Разное

Концептуализация знаний это: 2.3. Концептуализация и структурирование знаний

Updated on Leave a Comment on Концептуализация знаний это: 2.3. Концептуализация и структурирование знаний

Содержание

Накопление новой информации и концептуализация знания — Студопедия

Поделись  

Характер новой информации, накапливаемой путем использова­ния выбранных методов, определяется, прежде всего, задачами исследо­вания. Например, при задаче найти причины периодических всплесков скрытой безработицы необходимо проследить структурную динамику экономической сферы, динамику официально зафиксированной за­нятости населения в различных формах и возможности трудоуст­ройства его различных групп, изменения в системе оплаты труда, основные тенденции изменений в региональной экономической конъ­юнктуре и др. Какая еще информация имеет отношение к делу, во многом определяется и личными качествами исследователя: его научной дальнозоркостью, уровнем специальной и методологичес­кой подготовленности, знанием реальной ситуации в обществе, лич­ным жизненным опытом.

Как правило, накапливается разнокачественная и достаточно про­тиворечивая информация, поэтому в первую очередь необходимо осу­ществить ее понятийную идентификацию, т. е. соотнести получен­ную в ходе экспериментов и наблюдений информацию с имеющимися научными понятиями, показав, что она имеет отношение к предмету исследования, его целям и задачам. Это одна их первых познава­тельных процедур, направленных на ее систематизацию. В ходе по­нятийной идентификации возможны два варианта: 1) накопленная в ходе наблюдений и экспериментов информация достаточно полно и непротиворечиво охватывается существующим набором понятий; 2) имеющийся набор научных понятий недостаточен, поэтому необ­ходимо введение новых понятий, способных ассимилировать эмпи­рическую информацию. Например, для систематизации информации о проявлениях и причинах понижения покупательной способности денежной единицы в свое время дополнительно к понятиям «инф­ляция», «девальвация», «деноминация» было введено понятие «скры­тая инфляция».В ходе дальнейшей работы накопленную информацию предстоит систематизировать в соответствии с характером решаемых в исследо­вании задач. Наиболее типичные задачи исследования связаны с выявлением факторов генезиса исследуемого объекта (процесса, явле­ния), его структуры, функций, движущих сил и тенденций развития, условий стабильного состояния. Поэтому накопленная информация систематизируется таким образом, чтобы устанавливаемые исследова­телем корреляции (связи) между ее элементами давали как можно более достоверные знания по интересующим исследователя аспек­там. Простейшие из них — эмпирические зависимости — выражают сопряженность (функциональную или причинную зависимость) на­блюдаемых явлений и процессов. Например, дефицит товаров при ажиотажном спросе, понижение политической активности населе­ния при стабилизации политического режима, бегство капитала из страны при усилении теневой экономики. Однако эмпирические за­висимости нередко противоречивы, а по логической природе не мо­гут гарантировать высокую достоверность знаний.

Более сложный вариант систематизации накопленной информа­ции, включая также и эмпирические зависимости — это концептуа­лизация знания, значительно экономящая усилия исследователя по получению новых знаний, причем более достоверных, чем эмпири­ческие обобщения.

Концептуализация — это совокупность познавательных действий исследователя, направленных на систематизацию знаний в соответ­ствии с основной точкой зрения на предмет. Классическим приме­ром концептуализации научного знания являются процессы пост­роения теоретических схем (идеальных моделей, абстрактных кон­структов) как главного элемента развитой теории, структурирующего ее содержание и репрезентирующего исследуемую реальность. Кон­цептуализацию можно выделить на эмпирическом, теоретическом и языковом уровнях, а по формам — понятийную и образную. Эле­ментами концептуальных схем могут быть понятия, составные части абстрактных конструктов различных уровней, а также наиболее об­щих схем освоения социокультурной информации, заложенной в текстах и искусственной предметной среде. Оригинальным спосо­бом (формой) концептуализации знания является метафорическое концептирование, основанное на взаимодополняемости образа и по­нятия. В частности, в естественнонаучном познании употребляется довольно широкая совокупность казалось бы обыденных терминов, обозначающих образ («цвет», «аромат», «горловина», «бублик», «ручка», «седло», «гантель», «зазеркалье», «очарование», черная, белая, серая «дыра», «потенциальная яма» и др. ), который интерпретирует формально-математическое содержание. Аналогично в экономических исследованиях: «звезды», «дойные коровы», «собаки» и т.д. как об­раз экономических субъектов.

