'

МЕТОДЫ И СРЕДСТВА ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ ДЛЯ ПРОДУКЦИОННЫХ СИСТЕМ

Понравилась презентация – покажи это...





Слайд 0

МЕТОДЫ И СРЕДСТВА ПОСТРОЕНИЯ ИНТЕЛЛЕКТУАЛЬНЫХ АГЕНТОВ ДЛЯ ПРОДУКЦИОННЫХ СИСТЕМ И.А. Бессмертный 1 05.13.01 «Системный анализ, управление и обработка информации (технические науки)»


Слайд 1

Предмет исследования: Продукционная модель знаний Преимущества: Компактное представление знаний Простота кодирования для ввода в ЭВМ Широкое применение (юридические документы, инструкции,…) Простота восприятия Недостатки: Экспоненциальная сложность поиска на дереве решений Неизбежное накопление противоречий по мере роста базы знаний Существующие решения: ТРИЗ Экспертные системы Semantic Web 2


Слайд 2

Цель и задачи исследования Цель: Разработка принципов построения и концептуальной модели интеллектуального агента для систем искусственного интеллекта (ИИ) на основе продукционной модели знаний. Задачи: Выбор метрик и оценка объемов знаний в формализованных источниках на основе теории информации. Исследование и разработка методов ускорения логического вывода в продукционных системах. Исследование компетентностного подхода к ИИ с реализацией механизма навыков. Разработка концептуальной модели интеллектуального агента, реализующего в себе компетентностную модель ИИ и управление контекстом. Разработка средств визуализации знаний и интерфейса человек-машина для взаимодействия пользователя с интеллектуальными агентами и представления результатов работы агентов. 3


Слайд 3

Количественная Оценка знаний Требования к оценке: Объективность. Оценка не должна зависеть от субъекта оценивания или автора метода оценки. Воспроизводимость. Оценка не должна зависеть от конкретной аппаратной или программной реализации искусственного интеллекта. Универсальность. Оценка должна быть применимой как к естественному, так и искусственному интеллекту. Количественный характер. Оценка должна выражаться в абсолютных величинах. 4


Слайд 4

Оценка информативности понятий Энтропия Информация АЛФАВИТНЫЙ ПОДХОД Английский алфавит: 26 букв -> I = 4.7 бит Немецкий алфавит : 31 буква -> I = 4.95 бит I(speed) = 23.5 бит I(Geschwindigkeit) = 74.3 бит ! СЛОВАРНЫЙ ПОДХОД Слово – минимальная лексическая единица (атом) Энтропия Информация w – слово, D – словарь Целиком зависит от словаря 5


Слайд 5

Оценка информативности понятий СЛОВАРНО-КОНТЕКСТНЫЙ ПОДХОД Пусть понятие Ei определено на множестве Ei+1 = {Ei}, имеющем мощность ni. Тогда При объединении уровней Контекста Информативность фактов: S – множество субъектов, O – множество объектов, P – множество предикатов в данном контексте 6


Слайд 6

Оценка информативности фактов ПРИМЕР Онтология Пицца I(Pizza) = 2,32+1,59+3,32+1+3,17+4,52+8,34= 24,26 бит. 7


Слайд 7

Оценка количества информации в базах данных ПРИМЕР I(dbCar) = I(TCar)+ +I(TEngine)+ +I(TBody)+ +I(TTransmission) + +I(TBrand)+ +I(TFuel)+ +I(TTransType)+ +I(TCounry) = 244 бит 8


Слайд 8

Оценка информативности фактов ВЫВОДЫ 1. Информативность понятий невозможно оценить вне контекста – информационной среды, которая должна быть одинаковой для всех участников обмена информацией, в противном случае одни и те же факты могут быть интерпретированы по-разному. 3. Определение контекста является неотъемлемой частью любого коммуникативного акта, как между людьми, так и между компьютерами. Установление контекста позволяет обходиться короткими сообщениями, одинаково понятными отправителю и получателю. 5. В рамках любого контекста устанавливается словарь понятий, одинаковый для всех участников обмена информацией, и появляется возможность вычислить информативность всех понятий. 6. Минимальной единицей знаний является факт, составленный из понятий, как молекула из атомов. Информативность фактов, как и информативность понятий, может определяться только в рамках определенного контекста. 7. Предложенные методы позволяют подвергать предметную область декомпозиции и вычислять информативность баз знаний на разных уровнях контекста, а также оценивать количество информации в базах данных, что может быть полезным для контроля оптимальности структуры в ходе проектирования баз данных и знаний. 9


Слайд 9

Методы ускорения логического вывода Индексация и предварительный отбор фактов Факт f(s,p,o). Нумерованный факт fn(i,s,p,o). Индекс: где w – место терма t в атоме (в качестве субъекта, предиката или объекта), [itw] – список номеров фактов, имеющих терм t в роли w, w=(‘s’;’p’;’o’). Релевантные факты для cj условия правила: 10


