung tâm Phát triển Prolog phát hành Visual Prolog 4.0 ra thị trường. Môi trường Visual Prolog sử dụng một phương pháp được gọi là “lập trình trực quan”, trong đó hình thức và hành vi của các chương trình được xác định bằng cách sử dụng đặc biệt công cụ đồ họa thiết kế mà không có lập trình truyền thống bằng ngôn ngữ thuật toán.
Visual Prolog bao gồm Môi trường phát triển trực quan tương tác (VDE), bao gồm văn bản và các trình soạn thảo đồ họa khác nhau, các công cụ tạo mã xây dựng logic điều khiển (Chuyên gia) và giao diện là phần mở rộng của ngôn ngữ lập trình trực quan(VPI - Giao diện lập trình trực quan), trình biên dịch Prolog, một tập hợp các tệp và thư viện plug-in khác nhau, trình chỉnh sửa liên kết, các tệp chứa các ví dụ và trợ giúp.
5.2. Gợi ý: sự thật và quy tắc
Chương trình PROLOG bao gồm các câu lệnh, có thể là sự kiện, quy tắc hoặc truy vấn.
Sự thật là một tuyên bố rằng một mối quan hệ cụ thể nhất định giữa các đối tượng được quan sát. Một thực tế được sử dụng để thể hiện mối quan hệ đơn giản giữa dữ liệu.
Cấu trúc sự kiện:
<имя_отношения>(t1,t2,...,tn)), t1,t2,...,tn – đối tượng
Ví dụ về sự thật:
nghiên cứu (Ira, trường đại học). % Ira học tại trường đại học
cha mẹ (Ivan, Alexey). % Ivan là cha mẹ của Alexey
lập trình_ngôn ngữ (mở đầu). % Prolog là ngôn ngữ lập trình
Tập hợp các sự thật là cơ sở dữ liệu. Ở dạng sự thật, chương trình ghi lại dữ liệu được chấp nhận là sự thật và không yêu cầu bằng chứng.
Quy tắcđược sử dụng để thiết lập mối quan hệ giữa các đối tượng dựa trên các sự kiện có sẵn.
Cấu trúc quy tắc:
<имя_правила> :- <тело правила>hoặc
<имя_правила >nếu như<тело правила>
Vế trái của luật suy luận được gọi là cái đầu quy tắc và phần bên phải - thân hình. Nội dung có thể bao gồm một số điều kiện, được phân tách bằng dấu phẩy hoặc dấu chấm phẩy. Dấu phẩy có nghĩa là phép toán logic AND, dấu chấm phẩy có nghĩa là phép toán logic OR. Các câu sử dụng các biến để khái quát hóa các quy tắc suy luận. Các biến chỉ có giá trị trong một câu. Tên trong các câu khác nhau đề cập đến các đối tượng khác nhau. Tất cả các câu phải kết thúc bằng dấu chấm.
Ví dụ về các quy tắc:
mẹ (X, Y): - cha mẹ (X, Y), người phụ nữ (X).
sinh viên (X):- đang học (X, viện); học (X, đại học).
Một quy tắc khác với một thực tế ở chỗ một thực tế luôn đúng và một quy tắc là đúng nếu tất cả các phát biểu tạo nên nội dung của quy tắc đều được thỏa mãn. Sự kiện và hình thức quy tắc kiến thức cơ bản.
Nếu bạn có cơ sở dữ liệu, bạn có thể viết lời yêu cầu(mục tiêu) với cô ấy. Một yêu cầu là một phát biểu về vấn đề mà chương trình phải giải quyết. Cấu trúc của nó giống như cấu trúc của một quy tắc hoặc sự kiện. Có truy vấn với hằng số và truy vấn với biến.
Truy vấn với hằng số cho phép bạn nhận được một trong hai câu trả lời: “có” hoặc “không”
Ví dụ: có sự thật:
biết (Lena, Tanya).
biết (Lena, Sasha).
biết (Sasha, Tanya).
a) Lena có biết Sasha không?
lời yêu cầu: biết (Lena, Sasha).
Kết quả: Đúng
b) Tanya có biết Lena không?
lời yêu cầu biết (Tanya, Lena).
Kết quả: KHÔNG
Nếu truy vấn bao gồm một biến, trình thông dịch sẽ cố gắng tìm các giá trị của nó sao cho truy vấn là đúng.
a) Lena biết ai?
lời yêu cầu: biết (Lena, X).
Kết quả:
X = Tanya
X = Sasha
b) Ai biết Sasha?
lời yêu cầu: biết (X, Sasha).
Kết quả: X = Lena
Các yêu cầu có thể phức tạp, tức là bao gồm một số truy vấn đơn giản. Chúng được thống nhất bởi dấu “,” được hiểu là từ nối logic “và”.
Các truy vấn đơn giản được gọi mục tiêu phụ, một truy vấn kết hợp sẽ đánh giá là đúng khi mỗi mục tiêu phụ đều đúng.
Để trả lời liệu Lena và Sasha có quen biết nhau hay không, bạn nên tạo một truy vấn:
biết (Lena, X), biết (Sasha, X).
Kết quả:
X = Tanya
5.4. Các biến trong PROLOG
Một biến trong PROLOG không được coi là vùng bộ nhớ được phân bổ. Nó được sử dụng để chỉ định một đối tượng không thể gọi bằng tên. Một biến có thể được coi là tên cục bộ của một số đối tượng.
Tên biến phải bắt đầu bằng chữ in hoa hoặc dấu gạch dưới và chỉ chứa các ký tự chữ và số và dấu gạch dưới: X, _y, AB, X1. Một biến không có giá trị được gọi miễn phí, một biến có giá trị – cụ thể.
Một biến chỉ có dấu gạch dưới được gọi vô danh và được sử dụng nếu giá trị của nó không quan trọng. Ví dụ: có sự thật:
cha mẹ (Ira, Tanya).
cha mẹ (Misha, Tanya).
cha mẹ (Olya, Ira).
Bắt buộc phải xác định tất cả phụ huynh
Lời yêu cầu: cha mẹ(X, _)
Kết quả:
X = Ira
X = Misha
X = Olya
Phạm vi của một biến là khẳng định. Trong một câu lệnh, cùng một tên thuộc về cùng một biến. Hai câu lệnh có thể sử dụng cùng một tên biến theo những cách hoàn toàn khác nhau.
Không có toán tử gán trong PROLOG; vai trò của nó được thực hiện bởi toán tử đẳng thức =. Mục tiêu X=5 có thể được coi là một so sánh (nếu biến X có giá trị) hoặc dưới dạng phép gán (nếu biến X là tự do).
Trong PROLOG bạn không thể viết X=X+5 để tăng giá trị của một biến. Nên sử dụng một biến mới: Y=X+5.
5.5. Đối tượng và kiểu dữ liệu trong PROLOG
Các đối tượng dữ liệu trong PROLOG được gọi là nhiệt. Một thuật ngữ có thể là một hằng số, một biến hoặc một thuật ngữ ghép (cấu trúc). Hằng số là số nguyên và số thực (0, - l, 123,4, 0,23E-5), cũng như các nguyên tử.
nguyên tử– bất kỳ chuỗi ký tự nào được đặt trong dấu ngoặc kép. Dấu ngoặc kép bị bỏ qua nếu chuỗi bắt đầu bằng chữ cái viết thường và chỉ chứa các chữ cái, số và dấu gạch dưới (nghĩa là nếu nó có thể được phân biệt với các ký hiệu biến). Ví dụ về nguyên tử:
abcd, “a+b”, “sinh viên Ivanov”, đoạn mở đầu, “Lời mở đầu”.
Kết cấu cho phép bạn kết hợp một số đối tượng thành một tổng thể duy nhất. Nó bao gồm một functor (tên) và một chuỗi các thuật ngữ.
Số lượng thành phần trong một cấu trúc được gọi là tính chất của cấu trúc: data/3.
Một cấu trúc có thể chứa một cấu trúc khác làm một trong các đối tượng của nó.
birthday_day (người(“Masha”,,”Ivanova”), dữ liệu(15 tháng 4 năm 1983))
Lãnh địa trong PROLOG được gọi là kiểu dữ liệu. Tên miền tiêu chuẩn là:
số nguyên – số nguyên.
số thực – số thực.
chuỗi - chuỗi (bất kỳ chuỗi ký tự nào được đặt trong dấu ngoặc kép).
char là một ký tự đơn được đặt trong dấu nháy đơn.
ký hiệu – một chuỗi các chữ cái Latinh, số và dấu gạch dưới, bắt đầu bằng chữ cái viết thường hoặc bất kỳ chuỗi ký tự nào được đặt trong dấu ngoặc kép.
5.6. Các phần chính của chương trình PROLOG
Thông thường, một chương trình PROLOG bao gồm bốn phần.
TÊN MIỀN– phần mô tả các miền (loại). Phần này được sử dụng nếu chương trình sử dụng tên miền không chuẩn.
Ví dụ:
VỊ TỪ – phần mô tả vị ngữ. Phần này được sử dụng nếu chương trình sử dụng các vị từ không chuẩn.
Ví dụ:
biết (tên, tên)
tên học sinh)
ĐIỀU KHOẢN - phần gợi ý. Chính trong phần này các câu được viết: sự kiện và quy tắc suy luận.
Ví dụ:
biết (Lena, Ivan).
sinh viên (Ivan).
quen_student(X, Y):- biết(X, Y), sinh viên(Y).
MỤC TIÊU - phần mục tiêu. Yêu cầu được viết trong phần này.
Ví dụ:
sign_student(lena, X).
Chương trình đơn giản nhất có thể chỉ chứa phần MỤC TIÊU, ví dụ:
viết (“Nhập tên của bạn: ”), readln (Tên),
write("Xin chào,", Tên, "!").
Maslennikova O.E. , Popova I.V.Hướng dẫn. Magnitogorsk: MaSU, 2008. 282 trang. Sách giáo khoa trình bày các mô hình biểu diễn tri thức, lý thuyết về hệ chuyên gia, các kiến thức cơ bản về lập trình logic và hàm. Người ta chú ý nhiều đến lịch sử phát triển của trí tuệ nhân tạo. Việc trình bày tài liệu đi kèm với một số lượng lớn các hình ảnh minh họa, bài tập và câu hỏi để tự kiểm soát được đưa ra.
Công việc hướng đến đối tượng là sinh viên toàn thời gian và bán thời gian đang theo học các lĩnh vực “Khoa học máy tính”, “Giáo dục Vật lý và Toán học (Hồ sơ – Khoa học máy tính)”.
Lịch sử phát triển trí tuệ nhân tạo như một hướng khoa học.
Các hướng nghiên cứu chính trong lĩnh vực trí tuệ nhân tạo.
Các khía cạnh triết học của vấn đề trí tuệ nhân tạo.
Câu hỏi để tự kiểm soát.
Văn học.
Các mô hình biểu diễn tri thức
Kiến thức.
Mô hình logic biểu diễn tri thức.
Mạng ngữ nghĩa.
Khung.
Dòng sản phẩm.
Các mô hình biểu diễn tri thức khác
Bài tập.
Câu hỏi để tự kiểm soát.
Văn học.
Những hệ thống chuyên gia.
Khái niệm về hệ chuyên gia.
Các loại hệ thống chuyên gia và các loại vấn đề cần giải quyết.
Cấu trúc và phương thức hoạt động của hệ chuyên gia.
Công nghệ phát triển hệ chuyên gia.
Công cụ hệ thống chuyên gia.
Hệ thống thông tin thông minh.
Bài tập.
Câu hỏi để tự kiểm soát.
Văn học.
Prolog là một ngôn ngữ lập trình logic.
Giới thiệu về lập trình logic.
Biểu diễn tri thức về lĩnh vực chủ đề dưới dạng các sự kiện và quy tắc của cơ sở tri thức Prolog.
Ý nghĩa mô tả, thủ tục và máy của chương trình Prolog.
Kỹ thuật lập trình cơ bản trong Prolog.
Môi trường Visual Prolog.
Bài tập.
Văn học.
Giới thiệu về lập trình hàm.
Lịch sử của lập trình chức năng.
Thuộc tính của ngôn ngữ lập trình chức năng.
Nhiệm vụ lập trình chức năng.
Bài tập.
Đáp án phần tự kiểm tra.
Văn học.
ssariy.
Phụ lục 1.
Phụ lục 2.
Phụ lục 3.
Tệp sẽ được gửi đến địa chỉ email đã chọn. Có thể mất tới 1-5 phút trước khi bạn nhận được nó.
Tệp sẽ được gửi đến tài khoản Kindle của bạn. Có thể mất tới 1-5 phút trước khi bạn nhận được nó.
Xin lưu ý rằng bạn đã thêm email của chúng tôi [email được bảo vệ]
tới các địa chỉ email đã được phê duyệt. Đọc thêm.
Bạn có thể viết bình luận cuốn sách và chia sẻ kinh nghiệm của bạn. Những độc giả khác sẽ luôn quan tâm đến quan điểm của bạn về những cuốn sách bạn đã đọc. Dù bạn có yêu thích cuốn sách đó hay không, nếu bạn đưa ra những suy nghĩ trung thực và chi tiết thì mọi người sẽ tìm thấy những cuốn sách mới phù hợp với họ.