Основной смысл и значение концептуализации состоит в том, что она дает возможность, во-первых, объединить в компактном целост­ном образе (схеме) большой объем знаний об исследуемом объекте; во-вторых дает возможность повысить достоверность знаний, выра­женных в форме законов. В концептуальной схеме закон выражает корреляции элементов данной схемы. Можно создать такую схему, где полная достоверность знаний о характере этих корреляций не будет вызывать сомнения, в то время как эмпирическая закономер­ность, выражающая видимые корреляции реальных явлений (про­цессов), не является надежно обоснованной. Одно из очередных на­блюдений может зафиксировать отклонение или противоречие. При этом однако следует помнить об условности, неполноте самой кон­цептуальной схемы по отношению к реальному объекту. А это зна­чит, что проблема достоверности знания, решенная в рамках создан­ной концептуальной схемы, остается в рамках отношения «концеп­туальная схема — исследуемая реальность». В этом варианте она решается путем построения все более полных, адекватных самой исследуемой реальности, концептуальных схем. Наиболее наглядно это иллюстрируется, в частности, эволюцией модели атома в физике (модель «пудинг с изюмом», планетарная модель, модификации пла­нетарной модели).

В процессах концептуализации знания наиболее наглядно прояв­ляется творческая сущность научного познания. Однако концептуа­лизация знания — не самоцель, а в конечном счете средство реше­ния поставленных в исследовании задач. Продуктивность процесса поиска их решений, включающего и концептуализацию знания, мо­жет быть повышена благодаря использованию достижений эврилогии, в рамках которой выработано значительное количество средств, стимулирующих творческий поиск, в том числе и совместный[46].

Так, в методике «мозговой штурм» А. Осборна и ее современных модификациях (в частности, методике «Дельфа») идет процесс дета­лизации предписаний по организации совместного обсуждения на­учных проблем. Более тонко регламентируется продолжительность сеанса совместного поиска, предлагаются дополнительные средства активизации интуиции (преимущественно за счет вовлечения в по­исковый процесс ресурсов сферы подсознательного), более четко размежевываются стадии творческого процесса. Особое внимание обращается на его критическую фазу, связанную с работой экспер­тов. В методике «Дельфа», например, во избежание избыточных кон­тактов между ними, влекущих за собой взаимное искажение профессиональных оценок, их работа организуется в письменной форме.

В «синектике» У. Дж.Дж. Гордона на первый план выдвинуты предписания по подбору состава творческой группы, оправданному ограничению количества обсуждаемых идей и рекомендации по разви­тию ассоциативного мышления. Предлагается включать в состав группы специалистов из различных (причем далеко не смежных) областей, предпочтительно обладающих несколькими специальнос­тями и менявших специальность в ходе трудовой деятельности. Непо­средственно в ходе творческого поиска рекомендуется использование четырех типов аналогий: 1) прямой поиск прообразов технических устройств в природе; 2) эмпатию — представление собственного тела в роли физического или технического объекта; 3) метафорических — перенос свойств одной группы предметов на другую; 4) фантасти­ческих — представления о несуществующем как реальность (напри­мер, дорога, возникающая лишь там, где ее касаются колеса автомоби­ля). Дальнейшие усовершенствования «синектики» У. Дж.Дж. Гор­дона (идея «комбинированного мозга», «творческая помощь» Р. Пиви) происходили не только за счет предписаний по стимулированию интуиции и деятельности сферы подсознательного, способного генери­ровать оригинальные аналоги и метафоры, но и на пути выработки рекомендаций, выполнение которых позволило бы обеспечить направ­ленное приобщение исследователя к широким пластам культуры с тем, чтобы их содержание, воздействуя на сферу подсознательного, стимулировало оригинальность творческого поиска и деблокирова­ло возможные ограничения, связанные с системой воспитания и про­фессиональной подготовки исследователей.

Рассмотренные варианты так называемых нежестких эвристик при всей их несомненной полезности и плодотворности страдают определенной абстрактностью и запрограммированной расточитель­ностью по отношению к интеллектуальным и особенно психичес­ким ресурсам субъекта творчества.

За счет каких источников может быть пополнен нормативный те­заурус эвристик, если очевидна невозможность или по меньшей мере нерациональность делать это на основании дополнительных исследований закономерностей сферы интуиции и подсознательного? Видимо, ориентируясь на эксплицитно представленные рациональные ре­сурсы субъекта творчества, отражающие его опыт ориентации в мире посредством механизмов культуры, мировоззренческих построений, слоя предпосылочных знаний и знаний, относящихся непосредственно к данной области научного поиска и исследуемому объекту. Именно в этом направлении и были сделаны последующие шаги, реализо­ванные, в частности, в «морфологических матрицах» Ф. Цвикки. Это методическая программа, определяющая все возможные элементы и параметры исследуемого объекта и способы их реализации. Они рас­пределяются по осям в специальной матрице, поэтому отпадает не­обходимость обозревать все возможные варианты по ходу решения. Фактически стоит лишь вопрос о выборе одного из нескольких воз­можных вариантов или какой-либо их группы из всей совокупно­сти. Процессуально творческий поиск посредством морфологичес­ких матриц предполагает пять этапов анализа:

1) выбор параметров объекта и способов их реализации;

2) определение критериев их срав­нения;

3) количественную формулировку критериев;

4) сужение об­ласти исследования путем анализа параметров и вариантов их реа­лизации и исключения менее подходящих вариантов;

5) выбор под­ходящего решения.

