Prezentācija PDF formātā - Datorzinātnes un informācijas ...

Lietišķās intelektuālās sistēmas 

DIP416 

Lekciju materiāls sagatavots projekta 

“RTU studiju programmas “Datorsistēmas” 

pilnveidošana absolventu profesionālās 

konkurētspējas paaugstināšanai “ ietvaros 

©RTU, 2007

L. Novickis. Lietišķās intelektuālās sistēmas 

Lietišķās intelektuālās sistēmas 

Profesors, Dr. Habil. Sc. Ing. Leonīds Novickis 

Rīgas Tehniskā universitāte 

Datorzinātnes un informācijas tehnoloģijas fakultāte 

Lietišķo datorsistēmu institūts 

Lietišķo datorsistēmu programmatūras profesora grupa 

“RTU studiju programmas “Datorsistēmas” pilnveidošana absolventu profesionālās konkurētspējas paaugstināšanai “ 

2006/0238/VPD1/ESF/PIAA/06/APK/3.2.3.2/0015/0007 

2

Priekšmeta pamatdati 

• Priekšmeta pieteicējs: Prof. L. Novickis 

• Apjoms: 3 KP 

• Kontroles veids: Eks. 


• Studiju līmenis: Maģistra profesionālās studijas 

• Semestris: 1. semestris 



3

Mērķis 


Priekšmeta mērķi un uzdevumi 

• Apgūt lietišķo intelektuālo sistēmu (LIS) uzbūves metodes, kuras balstās 

uz lingvistisko un matemātisko modeļu kompleksu. 

Uzdevumi 

• Apgūt LIS uzbūves pamatkoncepcijas un metodoloģijas 

• Spēj praktiski pielietot zināšanas inženierijas pamatus LIS uzbūvei 

• Apgūt loģiskās izvades algoritmu realizācijas metodes 

• Apgūt dabīgas valodas (DV) analīzes un apstrādes metodes 

• Apgūt zināšanu atspoguļošanas modeļus 



4

Pamatlitetratūra 

• Intelektuālo sistēmu projektēšana J.Grundspeņķis, 

L.Novickis, J.Osis, V.Šitikovs – Rīga, RTU 


• Левин Р., Дранг Д., Эделсон Б., Практическое введение в 

технологию искуственного интеллекта в экспертных 

системах – Москва, Финансы и статистика (пер. с англ.) 



5

Papildliteratūra 


• Cercone N.J., Schubert L.K. Towards a State based 

conceptual knowledge representation. In: Proceedings of 4 th 

International Conference of Artificial Intelligence, p.p. 83-90 

• Schubert L.K. Semantic Networks. In: Artificial Intelligence, 

N o 2, 8, 1976 



6

Atslēgas vārdi 


Mākslīgais intelekts, lietišķās sistēmas, zināšanu 

atspoguļošanas modeļi, loģiskie izvades algoritmi, dabīgas 

valodas analīze, tiešā spriedumu ķēdīte, apgriezta spriedumu 

ķēdīte, varbūtības/pārliecinātības koeficients, zināšanu bāze, 

produkcionālais modelis, lēmumu koks. 



