Обзор исследований в области искусственного интеллекта

2.1. Классический период: игры и доказательство теорем 22

2.1.1. Поиск в пространстве состояний 22

2.1.2. Эвристический поиск 25

2.2. Романтический период: компьютер начинает понимать 27

2.2.1. Система SHRDLU 27

2.2.2. Схемы представления знаний 28

2.3. Период модернизма: технологии и приложения 30

2.3.1. В знании сила 30

2.3.2. Периоды "зимней спячки" и "пробуждения" в истории искусственного интеллекта 32

Рекомендуемая литература 33

Упражнения 33

ГЛАВА 3. Представление знаний 38

3.1. Представление знаний: принципы и методы 38

3.2. Планировщик STRIPS 40

3.2.1. Таблицы операторов и методика "средство -анализ завершения" 40

3.2.2. Анализ метода представления и управления в STRIPS 43

3.3. Формулировка подцелей в MYGIN 44

3.3.1. Лечение заболеваний крови 44

3.3.2. База знаний системы MYCIN 45

3.3.3. Структуры управления в MYCIN 47

3.4. Оценка и сравнение характеристик экспертных систем 49

3.4.1. Оценка системы MYCIN 49

3.4.2. Сравнение MYCIN и STRIPS 50

Рекомендуемая литература 51

Упражнения 51

ГЛАВА 4. Символические вычисления 54

4.1. Символическое представление 54

4.2. Физическая символическая система 55

4.3. Реализация символических структур на языке LISP 56

4.3.1. Структуры данных в языке LISP 56

4.3.2. Структура LISP-программы 57

4.3.3. Приложение функции и лямбда-исчисление 58

4.3.4. Обработка списков 58

4.3.5. Сопоставление с образцом 59

4.4. Почему. LISP не является языком представления знаний 60

4.4.1. Символический уровень и уровень знаний 61

4.4.2. LISP и разработка программ 61

4.5. Языки представления знаний 61

Рекомендуемая литература 62

Упражнения 62

ГЛАВА 5. Системы, основанные на знаниях 64

5.1. Канонические системы 64

5.2. Системы порождающих правил для решения проблем 65

5.2.1. Синтаксис представления правил 65

5.2.2. Рабочая память 67

5.3. Управление функционированием интерпретатора 69

5.3.1. Разрешение конфликтов 70

5.3.2. Прямая и обратная цепочки рассуждений 71

5.3.3. Правила и метаправила 75

Рекомендуемая литература 77

Упражнения 77

ГЛАВА 6. Ассоциативные сети и системы фреймов 80

6.1. Графы, деревья и сети 80

6.2. Ассоциативные сети 82

6.2.1. Разделение видов узлов и когнитивная экономия 83

6.2.2. Анализ адекватности ассоциативных сетей 83

6.3. Представление типовых объектов и ситуаций 85

6.3.1. Основные понятия концепции фреймов 85

6.3.2. Фреймы и графы 85

6.3.3. Значения по умолчанию и демоны 86

6.3.4. Множественное наследование 88

6.3.5. Сравнение сетей и фреймов 90

Рекомендуемая литература 91

Упражнения 91

ГЛАВА 7. Объектно-ориентированное программирование 94

7.1. Язык KRL 94

7.2. Языки LOOPS и FLAVORS 96

7.2.1. Передача сообщений 96

7.2.2. Проблема наложения методов 97

7.2.3. Метаклассы 99

7.3. Языки CLIPS и CLOS 100

7.3.1. Множественное наследование в CLOS и CLIPS 100

7.3.2. Наложение методов в CLOS и CLIPS 101

7.3.3. Метаклассы в CLOS и CLIPS 103

7.4. Множественное наследование в C++ 103

7.5. Объектно-ориентированный анализ и конструирование экспертных систем 107

Рекомендуемая литература 107

Упражнения 107

ГЛАВА 8. Логическое программирование 109

8.1. Формальные языки 109

8.1.1. Исчисление высказываний 109

8.1.2. Исчисление предикатов 110

8.2. Язык PROLOG 112

8.3. Опровержение резолюций 113

8.3.1. Принцип резолюций 113

8.3.2. Поиск доказательства в системе резолюций 114

8.4. Процедурная дедукция в системе PLANNER 116

8.5. PROLOG и MBASE 117

8.5.1. Правила поиска в языке PROLOG 117

8.5.2. Управление поиском в системе MBASE 118

Рекомендуемая литература 120

Упражнения 120

ГЛАВА 9. Представление неопределенности знаний и данных 123

9.1. Источники неопределенности 123

9.2. Экспертные системы и теория вероятностей 124

9.2.1. Условная вероятность 124

9.2.2. Коэффициенты уверенности 126

9.2.3. Коэффициенты уверенности и условные вероятности 127

9.3. Сомнительность и возможность 128

9.3.1. Нечеткие множества 128

9.3.2. Нечеткая логика 129

9.3.3. Теория возможности 130

9.4. Неопределенное состояние проблемы неопределенности 131

Рекомендуемая литература 131

Упражнения 132

ГЛАВА 10. Приобретение знаний 133

10.1. Теоретический анализ процесса приобретения знаний 133

10.1.1. Стадии приобретения знаний 134

10.1.2. Уровни анализа знаний 134

10.1.3. Онтологический анализ 136

10.2. Оболочки экспертных систем 136

10.2.1. Система EMYCIN 137

10.2.2. Сопровождение и редактирование баз знаний с помощью программы TEIRESIAS 137