Bộ Giáo dục và Khoa học Liên bang Nga Cơ quan giáo dục nhà nước về giáo dục chuyên nghiệp đại học "Đại học bang Magnitogorsk" O.E. Maslennikova, I.V. Sách giáo khoa Cơ bản về trí tuệ nhân tạo Popova Magnitogorsk 2008 UDC 681.142.1.01 BBK Z97 M Người phản biện: Tiến sĩ Khoa học Vật lý và Toán học, Giáo sư S.I. Tiến sĩ Khoa học Kỹ thuật Kadchenko, Giáo sư A.S. Sarvarov M Maslennikova O.E., Popova I.V. Nguyên tắc cơ bản của trí tuệ nhân tạo: sách giáo khoa. phụ cấp / O.E. Maslennikova, I.V. Popova. - Magnitogorsk: MaSU, 2008. - 282 tr. ISBN 978-5.86781-609-4 Sách giáo khoa phác thảo các mô hình biểu diễn tri thức, lý thuyết về hệ thống chuyên gia và các kiến thức cơ bản về lập trình logic và hàm. Người ta chú ý nhiều đến lịch sử phát triển của trí tuệ nhân tạo. Việc trình bày tài liệu đi kèm với một số lượng lớn các hình ảnh minh họa, bài tập và câu hỏi để tự kiểm soát được đưa ra. Công việc hướng tới đối tượng là sinh viên toàn thời gian và bán thời gian đang theo học các lĩnh vực “Tin học”, “Giáo dục Vật lý và toán học (Hồ sơ – khoa học máy tính)”. UDC 681.142.1.01 BBK Z97 ISBN 978-5.86781-609-4 Maslennikova O.E., Popova I.V., 2008 Magnitogorsk State University, 2008 -2- NỘI DUNG CHƯƠNG 1. GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO...... ........ 5 1.1. LỊCH SỬ PHÁT TRIỂN TRÍ TUỆ NHÂN TẠO NHƯ MỘT HƯỚNG DẪN KHOA HỌC........................................... ................................................................. ...................................... 9 1.2. HƯỚNG DẪN NGHIÊN CỨU CHÍNH TRONG LĨNH VỰC TRÍ TUỆ NHÂN TẠO....................................... ................................................................. ...................................... 13 1.3. CÁC KHÍA CẠNH TRIẾT HỌC CỦA VẤN ĐỀ TRÍ TUỆ NHÂN TẠO....... 16 CÂU HỎI ĐỂ TỰ KIỂM SOÁT............................. ............................................. ...... 21 TÀI LIỆU THAM KHẢO....................................... .................................................... ............ 21 CHƯƠNG 2. MÔ HÌNH BIỂU DIỆN KIẾN THỨC............................ ...... 22 2.1. KIẾN THỨC................................................. ................................................................. ....... 22 2.2. MÔ HÌNH LOGIC CỦA BIỂU DIỆN TRI THỨC................................................. ....... 25 2.3. MẠNG NGUYÊN NGHIỆM.................................................................. .................................................... 58 2.4. KHUNG................................................................................. ............................................ ............ 59 2.5. DÒNG SẢN PHẨM................................................ .... .................................62 2.6. CÁC MÔ HÌNH BIỂU DIỆN KIẾN THỨC KHÁC.................................. ...................... 64 BÀI TẬP........... ................................................................. .................... 78 CÂU HỎI ĐỂ TỰ KIỂM SOÁT. ................................................................. ...................... 83 TÀI LIỆU THAM KHẢO........... ................................................................. .................................... 84 CHƯƠNG 3. HỆ THỐNG TRẢI NGHIỆM....... ................................................................. ............ 86 3.1. KHÁI NIỆM VỀ HỆ THỐNG TRẢI NGHIỆM................................................................. ................................... 86 3.2. CÁC LOẠI HỆ THỐNG TRẢI NGHIỆM VÀ CÁC LOẠI VẤN ĐỀ GIẢI QUYẾT....................89 3.3. CẤU TRÚC VÀ PHƯƠNG THỨC HOẠT ĐỘNG CỦA HỆ THỐNG TRẢI NGHIỆM....................................... ........ 99 3.4. CÔNG NGHỆ PHÁT TRIỂN HỆ THỐNG TRẢI NGHIỆM.................................................. ....... 102 3.5. CÔNG CỤ HỆ THỐNG TRẢI NGHIỆM................................................................. 113 3.6. HỆ THỐNG THÔNG TIN THÔNG MINH................................................................. 129 BÀI TẬP.................................................................. ................................................................. ...... 135 CÂU HỎI ĐỂ TỰ KIỂM SOÁT....................................... ................................... 136 VĂN HỌC...... ................................................................. ................................................................. ............ 138 CHƯƠNG 4. PROLOGUE NHƯ NGÔN NGỮ LẬP TRÌNH LOGIC........... ............ ................................................................. .... 139 4.1. GIỚI THIỆU VỀ LẬP TRÌNH LOGIC.................................... 139 4.2. THỂ HIỆN KIẾN THỨC VỀ LĨNH VỰC CHỦ ĐỀ THEO XEM CÁC SỰ KIỆN VÀ QUY TẮC CỦA CƠ SỞ KIẾN THỨC MỞ ĐẦU................................................. ................................................................. ................... 140 4.3 . Ý NGHĨA MÔ TẢ, THỦ TỤC VÀ MÁY CỦA CHƯƠNG TRÌNH MỞ ĐẦU................................................................. ................................................................. ................................... 148 4.4. KỸ THUẬT LẬP TRÌNH CƠ BẢN TRONG PROLOGUE.......................151 4.5. MÔI TRƯỜNG PROLOG TẦM NHÌN.................................................. ...................................... 154 BÀI TẬP........... ............................................ ................................................................. 194 TÀI LIỆU THAM KHẢO....................................... .................................................... ........... 197 -3- CHƯƠNG 5. GIỚI THIỆU LẬP TRÌNH CHỨC NĂNG. ................................................................. ...................................... 199 5.1. LỊCH SỬ LẬP TRÌNH CHỨC NĂNG.................................................. .... 200 5.2. ĐẶC ĐIỂM CỦA NGÔN NGỮ LẬP TRÌNH CHỨC NĂNG................................. 203 5.3. BÀI TẬP LẬP TRÌNH CHỨC NĂNG.................................. 207 BÀI TẬP........ .................................................................. ............................................. 210 TỰ ĐÁP ÁN KIỂM TRA .................................................... ...................... 210 TÀI LIỆU THAM KHẢO........... ................................................................. ................................................................. 211 BẢNG THUẬT NGỮ................................................................. ................................................................. ....... 213 PHỤ LỤC 1 ........... ........... ................................................................. ........... 221 PHỤ LỤC 2 .................... ................................................................. ............ 252 PHỤ LỤC 3 .................... ................................................................. .................... 265 -4- LỜI NÓI ĐẦU Gần đây, sự quan tâm đến trí tuệ nhân tạo ngày càng tăng do yêu cầu ngày càng tăng đối với hệ thống thông tin. Nhân loại đang dần tiến tới một cuộc cách mạng thông tin mới, có quy mô tương đương với sự phát triển của Internet. Trí tuệ nhân tạo là một nhánh của khoa học máy tính với mục tiêu là phát triển phần cứng và phần mềm cho phép người dùng không phải là lập trình viên thiết lập và giải quyết các vấn đề của riêng họ, theo truyền thống được coi là trí tuệ, bằng cách giao tiếp với máy tính bằng một tập hợp con ngôn ngữ tự nhiên hạn chế. Lịch sử của trí tuệ nhân tạo như một hướng khoa học mới bắt đầu vào giữa thế kỷ 20. Vào thời điểm này, nhiều điều kiện tiên quyết về nguồn gốc của nó đã được hình thành: giữa các triết gia từ lâu đã có cuộc tranh luận về bản chất của con người và quá trình hiểu biết thế giới, các nhà sinh lý học thần kinh và tâm lý học đã phát triển một số lý thuyết liên quan đến hoạt động của bộ não con người. và tư duy, các nhà kinh tế và toán học đặt câu hỏi về các phép tính tối ưu và cách trình bày kiến thức về thế giới dưới dạng hình thức hóa; cuối cùng, nền tảng của lý thuyết toán học tính toán - lý thuyết về thuật toán - đã ra đời và những chiếc máy tính đầu tiên ra đời. Mục đích của sổ tay này là phác thảo các hướng và phương pháp chính được sử dụng trong trí tuệ nhân tạo, cũng như xác định khả năng sử dụng chúng trong các hoạt động giảng dạy chuyên nghiệp. Hướng dẫn nghiên cứu này bao gồm năm chương. Phần đầu tiên giới thiệu ngắn gọn về trí tuệ nhân tạo: lịch sử phát triển của nó như một hướng khoa học được xem xét, các lĩnh vực chính của trí tuệ nhân tạo được nêu bật và các khía cạnh triết học của vấn đề như khả năng tồn tại, an toàn và tính hữu dụng của trí tuệ nhân tạo. trí thông minh được xem xét. Chương thứ hai dành cho việc mô tả các mô hình biểu diễn tri thức cổ điển: logic, ngữ nghĩa, khung, sản xuất và mạng lưới thần kinh. Chương thứ ba thảo luận về lý thuyết và câu hỏi thực tế phát triển hệ thống chuyên gia; cung cấp mô tả về vỏ XpertRule. Chương thứ tư phác thảo các nguyên tắc cơ bản của lập trình bằng ngôn ngữ Prolog và mô tả môi trường Visual Prolog. Chương thứ năm mô tả những điều cơ bản về lập trình hàm với các ví dụ trong LISP. Sách hướng dẫn có rất nhiều hình ảnh minh họa, bài tập và câu hỏi để tự kiểm soát. Để giúp việc nghiên cứu tài liệu dễ dàng hơn, một bảng thuật ngữ được cung cấp. -5- CHƯƠNG 1. GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO Trí tuệ nhân tạo (AI) là một hướng đi mới trong khoa học máy tính, đối tượng nghiên cứu của nó là bất kỳ hoạt động trí tuệ nào của con người tuân theo các quy luật đã biết trước. Nói một cách hình tượng, hướng đi này được gọi là “con cả của khoa học máy tính”, vì nhiều vấn đề chưa giải quyết được đang dần tìm ra giải pháp trong khuôn khổ trí tuệ nhân tạo. Được biết, môn học của khoa học máy tính là xử lý thông tin. Lĩnh vực AI bao gồm các trường hợp (nhiệm vụ) từ quá trình xử lý này không thể được thực hiện bằng các phương pháp thuật toán đơn giản và chính xác và trong đó có rất nhiều trường hợp. AI dựa vào kiến thức về quá trình suy nghĩ của con người. Đồng thời, chưa biết chính xác bộ não con người hoạt động như thế nào, nhưng để phát triển các chương trình làm việc hiệu quả với các yếu tố AI thì những kiến thức về đặc điểm trí tuệ con người mà khoa học có được ngày nay là đủ. Đồng thời, AI không cố gắng sao chép chính xác công việc của bộ não con người mà cố gắng mô phỏng các chức năng của nó bằng công nghệ máy tính. Kể từ khi ra đời, AI đã phát triển như một lĩnh vực liên ngành, tương tác với khoa học máy tính và điều khiển học, khoa học nhận thức, logic và toán học, ngôn ngữ học và tâm lý học, sinh học và y học (Hình 1). Khoa học máy tính và điều khiển học. Nhiều chuyên gia đến với AI từ khoa học máy tính và điều khiển học. Cũng nhiều bài toán tổ hợp Các vấn đề không thể giải quyết bằng các phương pháp truyền thống trong khoa học máy tính đã chuyển sang lĩnh vực AI. Ngoài ra, kết quả thu được trong AI được mượn khi tạo ra phần mềm và trở thành một phần của Khoa học Máy tính. Khoa học nhận thức. Khoa học nhận thức là khoa học về kiến thức. AI cũng liên quan đến kiến thức. Nhưng khoa học nhận thức không chỉ sử dụng các phương pháp tiếp cận thông tin và sinh học thần kinh mà còn xem xét các khía cạnh xã hội và ngôn ngữ tâm lý của việc sử dụng kiến thức. Logic và toán học. Logic làm nền tảng cho tất cả các hình thức biểu diễn tri thức đã biết, cũng như các ngôn ngữ lập trình như Lisp và Prolog. Để giải quyết các vấn đề về AI, các phương pháp toán học rời rạc, lý thuyết trò chơi và lý thuyết hoạt động được sử dụng. Đổi lại, AI có thể được sử dụng để chứng minh các định lý và giải các bài toán trong nhiều lĩnh vực toán học khác nhau: hình học, phép tính tích phân. Tâm lý học và ngôn ngữ học. Gần đây, các chuyên gia AI bắt đầu quan tâm đến khía cạnh tâm lý trong hành vi của con người để mô hình hóa nó. Tâm lý học giúp xây dựng các mô hình đánh giá giá trị và ra quyết định chủ quan. Điều đáng quan tâm là tâm lý học giao tiếp -6- “con người-máy tính”, ngôn ngữ học tâm lý. Ngôn ngữ học tính toán là một phần của AI, dựa trên các phương pháp toán học để xử lý các thông tin tự nhiên và ngôn ngữ nhân tạo một mặt và mặt khác là về hiện tượng học của ngôn ngữ. Sinh học và y học cho phép chúng ta nghiên cứu và hiểu rõ hơn về hoạt động của não, hệ thống thị giác, thính giác và các cảm biến tự nhiên khác, đồng thời tạo động lực mới cho việc mô hình hóa công việc của chúng. Cơm. 1. Sự tương tác của AI với các ngành khác Không có một định nghĩa duy nhất nào về AI, cũng như không có một định nghĩa duy nhất nào về trí tuệ tự nhiên. Trong số nhiều quan điểm về lĩnh vực khoa học này, có ba quan điểm hiện đang chiếm ưu thế. 1. Nghiên cứu trong lĩnh vực AI là nghiên cứu cơ bản, trong đó các mô hình và phương pháp giải quyết vấn đề được phát triển mà theo truyền thống được coi là thông minh và trước đây không thể tuân theo hình thức hóa và tự động hóa. 2. AI là một hướng đi mới trong khoa học máy tính gắn liền với những ý tưởng mới để giải quyết các vấn đề trên máy tính, với sự phát triển của một công nghệ lập trình khác biệt cơ bản, với sự chuyển đổi sang kiến trúc máy tính loại bỏ kiến trúc cổ điển, xuất hiện từ thời đầu tiên. máy tính. 3. Nhờ hoạt động trong lĩnh vực AI, nhiều hệ thống ứng dụng đang ra đời nhằm giải quyết các vấn đề mà các hệ thống được tạo ra trước đây không phù hợp. -7- Để minh họa cho cách thứ nhất, chúng ta có thể lấy ví dụ bằng máy tính. Vào đầu thế kỷ này, việc tính toán số học với các số có nhiều chữ số là rất ít cá nhân có năng khiếu và khả năng thực hiện các phép tính số học đó trong đầu được coi là một món quà độc đáo của tự nhiên và là đối tượng của nghiên cứu khoa học. Ngày nay, việc phát minh ra máy tính đã giúp khả năng này có thể tiếp cận được ngay cả với học sinh lớp ba. Điều này cũng tương tự với AI: nó nâng cao khả năng trí tuệ của con người bằng cách giải quyết các vấn đề chưa chính thức trước đây. Để minh họa cho cách tiếp cận thứ hai, chúng ta có thể xem xét câu chuyện về nỗ lực tạo ra một chiếc máy tính thế hệ thứ năm. Vào giữa những năm 80, Nhật Bản tuyên bố khởi động một dự án đầy tham vọng nhằm tạo ra máy tính thế hệ thứ năm. Dự án dựa trên ý tưởng triển khai phần cứng của ngôn ngữ PROLOG. Tuy nhiên, dự án đã kết thúc trong thất bại, mặc dù nó có ảnh hưởng mạnh mẽ đến sự phát triển và lan rộng của PROLOG như một ngôn ngữ lập trình. Nguyên nhân thất bại là do kết luận vội vàng rằng một ngôn ngữ (mặc dù là một ngôn ngữ khá phổ biến) có thể cung cấp giải pháp duy nhất cho mọi vấn đề. Thực tiễn đã chỉ ra rằng mô hình lập trình phổ quát để giải quyết mọi vấn đề vẫn chưa được phát minh và khó có thể xuất hiện. Điều này là do mỗi nhiệm vụ là một phần của lĩnh vực chủ đề cần được nghiên cứu cẩn thận và có cách tiếp cận cụ thể. Những nỗ lực tạo ra các kiến trúc máy tính mới vẫn tiếp tục và gắn liền với tính toán song song và phân tán, máy tính thần kinh, bộ xử lý xác suất và mờ. Công việc trong lĩnh vực tạo ra hệ thống chuyên gia (ES) có thể được xếp vào hướng thứ ba, thực dụng nhất trong AI. Hệ chuyên gia là hệ thống phần mềm thay thế chuyên gia con người trong các lĩnh vực hoạt động trí tuệ hẹp đòi hỏi sử dụng kiến thức đặc biệt. Việc tạo ra một hệ thống điện tử trong lĩnh vực y học (như MYCIN) cho phép phổ biến kiến thức đến những vùng xa xôi nhất. Do đó, kết hợp với khả năng tiếp cận viễn thông, bất kỳ bác sĩ nông thôn nào cũng có thể nhận được lời khuyên từ một hệ thống như vậy, hệ thống này thay thế việc liên lạc của anh ta với bác sĩ chuyên khoa về một vấn đề hẹp. Ở Nga, AI gần như đã tìm được người ủng hộ ngay từ khi nó mới xuất hiện. Tuy nhiên, kỷ luật này đã không ngay lập tức nhận được sự công nhận chính thức. AI đã bị chỉ trích là một nhánh phụ của điều khiển học, bị coi là "giả khoa học". Cho đến một thời điểm nhất định, cái tên gây sốc “trí tuệ nhân tạo” cũng đóng vai trò tiêu cực. Vì vậy, trong Đoàn chủ tịch Viện Hàn lâm Khoa học đã có câu nói đùa rằng “những người thiếu trí tuệ tự nhiên thì lại tham gia vào trí tuệ nhân tạo”. Tuy nhiên, ngày nay AI là một hướng khoa học được công nhận chính thức ở Nga, các tạp chí “Hệ thống điều khiển và máy móc” và “Tin tức AI” được xuất bản, các hội nghị và hội thảo khoa học được tổ chức. Có một Hiệp hội AI của Nga với số lượng khoảng 200 thành viên, chủ tịch là Tiến sĩ Khoa học Kỹ thuật D.A. Pospelov, và chủ tịch danh dự là Viện sĩ Viện Hàn lâm Khoa học Nga G.S. Pospelov. Có Viện Trí tuệ nhân tạo Nga trực thuộc Hội đồng Tin học và Khoa học máy tính của Tổng thống Nga. Trong RAS có Hội đồng khoa học về vấn đề “Trí tuệ nhân tạo”. Với sự tham gia của Hội đồng này, nhiều cuốn sách về chủ đề AI và các bản dịch đã được xuất bản. Các tác phẩm của D.A. Pospelov, Litvintseva và Kandrashina rất nổi tiếng - trong lĩnh vực biểu diễn và xử lý tri thức, E.V. Popov và Khoroshevsky - trong lĩnh vực xử lý ngôn ngữ tự nhiên và hệ thống chuyên gia, Averkin và Melikhov trong lĩnh vực logic mờ và tập mờ, Stefanyuk - trong lĩnh vực hệ thống học tập, Kuznetsov, Finn và Vagin - trong lĩnh vực logic và kiến thức đại diện. Ở Nga có một trường ngôn ngữ máy tính có truyền thống mạnh mẽ, bắt nguồn từ công trình nghiên cứu về mô hình “SenseText” của Melchuk. Trong số các nhà ngôn ngữ học máy tính nổi tiếng có thể kể tên Apresyan, Gorodetsky, Paducheva, Narignani, Leontyeva, Shalyapina, Zaliznyak Sr., Kibrik Sr., Baranov và nhiều người khác. v.v. 1.1. Lịch sử phát triển trí tuệ nhân tạo như một hướng khoa học Ý tưởng tạo ra một hình ảnh nhân tạo giống tâm trí con người để giải quyết các vấn đề phức tạp và mô phỏng khả năng tư duy đã xuất hiện từ thời cổ đại. Ở Ai Cập cổ đại, một bức tượng cơ khí “sống lại” của thần Amun đã được tạo ra. Trong Iliad của Homer, thần Hephaestus đã rèn ra những sinh vật hình người, máy tự động. Ý tưởng này đã được thể hiện nhiều lần trong văn học: từ Galatea của Pygmalion đến Pinocchio của Giáo hoàng Carlo. Tuy nhiên, tổ tiên của trí tuệ nhân tạo được coi là nhà triết học, nhà toán học và nhà thơ người Tây Ban Nha thời trung cổ R. Lull (c.1235-c.1315), người sống ở thế kỷ 14. đã cố gắng tạo ra một cỗ máy có thể giải quyết nhiều vấn đề khác nhau dựa trên sự phân loại phổ biến các khái niệm. Ở thế kỉ thứ 18 G. Leibniz (1646 - 1716) và R. Descartes (1596 - 1650) đã độc lập phát triển ý tưởng này, đề xuất các ngôn ngữ phổ quát để phân loại mọi ngành khoa học. Những ý tưởng này đã hình thành nền tảng cho sự phát triển lý thuyết trong lĩnh vực trí tuệ nhân tạo (Hình 2). Sự phát triển của trí tuệ nhân tạo như một hướng khoa học chỉ có thể thực hiện được sau khi máy tính được tạo ra. Điều này đã xảy ra vào những năm 40. Thế kỷ XX Đồng thời, N. Wiener (1894 - 1964) đã có những công trình cơ bản về khoa học điều khiển học mới. Thuật ngữ trí tuệ nhân tạo được đề xuất vào năm 1956 tại hội thảo cùng tên tại Đại học Stanford (Mỹ). Buổi hội thảo được dành cho việc phát triển các vấn đề logic hơn là tính toán. Ngay sau khi trí tuệ nhân tạo được công nhận là một nhánh khoa học độc lập, sự phân chia đã diễn ra thành hai lĩnh vực chính: điều khiển học thần kinh và điều khiển học “hộp đen”. Và chỉ ở thời điểm hiện tại -9- xu hướng kết hợp lại các bộ phận này thành một tổng thể duy nhất mới trở nên đáng chú ý. Ở Liên Xô, năm 1954, tại Đại học quốc gia Mátxcơva, dưới sự chủ trì của Giáo sư A.A. Lyapunov (1911 - 1973), hội thảo “Automata và Tư duy” đã bắt đầu hoạt động. Hội thảo này có sự tham dự của các nhà sinh lý học, ngôn ngữ học, tâm lý học và toán học nổi tiếng. Người ta thường chấp nhận rằng đó là thời điểm trí tuệ nhân tạo đã ra đời ở Nga. Ở nước ngoài, các lĩnh vực điều khiển học thần kinh và điều khiển học “hộp đen” đã xuất hiện. Năm 1956 -1963. Các cuộc tìm kiếm chuyên sâu đã được thực hiện đối với các mô hình và thuật toán về tư duy của con người cũng như sự phát triển của các chương trình đầu tiên. Hóa ra không có ngành khoa học nào hiện có - triết học, tâm lý học, ngôn ngữ học - có thể đưa ra một thuật toán như vậy. Sau đó, điều khiển học đề xuất tạo ra các mô hình của riêng họ. Nhiều phương pháp tiếp cận khác nhau đã được tạo ra và thử nghiệm. Nghiên cứu đầu tiên trong lĩnh vực AI gắn liền với việc tạo ra một chương trình chơi cờ, vì người ta tin rằng khả năng chơi cờ là một dấu hiệu của trí thông minh cao. Năm 1954, nhà khoa học người Mỹ Newell đã nảy ra ý tưởng tạo ra một chương trình như vậy. Shannon đề xuất và Turing đã cải tiến một phương pháp để tạo ra một chương trình như vậy. Người Mỹ Shaw và Simon, phối hợp với một nhóm các nhà tâm lý học người Hà Lan đến từ Amsterdam dưới sự lãnh đạo của de Groot, đã tạo ra một chương trình như vậy. Đồng thời, một ngôn ngữ đặc biệt IPL1 (1956) đã được tạo ra, được thiết kế để thao tác thông tin ở dạng tượng trưng, là tiền thân của ngôn ngữ Lisp (MacCarthy, 1960). Tuy nhiên, chương trình trí tuệ nhân tạo đầu tiên là chương trình Theory Logician, được thiết kế để chứng minh các định lý trong phép tính mệnh đề (9 tháng 8 năm 1956). Một chương trình chơi cờ được tạo ra vào năm 1957 (NSS - Newell, Shaw, Simon). Cấu trúc của nó và cấu trúc của chương trình Nhà lý thuyết logic đã hình thành cơ sở cho việc tạo ra chương trình Giải quyết vấn đề phổ quát (GPS-Giải quyết vấn đề chung). Bằng cách phân tích sự khác biệt giữa các tình huống và xây dựng mục tiêu, chương trình này có khả năng giải tốt các câu đố Tháp Hà Nội hoặc tính tích phân không xác định. Chương trình EPAM (Chương trình nhận thức và ghi nhớ cơ bản) là một chương trình cơ bản về nhận thức và ghi nhớ, do Feigenbaum hình thành. Năm 1957, một bài viết về ngữ pháp chuyển đổi của Chomsky, một trong những người sáng lập ngôn ngữ học tính toán, xuất hiện. Vào cuối những năm 50. Mô hình tìm kiếm mê cung đã ra đời. Cách tiếp cận này biểu thị vấn đề dưới dạng biểu đồ phản ánh không gian trạng thái1 và trong biểu đồ này, đường dẫn tối ưu từ dữ liệu đầu vào đến dữ liệu kết quả sẽ được tìm kiếm. Nhiều công việc đã được thực hiện để phát triển mô hình này, nhưng ý tưởng này chưa được chấp nhận rộng rãi trong việc giải quyết các vấn đề thực tế. 1 Không gian trạng thái là một đồ thị có các đỉnh tương ứng với các tình huống gặp phải trong bài toán (“các tình huống có bài toán”) và việc giải bài toán bắt nguồn từ việc tìm đường đi trong đồ thị này. - 10 - Đầu thập niên 60. - thời đại của lập trình heuristic. Heuristic là một quy tắc không hợp lý về mặt lý thuyết nhưng cho phép bạn giảm số lượng tìm kiếm trong không gian tìm kiếm. Lập trình heuristic là sự phát triển của một chiến lược hành động dựa trên các heuristic đã biết, được xác định trước. Vào những năm 60, các chương trình đầu tiên hoạt động với các truy vấn bằng ngôn ngữ tự nhiên đã được tạo ra. Chương trình BÓNG CHỦ (Green và cộng sự, 1961) đã đáp ứng yêu cầu về kết quả của các trận đấu bóng chày trước đây và chương trình SINH VIÊN (Bobrow, 1964) đã có thể giải các bài toán đại số được xây dựng bằng tiếng Anh. Cơm. 2. Những cột mốc quan trọng trong sự phát triển của AI như một hướng khoa học Người ta đặt nhiều hy vọng vào lĩnh vực dịch máy, khởi đầu của lĩnh vực này gắn liền với tên tuổi của nhà ngôn ngữ học trong nước Belskaya. Tuy nhiên, phải mất nhiều năm các nhà nghiên cứu mới nhận ra rằng dịch tự động không phải là vấn đề riêng lẻ và cần một bước cần thiết gọi là hiểu để thành công. Trong số những kết quả quan trọng nhất mà các nhà khoa học trong nước thu được trong những năm 60, cần lưu ý đến thuật toán “Cora” của M. Bongard, mô hình hóa hoạt động của bộ não con người trong nhận dạng mẫu. Năm 1963 - 1970 Các phương pháp logic toán học bắt đầu được sử dụng để giải quyết vấn đề. Một cách tiếp cận mới về logic hình thức, dựa trên việc đưa lý luận đến chỗ mâu thuẫn, xuất hiện vào năm 1965 - 11 - (J. Robinson). Dựa trên phương pháp phân giải giúp có thể tự động chứng minh các định lý cho một tập tiên đề ban đầu, ngôn ngữ Prolog được tạo ra vào năm 1973. Ở Liên Xô năm 1954 - 1964. các chương trình riêng biệt được tạo ra và việc tìm kiếm giải pháp cho các vấn đề logic được khám phá. Tại Leningrad (LOMI - Khoa Leningrad của Viện Toán học V.A. Steklov), một chương trình đang được tạo ra để tự động chứng minh các định lý (ALPEV LOMI). Nó dựa trên đạo hàm nghịch đảo ban đầu của S.Yu Maslov, tương tự như phương pháp giải của Robinson. Năm 1965-1980 đang phát triển khoa học mới- quản lý tình huống (tương ứng với việc thể hiện kiến thức theo thuật ngữ phương Tây). Người sáng lập trường phái khoa học này là Giáo sư D.A. Pospelov. Các mô hình đặc biệt để biểu diễn các tình huống đã được phát triển - biểu diễn tri thức. Ở nước ngoài, nghiên cứu trong lĩnh vực AI đi kèm với việc phát triển các ngôn ngữ lập trình thế hệ mới và tạo ra các hệ thống lập trình ngày càng phức tạp (Lisp, Prolog, Plannar, QA4, Macsyma, Giảm, Refal, ATNL, TMS). Các kết quả thu được đang bắt đầu được sử dụng trong chế tạo robot, khi điều khiển robot cố định hoặc di động, hoạt động trong không gian ba chiều thực. Điều này đặt ra vấn đề tạo ra các cơ quan nhận thức nhân tạo. Cho đến năm 1968, các nhà nghiên cứu chủ yếu làm việc với các "không gian vi mô" riêng lẻ, họ đã tạo ra các hệ thống phù hợp với các lĩnh vực ứng dụng cụ thể và hạn chế như trò chơi, hình học Euclide, phép tính tích phân, "thế giới khối", xử lý các cụm từ đơn giản và ngắn với vốn từ vựng nhỏ. Hầu hết tất cả các hệ thống này đều sử dụng cùng một cách tiếp cận - đơn giản hóa tổ hợp, dựa trên việc giảm bớt việc tìm kiếm các lựa chọn thay thế cần thiết dựa trên ý thức chung, sử dụng các hàm đánh giá số và các phương pháp phỏng đoán khác nhau. Đầu những năm 70, có bước nhảy vọt về chất trong nghiên cứu trí tuệ nhân tạo. Điều này là do hai lý do. Thứ nhất. Tất cả các nhà nghiên cứu dần dần nhận ra rằng tất cả các chương trình được tạo ra trước đây đều thiếu thứ quan trọng nhất - kiến thức sâu về lĩnh vực liên quan. Sự khác biệt giữa chuyên gia và người bình thường là chuyên gia có kinh nghiệm trong một lĩnh vực nhất định, tức là có kinh nghiệm trong một lĩnh vực nhất định. năm kiến thức tích lũy. Thứ hai. phát sinh vấn đề cụ thể : làm thế nào để chuyển kiến thức này sang một chương trình nếu người tạo ra nó trực tiếp không sở hữu kiến thức này. Câu trả lời rất rõ ràng: bản thân chương trình phải tách chúng ra khỏi dữ liệu nhận được từ chuyên gia. Nghiên cứu về giải quyết vấn đề và hiểu ngôn ngữ tự nhiên có một vấn đề chung: biểu diễn tri thức. Đến năm 1970, đã có - 12 - nhiều chương trình được tạo ra dựa trên những ý tưởng này. Đầu tiên trong số này là chương trình DENDRAL. Nó được thiết kế để tạo ra công thức cấu trúc của các hợp chất hóa học dựa trên thông tin nhận được từ máy quang phổ khối. Chương trình được phát triển tại Stanford với sự tham gia của người đoạt giải Nobel D. Lederberg. Cô đã có được kinh nghiệm trong quá trình hoạt động của chính mình. Chuyên gia đưa vào đó hàng ngàn sự kiện cơ bản, được trình bày dưới dạng những quy tắc riêng biệt. Hệ thống được đề cập là một trong những hệ thống chuyên gia đầu tiên và kết quả công việc của nó thật đáng kinh ngạc. Hiện tại, hệ thống được cung cấp cho người tiêu dùng cùng với máy quang phổ. Năm 1971, Terry Winograd đã phát triển hệ thống SHRDLU, mô phỏng một robot điều khiển các hình khối. Bạn có thể nói tiếng Anh với robot. Hệ thống không chỉ quan tâm đến cú pháp của các cụm từ mà còn hiểu chính xác ý nghĩa của chúng nhờ kiến thức ngữ nghĩa và thực dụng về “thế giới hình khối” của nó. Từ giữa những năm 80, trí tuệ nhân tạo đã được thương mại hóa ở nước ngoài. Đầu tư vốn hàng năm ngày càng tăng, các hệ thống chuyên gia công nghiệp đang được tạo ra. Ngày càng có nhiều sự quan tâm đến các hệ thống tự học. Ở nước ta 1980-1990. Nghiên cứu tích cực đang được thực hiện trong lĩnh vực biểu diễn tri thức, ngôn ngữ biểu diễn tri thức và hệ thống chuyên gia đang được phát triển (hơn 300). Ngôn ngữ REFAL đang được tạo ra tại Đại học quốc gia Moscow. Năm 1988, AAI - Hiệp hội Trí tuệ nhân tạo - được thành lập. Các thành viên của nó bao gồm hơn 300 nhà nghiên cứu. Chủ tịch Hiệp hội - D.A. Pospelov. Các trung tâm lớn nhất là ở Moscow, St. Petersburg, Pereslavl-Zalessky, Novosibirsk. 1.2. Các hướng nghiên cứu chính trong lĩnh vực trí tuệ nhân tạo Hiện nay, AI là một lĩnh vực khoa học đang phát triển nhanh chóng và có tính phân nhánh cao. Hơn 40 hội nghị được tổ chức hàng năm trên thế giới chỉ về ngôn ngữ học tính toán. Các hội nghị AI quốc gia thường xuyên được tổ chức ở hầu hết các quốc gia châu Âu, cũng như Mỹ, Canada, Nhật Bản, Nga và Đông Nam Á. Tại Nga, sự kiện này được tổ chức hai năm một lần dưới sự bảo trợ của Hiệp hội AI Nga (RAAI). Ngoài ra, Hội nghị chung quốc tế về AI (IJCAI) được tổ chức hai năm một lần. Hơn 3 nghìn tạp chí định kỳ công bố kết quả khoa học trong lĩnh vực này. Không có sự phân loại đầy đủ và nghiêm ngặt cho tất cả các lĩnh vực của AI; nỗ lực phân loại các vấn đề mà AI giải quyết được trình bày trong Hình 2. 3. Theo phân loại của D.A. Pospelov trong lĩnh vực AI có hai cách tiếp cận chủ yếu để nghiên cứu trong lĩnh vực AI: sinh học thần kinh và thông tin (Hình 4 và 5). - 13 - nhiệm vụ Tổng quát Chính thức Chuyên gia Nhận thức Trò chơi (Cờ vua, Cờ vây, giải đố) Kỹ thuật Xử lý ngôn ngữ tự nhiên Toán học Phân tích khoa học Hình học lý luận thông thường Phân tích tài chính Điều khiển robot Xác minh chương trình Chẩn đoán y tế Hình 2. 