Обеспечивая системное и относительно полное представление па­раметров исследуемого объекта и способов их воплощения, морфоло­гические матрицы не дают их иерархической картины. Варианты реализации и сами параметры практически равноправны. Но в са­мом объекте все обстоит иначе. Поэтому для выбора оптимального варианта требуется знание всего массива относящейся к задаче ин­формации, что сама по себе данная методика не дает. Более того, она не дает и критериев относимости информации к данной задаче, за исключением сведений, составляющих профессиональный тезаурус специалиста. Возникает необходимость поиска дополнительных твор­ческих ориентиров.

Наиболее далеко идущим вариантом в этом плане является сце­нарный анализ, целью которого является установление четкой пос­ледовательности операций, осуществление которых наиболее рацио­нально при данных известных познающему субъекту условиях. По­добно тому, как морфологический анализ позволяет увидеть сразу весь спектр параметров и характеристик исследуемого объекта, сце­нарный анализ дает картину объекта во временных координатах, позволяет увидеть «точки ветвления» в дереве возможностей его движения и развития.



Базы знаний интеллектуальных

База данных защищена авторским правом ©dogmon.org 2022
обратиться к администрации

Т. А. Гаврилова

В. Ф. Хорошевский

БАЗЫ ЗНАНИЙ

ИНТЕЛЛЕКТУАЛЬНЫХ

СИСТЕМ


  • студентам вузов,

    изучающим вопросы

    искусственного

    интеллекта в рамках

    соответствующих

    дисциплин

  • разработчикам

    интеллектуальных

    систем

  • всем интересующимся

    вопросами инженерии

    знаний

Содержание

Предисловие 6

Об авторах 8

От издательства 8

1. Введение в интеллектуальные системы 9


  1. Краткая история искусственного интеллекта 9

  2. Основные направления исследований в области

искусственного интеллекта 15

1.3. Представление знаний и вывод

на знаниях 19

1.4. Нечеткие знания 31

2. Разработка систем, основанных на знаниях 39


  1. Введение в экспертные системы. Определение и структура 39

  2. Классификация систем, основанных на знаниях 41

  3. Коллектив разработчиков 45

  4. Технология проектирования и разработки 49

3. Теоретические аспекты инженерии знаний 59


  1. Поле знаний 59

  2. Стратегии получения знаний 67

  3. Теоретические аспекты извлечения знаний 71

  4. Теоретические аспекты структурирования знаний 90

4. Технологии инженерии знаний 99


  1. Классификация методов практического извлечения знаний 99

  2. Коммуникативные методы 102

  3. Текстологические методы 124

  4. Простейшие методы структурирования 131

  5. Состояние и перспективы автоматизированного приобретения

знаний 137

4.6. Примеры методов и систем приобретения знаний 145

5. Новые тенденции и прикладные аспекты

инженерии знаний 161


  1. Латентные структуры знаний и психосемантика 161

  2. Метод репертуарных решеток 176

  3. Управление знаниями 183

  4. Визуальное проектирование баз знаний как инструмент познания 190

  5. Проектирование гипермедиа БД и адаптивных обучающих систем 195

6. Программный инструментарий разработки систем,

основанных на знаниях 203

6.1. Технологии разработки программного обеспечения — цели,

принципы, парадигмы 203


  1. Методологии создания и модели жизненного цикла

    интеллектуальных систем 214

  2. Языки программирования для ИИ и языки представления знаний 218

  3. Инструментальные пакеты для ИИ 224

  4. WorkBench-системы 231

7. Пример разработки системы, основанной на знаниях …. 237


  1. Продукционно-фреймовый ЯПЗ PILOT/2 237

  2. Психодиагностика — пример предметной области для построения

    экспертных систем 252

  3. Разработка и реализация психодиагностической ЭС «Cattell» 256

8. Представление данных и знаний в Интернете 271


  1. Язык HTML и представление знаний 271

  2. Онтологии и онтологические системы 284

  3. Системы и средства представления онтологических знаний 301

9. Интеллектуальные Интернет-технологии 317

s


  1. Программные агенты и мультиагентные системы 317

  2. Проектирование и реализация агентов и мультиагентных систем 323

  3. Информационный поиск в среде Интернет 335

|

Заключение 356

Литература 358

С любовью, учителю Д. А. Поспелову, друзьям и близким,

всем, кто помог созданию этой версии учебника,

и, надеемся, будет сотрудничать с нами дальше

Предисловие

Вы открываете необычный учебник — учебник, предназначенный для студентов

технических университетов и их преподавателей, для аспирантов, магистров, ба-

калавров и практиков-разработчиков. Этот учебник написан для тех, кто хочет

вступить в мир науки с интригующим названием — ИСКУССТВЕННЫЙ ИН-

ТЕЛЛЕКТ.

Несмотря на обилие книг с аналогичным названием (см. список основной лите-

ратуры), на сегодняшний день нет вузовского учебника по предметам «Интеллек-

туальные системы», «Экспертные системы», «Базы знаний» и т. д. Тем не менее

практически все технические университеты совершенно справедливо включили

такого рода дисциплины в свои программы. Поскольку бум в этой науке при-

шелся на конец 70-х и 80-е, большинство книг на русском языке издано в эти

годы. И авторы приносят благодарность создателям первых отечественных мо-

нографий и справочников, а также переводчикам классических книг в этой обла-

сти — Д. А. Поспелову, Э. В. Попову, В. Л. Стефанюку, Г. С. Осипову и другим

пионерам, без работ которых создание этого учебника было бы невозможно.

Необычность этого учебника связана также с подчеркнутой междисциплинарно-

стью выбранного подхода, отказом от «клановости» отдельных научных школ и

направлений. Этот учебник могут читать инженеры и математики, экономисты и

биологи, программисты и медики. Он практически не требует предварительной

подготовки в данной области знаний и рассчитан на широкий круг читателей,

заинтересованных разработкой интеллектуальных систем, основанных на зна-

ниях.

Мы отказались от излишней специализации в пользу широты изложения, нам

хотелось представить горизонты этой науки, а не прокопать в ней глубокий, но

узкий туннель.

Другой особенностью учебника является его практическая направленность. Ос-

воив изложенный материал, студент или другой заинтересованный читатель смо-

жет самостоятельно приступить к разработке интеллектуальной системы в роли

инженера по знаниям. Акцент в учебнике сделан именно на работу со знаниями.

Фактически он ориентирован на подготовку уникальных специалистов, спрос на

которых на современном рынке высоких информационных технологий много-

кратно превышает спрос на программистов. Этих специалистов называют по-раз-

ному — системные аналитики, постановщики задач, инженеры по знаниям, инже-

неры-когнитологи. По английски это — knowledge engineers.

Рассмотренные в учебнике вопросы представляют лишь вершину айсберга срав-

нительно молодой науки — ИНЖЕНЕРИИ ЗНАНИЙ. И, надеемся, показывают

ее новые горизонты в мире информационных технологий.

Учитывая значительное число достижений и публикаций в этой области за рубе-

жом, авторы сознательно будут приводить терминологию, используемую в ориги-

налах, что существенно облегчит изучение проблемы желающим повысить свою

квалификацию через Интернет и другие источники англоязычной информации.

Материал учебника основан на курсах лекций, прочитанных авторами для сту-

дентов Санкт-Петербургского государственного технического университета (быв-

ший Политех) и Московского физико-технического института (Технического

университета). Объем курса от 32 до 64 лекционных часов плюс столько же

практических занятий. По сути дела здесь в одном учебнике собрано несколько

курсов лекций, ориентированных на разные специализации и разную базовую

подготовку. В целом же данный учебник, по опыту авторов, содержит материал

для двухгодовых курсов с общим названием «Искусственный интеллект».

Разные категории читателей могут читать учебник по различным «сценариям».


  • Сценарий 1 — для студентов-•«сачков» технических вузов перед сессией. По-

    метить в оглавлении параграфы, вошедшие в список вопросов для экзамена, и

    читать на максимальной скорости.

  • Сценарий 2 — для студентов-отличников. Внимательно прочесть весь учебник

    последовательно, затем перейти к сценарию 1.

  • Сценарий 3 — для студентов-непрограммистов и всех, кто просто интересует-

    ся проблемой для расширения кругозора. Главы 1, 2, 4, 9.

  • Сценарий 4 — для преподавателей вузов и тех, кто хочет овладеть инженерией

    знаний. Использовать учебник как готовый конспект, расширив или сократив

    материал по своему усмотрению. Варианты:

» минимальный курс: параграфы 1.1-1.4, 2.1-2.4, 3.2, 3.4, 4.1-4.3, 4.4, 6.3,

8.2, 9.1;


  • главы 1-2 могут составить основу вводного курса в проблематику искус-

    ственного интеллекта и систем, основанных на знаниях;

  • аналогичный вводный курс по тематике программных средств искусствен-

    ного интеллекта может дать материал главы 6, параграфа 7. 1 и, при нали-

    чии времени, 9.1, 9.2;

  • семестровый курс по базам знаний экспертных систем может быть прочи-

    тан на основе глав 2-4, 7;

  • базовый курс по инженерии знаний составляют главы 3,4;

» наконец, главы 8, 9 дают основу для курса по тематике интеллектуальных

Интернет-технологий.

• Сценарий 5 — для системных аналитиков. Главы 3-6.

• Сценарий 6 — для программистов и разработчиков. Главы 2-4, 6-9.

Материал, набранный более мелким шрифтом, носит иллюстративный характер.

В заключение авторы благодарят заведующую редакцией технической литера-

туры издательства «Питер» Екатерину Строганову за энергию и энтузиазм при

убеждении авторов принять решение о начале работы над учебником и поддерж-

ку в ее завершении.