10.3. Методы приобретения знаний 139

10.3.1. Использование опроса экспертов для извлечения знаний в системе COMPASS 139

10.3.2. Автоматизация процесса извлечения знаний в системе OPAL 141

10.3.3. Графический интерфейс модели предметной области 141

10.3.4. Эффективность программы OPAL 143

10.4. Приобретение новых знаний на основе существующих 144

Рекомендуемая литература 144

Упражнения 144

ГЛАВА 11. Эвристическая классификация (I) 151

11.1. Классификация задач экспертных систем 151

11.2. Классификация методов решения проблем 153

11.2.1. Эвристическое сопоставление 153

11.2.2. Общность эвристической классификации 155

11.3. Классификация или конструирование? 157

Рекомендуемая литература 158

Упражнения 158

ГЛАВА 12. Эвристическая классификация (II) 164

12.1. Инструментальные средства и задачи, решаемые экспертной системой 164

12.2. Эвристическая классификация в системах MUD и MORE 165

12.2.1. Модель предметной области выполнения буровых работ 165

12.2.2. Стратегии приобретения знаний 169

12.2.3. Использование коэффициентов уверенности в программе MORE 171

12.2.4. Опыт эксплуатации системы MORE 172

12.3. Совершенствование стратегий 173

12.3.1. Уроки проекта GUIDON 173

12.3.2. Структура задач в системе NEOMYCIN 174

Рекомендуемая литература 175

Упражнения 175

ГЛАВА 13. Иерархическое построение и проверка гипотез 178

13.1. Влияние сложности пространства гипотез на организацию работы системы 178

13.1. Обход дерева 179

13.2. Структурированные объекты в CENTAUR 180

13.2.1. Структура фреймов в CENTAUR 180

13.2.2. Правила, включенные в прототипы 181

13.3. Формирование суждений на базе модели в системе INTERNIST 181

13.3.1. Представление знаний в дереве заболеваний 182

13.3.2. Методика выделения правдоподобных гипотез в INTERNIST 183

13.3.3. Проблемы, обнаруженные в процессе эксплуатации системы INTERNIST 185

13.4. Рабочая среда инженерии знаний TDE 185

Рекомендуемая литература 187

Упражнения 187

ГЛАВА 14. Решение проблем конструирования (I) 190

14.1. Области применения методов конструктивного решения проблем 190

14.2. Система R1/XCON 191

14.2.1. Компоненты и ограничения 191

14.2.2. Использование текущего контекста для управления структурой задачи 192

14.2.3. Формирование суждений с учетом ограничений: метод Match 195

14.3. Использование знаний, развитие и расширение системы XCON 196

14.3.1. Извлечение знаний в системе R1/XCON 196

14.3.2. Совершенствование и расширение системы R1/XCON 198

Рекомендуемая литература 199

Упражнения 199

ГЛАВА 15. Решение проблем конструирования (II) 201

15.1. Стратегии конструирования 201

15.2. Архитектура систем планирования и метапланирования 202

15.3. Извлечение, представление и применение знаний о проектировании 208

15.3.1. Реализация обратного прослеживания в системе VT 208

15.3.2. Приобретение знаний с помощью системы SALT 210

15.4. Итоги анализа систем решения проблем конструирования 211

Рекомендуемая литература 212

Упражнения 212

ГЛАВА 16. Средства формирования пояснений 215

16.1. Формирование пояснений на основе знаний 215

16.1.1. Подсистема формирования пояснений в MYCIN 216

16.1.2. Формирование пояснений в системах, производных от MYCIN 217

16.1.3. Формирование пояснений на основе фреймов 218

16.1.4. Организация вывода пояснений в системе CENTAUR 218

16.1.5. Использование мультимедийного интерфейса для формирования пояснений 223

16.2. Формирование пояснений и автоматическое программирование 224

16.2.1. Автоматическое программирование в системе XPLAN 224

16.2.2. Проект Explainable Expert Systems 225

16.2.3. Планирование текстов пояснений и модели пользователей в PEA 227

16.3. Перспективы дальнейших исследований методов формирования пояснений 228

Рекомендуемая литература 229

Упражнения 229

ГЛАВА 17. Инструментальные средства разработки экспертных систем 233

17.1. Общая характеристика инструментальных средств для построения экспертных систем 233