Слайд 10

Методы ускорения логического вывода Применение операций реляционной алгебры Пусть в результате отбора фактов для условий правила c(s1,p1,o1), c(s2,p2,o2),..., c(sk,pk,ok), получены множества кортежей T = {{ti}}, ti=(xi1,xi2), или ti =(xi1) Вместо интерпретации правил: пересечение X ? Y (INTERSECT) вычитание X - Y (DIFFERENCE) объединение X U Y (UNION) соединение (INNER JOIN) проекция дополнение (NOT) фильтрация (WHERE) 11


Слайд 11

Методы ускорения логического вывода Быстрые реляционные операции в среде Prolog 12


Слайд 12

Методы ускорения логического вывода Агентный подход к поиску решений и роевой интеллект Ср.число переходов до достижения цели b – коэффициент ветвления, d – глубина поиска Число развертываемых вершин для сети NxN - при поиске сначала в ширину Vb = bd/2 - при случайных блужданиях Один агент – множество попыток случайного поиска на заданную глубину без цели. Много агентов – множество поездок с заданными целями с возможостью составлять маршрут из готовых фрагментов 13


Слайд 13

Методы ускорения логического вывода Выводы: Индексация фактов дает ускорение поиска решений в больших базах знаний, но сохраняется экспоненциальная сложность вывода. Применение операций реляционной алгебры над множествами кортежей переменных обеспечивает квадратичный рост сложности вывода. Применение реляционных операций над отсортированными списками позволяет говорить о линейной сложности вывода в пределах одного правила. Мультиагентный подход в сочетании с роевым интеллектом позволяет эффективно решать задачи, имеющие экспоненциальную сложность. Качество решения – функция времени. 14


Слайд 14

Компетентностный подход к ИИ 15


Слайд 15

Компетентностный подход к ИИ 16


Слайд 16

Вывод на основе прецедентов (Case based reasoning) 17 % ------- Без прецедентов ------- move(1). move(2). move(3). % правило хорошего хода good_move( X, M ) :- move(M), X – M = 1. good_move( X,M ) :- move(M), X1 is X-M, not(good_move(X1,_)). % ------С прецедентами ---------- move(1). move(2). move(3). good_move( X, M ) :- precedent(X,M),!. good_move( X, M ) :- move(M), X – M = 1. good_move( X,M ) :- move(M), X1 is X-M, not(good_move(X1,_)), assert(precedent(X,M)). Для N=23: Исходное дерево - 20 тыс.узлов, с применением прецедентов – 57 узлов.


Слайд 17

Вывод на основе прецедентов : Методы обеспечения актуальности 18 1. Актуальность прецедентов проверяется при каждом обращении к ним Ср.время извлечения прецедента с проверкой его актуальности t1 = ? ? |P| + ? ?m|F| = ? ?(|P| + m|F|), 2. При каждом изменении первичных фактов зависящие от них прецеденты удаляются Ср.время извлечения прецедента t2= ? ?|P|, Ср.время удаления всех зависимых от удаляемого факта прецедентов td = ?|P|. ? – время извлечения одного факта, F – множество первичных фактов, P – множество прецедентов, m – среднее число первичных фактов, использованных при выводе прецедента


Слайд 18

Концепция интеллектуального агента Компетентностный подход позволяет устранить экспоненциальную сложность логического вывода в продукционных системах ПРОБЛЕМЫ проблема актуальности прецедентов; проблема размещения и администрирования прецедентов; проблема противоречивости фактов. 19


Слайд 19

Варианты Размещения базы прецедентов а) b) c) 20


Слайд 20

Управление контекстом где N – число фактов в базе знаний, ? – среднее время доступа к одному факту, A– число атрибутов или классов, релевантных условию запроса, i=(1,n), ?i – число допустимых значений атрибута, C – число экземпляров класса. 21


Слайд 21

Управление контекстом 22


Слайд 22

Управление прецедентами в пространстве состояния-события Первичные факты E = {e} - события, Вторичные факты S = {s} – состояния Правило: r: ({st-1}, {et}) > st Требование вычислимости: si =?(ei, si-1). 23


Слайд 23

Управление прецедентами в пространстве состояния-события Декомпозиция состояний а) si =?(ei, si-1, si-2). Граф состояний: б) si =?(ei, si-1). 24


Слайд 24

ИС в базисе троичной логики 25 ternary(X, canMarry, Y, Certainty, [X, canMarry, Y, Cty, Cond1,[‘NOT’|Cond2]):- ternary(X, oppositeSex, Y, Cty1, Cond1), Cty1>=0, ternary(X, closeRelative,Y,Cty2, Cond2), Cty2=<0, Certainty is min(Cty1, -Cty2). bonnie,canMarry,clyde bonnie, oppositeSex,clyde bonnie, hasSex,female bonnie, closeRelative,clyde


Слайд 25

выводы 26 Антропоморфная модель интеллектуального агента для больших баз знаний является актуальной и технически реализуемой. В продукционной модели знаний отсутствует компонент «навыки». При этом большую часть времени в поведении человека превалируют интеллектуальные навыки, а не логическое мышление. Вывод на основе прецедентов является аналогом интеллектуальных навыков человека и позволяет снизить сложность поиска до полиномиальной. Процесс создания и сопровождения базы прецедентов может управляться запросами, расписаниями или событиями. Последний способ является наиболее простым в реализации, но предъявляет повышенные требования к онтологической организации знаний, используемой всеми участниками создания и использования ресурсов, на которых размещаются базы знаний. В допущении открытого мира база фактов должна строиться в пространстве «состояния – события». Текущее состояние любого объекта может быть вычислено путем обработки всех событий, произошедших после известного предыдущего состояния.