В параграфе 4.6 четвертой главы использованы материалы монографии «При-

обретение знаний интеллектуальными системами», любезно предоставленные

ее автором Г. С. Осиновым.

Глубокую признательность авторы выражают Александру Волкову. Он является

разработчиком программных систем, описанных в пятой главе. Параграф 5.1 на-

писан совместно с А. В. Волковым, работа с которым существенно повлияла на

формирование взглядов одного из авторов.

На подготовку материалов, представленных в параграфах 8.2 и 8.3 восьмой гла-

вы, а также в параграфах 9.1 и 9.3 девятой главы, в значительной мере повлияла

работа по мультиагентным системам и интеллектуальным Интернет-ориентиро-

ванным системам поиска информации, проведенная Н. В. Майкевич. По сути

дела именно ей один из авторов данной книги обязан своей «миграцией» в эту

новую область интеллектуальных информационных технологий из проблемати-

ки программного обеспечения систем искусственного интеллекта.

Отдельная благодарность должна быть высказана Е. Васильевой, Н. Нумеровой

и Н. Сташ, сотрудницам Института высокопроизводительных вычислений и баз

данных Миннауки РФ, за техническую помощь при работе над рукописью, без

которой книга могла бы так и не дойти до читателей.

Главы 1-5 написаны д. т. н., проф. Т. А. Гавриловен, главы 6-9 — д. т. н., проф.

В. Ф. Хорошевским. Предисловие и заключение — результат совместной работы

авторов, которые с надеждой на дальнейшее сотрудничество выражают глубо-

кую признательность всем, кто помог выходу этой книги.

Об авторах

Т. А. Гаврилова — д. т. н., профессор кафедры компьютерных интеллектуальных

технологий Санкт-Петербургского государственного технического университета,

председатель Петербургского отделения Ассоциации искусственного интеллекта.

В. Ф. Хорошевский — д. т. н., профессор МФТИ, заведующий сектором вычис-

лительного центра РАН, член Научного Совета Российской Ассоциации искусст-

венного интеллекта.

От издательства

Ваши замечания, предложения, вопросы отправляйте по адресу электронной по-

чты [email protected] (издательство «Питер», компьютерная редакция).

Мы будем рады узнать ваше мнение!

Подробную информацию о наших книгах вы найдете на Web-сайте издательства

http://www. piter.com.

Введение

в интеллектуальные

системы

о Краткая история искусственного интеллекта

d Основные направления исследований в области искусственного

интеллекта

п Представление знаний и вывод на знаниях

d Нечеткие знания

d Прикладные интеллектуальные системы

1.1. Краткая история искусственного

интеллекта

1.1.1. Предыстория

Идея создания искусственного подобия человека для решения сложных задач и

моделирования человеческого разума витала в воздухе еще в древнейшие време-

на. Так, в древнем Египте была создана «оживающая» механическая статуя бога

Амона. У Гомера в «Илиаде» бог Гефест ковал человекоподобные существа-авто-

маты. В литературе эта идея обыгрывалась многократно: от Галатеи Пигмалиона

до Буратино папы Карло. Однако родоначальником искусственного интеллекта

считается средневековый испанский философ, математик и поэт Раймонд Луллий,

который еще в XIII веке попытался создать механическую машину для решения

различных задач, на основе разработанной им всеобщей классификации понятий.

В XVIII веке Лейбниц и Декарт независимо друг от друга продолжили эту идею,

предложив универсальные языки классификации всех наук. Эти работы можно

считать первыми теоретическими работами в области искусственного интеллекта.

Окончательное рождение искусственного интеллекта как научного направления

произошло только после создания ЭВМ в 40-х годах XX века. В это же время Нор-

берт Винер создал свои основополагающие работы по новой науке — киберне-

тике.

Термин «искусственный интеллект» — ИИ — (AI — artificial intelligence) был

предложен в 1956 г. на семинаре с аналогичным названием в Дартсмутском

колледже (США). Семинар был посвящен разработке методов решения логи-

ческих, а не вычислительных задач. В английском языке данное словосочетание

не имеет той слегка фантастической антропоморфной окраски, которую оно при-

обрело в довольно неудачном русском переводе. Слово intelligence означает «уме-

ние рассуждать разумно», а вовсе не «интеллект», для которого есть термин intel-

lect.

Вскоре после признания искусственного интеллекта отдельной областью науки

произошло разделение его на два направления: нейрокибернетика и «кибернети-

ка черного ящика». Эти направления развиваются практически независимо, су-

щественно различаясь как в методологии, так и в технологии. И только в настоя-

щее время стали заметны тенденции к объединению этих частей вновь в единое

целое.

1.1.2. Зарождение нейрокибернетики

Основную идею этого направления можно сформулировать следующим образом:

Единственный объект, способный мыслить, — это человеческий мозг. Поэтому лю-

бое «мыслящее» устройство должно каким-то образом воспроизводить его струк-

туру.

Таким образом, нейрокибернетика ориентирована на программно-аппаратное

моделирование структур, подобных структуре мозга. Физиологами давно уста-

новлено, что основой человеческого мозга является большое количество (до 1021)

связанных между собой и взаимодействующих нервных клеток — нейронов. По-

этому усилия нейрокибернетики были сосредоточены на создании элементов,

аналогичных нейронам, и их объединении в функционирующие системы. Эти си-

стемы принято называть нейронными сетями, или нейросетями.

Первые нейросети были созданы Розенблаттом и Мак-Каллоком в 1956-1965 гг.

Это были попытки создать системы, моделирующие человеческий глаз и его взаи-

модействие с мозгом. Устройство, созданное ими тогда, получило название пер-

септрона (perceptron). Оно умело различать буквы алфавита, но было чувстви-

тельно к их написанию. Например, буквы А, А и А для этого устройства были

тремя разными знаками. Постепенно в 70-80 годах количество работ по этому

направлению искусственного интеллекта стало снижаться. Слишком неутеши-

тельны были первые результаты. Авторы объясняли неудачи малой памятью и

низким быстродействием существующих в то время компьютеров.

Однако в 1980-х в Японии в рамках проекта «ЭВМ V поколения» был создан

первый нейрокомпьютер, или компьютер VI поколения. К этому времени ограни-

чения по памяти и быстродействию были практически сняты. Появились транс-

пьютеры — параллельные компьютеры с большим количеством процессоров.

Транспьютерная технология — это только один из десятка новых подходов к ап-

паратной реализации нейросетей, которые моделируют иерархическую структу-

ру мозга человека. Основная область применения нейрокомпьютеров сегодня —

это задачи распознавания образов, например идентификация объектов по резуль-

татам аэрофотосъемки из космоса.

Можно выделить 3 подхода к созданию нейросетей:


  1. Аппаратный — создание специальных компьютеров, нейрочипов, плат рас-

    ширения, наборов микросхем, реализующих все необходимые алгоритмы.

  2. Программный — создание программ и инструментариев, рассчитанных на

    высокопроизводительные компьютеры. Сети создаются в памяти компьюте-

    ра, всю работу выполняют его собственные процессоры.

  3. Гибридный — комбинация первых двух. Часть вычислений выполняют спе-

    циальные платы расширения (сопроцессоры), часть — программные сред-

    ства.

Более глубокое рассмотрение этого чрезвычайно перспективного и интересного

направления исследований искусственного интеллекта выходит за рамки данной

книги. Подробнее см. работы [Соколов, Вейткявичус, 1989; Амамия, Танака, 1993].

1.1.3. От кибернетики «черного ящика» к ИИ

В основу этого подхода был положен принцип, противоположный нейрокиберне-

тике.

Не имеет значения, как устроено «мыслящее» устройство. Главное, чтобы на за-

данные входные воздействия оно реагировало так же, как человеческий мозг. Сто-

ронники этого направления мотивировали свой подход тем, что человек не дол-

жен слепо следовать природе в своих научных и технологических поисках. Так,

например, очевиден успех колеса, которого не существует в природе, или самоле-

та, не машущего крыльями, подражая птице. К тому же пограничные науки о че-

ловеке не смогли внести существенного теоретического вклада, объясняющего хо-

тя бы приблизительно, как протекают интеллектуальные процессы у человека,

как устроена память и как человек познает окружающий мир.

Это направление искусственного интеллекта было ориентировано на поиски ал-

горитмов решения интеллектуальных задач на существующих моделях компью-

теров. Существенный вклад в становление новой науки внесли ее «пионеры»:

Маккартни (автор первого языка программирования для задач ИИ — ЛИСПа),

Минский (автор идеи фрейма и фреймовой модели представления знаний), Нъю-

элл, Саймон, Шоу, Хант и другие.

В 1956-1963 гг. велись интенсивные поиски моделей и алгоритмов человеческо-

го мышления и разработка первых программ на их основе. Представители сущес-

твующих гуманитарных наук — философы, психологи, лингвисты — ни тогда, ни

сейчас не в состоянии были предложить таких алгоритмов. Тогда кибернетики

начали создавать собственные модели. Так последовательно были созданы и оп-

робованы различные подходы.

1. В конце 50-х годов родилась модель лабиринтного поиска. Этот подход представ-

ляет задачу как некоторое пространство состояний в форме графа, и в этом

графе проводится поиск оптимального пути от входных данных к результиру-

ющим. Была проделана большая работа по разработке этой модели, но для ре-

шения практических задач эта идея не нашла широкого п-рименения. В первых

учебниках по искусственному интеллекту [Хаит, 1986; Эндрю, 1985] описаны

эти программы — они играют в игру «15», собирают «Ханойскую башню», иг-

рают в шашки и шахматы.


  1. Начало 60-х — это эпоха эвристического программирования. Эвристика — пра-

    вило, теоретически не обоснованное, которое позволяет сократить количество

    переборов в пространстве поиска. Эвристическое программирование — разра-

    ботка стратегии действий на основе известных, заранее заданных эвристик

    [Александров, 1975].