3. Mục tiêu của AI Những người đề xướng lần đầu tiên đặt ra cho mình mục tiêu tái tạo một cách nhân tạo các quá trình xảy ra trong não người. Hướng này nằm ở giao điểm của y học, sinh học và điều khiển học. Đồng thời, họ nghiên cứu bộ não con người, xác định cách thức hoạt động của nó và tạo ra các phương tiện kỹ thuật để tái tạo các cấu trúc sinh học và các quá trình xảy ra trong đó. Lĩnh vực AI có thể được chia thành năm phần lớn: − Cấu trúc giống thần kinh; − các chương trình giải quyết các vấn đề trí tuệ; − các hệ thống dựa trên tri thức; − lập trình thông minh; − các hệ thống thông minh. Mỗi phần có thể được biểu diễn như sau (xem Hình 4-9). - 14 - Hình. 4. Cấu trúc giống nơ-ron Hình. 5. Các chương trình giải các bài toán trí tuệ Hình. 6. Hệ thống dựa trên tri thức - 15 - Hình. 7. Lập trình thông minh Hình 7. 8. Hệ thống thông minh 1.3. Các khía cạnh triết học của vấn đề trí tuệ nhân tạo Vấn đề triết học chính trong lĩnh vực trí tuệ nhân tạo liên quan đến việc tìm kiếm câu trả lời cho câu hỏi: liệu có thể mô phỏng tư duy của con người hay không. Nếu câu trả lời cho câu hỏi này là tiêu cực thì tất cả các câu hỏi khác trong lĩnh vực AI sẽ không có ý nghĩa gì cả. Vì vậy, khi bắt đầu nghiên cứu trí tuệ nhân tạo, câu trả lời tích cực được giả định trước. Bằng chứng về khả năng mô hình hóa suy nghĩ của con người. 1. Học thuật: tính nhất quán của trí tuệ nhân tạo và Kinh thánh. Rõ ràng, ngay cả những người xa tôn giáo cũng biết những lời trong Kinh thánh: “Và Chúa đã tạo dựng con người theo hình ảnh Ngài…”. Dựa trên những lời này, chúng ta có thể kết luận rằng vì Chúa, trước hết, đã tạo ra con người, và thứ hai, về cơ bản họ giống với Ngài, nên con người hoàn toàn có khả năng tạo ra ai đó theo hình ảnh và giống một người. 2. Sinh học. Tạo ra một tâm trí mới về mặt sinh học là điều khá phổ biến đối với con người. Quan sát trẻ em, chúng tôi thấy - 16 tuổi - các em tiếp thu kiến thức phần lớn thông qua học tập chứ không phải như vốn có của chúng trước đó. Tuyên bố này chưa được chứng minh ở cấp độ hiện đại, nhưng nhìn từ các dấu hiệu bên ngoài thì mọi thứ trông giống hệt như thế này. 3. Thực nghiệm. Những gì trước đây được cho là đỉnh cao của sự sáng tạo của con người - chơi cờ, cờ caro, nhận dạng hình ảnh và âm thanh, tổng hợp những điều mới. giải pháp kỹ thuật, trên thực tế, hóa ra nó không phải là một nhiệm vụ khó khăn như vậy. Bây giờ công việc không ở mức độ có thể hoặc không thể thực hiện được những điều trên mà là tìm ra thuật toán tối ưu nhất - thường những vấn đề này thậm chí không được coi là vấn đề của trí tuệ nhân tạo. Người ta hy vọng rằng việc mô phỏng hoàn chỉnh suy nghĩ của con người cũng có thể thực hiện được. 4. Khả năng tự sinh sản. Khả năng tự sinh sản từ lâu đã được coi là đặc quyền của các sinh vật sống. Tuy nhiên, một số hiện tượng xảy ra trong tự nhiên vô tri (ví dụ, sự phát triển của tinh thể, tổng hợp các phân tử phức tạp bằng cách sao chép) rất giống với quá trình tự sinh sản. Vào đầu những năm 50, J. von Neumann bắt đầu nghiên cứu kỹ lưỡng về khả năng tự tái tạo và đặt nền móng cho lý thuyết toán học về “automata tự tái tạo”. Ông cũng đã chứng minh khả năng lý thuyết của việc tạo ra chúng. Ngoài ra còn có nhiều bằng chứng không chính thức khác nhau về khả năng tự tái tạo, nhưng đối với các lập trình viên, bằng chứng nổi bật nhất có lẽ là sự tồn tại của virus máy tính. 5. Thuật toán. Khả năng cơ bản của việc tự động hóa việc giải quyết các vấn đề trí tuệ bằng máy tính được đảm bảo bởi tính chất phổ biến của thuật toán. Thuộc tính này của máy tính có nghĩa là chúng có thể triển khai theo chương trình (tức là hiện diện dưới dạng chương trình máy) bất kỳ thuật toán chuyển đổi thông tin nào. Hơn nữa, các quy trình được tạo ra bởi các thuật toán này có khả năng khả thi, nghĩa là chúng khả thi do số lượng hữu hạn các thao tác cơ bản. Tính khả thi thực tế của thuật toán phụ thuộc vào các công cụ sẵn có và có thể thay đổi khi công nghệ tiến bộ. Do đó, liên quan đến sự ra đời của máy tính tốc độ cao, các thuật toán trước đây chỉ có khả năng thực hiện được nay đã trở nên khả thi trên thực tế. Ngoài ra, nội dung của thuộc tính này có tính chất dự đoán: bất cứ khi nào trong tương lai bất kỳ đơn thuốc nào được thuật toán nhận ra, thì bất kể hình thức và phương tiện mà nó được thể hiện ban đầu, nó cũng có thể được chỉ định dưới dạng một chương trình máy. Tuy nhiên, không nên nghĩ rằng máy tính và về nguyên tắc, robot có thể giải quyết mọi vấn đề. Việc phân tích các vấn đề khác nhau đã đưa các nhà toán học đến một khám phá đáng chú ý. Người ta đã chứng minh một cách chặt chẽ rằng có những loại bài toán mà một thuật toán hiệu quả duy nhất có thể giải được tất cả các bài toán cùng loại là không thể; theo nghĩa này, không thể giải quyết các vấn đề thuộc loại này với sự trợ giúp của máy tính. Thực tế này góp phần giúp chúng ta hiểu rõ hơn về những gì máy móc có thể làm và những gì chúng không thể làm. Trên thực tế, một tuyên bố về tính không thể giải được bằng thuật toán của một loại bài toán nhất định không chỉ đơn giản là sự thừa nhận rằng một thuật toán như vậy chưa được biết và chưa được ai tìm ra. Tuyên bố như vậy đồng thời là một dự báo cho tất cả các thời điểm trong tương lai mà loại này Chúng tôi không biết thuật toán này và sẽ không được bất kỳ ai chỉ ra hoặc nói cách khác là nó không tồn tại. AI có thể được coi là một trong những công cụ (thông minh và không thông minh) được nhân loại sáng tạo và làm chủ trong suốt chặng đường phát triển lịch sử của mình. Chúng bao gồm: dụng cụ cầm tay; máy móc và máy móc; ngôn ngữ và lời nói; máy đếm; phương tiện VT và viễn thông. Các nhà triết học cho rằng việc sản xuất công cụ (theo nghĩa rộng của từ này) là hoạt động quan trọng nhất quan điểm quan trọng hoạt động phân biệt tổ tiên của chúng ta với các loài linh trưởng khác. Con người nổi bật giữa các loài động vật ở khả năng tạo ra kiến thức và công cụ. Không có phát minh công nghệ hoặc chính trị xã hội nào khác gây ra khoảng cách lớn như vậy trong sự phát triển của loài homo sapiens với các loài sinh vật sống khác. Sự phát triển của công nghệ máy tính có thể được chia thành hai lĩnh vực: xử lý số và xử lý biểu tượng. Hướng đi đầu tiên giúp việc lưu trữ, xử lý và truyền tải thông tin trở nên thuận tiện hơn nhiều so với tất cả những cải tiến trước đây về công nghệ giấy. Máy tính đã vượt qua tất cả các công cụ điện toán trước đây (bàn tính, bàn tính, máy cộng) về tốc độ, nhiều chức năng và tính dễ sử dụng. Không ngừng mở rộng phạm vi tự động hóa trong lĩnh vực công việc trí óc đơn điệu, xử lý thông tin số đã mở rộng phạm vi báo in và cuộc cách mạng công nghiệp sang những biên giới mới. Nhánh thứ hai của công nghệ máy tính, xử lý ký hiệu (thuật ngữ của Newell và Simon) hay trí tuệ nhân tạo, cho phép máy tính bắt chước các quá trình nhận thức và định hướng giác quan, lý luận và giải quyết vấn đề, xử lý ngôn ngữ tự nhiên và các khả năng khác của con người. Nói cách khác, AI là loại mới công cụ thay thế cho những công cụ hiện có. Thực tế này đã buộc các nhà triết học AI phải vượt ra ngoài câu hỏi “Có thể tạo ra một cỗ máy thông minh không?” đến vấn đề ảnh hưởng của các công cụ trí tuệ đối với xã hội. Đặc biệt, tác động xã hội có thể có từ sự phát triển của AI được xem xét, cụ thể là: - 18 - tăng mức độ thông minh của toàn xã hội, điều này sẽ mang lại những khám phá, phát minh mới và hiểu biết mới về nhân loại cho chính nó. thay đổi tình trạng mà đa số người dân là phương tiện và công cụ sản xuất. Câu hỏi triết học tiếp theo về AI là mục đích của sự sáng tạo. Về nguyên tắc, mọi việc chúng ta làm trong đời sống thực tế thường không nhằm mục đích làm gì khác. Tuy nhiên, với mức sống đủ cao ( số lượng lớn tiềm năng) của con người, vai trò chủ đạo không còn do sự lười biếng (theo nghĩa mong muốn tiết kiệm năng lượng) đóng vai trò chủ đạo mà do bản năng tìm kiếm. Giả sử rằng một người đã cố gắng tạo ra trí tuệ vượt xa trí tuệ của mình (ngay cả khi không phải về chất lượng mà là về số lượng). Điều gì sẽ xảy ra với nhân loại bây giờ? Người đó sẽ đóng vai trò gì? Bây giờ nó được sử dụng để làm gì? Và nói chung, có cần thiết phải tạo ra AI về nguyên tắc hay không? Rõ ràng, câu trả lời dễ chấp nhận nhất cho những câu hỏi này là khái niệm về “chất tăng cường trí thông minh” (IA). Theo S.L. Sotnik, ở đây có thể so sánh với chủ tịch nước - ông ấy không bắt buộc phải biết giá trị của vanadi hoặc ngôn ngữ lập trình Java để đưa ra quyết định về sự phát triển của ngành công nghiệp vanadi. Mọi người đều làm việc riêng của mình - nhà hóa học mô tả Quy trình công nghệ, một lập trình viên viết chương trình; nhà kinh tế nói với tổng thống rằng bằng cách đầu tư tiền vào hoạt động gián điệp công nghiệp, đất nước sẽ nhận được 20% và vào ngành vanadi - 30% mỗi năm. Tôi nghĩ rằng với cách đặt câu hỏi này, bất kỳ ai cũng có thể đưa ra lựa chọn đúng đắn. TRONG trong ví dụ này tổng thống sử dụng giao diện người dùng sinh học - một nhóm các chuyên gia có bộ não protein của họ. Nhưng hiện nay các giao diện người dùng không tồn tại cũng được sử dụng - ví dụ: máy tính, máy tính tích hợp. Ngoài ra, một người từ lâu đã sử dụng bộ khuếch đại lực (SA) - một khái niệm tương tự như FE về nhiều mặt. Ô tô, cần cẩu, động cơ điện, máy ép, súng, máy bay và nhiều thứ khác đóng vai trò là bộ khuếch đại lực. Sự khác biệt chính giữa UI và CS là sự hiện diện của ý chí: người trước có thể có “mong muốn” của riêng mình và hành động khác với những gì được mong đợi ở anh ta. Điều này đặt ra vấn đề bảo mật cho các hệ thống AI. Làm thế nào để tránh những hậu quả tiêu cực đi kèm với bất kỳ thành tựu mới nào của cách mạng khoa học và công nghệ? Vấn đề này đã ám ảnh tâm trí nhân loại kể từ thời Karel Capek, người đầu tiên sử dụng thuật ngữ “robot”. Các nhà văn khoa học viễn tưởng khác cũng có đóng góp lớn cho cuộc thảo luận của nó. Nổi tiếng nhất là loạt truyện của nhà văn và nhà khoa học viễn tưởng Isaac Asimov, trong đó bạn có thể tìm ra giải pháp phát triển nhất cho vấn đề an ninh được đa số mọi người chấp nhận. Đó là về về ba định luật của robot. 1. Robot không được gây tổn hại cho con người hoặc nếu không hành động thì sẽ khiến con người bị tổn hại. - 19 - 2. Robot phải tuân theo mệnh lệnh do con người đưa ra, trừ trường hợp những mệnh lệnh này trái với định luật thứ nhất. 3. Robot phải đảm bảo an toàn cho mình miễn là điều này không mâu thuẫn với luật thứ nhất và luật thứ hai. Asimov sau đó đã bổ sung “Luật số 0” vào danh sách này: “Một robot không thể gây hại cho nhân loại hoặc nếu không hành động, sẽ cho phép nhân loại bị tổn hại”. Thoạt nhìn, những luật như vậy nếu được tuân thủ đầy đủ sẽ đảm bảo an toàn cho nhân loại. Tuy nhiên, khi xem xét kỹ hơn, một số câu hỏi sẽ nảy sinh. Đầu tiên, các luật được xây dựng bằng ngôn ngữ của con người, điều này không cho phép dịch chúng dễ dàng sang dạng thuật toán. Giả sử vấn đề này đã được giải quyết. Bây giờ, hệ thống AI có ý nghĩa gì khi nói đến thuật ngữ “tác hại”? Liệu cô ấy có quyết định rằng sự tồn tại của con người là hoàn toàn có hại không? Rốt cuộc, anh ta hút thuốc, uống rượu, già đi theo năm tháng và sức khỏe suy giảm, đau khổ. Nhanh chóng chấm dứt chuỗi đau khổ này chẳng phải là điều ít ác hơn sao? Tất nhiên, bạn có thể giới thiệu một số bổ sung liên quan đến giá trị cuộc sống và quyền tự do ngôn luận. Nhưng đây sẽ không còn là ba định luật đơn giản như nguyên bản nữa. Tiếp theo: Hệ thống AI sẽ quyết định điều gì trong tình huống chỉ có thể cứu một mạng sống với cái giá phải trả là mạng sống khác? Đặc biệt thú vị là những trường hợp khi hệ thống không có thông tin đầy đủ về ai là ai. Tuy nhiên, bất chấp những vấn đề được liệt kê ở trên, những luật này là cơ sở không chính thức khá tốt để kiểm tra độ tin cậy của hệ thống bảo mật cho hệ thống AI. Vì vậy, thực sự không có hệ thống an ninh đáng tin cậy? Nếu bắt đầu từ khái niệm về giao diện người dùng, chúng tôi có thể đưa ra tùy chọn sau. Theo nhiều thí nghiệm, mặc dù thiếu dữ liệu đáng tin cậy về trách nhiệm của từng tế bào thần kinh trong não người, nhưng nhiều cảm xúc thường tương ứng với việc kích hoạt một nhóm tế bào thần kinh (tập hợp tế bào thần kinh) trong một khu vực hoàn toàn có thể dự đoán được. Các thí nghiệm ngược lại cũng đã được tiến hành trong đó việc kích ứng một vùng cụ thể sẽ mang lại kết quả mong muốn. Đó có thể là những cảm xúc vui mừng, áp bức, sợ hãi, hung hăng. Vì vậy, dường như có thể lấy mức độ hài lòng của bộ não con người làm hàm mục tiêu. Nếu bạn thực hiện các biện pháp để loại bỏ các hoạt động tự hủy hoại bản thân trong trạng thái trầm cảm, đồng thời cung cấp các trạng thái tinh thần đặc biệt khác, bạn sẽ nhận được những điều sau. Vì người ta cho rằng một người bình thường sẽ không làm hại bản thân và những người khác mà không có bất kỳ lý do cụ thể nào và UI hiện là một phần của một cá nhân nhất định (không nhất thiết phải là một cộng đồng vật lý), nên cả ba định luật về robot đều tự động được thỏa mãn. Đồng thời, vấn đề bảo mật đang chuyển sang lĩnh vực tâm lý học và thực thi pháp luật, vì - 20 - hệ thống (được đào tạo) sẽ không làm bất cứ điều gì mà chủ nhân của nó không muốn. Câu hỏi tự chủ 1. Trí tuệ nhân tạo là gì? 2. Trí tuệ nhân tạo tương tác với những lĩnh vực khoa học nào? 3. Mô tả các cách tiếp cận để hiểu chủ đề trí tuệ nhân tạo như một môn khoa học. 4. Mô tả hiện trạng AI ở Nga. 5. Mô tả giai đoạn “tiền máy tính” của sự phát triển trí tuệ nhân tạo 6. Mô tả sự phát triển của trí tuệ nhân tạo những năm 40. Thế kỷ XX 7. Mô tả sự phát triển của trí tuệ nhân tạo những năm 50. Thế kỷ XX 8. Mô tả sự phát triển của trí tuệ nhân tạo những năm 60. Thế kỷ XX 9. Mô tả sự phát triển của trí tuệ nhân tạo những năm 70. Thế kỷ XX 10. Mô tả sự phát triển của trí tuệ nhân tạo những năm 80. Thế kỷ XX 11.Mô tả các nhiệm vụ chính của trí tuệ nhân tạo. 12. Lĩnh vực trí tuệ nhân tạo có những phần nào? 13. Cung cấp bằng chứng về khả năng mô hình hóa tư duy của con người. 