Слайд 26

Визуализация знаний Задачи: Графический язык запросов к базе знаний Отображение сложных предметных областей Объяснение результатов найденных решений 27


Слайд 27

Визуализация знаний Графический язык запросов vs. SPARQL SELECT ?S ?University WHERE {?S ISA ‘спецсовет’ . ?S has_spec ‘05.13.01’ . ?S at ?University . ?University in ‘С.Петербург’} 28


Слайд 28

Визуализация знаний Графический язык запросов 29


Слайд 29

Визуализация знаний 30


Слайд 30

Визуализация знаний Графический язык запросов 31


Слайд 31

Визуализация. Правила и объяснения (1) IF ?x has_child ?y AND ?x has_child ?z AND ?y differs ?z THEN ?y is_sibling ?z IF ?x is_sibling ?y AND ?x has_sex male THEN ?x is_brother ?y 32 Nikita is_sibling Andrey  BECAUSE  Sergey1913 has_child Nikita AND Segrey1913 has_child Andrey AND Nikita differs Andrey


Слайд 32

Визуализация. Правила и объяснения (2) 33 IF ?x has_spouse ?y AND ?x has_child ?z AND NOT ?y has_child ?z THEN ?y is_step-parent ?z. IF ?x has_spouse ?y AND ?x has_child ?z AND ?a has_child ?z AND ?a differs ?x AND ?a differs ?y THEN ?y is_step-parent ?z.  Julia is_step-parent Egor  BECAUSE   Julia NOT has_child Egor AND Andrey has_spouse Julia  AND Andrey has_child Egor. 


Слайд 33

Визуализация. Управление контекстом 34


Слайд 34

Визуализация знаний. выводы 35 В отличие от баз данных, в которых результаты обработки запросов представлены множествами однородных кортежей, доступ к базам знаний порождает разнообразные факты, связанные между собой. Вследствие этого визуализация знаний является важной составной частью интеллектуальных систем на основе баз знаний. Семантический граф являются привлекательной формой отображения знаний. Отображение семантического графа даже небольшой предметной области на двумерное пространство является проблематичным вследствие большого числа связей между объектами. Для восприятия фактов человеком необходимы специальные методы, позволяющие согласовать визуализацию знаний с возможностями человека. Контекстный подход, как универсальный способ организации обмена информацией, позволяет решить проблему визуализации даже больших предметных областей. Управление контекстом в процессе визуализации знаний позволяет отображать на экране только информацию, необходимую для передачи семантики сообщения.


Слайд 35

Научная новизна (1) К оценке количества информации в базах данных и знаний применен контекстный подход, позволивший вычислять информативность понятий и фактов методами теории информации, а также подвергать эту задачу декомпозиции на разных уровнях обобщения. Разработан метод индексации и предварительного отбора фактов для применения в правилах логического вывода, позволяющий сокращать размерность поиска на дереве решений, в т.ч. для базы фактов, подверженной изменениям. К логическому выводу применены теоретико-множественные операции, на основе которых задача поиска решений в продукционной модели знаний может быть перенесена в среду реляционных СУБД. Разработаны методы быстрого логического вывода в среде программирования Prolog, основанные на реляционных операциях над отсортированными кортежами переменных, входящих в условия правил. 36


Слайд 36

Научная новизна (2) Исследован многоагентный подход с методами роевого интеллекта к информационному поиску, продемонстрировавшими эффективность простейших алгоритмов поведения агентов для нахождения решений. К анализу систем ИИ применен компетентностный антропоморфный подход с применением механизма интеллектуальных навыков, позволяющий устранить экспоненциальный рост сложности задачи логического вывода. Разработана модель знаний в пространстве состояния – события, объединяющая первичные факты, заносимые в базу явным образом, и вторичные факты, выводимые из правил. Разработана концептуальная модель интеллектуального агента в продукционных системах с применением моделирования на основе прецедентов, позволяющего устранить экспоненциальную сложность поиска решений в базах знаний. Разработаны методы визуализации знаний для взаимодействия с интеллектуальным агентом и интерпретации результатов работы агента с использованием механизма управления контекстом. 37


Слайд 37

СПАСИБО ЗА ВНИМАНИЕ! 38


×

HTML:





Ссылка: