Мультиагентные системы

это активно развивающееся направление искусственного интеллекта, которое в настоящее время еще находится в стадии становления.

В сообществе специалистов по мультиагентным системам как одна из перспективных моделей рассматривается модель самообучающегося агента. Однако при этом делаются ссылки на результаты в области извлечения знаний и машинного обучения, полученные ранее в искусственном интеллекте применительно к экспертным системам. Очевидно, что применительно к мультиагентной системе задача обучения имеет много специфики по сравнению с задачами в общей постановке, однако, эта специфика пока не изучается и не ведутся исследования по этой проблеме. Весьма специфична и задача обучения агентов коллективному поведению, ведь кооперативное решение задач подразумевает совместное использование знаний нескольких агентов. Этот вопрос тоже пока остается вне поля зрения специалистов по мультиагентным системам.

Работы в области многоагентных систем, в особенности разработка приложений, требуют привлечение знаний и технологий из ряда областей, которые ранее были вне поля зрения специалистов по искусственному интеллекту. Прежде всего это относится к параллельным вычислениям, технологии открытой распределенной обработки, обеспечения безопасности и мобильности агентов. Необходимы знания в области сетевых компьютерных технологий и, в особенности, в области программирования в Internet.

Технология мультиагентных систем не является просто объединением различных результатов в области искусственного интеллекта. Интеграция, которая приводит к парадигме многоагентных систем, привносит ряд принципиально новых свойств и возможностей в информационные технологии и по существу представляет собой качественно новый, более высокий уровень ее развития, тот уровень, который позволяет прогнозировать ее ведущее положение в ближайшие десятилетия. Специалистам в области искусственного интеллекта здесь принадлежит ведущая роль.

6. Адаптивные информационные системы

Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

• адекватно отражать знания проблемной области в каждый момент времени;
• быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний - репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.

В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с "чистого листа" на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования, или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.).

При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.). Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация про-граммного обеспечения, а при использовании сборочной технологии - конфигурирование программ и только в редких случаях - их переработка.

7. Системы управления знаниями

Управление знаниями можно рассматривать и как новое направление в менеджменте, и как направление в информатике для поддержки процессов создания, распространения, обработки и использования знаний внутри предприятия.
Система управления знаниями (СУЗ) – это не просто технологическое решение, но бизнес-стратегия, направленная на формирование в организации культуры знаний и поддержку единого корпоративного сознания, простирающегося за пределы любых организационных единиц на благо всей компании в целом. Важным отличием «управления знаниями» от «искусственного интеллекта» являются цели развития обоих направлений, то есть прежде всего, с тем, что «управление знаниями» преследует цель, где первичная ролью отдается человеку, сотруднику, эксперту, носителю тех знаний, которые и составляют интеллектуальный капитал организации. Не моделирование на компьютере процесса мышления, не повторение функций человеческого мозга, не подмена человека в процессах принятия решения, а наиболее эффективное применение уже имеющихся у организации знаний.
Цели создания СУЗ:

• профессиональное развитие сотрудников;
• повышение инновационности производства и системы управления инновациями;
• повышение эффективности управления интеллектуальным капиталом;
• повышение операционной эффективности предприятия, снижение издержек, повышение качества предоставляемых услуг.
Программное обеспечение основано:
• нечеткая логика — приближенные вычисления, грануляция информации, вычисления на словах
• нейрокопьютинг — обучение, адаптация, классификация, системное моделирование и идентификация
• генетические вычисления — синтез, настройка и оптимизация с помощью систематизированного случайного поиска и эволюции.
• вероятностные вычисления- управление неопределённостью, сети доверия, хаотические системы, предсказание.

К системам управления знаниями можно отнести и экспертные системы.
Роли, выполняемые ЭС:

- консультант для неопытных пользователей;
- ассистент в случае необходимости анализа экспертом различных вариантов принятия решений;
- партнер эксперта по вопросам из смежных областей деятельности.

