АРХИТЕКТУРА ЭКСПЕРТНОЙ СИСТЕМЫ
ВИРТУАЛЬНЫЙ ГОЛОСОВОЙ ПОМОЩНИК «АЛИСА» (компания «Яндекс», 2017)
ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В ЭКСПЕРТНОЙ СИСТЕМЕ*
НЕЧЕТКАЯ ЛОГИКА. НЕЧЕТКИЕ МНОЖЕСТВА
СПОСОБЫ ЗАДАНИЯ ФУНКЦИЙ ПРИНАДЛЕЖНОСТИ
ОПЕРАЦИИ НАД НЕЧЕТКИМИ МНОЖЕСТВАМИ
НЕЧЕТКИЕ АЛГОРИТМЫ ПРИНЯТИЯ РЕШЕНИЙ
МЕХАНИЗМ ЛОГИЧЕСКОГО ВЫВОДА (МЕТОД MIN/MAX)
ОБЩАЯ СХЕМА НЕЧЕТКОГО АЛГОРИТМА ПРИНЯТИЯ РЕШЕНИЙ
ПРЕИМУЩЕСТВА ПРИМЕНЕНИЯ АЛГОРИТМОВ НЕЧЕТКОЙ ЛОГИКИ*
1.13M
Category: informaticsinformatics

Экспертные системы. Принятие решений в системах ЗИ на основе нечеткой логики. Лекция 3

1.

Лекция 3
ЭКСПЕРТНЫЕ СИСТЕМЫ.
ПРИНЯТИЕ РЕШЕНИЙ В СИСТЕМАХ ЗИ НА ОСНОВЕ
НЕЧЕТКОЙ ЛОГИКИ

2.

ЭКСПЕРТНАЯ СИСТЕМА
– это вычислительная система, которая
способна принимать решения в некоторой предметной области на основании
фактов, предоставляемых пользователем, и знаний, полученных от экспертов
– высококвалифицированных специалистов в данной области.
• ЭС = Система поддержки принятия решений (СППР)
Поколения ЭС:
Примеры ЭС:
I – статические ЭС;
• G2 (GenSym Corp.);
II – динамические ЭС;
• IBM Watson;
III – сетевые ЭС (сети ЭС).
• Алиса (Яндекс).
2

3. АРХИТЕКТУРА ЭКСПЕРТНОЙ СИСТЕМЫ

Режимы работы ЭС:
‒ обучение;
‒ эксплуатация.
3

4. ВИРТУАЛЬНЫЙ ГОЛОСОВОЙ ПОМОЩНИК «АЛИСА» (компания «Яндекс», 2017)

Ежедневная аудитория – 8 млн. пользователей,
месячная аудитория (на декабрь 2019 г.) – 45 млн. пользователей.
Применяемые технологии:
• SpeechKit (фильтрация шумов, перевод голоса в текст);
• Turing (изучение текста запроса, подбор правильного ответа);
• Text-to-Speech (озвучивание ответа).
БД – 1 млрд. фраз (тексты из классической литературы и Интернета); диктор –
Татьяна Шитова (260 тыс. слов и фраз).
Машинное обучение – сверточные и рекуррентные НС (LSTM).
+ Распознавание изображений на фотографиях, маркетинговые функции.
4

5. ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В ЭКСПЕРТНОЙ СИСТЕМЕ*

• Онтология – обобщенная модель предметной области, ориентированная на
стандартизацию и унификацию машинного представления знаний.
Редактор проектирования онтологий – Protégé.
• Продукционные модели представления знаний = правила «ЕСЛИ – ТО»:
ЕСЛИ A1, ТО B1, ИНАЧЕ
ЕСЛИ A2, ТО B2, ИНАЧЕ…
условие
RBR (Rule-Based Reasoning)
действие
*Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы: учебник. 3-е изд. М.: Издво «Лань», 2020. 324 с.
5

6. НЕЧЕТКАЯ ЛОГИКА. НЕЧЕТКИЕ МНОЖЕСТВА

1965 – «Fuzzy Sets» (Л. Заде – «Отец Нечеткой Логики»)
1990-е гг. – Fuzzy Boom (Япония)
Нечеткое множество:
A x, ( x ) | ( x ) : x 0,1 , x X ,
где ( x ) : x 0,1 – функция принадлежности
множеству A; X – универсальное множество.
элемента
(1)
x
нечеткому
Пример
S = Small
M = Middle
L = Large
VL = Very Large
Лингвистическая переменная:
Вероятность_угрозы = {Низкая; Средняя; Высокая; Очень_высокая}
6

7.

Лотфи А. Заде (1921-2017)
7

8. СПОСОБЫ ЗАДАНИЯ ФУНКЦИЙ ПРИНАДЛЕЖНОСТИ

а)
Треугольная (triangle)
English     Русский Rules