14. Cơ sở lý luận của việc chuyển sang vấn đề ảnh hưởng của các công cụ trí tuệ đối với xã hội là gì? 15. Nguyên nhân nào và vấn đề an ninh của hệ thống trí tuệ nhân tạo có thể được giải quyết như thế nào? Văn học 1. Luger, J, F. Trí tuệ nhân tạo: chiến lược và phương pháp giải quyết các vấn đề phức tạp: trans. từ tiếng Anh / George F. Luger - M.: Nhà xuất bản Williams, 2003. - 864 tr. 2. Nguyên tắc cơ bản của trí tuệ nhân tạo / B.V. Kostrov, V.N. Ruchkin, V.A. Fulin. – M.: “DESS”, “Techbook”, 2007. – 192 tr. 3. Trang web của Hiệp hội Trí tuệ nhân tạo Nga. – Chế độ truy cập: http://www.raai.org/ 4. Sotnik, S.L. Nguyên tắc cơ bản của thiết kế hệ thống trí tuệ nhân tạo: bài giảng. – Chế độ truy cập: http://newasp.omskreg.ru/intellect/f25.htm 5. Russell, S. Trí tuệ nhân tạo: một cách tiếp cận hiện đại / Stuart Russell, Peter Norvig. – M.: Nhà xuất bản Williams, 2006. – 1408 tr. - 21 - CHƯƠNG 2. MÔ HÌNH BIỂU DIỆN KIẾN THỨC 2.1. Kiến thức Những loại kiến thức nào cần thiết để tạo nên hành vi "thông minh"? “Bí mật” về hiện tượng học của mô hình tri thức nằm ở thế giới xung quanh chúng ta. Nói chung, mô hình biểu diễn tri thức sẽ cung cấp mô tả khác nhau các đối tượng và hiện tượng tạo nên lĩnh vực chủ đề mà tác nhân thông minh phải làm việc. Lĩnh vực chủ đề là một phần của thực tế gắn liền với việc giải quyết một vấn đề. Tác nhân thông minh là một hệ thống (con người, chương trình) có khả năng trí tuệ. Kiến thức là các mô hình được xác định của lĩnh vực chủ đề (nguyên tắc, mối liên hệ, quy luật). Kiến thức có cấu trúc phức tạp hơn dữ liệu (siêu dữ liệu). Trong trường hợp này, kiến thức được xác định cả về mặt mở rộng (tức là thông qua một tập hợp các sự kiện cụ thể tương ứng với một khái niệm nhất định và liên quan đến lĩnh vực chủ đề) và theo chiều sâu (tức là thông qua các thuộc tính tương ứng với một khái niệm nhất định và sơ đồ kết nối giữa các thuộc tính). Các loại đối tượng kiến thức. Thông thường, một người thể hiện kiến thức dưới dạng sự thật về các đồ vật xung quanh mình. Vì lý do này, phải có cách biểu diễn đối tượng, lớp (loại, kiểu) đối tượng, mô tả thuộc tính và tương tác với đối tượng. Một cách để phân loại các đối tượng là thông qua hệ thống phân cấp lớp. Ngoài ra, cần phân biệt giữa các đối tượng trừu tượng được dùng để chỉ định các nhóm (tập hợp, lớp) của các cá thể. Ví dụ “Chim có cánh” “Chim bồ câu là chim” “Tuyết có màu trắng” “Cuốn sách này mới” - đối tượng riêng lẻ Tình huống - tất cả các loại tương tác giữa các đối tượng. Ví dụ “Hôm qua trời mưa” “Tàu trễ 10 phút” Một ví dụ về phân loại các tình huống do Paducheva đề xuất được hiển thị trong Hình. 9. Ngoài ra, để có thể tự mô tả các tình huống, mô hình biểu diễn phải cho phép mô tả vị trí của các sự kiện trên trục thời gian, cũng như mối quan hệ nhân quả của chúng. Tình huống Trạng thái tĩnh Thuộc tính và mối quan hệ lâu dài Quá trình động Sự cố ổn định Kết quả tạm thời Sự kiện Hình. 9. Một ví dụ về phân loại các tình huống do Paducheva đề xuất Khi trình bày thứ bậc của các đối tượng và các mối quan hệ, khó khăn chính là việc lựa chọn cơ sở, tức là. thuộc tính (đặc điểm) mà sự phân chia xảy ra. Thông thường, ngay cả khi một người dễ dàng phân biệt giữa các loại đối tượng và tình huống khác nhau trong cuộc sống, nỗ lực phân loại bằng lời nói cũng đặt ra một vấn đề lớn. Thủ tục. Hành vi (ví dụ: đi xe đạp) đòi hỏi kiến thức vượt xa kiến thức khai báo về các đối tượng và mối quan hệ giữa chúng. Đây là kiến thức về cách thực hiện hành động này hay hành động kia, được gọi là kiến thức quy trình, hay kinh nghiệm (kỹ năng). Giống như đi xe đạp, hầu hết các hành vi có ý thức (ví dụ: giao tiếp, hiểu hoặc chứng minh các định lý) đều liên quan đến kiến thức thủ tục và thường khó phân biệt rõ ràng giữa kiến thức thủ tục và kiến thức đối tượng. Ví dụ Thuật ngữ “kỷ luật” - mô tả tình trạng thiếu kiến thức về quy trình ở một người đóng vai trò là chuyên gia.Siêu kiến thức - kiến thức về kiến thức: về khối lượng và nguồn gốc của kiến thức về một đối tượng cụ thể, về độ tin cậy của kiến thức cụ thể thông tin hoặc về tầm quan trọng tương đối của các sự kiện riêng lẻ. Siêu kiến thức cũng bao gồm - 23 - những gì mọi người biết về khả năng của chính họ với tư cách là người xử lý kiến thức: điểm mạnh, điểm yếu, mức độ kinh nghiệm trong các lĩnh vực khác nhau và ý thức tiến bộ trong việc giải quyết vấn đề. Phân loại kiến thức Theo chiều sâu: Kiến thức bề ngoài (tập hợp các mối liên hệ thực nghiệm và mối quan hệ nhân quả giữa các khái niệm của môn học). Kiến thức chuyên sâu (trừu tượng, hình ảnh, so sánh phản ánh sự hiểu biết về cấu trúc của môn học và mối quan hệ giữa các khái niệm riêng lẻ). Bằng cách tồn tại: Sự kiện (hoàn cảnh nổi tiếng). Heuristics (kiến thức từ kinh nghiệm của các chuyên gia). Bằng sự cứng nhắc: Kiến thức cứng (cho phép bạn nhận được những khuyến nghị rõ ràng, rõ ràng trong những điều kiện ban đầu nhất định). Kiến thức mềm (cho phép đưa ra nhiều quyết định mơ hồ và nhiều đề xuất khác nhau). Bằng hình thức trình bày: Khai báo kiến thức (sự kiện dưới dạng tập hợp dữ liệu có cấu trúc). Kiến thức thủ tục (thuật toán ở dạng thủ tục để xử lý sự kiện). Bằng phương pháp tiếp thu: Kiến thức khoa học (thu được thông qua giảng dạy và/hoặc học tập có hệ thống). Kiến thức hàng ngày, hàng ngày (có được trong quá trình sống). Để lưu trữ một cơ sở tri thức nhằm mục đích sử dụng nó để giải quyết các vấn đề ứng dụng, cần phải mô tả chính thức nó bằng các mô hình toán học. Như đã đề cập, có thể biểu diễn tri thức bằng cách sử dụng các mô hình khai báo và thủ tục. Các mô hình khai báo điển hình thường bao gồm các mô hình mạng và khung; đến những thủ tục - logic và sản xuất. Từ góc độ tiếp cận biểu diễn tri thức trong máy tính, các mô hình biểu diễn tri thức có thể được phân loại như sau: Dựa trên cách tiếp cận heuristic: “troika”, mô hình sản xuất, khung, mạng Dựa trên cách tiếp cận lý thuyết: dựa trên logic hình thức và dựa trên “logic của con người” - phương thức và đa giá trị. - 24 - 2.2. Mô hình logic biểu diễn tri thức Các khái niệm cơ bản về logic Hầu hết mọi người đều cho rằng từ “logic” có nghĩa là “hợp lý”. Như vậy, nếu một người lý luận logic thì lý luận của người đó hợp lý nên không cho phép kết luận vội vàng. Logic là khoa học về các hình thức và phương pháp tư duy đúng đắn. Điều này có nghĩa là với số lượng dữ kiện đúng cần thiết thì kết luận phải luôn đúng. Mặt khác, nếu một kết luận logic không hợp lệ, điều đó có nghĩa là đã đưa ra một kết luận sai dựa trên sự thật có thật. Cần phân biệt các khái niệm logic hình thức và logic không chính thức. Một đặc điểm khác biệt của logic không chính thức là nó được sử dụng trong cuộc sống hàng ngày. Một bằng chứng logic phức tạp là một chuỗi các kết luận logic trong đó kết luận này dẫn đến kết luận khác, v.v. Trong logic hình thức, còn được gọi là logic biểu tượng, điều quan trọng là cách đưa ra kết luận logic và cách tính đến các yếu tố khác để đảm bảo rằng kết luận cuối cùng được chứng minh là đúng hay sai theo cách có thể chấp nhận được. Logic cũng cần ngữ nghĩa để mang lại ý nghĩa cho các ký hiệu. Logic hình thức sử dụng ngữ nghĩa không dựa trên việc sử dụng các từ mang nội dung cảm xúc mà dựa trên việc lựa chọn tên có ý nghĩa cho các biến, tương tự như lập trình. Giống như toán học, logic nghiên cứu trực tiếp không phải thực nghiệm mà là các đối tượng trừu tượng. Điều này đặt ra câu hỏi: Bản chất hoặc trạng thái bản thể học của các đối tượng trừu tượng là gì? Chúng ta đang nói về loại đối tượng trừu tượng nào? Trong logic (cổ điển), hai loại đối tượng trừu tượng cơ bản được phân biệt: − khái niệm (thuộc tính); − các mối quan hệ. Các khái niệm có thể đơn giản hoặc phức tạp. Các khái niệm phức tạp là tập hợp các khái niệm tương đối đơn giản hơn (các thuộc tính đơn giản) được kết nối với nhau bằng các mối quan hệ nhất định. Các đối tượng trừu tượng phức tạp hơn là các phán đoán, các yếu tố cấu trúc của chúng cũng là các khái niệm và các mối quan hệ nhất định. Ngược lại, các phán đoán là các yếu tố cấu trúc của suy luận (hệ thống phán đoán) và suy luận là các yếu tố cấu trúc của các khái niệm và lý thuyết (hệ thống suy luận). Trong bộ lễ phục. Hình 10 cho thấy hệ thống phân cấp của các loại đối tượng trừu tượng trong logic cổ điển. Tính đặc thù của logic nằm ở chỗ nó nghiên cứu các mối quan hệ hoặc mối quan hệ tổng quát, phổ quát nhất giữa các đối tượng trừu tượng. Theo đó, có mục tiêu sau - 25 - định nghĩa về logic: “Logic là khoa học về các mối quan hệ phổ quát (có giá trị chung) giữa các khái niệm, phán đoán, suy luận và các đối tượng trừu tượng khác”. Các khái niệm và lý thuyết (hệ thống suy luận) Suy luận (hệ thống phán đoán) Phán quyết Khái niệm (tính chất) Mối quan hệ Hình. 10. Phân cấp các loại đối tượng trừu tượng trong logic cổ điển Ví dụ “Student” là một khái niệm. “Siêng năng” là một tài sản. “Sinh viên siêng năng”, “sinh viên năm 4” – các mối quan hệ. “Một người học tại một trường đại học” là một sự phán xét. “Nếu một người học ở viện, thì anh ta là sinh viên hoặc nghiên cứu sinh” là một suy luận. “Lý thuyết giải tích vị từ bậc nhất” là một khái niệm. Khái niệm Khái niệm là những đối tượng trừu tượng mà con người có thể tiếp cận được dưới dạng các thuộc tính (dấu hiệu) đơn giản và phức tạp của các đối tượng thực nghiệm. Khái niệm này trái ngược với các thực thể như: “từ”, “nhận thức”, “đối tượng thực nghiệm”. Khái niệm này là một đơn vị tư duy phổ quát và là nền tảng của hoạt động trí tuệ. Những đặc điểm quan trọng nhất khái niệm là nội dung và khối lượng. Mọi đặc điểm logic và các phép toán logic đều là kết quả của tri thức suy luận từ quy luật quan hệ tỷ lệ nghịch giữa nội dung và phạm vi của một khái niệm. Mỗi khái niệm đều có phạm vi của khái niệm (phạm vi khái niệm) và phần bổ sung cho phạm vi của khái niệm (Hình 11, 12). Phạm vi của một khái niệm là tổng thể (tập hợp) tất cả những kinh nghiệm (đối tượng riêng lẻ) mà khái niệm nhất định vốn có (như một thuộc tính, thuộc tính). - 26 - Phần bổ sung vào khối lượng là tổng thể của tất cả những đối tượng thực nghiệm không có một khái niệm nhất định. Khái niệm X a1 a2 V Tập a3 Hình. 11. Khái niệm X, thể tích của khái niệm X, phần tử khối (a1, a2, a3) X Không X Hình. 12. Phạm vi và phần bổ sung của nó Khái niệm ví dụ: mô hình dữ liệu thực tế. Phạm vi của khái niệm: quan hệ, mạng, mô hình phân cấp dữ liệu Bổ sung khối lượng: mô hình dữ liệu tài liệu (mô tả, từ điển đồng nghĩa, mô hình dữ liệu định hướng định dạng tài liệu) Các khái niệm có thể thuộc các loại sau: 1) về khối lượng: a. đơn (U = 1 phần tử, Kamaz); b. chung (phần tử U>1, Nhà máy ô tô Moscow); 2) theo sự tồn tại của các yếu tố: a. không trống(sinh viên); b. trống rỗng (kolobok); 3) theo cấu trúc của các phần tử: a. không tụ tập (Bắc Cực); b. tập thể (con nợ); 4) theo nội dung: a. không liên quan(khán giả); b. tương quan (cha mẹ); 5) bởi sự hiện diện của phẩm chất, tính chất, mối quan hệ a. tích cực (đức hạnh); b. tiêu cực (vi phạm); 6) theo chất lượng của các yếu tố: a. đã đăng ký (tạp chí Open Systems, 1/2008); b. không đăng ký (giới trí thức), trừu tượng; 7) theo tính chất của đối tượng: a. cụ thể(xử lý); - 27 - b. trừu tượng (mô hình). Dựa trên các loại được liệt kê, có thể đưa ra mô tả hợp lý về bất kỳ khái niệm nào, nghĩa là chỉ ra việc sử dụng khái niệm đó theo cả bảy nghĩa. Ví dụ, con nợ khái niệm là chung chung, không trống rỗng, tập thể, tương quan, tích cực, không thể ghi lại và cụ thể. Các kỹ thuật cơ bản để hiểu khái niệm Các kỹ thuật cơ bản để hiểu khái niệm bao gồm: − trừu tượng hóa; − so sánh; − khái quát hóa; - phân tích; − tổng hợp. Trừu tượng hóa là sự lựa chọn (hiểu biết) tinh thần về một thuộc tính hoặc mối quan hệ nhất định bằng cách trừu tượng hóa khỏi các thuộc tính hoặc mối quan hệ khác của một đối tượng thực nghiệm. So sánh - thiết lập sự tương đồng hoặc khác biệt giữa các đối tượng. Khái quát hóa là sự cô lập về mặt tinh thần của một khái niệm nhất định bằng cách so sánh một số khái niệm khác. Trừu tượng hóa, so sánh và khái quát hóa là những kỹ thuật có liên quan chặt chẽ với nhau. Đây có thể được gọi là “thủ tục nhận thức”. Không thể so sánh nếu không tính đến sự trừu tượng. Sự khái quát hóa bao hàm sự so sánh, đồng thời không gì khác hơn là một kiểu trừu tượng phức tạp, v.v. Phân tích là sự phân chia tinh thần của một đối tượng thực nghiệm hoặc trừu tượng thành các thành phần cấu trúc cấu thành của nó (các bộ phận, tính chất, mối quan hệ). Tổng hợp là sự hợp nhất tinh thần của các đối tượng khác nhau thành một đối tượng không thể thiếu. Ví dụ 1. So sánh mọi người theo chiều cao bao gồm việc trừu tượng hóa khái niệm “người” để tách biệt thuộc tính “chiều cao”. 2. Khái quát hóa: “ghế” và “bàn” - “đồ nội thất”. Mối quan hệ giữa các khái niệm Để giải thích mối quan hệ giữa các khái niệm, bạn có thể sử dụng sơ đồ dưới dạng vòng tròn Euler (Hình 13). Ví dụ Đồng phục (đồng phục): Kazan là thủ đô. Độc lập (qua đường): hành khách – sinh viên. Cấp dưới: cây - bạch dương. Đối diện (tương phản): trắng và đen. - 28 - Conrador: trắng – không trắng. Cấp dưới (cấp dưới): sĩ quan (thiếu tá). Phân chia logic một khái niệm là phân chia phạm vi của khái niệm thành các phần không chồng chéo nhau dựa trên một thuộc tính nào đó. Khái niệm X, Y Không tương thích M(X)M(Y)= Tương thích M(X)M(Y) Mâu thuẫn độc lập Y=Không-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 Ngược lại giống hệt nhau (đồng nhất) X, Y X Y M(X)= M(Y) M(X)M(Y) U X phụ thuộc vào Y X Y M(X)M(Y)=M(X) Hình. 13. Mối tương quan giữa các khái niệm Trong trường hợp này, có: − Khái niệm chung X; − các thành viên của ngành (khái niệm loài A và B); − cơ sở của phép chia (tức là dấu). - 29 - Ba quy tắc chia logic. 