BLOG

Systemy hybrydowe wykorzystujące wiele metod sztucznej inteligencji w jednym systemie. Czy słuszna jest ta koncepcja?

Wydaje mi się, że koncepcja ta jest słuszna, ponieważ każda metoda ma swoje ograniczenia, natomiast łącząc kilka metod możemy wykorzystać najmocniejsze aspekty każdej z nich.

Inteligentne systemy hybrydowe starają się integrować odmienne techniki sztucznej inteligencji. Powstały na bazie stwierdzenia, że metody te wzajemnie się uzupełniają, wady jednej są kompensowane zaletami innej.

Rolą eksperta jest dostarczanie porad, czy zaleceń, stawianie diagnoz z określonej dziedziny.

System ekspercki - to oprogramowanie, które potrafi korzystać z bazy wiedzy w celu ułatwienia podejmowania decyzji. Jego zadaniem jest zastąpić ludzkich ekspertów, korzystając ze zgromadzonej od nich wiedzy.

Cechą charakterystyczną systemów eksperckich jest operowanie na wiedzy. Każdy taki system musi być w stanie pozyskiwać wiedzę i gromadzić doświadczenia. Najczęściej używanym sposobem jest pozyskiwanie wiedzy od człowieka, który jest ekspertem w danej dziedzinie.
Pozyskiwanie wiedzy od eksperta to proces złożony. Najczęściej trzeba wybrać eksperta posiadającego satysfakcjonujący poziom wiedzy. Zakwalifikowanemu ekspertowi wyjaśnia się co chcemy osiągnąć. Następnie należy prosić eksperta o wyjaśnienia oraz obserwować jego pracę podczas rozwiązywania konkretnego zadania. Na tej podstawie inżynier wiedzy buduje model bazy wiedzy eksperta.

Teoria zbiorów rozmytych wprowadza bardziej intuicyjne podejście do rzeczywistych zjawisk. Element zbioru rozmytego może należeć do niego tylko w pewnym stopniu. Podejście takie odzwierciedla łagodne przejście ze stanu przynależności do stanu nieprzynależności.

Wiemy, że klasyczna logika bazuje na dwóch wartościach: 0 i 1, czyli prawda i fałsz. Granice między tymi wartościami są ściśle określone, natomiast logika rozmyta znosi te granice i umożliwia pojawienie się wartości niepełnych, takich jak np. prawie fałsz, trochę prawdy itp. ;-)

Podobnie jak w przypadku sieci neuronowych, algorytmy genetyczne mają swoje korzenie w przyrodzie. Podpatrywanie świata rzeczywistego doprowadziło do wykorzystania jego praw w metodach sztucznej inteligencji.

Przy budowie algorytmów genetycznych wykorzystano takie mechanizmy świata przyrody jak:

• Gen - pojedynczy element odzwierciedlający pewną cechę;
• Chromosom - uporządkowany ciąg genów (ciąg kodowy reprezentujący pewne rozwiązanie);
• Allen - wartość danego genu;
• Locus - miejsce położenia genu w chromosomie;

Wiele problemów optymalizacji cechuje się tym, że znalezienie dokładnego rozwiązania może zajmować bardzo dużo czasu. Istnieje sporo metod optymalizacji, wśród których wyróżnić można metody ukierunkowanego poszukiwania optimum oraz metody poszukiwania przypadkowego.
Poszukiwanie ukierunkowane zwykle oparte jest na jakiejś odmianie metody najszybszego spadku. Źródłem problemów przy ukierunkowanej optymalizacji są głównie ekstrema lokalne. Stochastyczne poszukiwanie rozwiązań także nie gwarantuje sukcesu.
Na bazie tych obserwacji powstała koncepcja, żeby poszukiwaniami optymalnego rozwiązania (uzyskiwanego za pomocą komputera) kierował proces ewolucji. Metody ewolucyjne powstały i zostały rozwinięte w tym celu, żeby znajdować przybliżone rozwiązania problemów optymalizacyjnych w taki sposób, by znajdować wynik w miarę szybko oraz uniknąć pułapek minimów lokalnych.

W 1949 r. Donald Hebb odkrył, że informacja może być przechowywana w strukturze połączeń między neuronami i zaproponował metodę uczenia sieci neuronowych (reguła Hebba).

Donald HebbLiniowym modelem neuronu jest model ADALINE (ADAptive LINear Element). W odróżnieniu do modelu podstawowego potrafi on się adaptować oraz uczyć. Aby to było możliwe podstawowy model neuronu uzupełniono o dodatkowe elementy, takie jak: moduł zmiany wag oraz moduł wyznaczania błędów.

Koncepcja działania sztucznych sieci neuronowych oraz komputerów jest zupełnie inna. Mówiąc w uproszczeniu, komputery wykonują obliczenia korzystając z mocy obliczeniowej procesora oraz pamięci. Przy czym procesor oraz pamięć są od siebie niezależne. Sieć neuronowa, podobnie jak mózg, wykonuje obliczenia nie sięgając do odrębnych "modułów" pamięci - wykorzystuje zdobytą wcześniej wiedzę, bez konieczności korzystania z innych zasobów - potrafi przechować informacje w swojej strukturze.