  2. В 1963-1970 гг. к решению задач стали подключать методы математической

    логики. Робинсон     разработал метод резолюций, который позволяет автомати-

    чески доказывать теоремы при наличии наббра исходных аксиом. Примерно в

    это же время выдающийся отечественный математик Ю. С. Маслов предложил

    так называемый обратный вывод, впоследствии названный его именем, реша-

    ющий аналогичную задачу другим способом [Маслов, 1983]. На основе метода

    резолюций француз Алъбер Кольмероэ в 1973 г. создает язык логического про-

    граммирования Пролог. Большой резонанс имела программа «Логик-теоре-

    тик», созданная Ньюэлом, Саймоном и Шоу, которая доказывала школьные

    теоремы. Однако большинство реальных задач не сводится к набору аксиом, и

    человек, решая производственные задачи, не использует классическую логику,

    поэтому логические модели при всех своих преимуществах имеют существен-

    ные ограничения по классам решаемых задач.

  3. История искусственного интеллекта полна драматических событий, одним из

    которых стал в 1973 г. так называемый «доклад Лайтхилла», который был под-

    готовлен в Великобритании по заказу Британского совета научных исследова-

    ний. Известный математик Д. Лайтхилл, никак с ИИ профессионально не свя-

    занный, подготовил обзор состояния дел в области ИИ. В докладе были

    признаны определенные достижения в области ИИ, однако уровень их опре-

    делялся как разочаровывающий, и общая оценка была отрицательная с пози-

    ций практической значимости. Этот отчет отбросил европейских исследова-

    телей примерно на 5 лет назад, так как финансирование ИИ существенно

    сократилось.

  4. Примерно в это же время существенный прорыв в развитии практических при-

    ложений искусственного интеллекта произошел в США, когда к середине

    1970-х на смену поискам универсального алгоритма мышления пришла идея

    моделировать конкретные знания специалистов-экспертов. В США появились

    первые коммерческие системы, основанные на знаниях, или экспертные систе-

    мы (ЭС). Стал применяться новый подход к решению задач искусственного

    интеллекта — представление знаний. Созданы MYCIN и DENDRAL [Shortliffe,

    1976; Buchanan, Feigenbaum, 1978], ставшие уже классическими, две первые

    экспертные системы для медицины и химии. Существенный финансовый вклад

    вносит Пентагон, предлагая базировать новую программу министерства обо-

    роны США (Strategic Computer Initiative — SCI) на принципах ИИ. Уже вдо-

гонку упущенных возможностей в начале 80-х объявлена глобальная програм-

ма развития новых технологий ESPRIT (Европейский Союз), в которую вклю-

чена проблематика искусственного интеллекта.

6. В ответ на успехи США в конце 70-х в гонку включается Япония, объявив о

начале проекта машин V поколения, основанных на знаниях. Проект был рас-

считан на 10 лет и объединял лучших молодых специалистов (в возрасте

до 35 лет) крупнейших японских компьютерных корпораций. Для этих специ-

алистов был создан специально новый институт ICOT, и они получили пол-

ную свободу действий, правда, без права публикации предварительных резуль-

татов. В результате они создали достаточно громоздкий и дорогой символьный

процессор, программно реализующий ПРОЛОГо-подобный язык, не получив-

ший широкого признания. Однако положительный эффект этого проекта был

очевиден. В Японии появилась значительная группа высококвалифицирован-

ных специалистов в области ИИ, которая добилась существенных результатов

в различных прикладных задачах. К середине 90-х японская ассоциация ИИ

насчитывает 40 тыс. человек.

Начиная с середины 1980-х годов, повсеместно происходит коммерциализация

искусственного интеллекта. Растут ежегодные капиталовложения, создаются

промышленные экспертные системы. Растет интерес к самообучающимся систе-

мам. Издаются десятки научных журналов, ежегодно собираются международ-

ные и национальные конференции по различным направлениям ИИ.

Искусственный интеллект становится одной из наиболее перспективных и пре-

стижных областей информатики (computer science).

Каталог: %D0%9F%D1%80%D0%B5%D0%B4%D1%81%D1%82%D0%B0%D0%B2%D0%BB%D0%B5%D0%BD%D0%B8%D0%B5%20%D0%B7%D0%BD%D0%B0%D0%BD%D0%B8%D0%B9%20%D0%B2%20%D0%98%D0%A1

Скачать 3.92 Mb.