1. Quy luật không tương thích. Khối lượng các khái niệm về loài không được chồng chéo (tức là các thành viên trong bộ phận không được xung đột với nhau); 2. Quy tắc nhất quán. Bạn không thể chia rẽ trên nhiều cơ sở cùng một lúc; 3. Quy luật tương xứng. Tổng khối lượng của các khái niệm cụ thể phải bằng khối lượng của khái niệm chung. Sự phân chia nhị phân (hầu hết cái nhìn nghiêm khắc) – phân chia các khái niệm theo nguyên tắc mâu thuẫn (A, không phải A). Phân loại là những hệ thống nhất định (bộ sưu tập có trật tự) về khái niệm loài. Phân loại được sử dụng để tìm kiếm các mối quan hệ mới giữa các khái niệm, cũng như hệ thống hóa kiến thức hiện có. Ví dụ 1. Bảng tuần hoàn là một ví dụ về cách phân loại khoa học các nguyên tố hóa học. 2. Ví dụ về phân loại hệ thống thông tin (IS) được trình bày trong hình dưới đây. Cơ sở phân chia: mục đích chức năng. A, B, C là những ví dụ về hệ thống thông tin theo phân loại này. IS Hệ thống thực tế Hệ thống trí tuệ nhân tạo Hệ thống tài liệu IS “Đại học” Lingvo “Consultant Plus” A B C Fig. 14. Ví dụ về phân loại Kỹ thuật hiểu các khái niệm (trừu tượng, so sánh, khái quát hóa, phân tích, tổng hợp, phân chia) là các thủ tục nhận thức cơ bản và phổ quát chưa được mô hình hóa thành công trong khuôn khổ trí tuệ nhân tạo. Đây là một trong những phần cơ bản của logic cổ điển cần được tích hợp vào lý thuyết cơ sở tri thức. Sau này họ sẽ nhiệm vụ có sẵn mô hình hóa các hành vi tinh thần như đưa ra giả thuyết, dạy kiến thức khai báo, thủ tục suy luận sẽ trở nên hiệu quả hơn. - 30 - Phán đoán Phán đoán là một đối tượng có cấu trúc phức tạp, phản ánh mối liên hệ khách quan giữa đối tượng và thuộc tính của nó. Phán quyết trái ngược với các thực thể như: “câu”, “nhận thức”, “cảnh trong thế giới thực”. Ví dụ. Các câu sau đây thể hiện cùng một mệnh đề: − “Cá mập là loài cá săn mồi”; – “Tất cả cá mập đều là loài cá săn mồi.” - “Cá mập là loài cá săn mồi.” Logic cổ điển xem xét cấu trúc của một phán đoán đơn giản theo một cách giải thích hơi khác so với cách giải thích được chấp nhận trong nghiên cứu ngôn ngữ logic hiện đại. Như vậy, theo các khái niệm của logic cổ điển về cấu trúc của một phán đoán, một phán đoán đơn giản là một đối tượng trừu tượng, các thành phần cấu trúc chính của nó là: − Khái niệm riêng lẻ (IC); − khái niệm vị ngữ (PC); − Quan hệ vị ngữ (PR). Ví dụ Cho câu: “Plato là một triết gia.” Trong câu thể hiện phán đoán S: “Plato” là một chủ thể logic, tức là. biểu tượng biểu thị khái niệm phán đoán cá nhân S. “Triết gia” là một vị từ logic, tức là. biểu tượng biểu thị khái niệm vị ngữ của phán đoán S. “xuất hiện” là một liên kết chủ ngữ-vị ngữ, tức là. ký hiệu biểu thị quan hệ vị ngữ. Vì vậy, chúng ta có thể rút ra kết luận trung gian sau: − một khái niệm riêng lẻ là một hệ thống các khái niệm được coi như một thực thể khái niệm, một đối tượng thực nghiệm nào đó; − khái niệm vị ngữ – một khái niệm được xem như một thuộc tính của một đối tượng thực nghiệm cụ thể; − quan hệ vị từ – một mối quan hệ kết nối các khái niệm riêng lẻ và vị ngữ của một số đối tượng thực nghiệm thành một đối tượng trừu tượng tổng thể. Ngoài ra, có thể phân biệt một số loại phán đoán đơn giản (Xem Hình 15). Có một số cách để chính thức hóa các phán đoán cơ bản. - 31 - Phương pháp 1. Ngôn ngữ tự nhiên theo truyền thống được coi là cồng kềnh và không chính xác, nhưng vẫn chưa có phương pháp hình thức nào được phát minh có thể sánh được với tính linh hoạt của ngôn ngữ tự nhiên. Những phán đoán đơn giản Thuộc tính về các mối quan hệ Sự tồn tại Các tu sĩ, như một quy luật, là Magnitogorsk khiêm tốn ở phía nam Chelyabinsk Có những cây vân sam xanh Hình. 15. Các loại phán đoán đơn giản Phương pháp 2. Logic truyền thống của Aristotle. Phương pháp thứ 3. Logic biểu tượng hiện đại. Các loại phán đoán phức hợp chính Ngoài các phán đoán được thể hiện theo logic Aristoteles bằng các mệnh đề có dạng A, E, I, O (xem. p. Logic của Aristotle), cũng có nhiều loại phán đoán phức tạp khác nhau. Phán quyết càng phức tạp thì càng khó chính thức hóa nó một cách chính xác bằng cách sử dụng logic Aristoteles truyền thống, và trong một số trường hợp, việc hình thức hóa như vậy đơn giản là không thể. Vì vậy, nên phân tích cấu trúc logic của các phán đoán phức tạp bằng cách sử dụng các phương tiện logic tượng trưng hiện đại, bao gồm các phương tiện logic mệnh đề và logic vị từ (xem các đoạn văn tương ứng của đoạn văn). Các loại phán đoán phức tạp chính bao gồm − liên kết; − phân biệt; − hàm ý; − phương thức: o aethic (cần thiết, có lẽ ngẫu nhiên); o nhận thức luận (biết, tin, tin, tin); o deontic (quyết định, cấm đoán); o tiên đề (tốt, xấu); o tạm thời (trong quá khứ, trước đây, hôm qua, ngày mai, tương lai); − câu hỏi: o liệu- câu hỏi; o cái gì- câu hỏi. Ở đây còn có sự liên tục của các lớp logic và phương pháp trí tuệ nhân tạo. - 32 - Suy luận Suy luận (theo logic truyền thống) được hiểu là một dạng suy nghĩ nhất định, qua đó sự chuyển đổi tinh thần (gọi là “kết luận”) được thực hiện từ một hoặc nhiều phán đoán (gọi là “tiền đề”) sang một phán đoán nào đó khác (gọi là một kết luận") . Do đó, suy luận là một đối tượng trừu tượng phức tạp, trong đó, với sự trợ giúp của các mối quan hệ nhất định, một hoặc nhiều phán đoán được kết hợp thành một tổng thể duy nhất. Thuật ngữ tam đoạn luận được sử dụng để biểu thị sự suy luận trong logic. Tam đoạn luận có thể là chính thức hoặc không chính thức. Aristotle đã sử dụng tam đoạn luận hình thức đầu tiên. Tam đoạn luận mà ông phát triển (lý thuyết về tam đoạn luận hình thức, tức là suy luận) có ảnh hưởng đáng kể đến sự phát triển của logic cổ điển và logic học thuật, đồng thời làm cơ sở cho việc tạo ra một lý thuyết suy luận logic hiện đại. Để củng cố các khái niệm logic, bạn cần hoàn thành các bài tập ở trang 78. Các định luật logic Các định luật logic quan trọng nhất bao gồm: − Danh tính (bất kỳ đối tượng nào cũng chỉ giống với chính nó); − không mâu thuẫn (các phát biểu mâu thuẫn với nhau không thể đồng thời đúng); − loại trừ thứ ba (trong số hai phát biểu trùng khớp với nhau, một phát biểu đúng, phát biểu kia sai và phát biểu thứ ba không được đưa ra); − đủ lý do (bất kỳ tuyên bố đúng nào cũng có đủ lý do vì nó đúng và không sai). Chúng ta hãy xem xét kỹ hơn từng vị trí được chỉ định. I. Quy luật đồng nhất Quy luật đồng nhất chứng minh rằng mọi suy nghĩ đều giống hệt chính nó, “A là A” (A → A), trong đó A là bất kỳ suy nghĩ nào. Ví dụ: “Muối ăn NaCl gồm Na và Cl.” Nếu luật này bị vi phạm, các lỗi sau có thể xảy ra. Amphiboly (từ tiếng Hy Lạp amphibolos - sự mơ hồ, tính đối ngẫu) là một lỗi logic dựa trên sự mơ hồ của các biểu thức ngôn ngữ. Một tên gọi khác của lỗi này là “thay thế luận án”. Ví dụ “Họ nói chính xác rằng ngôn ngữ sẽ đưa bạn đến Kyiv. Và tôi đã mua lưỡi hun khói ngày hôm qua. Bây giờ tôi có thể tự tin tới Kiev.” - 33 - Nói lắp là lỗi logic do sử dụng cùng một từ nhưng có nghĩa khác nhau. Nói lắp thường được sử dụng như một thiết bị tu từ mang tính nghệ thuật. Về mặt logic, kỹ thuật này còn được gọi là “sự thay thế khái niệm”. Ví dụ “Sói biển già thực sự là một con sói. Tất cả sói đều sống trong rừng." Ở đây sai sót là do trong mệnh đề đầu tiên, từ “sói” được dùng như một phép ẩn dụ, và trong tiền đề thứ hai – theo nghĩa đen của nó. Logomachy là một cuộc tranh cãi về từ ngữ, khi trong quá trình thảo luận, những người tham gia không thể đi đến quan điểm chung do các khái niệm ban đầu chưa được làm rõ. Như vậy, quy luật đồng nhất thể hiện một trong những yêu cầu quan trọng nhất của tư duy logic - sự chắc chắn. II. Quy luật không mâu thuẫn Quy luật này thể hiện yêu cầu về sự nhất quán trong tư duy. Quy luật không mâu thuẫn phát biểu: hai mệnh đề, một mệnh đề khẳng định điều gì đó về chủ thể tư duy (“A là B”), và mệnh đề kia phủ nhận điều tương tự về cùng một chủ thể tư duy (“A không phải B”) , không thể đồng thời đúng, nếu cùng lúc thuộc tính B được khẳng định hoặc phủ nhận về đối tượng của suy nghĩ A, được xem xét cùng lúc và trong cùng một mối quan hệ. Ví dụ, các mệnh đề “Kama là một nhánh của sông Volga” và “Kama không phải là một nhánh của sông Volga” không thể đồng thời đúng nếu các mệnh đề này đề cập đến cùng một con sông. Sẽ không có mâu thuẫn nếu chúng ta khẳng định một điều gì đó và phủ nhận cùng một điều đó đối với cùng một người, tuy nhiên, người này được xem xét ở những thời điểm khác nhau. Do đó, các phán đoán “Người này là sinh viên tại MaSU” và “Người này không phải là sinh viên tại MaSU” có thể đồng thời đúng nếu phán đoán đầu tiên đề cập đến cùng một thời điểm (khi người này học tại Đại học quốc gia Moscow), và lần thứ hai - lần thứ hai (khi anh tốt nghiệp đại học). Quy luật không mâu thuẫn chỉ ra rằng trong hai mệnh đề đối lập nhau thì một mệnh đề nhất thiết là sai. Nhưng vì nó mở rộng đến cả những phán đoán đối lập và mâu thuẫn, nên câu hỏi về phán đoán thứ hai vẫn còn bỏ ngỏ: nó không thể vừa đúng vừa sai: giấy không thể trắng và không trắng. III. Quy luật Loại trừ ở giữa Quy luật Loại trừ ở giữa phát biểu rằng hai mệnh đề trái ngược nhau không thể đồng thời sai: một trong chúng nhất thiết phải đúng; cái còn lại nhất thiết là sai; phán quyết thứ ba bị loại trừ, tức là Hoặc A đúng hoặc không-A đúng. - 34 - Quy luật loại trừ ở giữa đặt ra một yêu cầu quan trọng đối với suy nghĩ của bạn: bạn không thể đi chệch khỏi việc thừa nhận một trong hai tuyên bố trái ngược nhau là đúng và tìm kiếm điều gì đó thứ ba giữa chúng. Nếu một trong số chúng được công nhận là đúng thì cái còn lại phải được công nhận là sai và không tìm kiếm cái thứ ba. Ví dụ: động vật có thể là động vật có xương sống hoặc không có xương sống, không thể có loài thứ ba. IV. Định luật đủ lý do Nội dung của định luật này có thể được diễn đạt như sau: để được coi là hoàn toàn đáng tin cậy thì mọi quan điểm đều phải được chứng minh, tức là. phải có đủ lý do để nó được coi là đúng. Cơ sở đầy đủ có thể là một suy nghĩ khác, đã được thử nghiệm bằng thực tiễn và được công nhận là đúng, kết quả cần thiết của nó là tính đúng đắn của quan điểm đang được chứng minh. Ví dụ. Cơ sở logic cho nhận định “Căn phòng đã trở nên ấm hơn” là sự giãn nở của thủy ngân trong nhiệt kế. Trong khoa học, những điều sau đây được coi là cơ sở đầy đủ: a) các quy định về các sự kiện thực tế đã được chứng nhận, b) các định nghĩa khoa học, c) các quy định khoa học đã được chứng minh trước đây, d) các tiên đề, và e) kinh nghiệm cá nhân. Suy luận logic Suy luận logic là đạo hàm của một công thức nhất định dựa trên nhiều công thức logic khác bằng cách áp dụng các quy tắc suy luận. Thông dịch viên biểu thức logic , bằng cách sử dụng suy luận logic, anh tự mình xây dựng chuỗi tính toán cần thiết dựa trên mô tả ban đầu. Tầm quan trọng của cách tiếp cận logic nằm ở khả năng xây dựng một trình thông dịch mà hoạt động của nó không phụ thuộc vào các công thức logic. Các quy tắc biểu diễn logic có dạng: P0←P1, …, Pn. P0 được gọi là mục tiêu và P1, P2, ..., Pn là phần thân của luật. Các vị từ P1, P2, ..., Pn là những điều kiện phải đáp ứng để đạt được mục tiêu P0 thành công. Chúng ta hãy xem xét những điều cơ bản của suy luận logic bằng cách sử dụng ví dụ về việc thực hiện quy trình xác định tính đúng đắn của lý luận. Định nghĩa lý luận đúng về mặt logic Khi chúng ta nói rằng một câu D tiếp theo một cách hợp lý từ một P khác, chúng ta muốn nói như sau: bất cứ khi nào câu P đúng thì câu D cũng đúng. Trong logic mệnh đề, chúng ta xử lý các công thức P và D, tùy thuộc vào một số biến X1, X2,.., Xn. Sự định nghĩa. Chúng ta sẽ nói rằng từ công thức P(X1, X2,...,Xn), công thức D(X1, X2,...,Xn) tuân theo một cách logic và biểu thị P├ D nếu với - 35 - bất kỳ bộ giá trị nào X1, X2 ,...,Xn với điều kiện P(X1, X2,...,Xn) = I2, điều kiện D(X1, X2,...,Xn) = I thỏa mãn Công thức P là gọi là tiền đề, còn D là kết luận của suy luận logic. Thông thường trong suy luận logic, không phải một tiền đề P được sử dụng mà là nhiều tiền đề; trong trường hợp này, lý luận sẽ đúng về mặt logic; từ sự kết hợp của các tiền đề, kết luận sẽ theo sau một cách hợp lý. Kiểm tra tính đúng đắn của suy luận logic Phương pháp thứ nhất là theo định nghĩa: a) Viết ra tất cả các tiền đề và kết luận dưới dạng công thức logic mệnh đề; b) tạo ra sự kết hợp của các tiền đề hình thức hóa P1& P2&…& Pn,; c) kiểm tra bằng bảng chân lý xem kết luận D có tuân theo công thức P1&P2&...&Pn hay không. Phương pháp thứ hai dựa trên tiêu chí về hệ quả logic sau: “Công thức D tuân theo một cách hợp lý từ công thức P khi và chỉ khi công thức P |- D là lặp thừa”. Sau đó, việc kiểm tra tính đúng đắn của lý luận logic sẽ dẫn đến việc trả lời câu hỏi: công thức có phải là phép lặp không? Câu hỏi này có thể được trả lời bằng cách xây dựng bảng chân lý cho công thức hoặc bằng cách rút gọn công thức này bằng cách sử dụng các phép biến đổi tương đương thành một phép lặp đã biết. Chúng ta sẽ gọi phương pháp thứ ba để kiểm tra tính đúng đắn của suy luận logic là rút gọn, bởi vì nó không yêu cầu liệt kê đầy đủ các giá trị biến để xây dựng bảng chân lý. Để biện minh cho phương pháp này, chúng tôi đưa ra một điều kiện mà theo đó lý luận logic là không chính xác. Lý luận không đúng nếu có một tập giá trị cho các biến X01, X02,. ., X0n sao cho tiền đề D(X01, X02,.., X0n)=A 3, và kết luận P(X01, X02,.., X0n)=I. Ví dụ. Lý do được đưa ra: “Nếu trời mưa thì mèo ở trong phòng hoặc dưới tầng hầm. Con chuột ở trong phòng hoặc trong lỗ. Nếu con mèo ở dưới tầng hầm thì con chuột ở trong phòng. Nếu con mèo ở trong phòng thì con chuột ở trong lỗ và pho mát ở trong tủ lạnh. Bây giờ trời đang mưa và pho mát đã ở trên bàn. Con mèo ở đâu và con chuột ở đâu? Chúng ta hãy giới thiệu các ký hiệu sau: D – “trời đang mưa”; K – “con mèo trong phòng”; P – “con mèo trong tầng hầm”; M – “chuột trong phòng”; N – “chuột vào lỗ”; X – “pho mát trong tủ lạnh”; иХ – “pho mát trên bàn”. Chúng ta có sơ đồ lý luận sau: D→K|R M|N K→H&X 2 3 Đúng Sai - 36 - R→M D&иX -- - -? Hãy sử dụng quy tắc suy luận 1) D&иX├D; 2) D&иX├€X; 3) D→K|R, D├ K|R. Tiếp theo, chúng ta xem xét hai phương án. Phương án A. Giả sử K xảy ra. Khi đó 4a) К, К→Н&Х, К├ Н&Х; 5а) Н&Х ├ Х; 6а) иХ, Х├Х&иХ - ta gặp mâu thuẫn, nghĩa là giả định sai và phương án này là không thể. Phương án B, Giả sử P xảy ra. Khi đó 4b) P, P →M├M; 5b) P,M├P&M Ta thu được kết luận P&M, tức là “con mèo ở dưới tầng hầm, còn con chuột ở dưới tầng hầm”. phòng” Ví dụ Kiểm tra tính đúng đắn của suy luận một cách rút gọn. Bài toán này có thể giải theo những cách nào khác? ? Lý do được đưa ra là: "Nếu hôm nay có sương giá thì tôi sẽ đi đến sân trượt băng. Nếu hôm nay có sương giá tan băng, sau đó tôi sẽ đi đến vũ trường. Hôm nay sẽ có sương giá hoặc tan băng. Vì vậy, tôi sẽ đi đến vũ trường. " Giải pháp. Chúng ta hãy chính thức hóa điều kiện của bài toán bằng cách đưa ra ký hiệu: M – “hôm nay nó sẽ là sương giá”; K – “Tôi sẽ đi đến sân trượt băng”; O – “hôm nay sẽ có băng tan”; D – “Tôi sẽ đi đến vũ trường.” Sơ đồ suy luận có dạng: M→K O→Д M|O ---Д Lý luận đúng về mặt logic nếu với bất kỳ tập giá trị nào của các biến (M, K, O, D) mà tất cả các tiền đề đều đúng , kết luận cũng đúng. Giả sử điều ngược lại: có một tập hợp (M0,K0,O0.D0) sao cho các tiền đề là đúng và kết luận là sai. Sử dụng các định nghĩa của các phép toán logic, chúng ta sẽ cố gắng tìm tập hợp này. Chúng tôi tin chắc rằng giả định này đúng với giá trị của các biến - 37 - M0 = I, K0 = I, O0 = A, D0 = A (Bảng 1). Vì vậy, lý luận không đúng về mặt logic. Bảng 1 Sơ đồ giải bài toán logic số 1 2 3 4 5 6 7 Đúng M0 →K0 O0 →Д0 M0 ˅ O0 M0 К0 Sai Chú ý ta giả sử tiền đề đúng, Д0 О0 và kết luận sai từ 2.4 và định nghĩa của hàm ý từ 3, 5 và định nghĩa của phân tách từ 1, 6 và định nghĩa của hàm ý Một cách khác để giải bài toán: xây dựng bảng chân trị cho công thức (M→K)&(O→D)&(M˅O ) →D và đảm bảo rằng nó không phải là lặp thừa. Khi đó, dựa trên hệ quả logic, lý luận không đúng về mặt logic. Vì có bốn biến mệnh đề (M, K, O, D) tham gia vào quá trình suy luận nên bảng chân trị sẽ có 16 hàng và phương pháp này tốn nhiều công sức. Sử dụng các quy tắc suy luận, bạn có thể xây dựng một lý luận đúng đắn về mặt logic, nhưng không phải lúc nào cũng có thể chứng minh được tính sai lầm của lý luận logic. Vì vậy, đối với nhiệm vụ này, cách thuận tiện nhất là kiểm tra tính đúng đắn của suy luận logic. Để củng cố các quy tắc suy luận logic, bạn phải hoàn thành các bài tập trang 78. Các phần chính của logic ký hiệu hiện đại Trong quá trình phát triển của logic cổ điển, nổi bật ba giai đoạn chính sau: logic cổ đại (khoảng 500 năm trước Công nguyên - đầu Công nguyên), logic học thuật ( đầu thời đại chúng ta - nửa đầu thế kỷ 19), logic biểu tượng hiện đại (giữa thế kỷ 19-20) Logic biểu tượng hiện đại được chia thành các phần chính, bản chất của chúng được bộc lộ dưới đây. Logic mệnh đề (phép tính mệnh đề). Nó nghiên cứu những phán đoán đơn giản được xem xét mà không tính đến cấu trúc bên trong của chúng, cũng như những suy luận cơ bản mà con người dễ tiếp cận nhất. Trong ngôn ngữ tự nhiên, những phán đoán đơn giản như vậy được thể hiện bằng các câu chỉ được xem xét từ quan điểm tính đúng hay sai của chúng, và các suy luận được thể hiện bằng các hệ thống phát biểu tương ứng. - 38 - Logic vị ngữ (phép tính vị ngữ). Đối tượng nghiên cứu phức tạp hơn là những phán đoán được xem xét có tính đến cấu trúc bên trong của chúng. Phần logic trong đó không chỉ nghiên cứu các mối liên hệ giữa các phán đoán mà còn nghiên cứu cấu trúc khái niệm bên trong của các phán đoán, được gọi là “logic vị ngữ”. Kim loại. Metalogic là một phần mở rộng của logic vị từ. Chủ đề nghiên cứu của nó là toàn bộ phạm vi của các mối quan hệ nói chung, tất cả những mối quan hệ phổ quát có thể diễn ra giữa các khái niệm, phán đoán, kết luận, cũng như các biểu tượng chỉ định chúng. Các đoạn văn sau đây trình bày các vị trí chính của logic mệnh đề và các vị từ bậc nhất. Để hiểu rõ hơn về logic hiện đại, cần xem xét các quy định chính được xác định bởi tam đoạn luận của Aristotle. Logic của Aristotle Trong logic của Aristotle, cấu trúc của các phán đoán cơ bản được thể hiện bằng các cấu trúc sau: − S là P (1); − S không phải là P (2), trong đó S là một chủ thể logic nào đó (từ Chủ ngữ Latinh); P - một số vị từ logic (từ Predicatum Latin). Các loại phán đoán trong logic của Aristotle được liệt kê dưới đây. 1. Những mệnh đề khẳng định chung – A “All S are P” – Tất cả các nhà thơ đều là những người dễ bị ảnh hưởng. Các từ “is” và “is not” đóng vai trò liên kết chủ ngữ-vị ngữ. Từ các câu (1) và (2), sử dụng các từ “tất cả” và “một số”, các câu có dạng: − tất cả S là P: Loại A (Khẳng định); − một số S là P: Loại I (AffIrmo); − tất cả S không phải là P: Loại N (Nego); − một số S không phải là P: Loại O (NegO). 2. Nhận định tiêu cực chung – E(N) “No S is P” - Không ai là toàn tri. 3. Mệnh đề khẳng định đặc biệt – I “Some S are P” – Một số người có mái tóc xoăn. 4. Phán xét tiêu cực một phần – O “Some S not P” – Một số người không biết cách lắng nghe. Các phát biểu loại A, E, I, O là những phát biểu mang tính phân loại đơn giản tạo nên nền tảng của mọi logic Aristoteles. Giữa tính đúng và sai của các mệnh đề loại A, E, I, O có các mối quan hệ nguyên hàm, thường được mô tả dưới dạng hình vuông logic (Hình 16, Bảng 2). - 39 - Khi sử dụng hình vuông logic cần chú ý đến sự tinh tế sau: từ “một số” được hiểu theo nghĩa rộng - là “một số, và có thể là tất cả”. Bảng 2 Bảng chân lý cho các phán đoán logic của Aristotle A I L E L I I I I L O L I Fig. 16. Hình vuông logic Giải thích về hình vuông logic của Aristotle Ở bên trái góc trên cùngÔ logic chứa các câu lệnh loại A (khẳng định chung). Ở góc trên bên phải là các câu thuộc loại E (phủ định chung). Ở góc dưới bên trái (dưới A) là các câu thuộc loại I (đặc biệt khẳng định). Ở góc dưới bên phải (dưới E) là các câu thuộc loại O (phủ định một phần). Các phát biểu loại A và O, cũng như các phát biểu loại E và I, có liên quan với nhau trong mối quan hệ mâu thuẫn, hay mâu thuẫn (quan hệ đường chéo). Các phát biểu loại A và E nằm trong mối quan hệ trái ngược hoặc đối lập. - 40 - Các mệnh đề loại I phụ thuộc vào (do đó ngụ ý) các mệnh đề loại A. Các mệnh đề loại O phụ thuộc vào các mệnh đề loại E. Trong khi các mệnh đề trái ngược nhau có giá trị chân lý trái ngược nhau (một cái đúng, một cái sai) , những phát biểu trái ngược nhau không thể đồng thời đúng nhưng có thể sai cùng một lúc. Bằng cách sử dụng một hình vuông logic, bạn có thể rút ra các mệnh đề đối lập, mâu thuẫn và phụ thuộc vào dữ liệu, xác lập tính đúng hoặc sai của chúng. Ví dụ 1. Mọi phán đoán được thể hiện ở câu A →1. 2. Không có phán đoán nào được thể hiện trong câu E→ 0. 3. Một số phán đoán không được thể hiện trong câu O → 0. 4. Một số phán đoán được thể hiện trong câu I → 1. Ngoài ra, với sự trợ giúp của bình phương logic của Aristotle , có thể thiết lập các loại quan hệ giữa các phán đoán: 1) thu được kiến thức suy luận; 2) so sánh các quan điểm khác nhau về các vấn đề gây tranh cãi; 3) chỉnh sửa văn bản và trong các trường hợp khác. Các hình thức của phép tính mệnh đề Nhiều mô hình biểu diễn tri thức dựa trên các hình thức của phép tính mệnh đề và vị ngữ. Một cách trình bày chặt chẽ về những lý thuyết này theo quan điểm logic toán học cổ điển có trong các tác phẩm của Schoenfield và Taze; ở Pospelov người ta có thể tìm thấy một cách trình bày phổ biến về những lý thuyết này, có thể được coi là phần giới thiệu ban đầu. Theo định nghĩa của Thaize, các mệnh đề logic là một lớp các câu trong ngôn ngữ tự nhiên có thể đúng hoặc sai, và phép tính mệnh đề là một nhánh của logic nghiên cứu các câu như vậy. Một câu hỏi tự nhiên được đặt ra: Phải làm gì với những câu ngôn ngữ mà không thể nói được sự thật nào về sự thật của nó? Ví dụ. “Nếu ngày mai trời mưa thì tôi sẽ ở nhà.” Bây giờ, chúng ta sẽ đơn giản giả định rằng tất cả các câu mà chúng ta phải xử lý đều thuộc về lớp phát biểu logic. Chúng ta sẽ ký hiệu các phát biểu bằng chữ in hoa Bảng chữ cái và mục lục Latinh, nếu bài thuyết trình yêu cầu. Ví dụ về ký hiệu phát biểu: S, S1, S2, H, H1, H2. Như đã lưu ý, một tuyên bố logic là đúng hoặc sai. Câu lệnh đúng được gán giá trị logic - 41 - TRUE (hoặc AND), câu lệnh sai được gán giá trị logic FALSE (hoặc L). Do đó, giá trị chân lý tạo thành tập hợp (I, L). Trong phép tính mệnh đề, năm liên kết logic được giới thiệu (Bảng 3), với sự trợ giúp của các công thức logic được biên soạn theo các quy tắc xây dựng. Bảng 3 Các kết nối logic Tên thường gọi Loại Ký hiệu khác Phủ định Đơn phân -, ~, NOT, NOT Liên từ ^ Nhị phân & , ., AND , AND * Phân biệt Nhị phân OR HOẶC Hàm ý Nhị phân => -> Tương đương Nhị phân<=> <-> ~ * Lưu ý: không được nhầm lẫn với giá trị chân lý I. Bộ quy tắc xây dựng công thức logic dựa trên câu lệnh bao gồm ba thành phần: − Cơ sở: mọi câu lệnh là một công thức; − Bước quy nạp: nếu X và Y là công thức thì X, (X ^ Y), (X Y), X Y và X Y là công thức; − giới hạn: công thức thu được duy nhất bằng cách sử dụng các quy tắc được mô tả trong bước cơ sở và bước quy nạp. Các công thức được biểu thị bằng chữ in hoa của bảng chữ cái Latinh có chỉ số. Các mẫu công thức logic được đưa ra trong ví dụ. Ví dụ a) T = S1^S2; b) N = H1H2. Biểu thức a) có thể được đọc như sau: “Công thức logic T là sự kết hợp (liên kết logic AND) của các câu lệnh logic S1 và S2.” Giải thích biểu thức b) như sau: “Công thức logic N là sự phân tách (liên kết logic OR) của phủ định (NOT) của câu lệnh logic H1 và câu lệnh logic H2.” Giá trị chân lý của một công thức logic là hàm của các giá trị chân lý của các câu lệnh cấu thành nó và có thể được xác định duy nhất bằng cách sử dụng các bảng chân lý. Dưới đây là các bảng chân trị cho các kết nối phủ định và nhị phân (Bảng 4, 5), do đó, nếu biết giá trị chân trị của các câu trong ví dụ a) ví dụ S1 = I, S2 = L thì giá trị chân lý của công thức - 42 - T có thể tìm thấy tại giao điểm của hàng thứ hai và cột thứ ba trong Bảng 5, tức là T = L. Bảng 4 Bảng chân lý cho phủ định ¨X I L L I Bảng 5 Bảng chân lý cho liên kết nhị phân X Y X^Y X Y X Y XY AND AND AND AND I I I L I L I I I L L L I Logic vị từ bậc nhất Mối quan hệ giữa các đối tượng được mô tả bằng cách sử dụng các khái niệm toán học đặc biệt gọi là vị từ logic, và phép tính vị từ là nhánh của logic nghiên cứu chúng. Bất kỳ logic nào cũng là một hệ thống hình thức mà những điều sau đây phải được xác định: − bảng chữ cái của hệ thống - một bộ ký hiệu đếm được; − công thức hệ thống - một tập hợp con nhất định của tất cả các từ có thể được hình thành từ các ký hiệu có trong bảng chữ cái (thường có một quy trình được chỉ định cho phép các công thức được tạo thành từ các ký hiệu của bảng chữ cái hệ thống); − Tiên đề của hệ - tập hợp các công thức được chọn của hệ; − các quy tắc suy luận của hệ thống - một tập hợp hữu hạn các quan hệ giữa các công thức của hệ thống. Từ điển phép tính vị ngữ trong cách trình bày tiêu chuẩn của nó bao gồm các khái niệm sau: − các biến (chúng ta sẽ biểu thị chúng bằng các chữ cái cuối cùng trong bảng chữ cái tiếng Anh u, v, x, y, z); − các hằng số (chúng ta sẽ biểu thị chúng bằng các chữ cái đầu tiên của bảng chữ cái tiếng Anh a, b, c, d): o các hằng số riêng lẻ; o hằng số hàm; o hằng vị ngữ; − các phát biểu; - 43 - − các liên kết logic (- (phủ định), kết hợp, phân tách, hàm ý); − định lượng: (tồn tại, phổ quát); − Nước nóng; − các dạng chức năng; − các dạng vị ngữ; − nguyên tử; − các công thức. Các hằng số riêng lẻ và các biến riêng lẻ Chúng tương tự như các hằng số và biến số trong phép tính, với điểm khác biệt duy nhất là phạm vi biến thiên của chúng đại diện cho các cá nhân chứ không phải số thực. Trong lý thuyết trí tuệ nhân tạo, các hằng số và biến được đặt tên trong bộ nhớ của tác nhân tương ứng với các đối tượng và khái niệm trong thế giới thực thường được gọi là khái niệm. Trong các ngôn ngữ bậc nhất, các biến chỉ có thể là riêng lẻ nên chúng được gọi đơn giản là biến. Như sẽ được trình bày bên dưới, việc sử dụng ngôn ngữ bậc nhất và việc từ chối sử dụng ngôn ngữ bậc cao áp đặt các hạn chế bổ sung đối với lớp câu ngôn ngữ tự nhiên đang được xem xét. Các hằng riêng lẻ sẽ được ký hiệu bằng các chữ cái viết thường a, b, c, u, v, w của bảng chữ cái Latin với các chỉ số hoặc tên dễ nhớ lấy từ văn bản. Để chỉ định các biến, các chữ cái viết thường x, y, z, bảng chữ cái Latinh có chỉ số sẽ được sử dụng. Ví dụ. Các hằng số riêng lẻ: a1, b1, c, u, v1, sell_w, k22, buy_l, m10, book_a1. Các biến: x, y2, z33. Các hằng vị ngữ Các hằng vị ngữ biểu thị mối quan hệ mà vị ngữ mô tả. Một hằng vị ngữ không thay đổi giá trị chân lý của nó. Nó được liên kết với một số lượng đối số hoặc tham số thích hợp, được gọi là các thuật ngữ, tạo thành một dạng vị ngữ. Các hằng vị ngữ được biểu thị bằng tên dễ nhớ hoặc chữ cái P trong bảng chữ cái Latinh có chỉ số. Ngôn ngữ của các vị từ chứa ngôn ngữ của các câu lệnh, vì một câu lệnh không gì khác hơn là một hằng vị ngữ không có đối số hoặc một dạng vị từ có vị trí rỗng. Vùng ngữ nghĩa của dạng vị ngữ trùng với vùng thay đổi của câu lệnh, tức là. (IL). Hằng số hàm Một hằng số hàm (f, g, h) cũng như một hằng số vị ngữ, khi kết hợp với một số số hạng thích hợp, sẽ tạo thành một dạng hàm. Sự khác biệt giữa dạng hàm và dạng vị ngữ là - 44 - miền ngữ nghĩa của nó bao gồm một tập hợp các hằng số riêng lẻ. Hằng số hàm có vị trí rỗng chỉ đơn giản là một hằng số riêng lẻ. các liên kết logic trong phép tính vị ngữ dùng để hình thành các công thức. Định lượng. Phép tính vị ngữ sử dụng hai bộ định lượng: bộ định lượng tổng quát () và bộ định lượng tồn tại (). Biểu thức xP đọc là “với mọi x P đều đúng.” Biểu thức xP đọc là “có một x mà P đúng.” Thuật ngữ là một biểu thức được hình thành từ các biến và hằng, có thể sử dụng các hàm. Các thuật ngữ, dạng, nguyên tử và công thức trong phép tính vị ngữ được xây dựng bằng cách sử dụng các quy tắc sau: - mọi biến hoặc hằng đều là một số hạng; − nếu t1,...,tn là các số hạng và f là ký hiệu hàm số n-ary thì f(t1,...,tn) là một số hạng; - không có điều khoản nào khác. Trong thực tế, tất cả các đối tượng trong logic vị từ bậc nhất được biểu diễn chính xác dưới dạng các thuật ngữ. Nếu một thuật ngữ không chứa biến thì nó được gọi là thuật ngữ cơ bản hoặc hằng số. Một số hạng (t1,t2 ...tn) là bất kỳ biến nào và bất kỳ dạng hàm nào. Dạng hàm là một hằng số hàm được kết nối với một số số hạng thích hợp. Nếu f là hằng số n-ary hàm và t1 ..., tn là các số hạng thì dạng tương ứng thường được ký hiệu là f(t1, ...,tn). Nếu n=0 thì chỉ cần viết f. Dạng vị ngữ là một hằng số vị ngữ được nối với một số thuật ngữ thích hợp. Nếu p là hằng số m -ary tương ứng và t1, ..., tn là các số hạng thì dạng tương ứng được ký hiệu là p(t1,...,tm). Một nguyên tử là một dạng vị ngữ hoặc một số đẳng thức, tức là một biểu thức như (s=t), trong đó s và t là các số hạng. Một công thức nguyên tử hoặc cơ bản thu được bằng cách áp dụng một vị từ cho các thuật ngữ, chính xác hơn, đây là biểu thức p(t1,...,tn), trong đó p là ký hiệu vị từ n-ary (công thức) và t1,.. .,tn là các thuật ngữ. Khái niệm công thức được định nghĩa đệ quy (quy nạp) theo các quy tắc sau: - một nguyên tử là một công thức; - nếu A là công thức thì A là công thức; - nếu A và B là công thức thì các công thức (A ^ B), (A B), (A B) và (A B); - nếu A là công thức và x là biến thì xA và xA là công thức. Chúng ta hãy biểu diễn bảng chữ cái của logic vị từ thông qua các khái niệm. Hằng số. Chúng đóng vai trò là tên của các cá nhân (ngược lại với tên của các tập hợp): đồ vật, con người hoặc sự kiện. Các hằng số được biểu thị bằng - 45 - các ký hiệu như Jacques_2 (thêm 2 vào từ Jacques để chỉ một người rất cụ thể trong số những người có tên đó), Book_22, Parcel_8. Biến. Chúng biểu thị tên của các uẩn, chẳng hạn như một người, một cuốn sách, một bưu kiện, một sự kiện. Ký hiệu Book_22 đại diện cho một trường hợp rất cụ thể và ký hiệu cuốn sách biểu thị tập hợp “tất cả các cuốn sách” hoặc “khái niệm về một cuốn sách”. Các ký hiệu x, y, z đại diện cho tên của các bộ sưu tập (các tập hợp hoặc khái niệm nhất định). Tên vị ngữ (hằng vị ngữ). Chúng xác định các quy tắc để kết nối các hằng số và biến, ví dụ, các quy tắc ngữ pháp, quy trình và các phép toán. Đối với tên vị ngữ, các ký hiệu như các cụm từ sau được sử dụng: Gửi, Viết, Cộng, Chia. Tên hàm (hằng hàm) biểu thị các quy tắc giống như vị từ. Để tránh nhầm lẫn với tên vị ngữ, tên chức năng được viết bằng cách sử dụng cùng một chữ viết thường : cụm từ, gửi, viết, cộng, chia. Các ký hiệu dùng để biểu diễn các hằng, biến, vị từ và hàm không phải là “từ tiếng Nga”. Chúng là biểu tượng của một số cách biểu đạt - các từ của một “ngôn ngữ đối tượng” (trong trường hợp của chúng ta là ngôn ngữ của vị ngữ). Bài trình bày phải loại trừ bất kỳ sự mơ hồ nào về ngôn ngữ. Do đó, tên của các cá nhân chứa các con số được gán cho tên của các tập hợp. Jacques_1 và Jacques_2 đại diện cho hai người có cùng tên. Những cách thể hiện này là sự cụ thể hóa tên của tập hợp “Jacques”. Vị ngữ là tên vị ngữ cùng với một số thuật ngữ phù hợp. Vị ngữ còn được gọi là dạng vị ngữ. Ví dụ. Trong tiếng Nga: Jacques gửi sách cho Marie, theo logic: Parcel (Jacques_2, Marie_4, Book_22). Logic mờ Sự xuất hiện của logic mờ, lý thuyết tập mờ và các lý thuyết “mờ” khác gắn liền với công trình của nhà khoa học người Mỹ Zadeh. Ý tưởng chính của Zadeh là cách suy luận của con người, dựa trên ngôn ngữ tự nhiên, không thể được mô tả trong khuôn khổ các hình thức toán học truyền thống. Những chủ nghĩa hình thức này được đặc trưng bởi sự giải thích rõ ràng nghiêm ngặt và mọi thứ liên quan đến việc sử dụng ngôn ngữ tự nhiên đều có cách giải thích đa giá trị. Mục tiêu của Zadeh là xây dựng một ngành toán học mới không dựa trên lý thuyết tập hợp cổ điển mà dựa trên lý thuyết về tập mờ. Theo đuổi nhất quán ý tưởng về tính mờ, theo Zadeh, có thể xây dựng các phép loại suy mờ của tất cả các khái niệm toán học cơ bản và tạo ra bộ máy chính thức cần thiết để mô hình hóa lý luận của con người và cách giải quyết vấn đề của con người (Hình 17). - 46 - Xây dựng lý thuyết tập mờ - Giải pháp Lý thuyết toán học về tập mờ - Cơ sở của cơ chế Hình thức hóa cách suy luận của con người - Luận đề bài toán - con người trong cuộc sống hàng ngày - Bài toán suy nghĩ và đưa ra quyết định dựa trên khái niệm mờ Hình . 17. Logic xuất hiện của lý thuyết tập mờ Hiện nay, lý thuyết về tập mờ và logic mờ (tập mờ & logic mờ) đang chiếm một vị trí vững chắc trong các lĩnh vực hàng đầu của trí tuệ nhân tạo. Khái niệm “mờ”, ban đầu được áp dụng cho các tập hợp và sau đó cho logic, đã được mở rộng thành công sang các lĩnh vực khác của toán học và khoa học máy tính và hiện nay đã tồn tại: - lý thuyết về quan hệ mờ; - lý thuyết tập mờ; - lý thuyết về độ đo mờ và tích phân; - Lý thuyết số mờ và phương trình: - Lý thuyết logic mờ và suy luận gần đúng: - Lý thuyết ngôn ngữ mờ; - lý thuyết thuật toán mờ; - Lý thuyết về mô hình mờ tối ưu hóa và ra quyết định. Các gói sau đây được khách hàng Nga ưa chuộng nhất: 1) CubiCalc 2.0 RTC – một trong những hệ thống chuyên gia thương mại mạnh mẽ nhất dựa trên logic mờ, cho phép bạn tạo các hệ thống chuyên gia ứng dụng của riêng mình; 2) CubiQuick – phiên bản học thuật của gói CubiCalc; 3) RuleMaker – chương trình tự động trích xuất các quy tắc mờ từ dữ liệu đầu vào; 4) FuziCalc – bảng tính với các trường mờ, cho phép bạn ước tính nhanh chóng với dữ liệu đã biết không chính xác mà không mắc lỗi tích lũy; 5) OWL – gói chứa mã nguồn của tất cả các loại mạng thần kinh đã biết, bộ nhớ kết hợp mờ, v.v. “Người tiêu dùng” chính của logic mờ tại thị trường Nga là: chủ ngân hàng, nhà tài chính và chuyên gia trong lĩnh vực phân tích chính trị và kinh tế. - 47 - Hầu hết các công việc của con người không đòi hỏi độ chính xác cao. Thường thì bạn phải tìm ra sự dung hòa hợp lý giữa các khái niệm “độ chính xác” và “tầm quan trọng” khi giao tiếp với thế giới thực. Ví dụ: để đưa ra quyết định băng qua đường, một người không ước tính tốc độ của một ô tô đang đến gần với độ chính xác đến một phần mười mét trên giây. Anh ta tự xác định tốc độ của ô tô là “rất nhanh”, “nhanh”, “chậm”, v.v., tức là. sử dụng các biến ngôn ngữ để biểu thị tốc độ. Lý thuyết tập mờ đưa ra các phương pháp sau để hình thức hóa các khái niệm mờ. Phương pháp đầu tiên (dựa trên công trình của Zadeh) liên quan đến việc loại bỏ phát biểu cơ bản của lý thuyết tập hợp cổ điển rằng một phần tử có thể thuộc hoặc không thuộc về một tập hợp. Trong trường hợp này, một hàm đặc tính đặc biệt của tập hợp được giới thiệu - cái gọi là hàm thành viên, lấy các giá trị từ khoảng. Phương pháp này dẫn đến logic liên tục. Trong phương pháp thứ hai, tổng quát hơn để hình thức hóa tính mờ, người ta giả sử rằng các hàm đặc trưng của một tập hợp nhận một giá trị không phải từ khoảng , mà trong một mạng phân phối hữu hạn hoặc vô hạn. Sự khái quát hóa này được gọi là tập mờ theo nghĩa Gauguin. Phương pháp thứ ba là tập P-mờ. Với cách khái quát hóa này, mỗi phần tử của tập hợp phổ quát không được liên kết với một điểm trong khoảng mà với một tập hợp con hoặc một phần của khoảng này. Đại số của tập P-mờ có thể được rút gọn thành đại số của các lớp. Phương pháp thứ tư là tập mờ không đồng nhất. Ở đây, trong trường hợp chung, các phần tử của tập hợp phổ quát được gán các giá trị trong các mạng phân phối khác nhau. Mỗi phần tử có thể được liên kết với xếp hạng phù hợp nhất với nó. Hơn nữa, bản thân các giá trị của ước tính có thể mờ và được chỉ định dưới dạng hàm. Đã thu được ý tưởng chung về logic mờ. Bây giờ về mọi thứ chi tiết hơn. Chúng ta hãy xem xét bộ máy khái niệm, dựa trên khái niệm “biến ngôn ngữ”. Định nghĩa biến ngôn ngữ (trực quan)4 Nếu biến có thể mang nghĩa của các từ trong ngôn ngữ tự nhiên (ví dụ: “nhỏ”, “nhanh”, v.v.). ), thì biến này được định nghĩa là biến ngôn ngữ. Các từ có giá trị được lấy bởi một biến ngôn ngữ thường biểu thị các tập mờ. 4 Hệ thống thông tin thông minh: Hướng dẫn hội thảo thực nghiệm môn học “Hệ thống thông tin thông minh” dành cho sinh viên chuyên ngành 071900 - Hệ thống thông tin trong kinh tế / Ufimsk. tình trạng hàng không tech. Trường đại học; thành viên: G.G.Kulikov, T.V.Breikin, L.Z.Kamalova. - Ufa, 1999. -40 tr. - 48 - Biến ngôn ngữ có thể lấy giá trị là từ hoặc số. Định nghĩa biến ngôn ngữ (hình thức) Biến ngôn ngữ được gọi là ngũ vị (x, T(x), X, G, M), trong đó x là tên biến; T(x) – tập tên các giá trị ngôn ngữ của biến x, mỗi giá trị đó là một tập mờ trên tập X; G – quy tắc cú pháp để hình thành tên của các giá trị x; M là một quy tắc ngữ nghĩa để liên kết từng giá trị với khái niệm của nó. Mục đích của khái niệm biến ngôn ngữ là để nói một cách chính thức rằng một biến có thể lấy làm giá trị các từ trong ngôn ngữ tự nhiên. Nói cách khác, mỗi biến ngôn ngữ bao gồm: − tên; − một tập hợp các giá trị của nó, còn được gọi là tập thuật ngữ cơ bản T. Các phần tử của tập thuật ngữ cơ bản là tên của các biến mờ; − tập phổ quát X; − quy tắc cú pháp G, theo đó các thuật ngữ mới được tạo ra bằng cách sử dụng các từ của ngôn ngữ tự nhiên hoặc ngôn ngữ hình thức; − quy tắc ngữ nghĩa P, gán từng giá trị của một biến ngôn ngữ cho một tập con mờ của tập X. Ví dụ: nếu chúng ta nói “tốc độ nhanh”, thì biến “tốc độ” nên được hiểu là một biến ngôn ngữ, nhưng điều này không không có nghĩa là biến “tốc độ” không thể lấy giá trị thực. Biến mờ được mô tả bởi một tập hợp (N,X,A), trong đó N là tên biến, X là tập phổ quát (diện tích của suy luận), A là tập mờ trên X. Các giá trị của biến ngôn ngữ có thể là biến mờ, tức là . biến ngôn ngữ ở mức cao hơn biến mờ. Cách tiếp cận chính để hình thức hóa tính mờ như sau. Một tập mờ được hình thành bằng cách đưa ra một khái niệm tổng quát về sự thuộc về, tức là mở rộng tập giá trị hai phần tử của hàm đặc tính (0,1) thành một tập liên tục. Điều này có nghĩa là quá trình chuyển đổi từ hoàn toàn thuộc về một đối tượng sang một lớp sang hoàn toàn không phải là thành viên của nó không xảy ra đột ngột mà diễn ra suôn sẻ, dần dần và tư cách thành viên của một phần tử trong một tập hợp được biểu thị bằng một số trong khoảng . - 49 - Tập mờ (FS) được định nghĩa về mặt toán học là một tập hợp các cặp có thứ tự gồm các phần tử x của tập phổ quát X và các mức thành viên tương ứng μа(x) hoặc (vì hàm thành viên là một đặc tính toàn diện của SM ) trực tiếp dưới dạng hàm của Tập phổ biến X của tập mờ A là miền định nghĩa của hàm thành viên μa. Trong bộ lễ phục. 18 trình bày các loại hàm thành viên chính. Cơm. 18. Loại hàm thành viên Theo loại hàm thành viên, chúng được phân biệt thành: - submodal (Hình 1. c); − amodal (Hình 1. a); − đa phương thức (Hình 1. m); − đơn thức (Hình 1. u). − Ví dụ. 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) Ví dụ tương tự có thể được trình bày dưới dạng bảng. Bảng 6 A= Bảng mô tả hàm thành viên x1 x2 x3 x4 0,2 0,6 1 0,8 Ví dụ “Nhiều người cao” Trong thực tế, khái niệm “chiều cao của người cao” là chủ quan. Một số người tin rằng một người cao phải cao hơn 170 cm, những người khác - hơn 180 cm, những người khác - hơn 190 cm, các tập mờ cho phép chúng ta tính đến sự ước tính mơ hồ như vậy. - 50 - Cho x là biến ngôn ngữ biểu thị “chiều cao của một người”, hàm thành viên của nó trong tập hợp những người cao A:X(0,1), trong đó X là tập hợp bao gồm tất cả các giá trị có thể có của chiều cao của một người, được cho như sau: Khi đó tập hợp “người cao” được cho bởi biểu thức A=(x| A(x)=1), x ϲ X. Điều này được biểu diễn bằng đồ họa trong Hình 2. 19 (đường liền nét), tức là tùy thuộc vào người thực hiện đánh giá. Giả sử hàm thành viên A:X(0,1) có dạng được biểu diễn trong hình bằng đường chấm chấm. Cơm. 19. Tập mờ người cao Như vậy, một người cao 145 cm sẽ thuộc tập A với mức độ thành viên A(145)=0, người cao 165 cm - A(165) = 0.3, cao 185 cm -A (185) )= 0,9 và chiều cao 205 cm - A(205)=1. Ví dụ. "Bây giờ bạn có lạnh không?" Một người cảm nhận nhiệt độ +60oF (+12oC) là lạnh và nhiệt độ +80oF (+27oC) là nóng. Nhiệt độ +65oF (+15oC) có thể có vẻ lạnh đối với một số người nhưng lại khá dễ chịu đối với những người khác. Chúng tôi gọi nhóm định nghĩa này là chức năng của các thành viên trong các tập hợp mô tả nhận thức chủ quan của một người về nhiệt độ. Máy móc không có khả năng phân cấp tốt như vậy. Nếu định nghĩa tiêu chuẩn về lạnh là “nhiệt độ dưới +15oC” thì +14,99oC sẽ được coi là lạnh, nhưng +15oC thì không. Trong bộ lễ phục. 20. Một biểu đồ được trình bày giúp hiểu cách một người cảm nhận được nhiệt độ. Thật dễ dàng để tạo ra các bộ bổ sung mô tả nhận thức của con người về nhiệt độ. Ví dụ: bạn có thể thêm các nhóm như “rất lạnh” và “rất nóng”. Có thể mô tả các chức năng tương tự cho các khái niệm khác, chẳng hạn như trạng thái mở và đóng, nhiệt độ máy làm lạnh - 51 - hoặc nhiệt độ tháp làm mát. Cơm. 20. Tập mờ “Nhiệt độ” Như vậy, chúng ta có thể rút ra những kết luận sau về bản chất của khái niệm “tập mờ”: 1) tập mờ mô tả các khái niệm mơ hồ (người chạy nhanh, nước nóng, thời tiết nóng); 2) các tập mờ cho phép khả năng thuộc về một phần của chúng (Thứ Sáu được nghỉ một phần (rút ngắn), thời tiết khá nóng); 3) Mức độ thành viên của một đối tượng trong tập mờ được xác định bởi giá trị tương ứng của hàm thành viên trên khoảng (Thứ Sáu thuộc về cuối tuần với mức độ thành viên là 0,3); 4) hàm thành viên liên kết một đối tượng (hoặc một biến logic) với giá trị mức độ thành viên của nó trong một tập mờ. Các dạng đường cong để xác định các hàm thành viên Có hơn một chục đường cong tiêu chuẩn để xác định các hàm thành viên. Được sử dụng rộng rãi nhất là: hàm thành viên tam giác, hình thang và Gaussian. Hàm thành viên tam giác được xác định bởi bộ ba số (a,b,c) và giá trị của nó tại điểm x được tính theo biểu thức (1). bx 1 b a , a x b; c x MF(x) , b x c; c b 0, trong mọi trường hợp khác - 52 - (1) Khi (b-a)=(c-b) ta có trường hợp hàm thành viên tam giác đối xứng (Hình 21), có thể được xác định duy nhất bởi hai các tham số từ bộ ba (a,b,c). Cơm. 21. Hàm thành viên tam giác Tương tự, để xác định hàm thành viên hình thang, cần có bốn số (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, trong mọi trường hợp khác (2) Khi (b-a)=(d-c) hàm thành viên hình thang có dạng đối xứng (Hình 22). Cơm. 22. Hàm thành viên hình thang Tập hợp các hàm thành viên cho mỗi số hạng trong tập thuật ngữ cơ bản T thường được vẽ cùng nhau trên một đồ thị. Trong bộ lễ phục. 23 trình bày sự chính thức hóa khái niệm không chính xác về “Thời đại con người”. Như vậy, đối với một người 48 tuổi, mức độ thành viên trong nhóm “Trẻ” là 0, “Trung bình” – 0,47, “Trên trung bình” – 0,20. - 53 - Hình. 23. Mô tả biến ngôn ngữ “Tuổi con người” Các phép toán cơ bản trên tập mờ Các phép toán cơ bản trên tập mờ từ lớp của mọi tập mờ F(X)=( | :X ) của tập phổ biến X được trình bày dưới đây. 1. Phép cộng5 2 = = 1- 1, x X Hình. 24. Đồ thị của phép cộng trên hàm M 2. Giao I (tối thiểu: các biến không tương tác). 3 = ( 1 2) (x)= min( 1(x), 2(x)) , x X 3. Hợp I (tối đa: các biến không tương tác). 3 = ( 1 2) (x)= max( 1(x), 2(x)) , x X 4. Giao lộ II (sản phẩm giới hạn). 3 = ( 1 2) (x)= max(0, 1(x) + 2(x)-1) , x X 5. Pooling II (tối đa: số lượng có hạn). 3 = ( 1 2) (x)= min(1, 1(x) + 2(x)) , x X 6. Giao tuyến III (tích đại số). 5 Ở đây và bên dưới, các thao tác giống nhau cho cả ba căn cứ được hiển thị trên nền màu vàng. - 54 - 3 = ( 1 2) (x)= 1(x) * 2(x) , x X 7. Liên III (tổng đại số). 3 = ( 1 2) (x)= 1(x) + 2(x)- 1(x) 2(x) , x X A B Hình. 25. Đồ thị hoạt động của nút giao I(A) kết hợp I(B) của hàm M và M1 A B Hình 2. 26. Đồ thị hoạt động của nút giao II(A) kết hợp hàm II(B) M và M1 A B Hình 2. 27. Đồ thị hoạt động của nút giao III(A) kết hợp hàm III(B) M và M1 - 55 - 8. Sai phân. 3 = 1(x) - 2(x) = max(0, 1(x) - 2(x)) , x X 9. Nồng độ. 3 = 2(x) , x X Hình. 28. Đồ thị chênh lệch giữa hàm M và M1 Hình 2. 29. Đồ thị hàm số tập trung M1 Không giống như đại số Boole, trong F(X) không thỏa mãn định luật loại trừ bậc ba. Khi xây dựng các phép toán hợp hoặc giao trong F(X), cần loại bỏ các quy luật loại trừ phần giữa hoặc các tính chất phân phối và đẳng thức. Các đối tượng mờ có thể được phân loại theo loại phạm vi giá trị của hàm thành viên. Và ở đây các tùy chọn X được phân biệt: - lưới tản nhiệt; - nửa nhóm; - nhẫn; - loại. Quan trọng đối với các ứng dụng thực tế trong việc thể hiện các ý tưởng và đánh giá định tính của một người trong quá trình đưa ra giải pháp cho một vấn đề là trường hợp các tập mờ S được xác định bởi một cặp (X, ), trong đó - 56 - :X S là ánh xạ từ X tới tập có thứ tự tuyến tính S. Việc áp đặt các yêu cầu về tính hữu hạn và tính đầy đủ lên S là điều đương nhiên. Một ví dụ về tập hợp hữu hạn có thứ tự tuyến tính là tập hợp các giá trị ngôn ngữ của biến ngôn ngữ “QUALITY” = (xấu, trung bình, tốt, xuất sắc). N 1 2 3 4 5 6 7 8 9 Bảng 7 Bảng tương ứng các phép toán trên tập mờ và hàm logic Tên phép toán Công cụ sửa đổi/liên kết Bổ sung KHÔNG giao nhau (tối thiểu: AND (AND, . ..,AND) biến không tương tác) Hợp I (tối đa: HOẶC biến không tương tác) (EITHER, ..., OR) Giao II (tích AND giới hạn) Hợp II (tổng giới hạn) HOẶC Giao lộ III (tích AND đại số) ) Hợp III (tổng đại số) HOẶC Tập trung sai phân RẤT Như đã trình bày, tùy theo các phương pháp giới thiệu các phép toán hợp và giao của NM mà có ba lý thuyết chính về NM. Theo tiêu chí tương tự, người ta chia: - Logic mờ với các phép toán maximin (các phép toán 1,2,3,8,9); − logic mờ với các phép toán hạn chế (các phép toán 1,4,5,8,9); − logic mờ xác suất (các phép toán 1,6,7,8,9). Việc coi sự thật như một biến ngôn ngữ dẫn đến logic mờ với các giá trị “đúng”, “rất đúng”, “hoàn toàn đúng”, “đúng ít nhiều”, “không đúng lắm”, “sai”, v.v. , I E. sang logic có giá trị mờ, dựa trên đó lý thuyết suy luận gần đúng. Các lĩnh vực ứng dụng của lý thuyết tập mờ trong các lĩnh vực khác nhau của tri thức nhân loại Về mặt triết học, lý thuyết tập mờ đáng chú ý vì nó mở ra