7

• DV – dabīga valoda 

Saisinājumi 

• EF – elementārais fragments 

• IV – iekšēja valoda 

• LIS – lietišķās intelektuālās sistēmas 




8

• PK – pārliecinātības koeficients 

• ST – semantiskie tīkli 

Saisinājumi 

• STSV – semantiskie tīkli ar saites virsotnēm 




9

Pamattēmas 


1. Ieskats LIS 

2. Zināšanu atspoguļošanas modeļi 

3. LIS arhitektūra, zināšanu iegūšanas metodes 

4. LIS veidošanas metodoloģija 

5. Zināšanu bāzes konstruēšana 

6. LIS uzbūves metodes: tiešās spriedumu ķēdītes realizācija 

7. LIS uzbūves metodes: apgrieztās spriedumu ķēdītes realizācija 

8. LIS uzbūves metodes: uz pārliecinātības koeficenta (PK) balstītā 

loģiskā izvade 



10

Pamattēmas 

9. Ieskats DV analīzes un apstrādes metodes 

10. DV morfoloģiskās analīzes algoritmu realizācija 

11. DV sintaktiskās analīzes algoritmu realizācija 

12. DV semantiskās analīzes algoritmu realizācija 


13. Priekšmeta “LIS uzbūves metodes” pasniegšanas pieredze citās 

ārzemju augstskolās 

14. LIS uzbūves metožu izmantošanas piemēri programmatūras izstrādē 



11


Zināšanu atspoguļošanas modeļa 

klasifikācija 

Deklaratīvie Procedūrālie Speciālie 

loģiskie tīkla produkciju planner freimu 

funkcionālie tīkli scenāriji semantiskie tīkli 



relācijas 

algebras 

12


Zināšanu apstrāde sistēmas bāzes 

Cilvēks 

struktūra 

Izvades algoritmi 

sistēmai, kura tiek 

apmācīta 

Izvades algoritmi 

lietotāju sistēmai 

Dators 

Zināšanu bāze 



13


Vispārīgas intelektuālas datorsistēmas 

Lietotājs 

Eksperts 

Lingvistiskais 

procesors 

shema 

Darba 

atmiņa 

Paskaidrošanas 

spējas 

Risinātājs 

(interpretators) 

Zināšanu 

iegūšana 

Zināšanu 

bāze 



14


Intelektuālo sistēmu izstrādes etapi 

Identifikācija 

Prasības 

Sākums 

Konceptualizācija 

Jēdzieni 

Pārformulēša 

na 

Pārkonstruēš 

ana 

Testēšana 

Formalizācija 

Nobeigšana 

Pilnveidošana 

Ekspluatācijas 

mēģinājums 



IS 

Izpilde 

15


Zināšanu iegūšanas metodes 

1. Parametriskā apmācība. Visvienkāršākā apmācības forma pēc 

piemēriem vai novērojumiem ir vispārīgā noteikuma 

noteikšana, kuram ir jākļūst par secinājuma rezultātu, un 

vēlāka šajā noteikumā ietilpstošo parametru korekcija 

atkarībā no datiem. Pie kam tiek izmantoti apmācības 

psiholoģiskie modeļi, apmācības vadības sistēmas un citas 

metodes. 



16



2. Apmācība, pamatojoties uz secinājumiem pēc analoģijas. 

Jaunu jēdzienu iegūšana ir iespējama esošo zināšanu 

pārveidošanas ceļā, līdzīgi tām, kuras gatavojas iegūt. Šī ir 

svarīga funkcija, kura tiek saukta par apmācību, pamatojoties 

uz secinājumiem pēc analoģijas vai vienkārši pamatojoties uz 

apmācību pēc analoģijas. 



17



Secinājumi pēc analoģijas – viens no svarīgākajiem mākslīgā 

intelekta pētīšanas objektiem. Interesantus rezultātus šajā jomā 

ieguvis P.Vinstons. Viņš izmanto secinājumus pēc analoģijas, 

balstoties uz šādu hipotēzi: 

“Ja divas situācijas ir līdzīgas pēc vairākām pazīmēm, tad tas 

ir līdzīgas vēl pēc vienas pazīmes”. 

Divu situāciju līdzība tiek izzināta vislabāko sakritību atrašanas 

ceļā pēc vissvarīgākajām pazīmēm. 



18



3. Apmācība, pamatojoties uz secinājumiem pēc indukcijas 

evristiskā apmācība. Visu apmācības formu vidū īpaši izdalīsim 

apmācību, balstoties uz apmācību pēc indukcijas – tā ir 

apmācība ar augsta līmeņa secinājumu izmantošanu, līdzīgi kā 

apmācība pēc analoģijas. Šis apmācības procesā esošo datu 

kopuma apkalpojuma ceļā tiek izsecināti vispārīgie noteikumi. 