ЭС - программная систем способная в данной предметной области вырабатывать крещения по эффективности конкурирующие с решениями эксперта
Назначение — решение достаточно трудных для экспертов задач на основе накапливаемой базы знаний отражающей опыт работы экспертов в рассматриваемой проблемой области.
Часто задаваемый вопрос на экзамене (!)
Достоинство применения — возможность принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний.
Характеристика задач, решаемых в СОЗ недостоверность многозначность исходной информации и качественных оценок процессов

8. Перспективные направления ИИ.
Представление знаний и разработка систем, основанных на знаниях.
Это основное направление искусственного интеллекта. Оно связано с разработкой моделей представления знаний, образующих ядро экспертных систем (ЭС). Включает в себя модели и методы извлечения и структурирования знаний и сливается инженерией знаний.
Игры и творчество.
Традиционно искусственный интеллект включал в себя игровые интеллектуальные задачи – шахматы, шашки. В основе лежит один из ранних подходов – лабиринтная модель плюс эвристики. Сейчас это скорее коммерческое направление, так как в научном плане эти идеи считаются тупиковыми.
Разработка ЕЯ интерфейсов и машинный перевод
В 50х годах одно из популярных тем исследования ИИ являлась область машинного перевода. Первая программа в этой области – переводчик с английского на русский. Первая идея – пословный перевод, оказалась неплодотворной. В настоящее время используется более сложная модель включающая анализ и синтез ЕЯ сообщений, которая состоит из нескольких блоков.
Для анализа это:
Морфологический анализ – анализ слов в тексте;
Синтаксический анализ – анализ предложений, грамматики и связей между словами;
Семантический анализ – анализ смысла каждого предложения на основе некоторой предметно-ориентированной базы знаний;
Прагматический анализ – анализ смысла предложений в окружающем контексте на основе собственной базы знаний. Синтез включает аналогичные этапы, но несколько в другом порядке.
Распознавание образов. Традиционное направление искусственного интеллекта, берущее начало у самых его истоков. Каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Это направление близко к машинному обучению, тесно связано с нейрокибернетикой.
Новые архитектуры компьютеров. Это направление занимается разработкой новых аппаратных решений и архитектур, направленных на обработку символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных и параллельным компьютерам.
Интеллектуальные работы
Создание человекоподобных механизмов для решения различных задач, привлекало человека с древних времен. В истории развития роботов выделяют четыре глобальных этапа:
Донаучный;
Андроидный
Период «кибернетических игрушек»;
Современный, связанный с практическими разработками в области искусственного интеллекта.
Созданные в разные времена механизмы могли копировать некоторые механические действия человека или другой биологической системы, но ни одно из них не умело произносить членораздельных звуков и совершать осознанные действия.
Загадка шагающих механизмов окончательно нерешена и в наше время. Она по-прежнему привлекает к себе внимание специалистов самого разного профиля.

9. Методы представления знаний. Формальные логические методы.

В настоящее время разработано множество подходов к представлению знаний. В основе этих подходов заложено использование таких методов представления знаний, как:

- формальные логические;

- продукционные;

- семантические сети;

- фреймовы;

- сценарии.

Формальные логические методы.

Наиболее распространенной формальной системой, используемой для представления знаний, является исчисление предикатов. Под предикатом понимается логическая функция, предназначенная для выражения свойств объектов реального мира или связей между ними. Выражения, в которых утверждается или отрицается наличие каких-либо свойств у объекта, называются высказываниями. Для именования объектов реального мира используются константы. Логические предложения или высказывания (представления фактов) носят названия атомарных формул. В простейшем случае запись факта имеет вид Р(x,y,z, …), где Р – отношение, а x,y,z, … - объекты, на которых оно задано. Представления фактов с помощью предикатов имеют следующий вид:

ОБСЛУЖИВАНИЕ (менеджер, клиент): менеджер обслуживает клиента

УЧИТСЯ (Смирнов, институт): Смирнов учится в институте

ЛУЧШИЙ_СПЕЦИАЛИСТ (Рыбин): Рыбин – лучший специалист

Одним из способов представления знаний является язык математической логики, позволяющий формально описывать понятия предметной области и связи между ними.

В отличие от естественного языка, который очень сложен, язык логики предикатов использует только такие конструкции естественного языка, которые легко формализуются.

Т.е. логика предикатов - это языковая система, которая оперирует с предложениями на естественном языке в пределах синтаксических правил этого языка.

Язык логики предикатов использует слова, которые описывают:

·
понятия и объекты изучаемой предметной области;

·
свойства этих объектов и понятий, а также их поведение и отношения между ними.

В терминах логики предикатов первый тип слов называется термами, а второй - предикатами.

Термы представляют собой средства для обозначения интересующих нас индивидуумов, а предикаты выражают отношения между индивидуумами (которые обозначаются с помощью термов).

Логическая модель - это множество предложений, выражающих различные логические свойства именованных отношений.

При логическом программировании пользователь описывает предметную область совокупностью предложений в виде логических формул, а ЭВМ, манипулируя этими предложениями, строит необходимый для решения задач вывод.