Поделитесь с Вашими друзьями:

[PDF] К пониманию и концептуализации управления знаниями в контексте межорганизационных сетей

  • Идентификатор корпуса: 15616722
  title={На пути к пониманию и концептуализации управления знаниями в контексте межорганизационных сетей},
  автор = {Свен А.  Карлссон},
  год = {2002}
}
  • С. Карлссон
  • Опубликовано в 2002 г.
  • Бизнес

Утверждается, что основным экономическим ресурсом в следующей экономике являются знания. Важным источником конкурентного преимущества в этой экономике является сеть внешних связей организации. В данной статье представлена ​​концепция управления стратегическими знаниями в контексте межорганизационных сетей. Концептуализация основана на расширении представления о фирме, основанного на ресурсах и знаниях, а также на идеях межфирменных отношений и «экономики даров…»

apollon1.alba.edu.gr

Системы управления знаниями: вопросы внедрения управления человеческим капиталом предприятия в условиях переходной экономики

  • Мищук Г., Билан Ю., Павлушенко Людмила

  • Бизнес

  • 2016

04 9 управление знаниями систем (KMS) является жизненно важным фактором конкурентоспособности организаций. Поэтому мы рассмотрели концепцию СУЗ с точки зрения ее влияния на экономическую…

Управление знаниями в судоходной отрасли: влияние мобильности людей на организационную базу знаний и эффективные практики передачи знаний: взгляд из Китая

  • J. Fei

  • Бизнес

  • 2009

Острая нехватка квалифицированных кадров в судоходной отрасли решается различными способами. В этой диссертации рассматривается проблема с новой точки зрения, где высокая мобильность в…

Развертывание внутренних порталов знаний: три основные проблемы

  • C. Löbbecke, M. Myers

  • Business

    Inf. Управление

  • 2017

Исследование факторов, влияющих на управление знаниями и обмен ими при инновациях в университетах: пилотное исследование

  • М. М. Хак, А. Р. Алан, М. Рази, А. Субиякто

  • Бизнес, образование

    2016 6-я Международная конференция по информационным и коммуникационным технологиям Мусульманский мир (ICT4M)

  • 2016

Факторы, влияющие на управление знаниями (KM) и обмен знаниями (KS), имеют много потенциальных преимуществ в процессе принятия решений для повышения эффективности организации. Основное назначение…

Заимствованная теория: применение теорий обмена в исследованиях информационных наук

  • Хейзел Холл

  • Экономика

  • 2003

Модель для повышения молчаливых знаний в нефункциональных требованиях Элецитация

Т. Представленная модель, которая укрепляет концептуальную связь между дисциплинами управления знаниями и разработки требований, и ядром TCER позволяет визуализировать направление неявного и явного потока знаний в четырех сценариях выявления NFR.

Analisis de Flujos de Conocimiento en Proyectos de Mejora de Procesos Software bajo una perspectiva multi-enfoque

  • Б. Л. Флорес-Риос, Ф. Пино, Х. Э. Ибарра-Эскер, Ф. Гонсалес-Наварро, Оскар М. Родригес-04 904

  • Информатика

  • 2014

В этом документе определяется структура для сбора различных типов знаний и идентификации потоков знаний из элементов эталонной модели процесса и предлагается стратегия, которая поддерживает создание, обмен и развитие знаний участвует в проекте SPI.

с показателем 1-10 из 100 ссылок

Сорт Byrelevancemost, под влиянием документов,

На основе теории фирмы, основанной на знаниях »,« Стратегическое управление »(17), стр.

  • R. Грант

  • Business

  • . 1996

Основной вклад статьи заключается в изучении механизмов координации, с помощью которых фирмы интегрируют специальные знания своих членов, что влияет на основу организационного потенциала, принципы организационного дизайна и детерминанты горизонтального и Вертикальные границы фирмы.

Ресурсный взгляд на системы управления организационными знаниями

  • P. Meso, Robert D. Smith

  • Business

    J. Knowl. Управление

  • 2000

Полученные данные показывают, что для того, чтобы фирма могла получить долгосрочную стратегическую выгоду от OKMS, она должна адаптировать более широкий социально-технический подход при разработке, внедрении и управлении своей OKMS.

Взгляд на фирму, основанный на знаниях: последствия для практики управления

  • R. Грант

  • Бизнес

  • 1997

:
Книга «Управление промышленными знаниями» освещает сложные процессы, происходящие при создании и успешной передаче корпоративных знаний.

В настоящее время общепризнано, что…

Управление знаниями и инновации: сети и создание сетей

  • J. Swan, S. Newell, H. Scarbrough, D. Hislop

  • Business

    J. Knowl. Управление

  • 1999

Критический обзор литературы по управлению знаниями приводит доводы в пользу модели управления знаниями на уровне сообщества для интерактивных инноваций и противопоставляет ее когнитивному подходу, лежащему в основе многих инициатив по управлению знаниями под руководством ИТ.

Реляционный взгляд: совместная стратегия и источники межорганизационного конкурентного преимущества

  • Джеффри Х. Дайер, Харбир Сингх

  • Бизнес

  • 1998

В этой статье мы предлагаем точку зрения, которая предполагает, что критические ресурсы фирмы могут выходить за границы фирмы и могут быть встроены в межфирменные ресурсы и процедуры. Мы утверждаем, что все больше…

Информационные системы и организационное обучение: социальная эпистемология систем организационных знаний

  • B. Pentland

  • Информатика

  • 1995

Изучение знаний в основе динамической теории фирмы