19



Iespējama apmācība ar pasniedzēju, kad ieejas datus uzdod 

cilvēks, kurš uzmana apmācības sistēmas stāvokli, un apmācība 

bez pasniedzēja, kad dati nokļūst sistēmā nejauši. Gan vienā 

gan otrā gadījumā secinājumi var būt dažādi. Tie var būt arī 

dažādi pēc sarežģītības pakāpes atkarībā no tā, vai tiek uzdoti 

tikai korekti dati vai arī nekorekti dati un tamlīdzīgi. 



20



Zināšanu iegūšanas process realizējas, balstoties uz eksperta 

darbību, kurš risina reālus uzdevumus ar tā saucamo “zināšanu 

inženieri” (knowledge engineer). Zināšanu evristiskais raksturs 

izveido to iegūšanu par visai darbietilpīgu procesu. 

Neformalizētiem uzdevumiem parasti piemīt šādas īpatnības: 

1) Kļūdaini, nevienveidīgi, nepilni un pretrunīgi dati; 

2) Kļūdainas, nevienveidīgas, nepilnas un pretrunīgas zināšanas 

par problēmu jomu un par risināmo uzdevumu; 

3) Lēmumu kopas lielais izmērs 



21


Zināšanu iegūšana meta-līmenī 

Iepriekš tika izskaitīta apmācība objektu līmenī, bet vēl ir 

sarežģītāka problēma – zināšanu iegūšana meta-līmenī, kuras 

pamatā ir informācija par uzdevumu risināšanas vadību ar 

zināšanu izmantošanu objektu līmenī. 

Zināšanām meta-līmenī vēl nav noteiktas ne izmantošanas un 

attēlošanas formas, ne saites starp zināšanām objektu līmenī, ne 

arī to sistematizācijas tehnika. Tā kā nav noteikta to attēlošanas 

forma no izmantošanas viedokļa, tad grūti ir runāt par zināšanu 

iegūšanu meta-līmenī. Tomēr ar šo problēmu saistītas daudzas 

cerības zināšanu inženierija. 



22

Apmācības vadība 


Apmācības procesā pēc piemēriem var lietot dažādas 

informatizācijas strukturizācijas stratēģijas un, ja nepieciešams, 

šo procesu vadīt, atbildot uz ieejas datiem. Eksistē divas 

klasiskas metodes: metode “no lejas uz augšu”, kurā secīgi tiek 

izvēlēti un strukturēti atsevišķi paziņojumi, un metode “no 

augšas uz leju”, kurā vispirms tiek izvirzīta hipotēze, bet pēc tam 

tā tiek koriģēta informācijas pienākšanas. 



23


Intelektuālo sistēmu izstrādes 

stadijas 

Stadija Raksturojums 

1) Demonstrācijas prototips 3 mēneši; 

2) Pētnieciskais prototips 1÷2 gadi; 

3) Darbojošais prototips 2÷3 gadi; 

4) Rūpnieciskā sistēma 4 gadi; 

5) Komerciāla sistēma 4÷6 gadi; 

ZB:50÷100 noteikumu 

200÷500 noteikumu 



Līdz 3000 noteikumiem 



24

Loģiskie izvades algoritmi: 

1. Tiešā spriedumu ķēdīte; 

2. Apgrieztā spriedumu ķēdīte; 

3. Izvade, balstoties uz varbūtībām; 




25


Lēmumu koks – zināšanu bāzes modelis 

RAW = 

stiprs(3) 

nē 

PEOPLE – 

neuztraukt.(7) 

jā 

PEOPLE = jābūt 

uzmanīg.(13) 

jā 

nē 

nē 

TEMP = 

augsts(10) 

WATER = 

augsts(1) 

SNOW = 

daudz(6) 

jā 

nē 

PEOPLE = 


RAW = 

stiprs(2) 

PEOPLE = 


PEOPLE = 

evakuēt.(11) 

PEOPLE = jābūt 

uzmanīg.(15) 

RAW = 

mērens(12) 



jā 

jā 

nē 

jā 

jā 

nē 

PEOPLE = 

evakuēt.(4) 

SNOW = 

daudz(5) 

