Преподаватель: Денис Федянин страница на сайте ВШЭ страница на сайте ИПУ РАН

По курсу выставляется дифференцированный зачёт.

Видео: первое занятие второе занятие

Уникальность профессии инженера знаний заключается в необходимости оперировать категориями знаний о знаниях. Поэтому вначале обсуждаются успехи и трудности в математическом моделировании неживой и живой природы, поведения индивидуума и общества. Обращается внимание на перспективу смены парадигм “Модель ↔ Алгоритм”, меняющей базис организации вычислительного процесса в пользу Модели. Ставится задача моделирования знаний о знаниях.
После краткого обзора нескольких десятков современных направлений исследований в области искусственного интеллекта (ИИ) слушатели будут ориентированы на направление представления, обработки и ревизии знаний. Актуальность задачи интеллектуализации сетевого пространства возвращает усилия математиков, лингвистов и философов на этап изучения и моделирования механизмов человеческого мышления, этап поиска способов компьютерного представления и ревизии знаний и убеждений.

Ядро курса – изучение систем, основанных на знаниях (СОЗ), и их подкласса – экспертных систем (ЭС), аккумулирующих знания, формирующие новые знания, логически выводящие экспертные рекомендации, дающие объяснения и обоснования найденным решениям, способные обучать и обучаться. Особое внимание уделяется изучению систем продукций как способа представления знаний и как стиля программирования. Предлагается оригинальный динамический подход к описанию продукционных систем. Обсуждается смысл терминов “слово-состояние”, “оператор”, “марковский процесс” применительно к продукционным системам. Поясняется, как динамический подход упрощает реализацию систем продукций. Студенты изучают архитектуру классической ЭС, алгоритмов построения основных модулей ЭС, приемов формирования баз знаний для формализованных и слабо формализованных приложений.

Организация машины логического вывода подробно разбирается на примере продукций, основанных на пропозициональной логике (как средства представления простейших закономерностей реального мира). Изучаются алгоритмы прямого и обратного логического вывода. Изучаются особенности программирования механизма backtracking и механизма параллельных миров. Проводится сравнительный анализ и определяются границы применимости прикладных систем, использующих вывод от данных к цели и от цели к данным. Проводится классификация дефектов в базах знаний: неполнота, избыточность, противоречивость знаний. Изучается оригинальный алгоритм поиска противоречий в продукционных БЗ.

Анализируются источники неопределенного знания и существующие способы его представления в ЭС. Разбираются принципиальные отличия стохастической, игровой и лингвистической неопределенностей. Рассматривается модель приближенных рассуждений человека. Естественным образом курс знакомит студентов с нечеткой логикой, которая в отличие от классической, опирается не на таблицы истинности, а на операции, производимые на нечетких подмножествах. Здесь же – обсуждение проблемы отрицания, проблемы “позитивного мышления” (работы русского логика Васильева Н.А.). Дается определение лингвистической переменной, функции принадлежности, нечеткого множества, операций над нечеткими множествами. Связь вида функции принадлежности с экспертной информацией о работе конкретного приложения. Дается определение базы нечетких правил как основы нечеткой ЭС.

Выполнение индивидуальных проектов в системе MathLab.
Как этап изучения механизмов человеческого мышления студентам предлагается введение в методику нейросетевого моделирования. Изучается схема нейрона и виды функции активации. Рассматривается простейшая задача классификации – разделение линейно-неотделимых множеств. В подразделе о нейросетях знакомимся с матрицей весов, обучением с учителем. Узнаем, что такое тренировочный сет, итерация, эпоха, ошибка. Решаем лабораторные и самостоятельные индивидуальные задачи аппроксимации одномерных функций двумя способами: с помощью встроенных функций MatLab и с помощью графического редактора NNT MatLab.

Изучается метод резолюции и автоматическое доказательство теорем в пропозициональной логике методом редукции к абсурду.
Понятно, что мир не укладывается в тесные рамки пропозициональной логики. Для предикатной логики 1 порядка разбирается формализм представления знаний и подробно разбирается классический алгоритм доказательства теорем, реализующий метод унификации и резолюции. Приёмы сколемизации. Разбираются усовершенствования данного алгоритма. Излагается CONNECTION-метод как альтернатива метода резолюций. Изучается алгоритм реализации CONNECTION-метода. Проводятся аналогии с формулировками и методами доказательства теорем в математике. Приводятся примеры использования изученных алгоритмов для доказательства непротиворечивости создаваемых моделей сложных систем, которые не должны нарушать рамки аксиоматики приложения. Изложение подкрепляется упражнениями и самостоятельными работами.

Предварительная программа курса

Студенты ФПМИ могут прослушать этот курс как факультативный. Также, можно присоединиться к исследованиям Дениса (см. раздел публикаций).