ЕС використовуються поверхневі знання, які дозволяють отримати достатньо якісні результати. Однак, введення глибинних знань дозволяє створювати більш потужні бази знань. Наприклад, некваліфікований лікар діє за принципом «якщо кашель - таблетки від кашлю, якщо ангіна - еритроміцин і т.д.». Досвідчений лікар обирає різні варіанти лікування хвороби в залежності, наприклад від стану, хворого, його віку, наявності ліків в аптеці. Глибинні знання пов’язані з типом мислення: емпіричним, або теоретичним. При емпіричному мисленні пошук рішення задачі ведеться тільки на основі тих зв’язків, які вже є в ситуації задачі. При теоретичному мисленні пошук здійснюється шляхом конструювання нових зв’язків між елементами задачі. Тобто емпіричне мислення відображує об’єкт з боку його зовнішніх проявлень та зв’язків (тобто на рівні поверхневих знань), а теоретичне включає здібність до узагальнення і відображує внутрішні зв’язки об’єктів і закони їх розвитку (тобто глибинні знання). По жорсткості знання розподіляють на жорсткі та м’які. Жорсткі знання дозволяють отримувати однозначні рішення при заданих початкових умовах. М’які - дозволяють множинні, розпливчаті рішення і різні варіанти рекомендацій. Аналогічно підрозділяють і предметні області. Загальною тенденцією інженерії знань є перехід від жорстких поверхневих знань до м’яких і глибинних.
7. В чому відмінність між логічним та структурним
підходами до побудови систем ШІ
Логічний підхід. Основою для даного логічного підходу служить Булева алгебра. Практично кожна система ШІ, побудована на логічному принципі, є машиною доказу теорем. При цьому початкові дані зберігаються в базі даних у вигляді аксіом, правил логічного виводу як відносини між ними. Крім того, кожна така машина має блок генерації мети, і система висновку намагається довести дану мету як теорему. Якщо мета доведена, то трасування застосованих правил дозволяє одержати ланцюжок дій, необхідних для реалізації поставленої мети. Потужність такої системи визначається можливостями генератора цілей і машиною доказу теорем. Звичайно можна сказати, що виразності алгебри висловів не вистачить для повноцінної реалізації ШІ, та варто пригадати, що основою всіх існуючих ЕОМ є біт — елемент пам'яті, який може приймати значення тільки 0 і 1. Таким чином було б логічно припустити, що все, що можливо реалізувати на ЕОМ, можна б було реалізувати і у вигляді логіки предикатів. Добитися більшої виразності логічному підходу дозволяє такий порівняно новий напрям, як нечітка логіка. Основною її відмінністю є те, що правдивість вислову може приймати в ній окрім так/ні (1/0) ще і проміжні значення — не знаю (0.5), пацієнт швидше живий, чим мертвий (0.75), пацієнт швидше мертвий, чим живий (0.25). Даний підхід більше схожий на мислення людини, оскільки він на питання рідко відповідає тільки так чи ні. Хоча правда на іспиті прийматимуться тільки відповіді з розряду класичної булевої алгебри. Тому даний підхід вимагає ефективної реалізації обчислювального процесу, і хороша робота гарантується при порівняно невеликому розмірі бази даних.
Під структурним підходом ми маємо на увазі спроби побудови ШІ шляхом моделювання структури людського мозку. Однією з перших таких спроб був перцептрон Френка Розенблатта. Основною модельованою структурною одиницею в перцептронах є нейрон. Пізніше виникли і інші моделі, які в простолюдді звичайно відомі під терміном "нейронні мережі" (НМ). Ці моделі розрізняються за будовою окремих нейронів, за топологією зв'язків між ними і за алгоритмами навчання. Серед найвідоміших зараз варіантів НМ можна назвати НМ із зворотним розповсюдженням помилки, мережі Хопфілда, стохастичні нейронні мережі. НМ найбільш успішно застосовуються в задачах розпізнавання образів, у тому числі сильно зашумлених. Для моделей, побудованих за мотивами людського мозку характерна не дуже велика виразність, легке розпаралелювання алгоритмів, і пов'язана з цим висока продуктивність паралель реалізованих НМ. Також для таких мереж характерна одна властивість, яка дуже зближує їх з людським мозком — нейронні мережі працюють навіть за умови неповної інформації про навколишнє середовище, тобто як і людина, вони на питання можуть відповідати не тільки "так і ні" але і не "знаю точно, але швидше так".
8.Розкажіть про імітаційний підхід до побудови систем ШІ
Ще один підхід, що широко використовується, до побудови систем ШІ — імітаційний. Даний підхід є класичним для кібернетики з одним з її базових понять — "чорною скринькою" (ЧС). ЧС — пристрій, програмний модуль або набір даних, інформація про внутрішню структуру і зміст яких відсутні повністю, але відомі специфікації вхідних і вихідних даних. Об'єкт, поведінка якого імітується, якраз і є такою "чорною скринькою". Нам не важливо, що у нього і в моделі всередині і як він функціонує, головне, щоб наша модель в аналогічних ситуаціях поводилася так само. Таким чином тут моделюється інша властивість людини — здатність копіювати те, що роблять інші, не вдаючись в подробиці, навіщо це потрібно. Часто ця здатність економить їй масу часу, особливо на початку її життя. Основним недоліком імітаційного підходу також є низька інформаційна здатність більшості моделей, побудованих з його допомогою.
9.Охарактеризуйте допоміжні системи (розпізнавання образів зорових і звукових, ідентифікація, моделювання, жорстке програмування) і їх місце в системах ШІ.
Для того, щоб людина свідомо сприйняла інформацію, вона повинна пройти досить тривалий цикл попередньої обробки. Спочатку світло потрапляє в око. Пройшовши через всю оптичну систему фотони врешті-решт потрапляють на сітківку — шар світлочутливих кліток — паличок і колб. Вже тут — ще дуже далеко від головного мозку, відбувається перший етап обробки інформації, оскільки, наприклад, у ссавців, відразу за світлочутливими клітками знаходиться два шари нервових кліток,