TEMP = 

augsts(8) 

nē 

jā 

nē 

PEOPLE= 


26

Lēmumu koka ceļi 

Nr. Virsotnes 

1 1, 2, 4 

2 1, 2, 5, 8, 11 

3 1, 2, 5, 8, 12, 15 

4 1, 2, 5, 8, 12, 16 

5 1, 2, 5, 9 

6 1, 3, 6, 10, 13 

7 1, 3, 6, 10, 14 

8 1, 3, 6, 7 

9 1, 3, 7 




27

1 

2 

3 

Zināšanu bāze (1) 

JA WATER = AUGSTS AND 

RAIN = STIPRS 

TAD PEOPLE = EVAKUĒT 


RAIN = NOT STIPRS AND 

SNOW = DAUDZ AND 

TEMP = AUGSTS 

TAD PEOPLE = EVAKUĒT 




TEMP = VIDĒJA AND 

RAIN = MĒRENS 

TAD PEOPLE = JĀBŪT UZMANĪG. 




28

4 

5 



RAIN = NO AND 


TEMP = VIDĒJA AND 

RAIN = VĀJŠ 

TAD PEOPLE = UZTRAUKT. 



SNOW = MĀZS 

TAD PEOPLE = NEUZTRAUKT. 




29

6 

7 


JA WATER = NOT AUGSTS AND 

RAIN = STIPRS AND 


TEMP = AUGSTS 

TAD PEOPLE = JĀBŪT UZMANĪG. 




TEMP = VIDĒJA 





30

8 

9 




SNOW = MĀZS 



RAIN = NOT STIPRS 





31

Vecums 25-45? 

1 

jā 

Cilvēks dzīvo viens? 

2 

jā 

Vai cilvēkam ir 

5000Ls? 

3 

jā 

Vai cilvēks grib 

ieguldīt naudu bankā? 

4 

Lēmumu koka piemērs 

nē 

nē 

jā 

Vai cilvēks 

grib ātri 

saņemt 

peļņu? 

5 


Īsstermiņu 

ieguldījumi 

vērtspapīros 

Iegādāties akcijas 



. . . 

. . . 

jā 

nē 

32

Zināšanu bāzes noteikums 


Noteikuma daļas Lēmumu koka 

virsotnes 

JA VĒCUMS ≥ 25 AND 1 

CILVĒKS = DZĪVO VIENS AND 2 

NAUDA = 5000LS AND 3 

BANKAS KONTS = JĀ AND 4 

PEĻNA = ĀTRI 5 

TAD IEGULDĪJUMS = AKCIJAS 7 



33


Objekt-orientētās lietišķās intelektuālas sistēmas(1) 

Objektorientētu valodu pamats ir spēja patvaļīgi sarežģītām 

struktūrām definēt izskaitļojamus objektus, kurus tālāk var 

apskatīt kā vienu vienību. Šie izskaitļojamie objekti nav pasīvas 

datu struktūras, bet tie sevī ietver gan stāvokļa, gan uzvedības 

aprakstus. Objektorientētā valodā viss tiek definēts kā objekts 

vai savstarpēji sadarbojošos objektu sistēma, un visi objekti 

pieder objektu klasēm. 



34



Objektorientēta programmēšana atbalsta gan datu, gan 

procedūru abstrakciju, vienkāršo procedūru radīšanu, kuras 

izmanto daudzas objektu klases, lieto vienu un to pašu 

operatoru identifikatoru, lai radītu vispārīgas procedūras, un dod 

iespēju organizēt programmas veidā, kas atspoguļo to dabīgo 

organizāciju (struktūru). 



35



Tādas objektorientētas programmēšanas īpašības kā 

mantošana un paziņojumu nodošanas mehānismi ir piemērotas 

arī zināšanu bāzes projektēšanai. Tieši objektorientētu sistēmu 

paziņojumu nodošanas aspekts vienkāršo savstarpēji 

sadarbojošos komponenšu atspoguļošanu. 