17.2. Оболочки экспертных систем 234

17.3. Языки программирования высокого уровня 236

17.3.1. Языки описания порождающих правил 236

17.3.2. Объектно-ориентированные языки 237

17.3.3. Языки логического программирования экспертных систем 237

17.3.4. Многофункциональные программные среды 238

17.3.5. Дополнительные модули 239

17.4. Использование инструментальных средств 241

17.4.1. Характерные сложности и способы их избежать 242

17.4.2. Выбор подходящего инструментария для разработки экспертной системы 242

17.4.3. Практическое освоение инструментальных средств 244

17.4.4. Стиль программирования 246

17.5. Некоторые максимы разработки экспертных систем 246

Рекомендуемая литература 247

Упражнения 247

ГЛАВА 18. Системы с доской объявлений 249

18.1. Принципы организации систем с доской объявлений 249

18.2. Системы HEARSAY, AGE и ОРМ 250

18.2.1. Почему для HEARSAY-II выбрана такая архитектура 250

18.2.2. Использование источников знаний в HEARSAY-II 251

18.2.3. Система HEARSAY-III— оболочка для создания систем с доской объявлений 252

18.2.4. Инструментальные среды AGE и ОРМ 253

18.3. Среда с доской объявлений ВВ 254

18.3.1. Уровни абстракции в среде ВВ 254

18.3.2. Системы ВВ1 и ACCORD 254

18.3.3. Система PROTEAN 255

18.3.4. Интеграция стратегий логического вывода 255

18.3.5. Общая характеристика ВВ 256

18.4. Эффективность и гибкость модели с доской объявлений 256

18.4.1. Организация доски объявлений в системе GBB 256

18.4.2. Компоновка доски объявлений в среде ERASMUS 257

18.5. Организация параллельных вычислений в системах CAGE и POLIGON 258

Рекомендуемая литература 259

Упражнения 259

ГЛАВА 19. Система отслеживания истинности предположений 260

19.1. Отслеживание зависимостей 260

19.1.1. Релаксация в сети 260

19.1.2. Пересмотр допущений 261

19.2. Пересмотр теорий высказываний 263

19.3. Немонотонное обоснование 264

19.4. Работа со множеством контекстов 266

19.4.1. Отслеживание истинности предположений, основанное на анализе допущений 266

19.4.2. Использование систем отслеживания истинности предположений для диагностирования на основе моделей 269

19.5. Сравнение различных вариантов организации систем отслеживания истинности предположений 271

Рекомендуемая литература 271

Упражнения 271

ГЛАВА 20. Формирование знаний на основе машинного обучения 273

20.1. Индуктивное обучение 273

20.2. Система Meta-DENDRAL 275

20.2.1. Формирование и уточнение правил 276

20.2.2. Пространство версий 277

20.2.3. Алгоритм отсеивания кандидатов 278

20.2.4. Сопоставление экземпляров с образцами в Meta-DENDRAL 279

20.3. Построение дерева решений и порождающих правил 280

20.3.1. Структура дерева решений 280

20.3.2. Алгоритм формирования дерева решений по обучающей выборке 282

20.4. Уточнение наборов правил 285

Рекомендуемая литература 286

Упражнения 287

ГЛАВА 21. Сети доверия 288

21.1. Теория Демпстера—Шефера 288

21.1.1. Функции доверия 288

21.1.2. Применение теории Демпстера—Шефера к системе MYCIN 289

21.2. Методика Перла 290

21.3. Сравнение методов неточных рассуждений 292

21.4. Резюме 293

Рекомендуемая литература 293

Упражнения 294

ГЛАВА 22. Рассуждения, основанные на прецедентах 295

22.1. База прецедентов 296

22.1.1. Программа CHEF 296

22.1.2. Методы извлечения и адаптации прецедентов 297

22.2. Обучение с помощью компьютера: система САТО 298

22.2.1. Предметная область программы САТО 298

22.2.2. Расследования и рассуждения в юриспруденции 299

22.2.3. Обучение с помощью системы САТО 299

22.3. Формирование отчетов в системе FRANK 301

22.4. Сравнение систем, основанных на правилах и прецедентах 303

Рекомендуемая литература 303

ГЛАВА 23. Гибридные системы 304

23.1. Методы обучения в системе ODYSSEUS 304

23.2. Системы ODYSSEUS и MINERVA 306

23.2.1. Оболочка экспертной системы MINERVA 306

23.2.2. Обучение в системе ODYSSEUS 307

23.3. Использование прецедентов для обработки исключений 308

23.4. Гибридный символический подход и нейронные сети 309

23.4.1. Нейронные сети 309

23.4.2. SCALIR — гибридная система для извлечения правовой информации 312

23.4.3. Организация обучения в системе SCALIR 314

23.5. Будущее гибридных систем 314

Рекомендуемая литература 315

Упражнения 315

ГЛАВА 24. Заключение 317

24.1. Загадка искусственного интеллекта 317

24.2. Представление знаний 318

24.3. Языки программирования систем искусственного интеллекта 319

24.4. Решение практических проблем 320

24.5. Архитектура экспертных систем 321

Рекомендуемая литература 321

Литература 323