36



Objektorientētās pieejas pielietojumi mākslīgā intelekta 

sistēmās strauji paplašinās. Šī pieeja tiek realizēta: 

1) Lietojot objektorientētas programmēšanas valodas C++, 

Smalltalk, CLOS (Common Lisp Object System), Eifell; 



37



2) Objektorientētas datu bāžu vadības sistēmu valodas 

LOOPS; 

3) Universālas programmēšanas valodas Pascal, Fortran un C. 



38


PJ { plūdi } 

Struktūras izveide: 

Struktūras atribūti – faktori – 

1. Ūdens_līmenis 

2. Lietus 

3. Gaisa temperatūra 

4. Sniegs 

Izveidot_struktūru (vārds = plūdi, 

atribūtu skaits = 4, 

atribūts = Ūdens_līmenis, 

atribūts = Lietus, 

atribūts = Gaisa_temperatūra, 

atribūts = Sniegs) 




39


Situācija 

Viena upes krastā atrodas divas pilsētas : X un Y. 

Objekti 

-- Pieņemsim, kā 1.04.2007 “X” pilsetā: 

Izveidot_objektu (struktūras nosaukums = plūdi, 

objekta nosaukums = X, 

ūdens_līmenis = augsts, 

lietus = stiprs, 

temperatūra = augsts, 

sniegs = daudz) 

-- “Y” pilsētā: 

Izveidot_objektu (struktūras nosaukums = plūdi, 

objekta nosaukums = Y, 

ūdens_līmenis = zems, 

lietus = nav, 

sniegs = daudz) 




40

Mainīgo vārdu(nosaukumu) tabula 

Vārds Nozīme 

RAIN Lietus 

WATER Ūdens līmenis 

TEMP Gaisa temperatūra 

SNOW Sniegs 


PEOPLE Pilsētas iedzīvotāju 

uzvedības prognoze 



41

Objektu izmantošana zināšanu bāzē(1) 

Atribūtu vārds Pilsēta “X” Pilsēta “Y” 

WATER – Ūdens līmenis Augsts Zems 

RAIN – Lietus Stiprs Nav 


TEMP – Temperatūra Augsta Vidēja 

SNOW - Sniegs Daudz Daudz 



42

Noteikums 1: 

JA WATER = Augsts AND 

RAIN = Stiprs 

TAD PEOPLE = Evakuēt 

Pilsēta “X”:People = Evakuēt??? 

Funkcija COPY : 

WATER = COPY (Struktūras nosaukums = Plūdi, 

Objektu vārds = “X”, WATER) 

Funkcija COPY : 

RAIN = COPY (Struktūras nosaukums = Plūdi, 

Objektu vārds = “X”, RAIN) 

PEOPLE = EVAKUĒT!!! 


Objektu izmantošana zināšanu bāzē(2) 



43

Dzīves 

pieredze 

Pašapmācošas sistēmas 

Pievienot 

vai 

nodzēst 

Atriez. saite 


Apmācības 

bloks 



44


Atšķirība starp auto un tanku(1) 

Tanks 

Automobilis 

Lielgabals 

Lūka 

Virsbūve 

Riteņi 

Durvis 



45



Tankam ir Lielgabals un Lūka 

Automobilim ir Durvis un Riteni 

Tankam UN Automobilim ir Virsbūve 



46



Dialogs “LIS – Lietotājs”: 

Ievadiet objekta 1 vārdu ? Auto 

Ievadiet objekta 2 vārdu ? Tanks 

Ievadiet jebkura objekta atribūtus: 

• Atribūts 1 ? Lielgabals 

• Atribūts 2 ? Lūka 

• Atribūts 3 ? Virsbūve 

• Atribūts 4 ? END 



47


Saraksts 1 (Auto) Saraksts 2 (Tanks) Saraksts 3 

(Kopējais) 

Lielgabals 

Lūka 

Virsbūve 




48



Ievadiet jebkura objekta atribūtus: 

•Atribūts 1 ? Durvis 

•Atribūts 2 ? Riteni 

•Atribūts 3 ? Virsbūve 

•Atribūts 4 ? END 



49


Saraksts 1 (Auto) Saraksts 2 (Tanks) Saraksts 3 

(Kopējais) 

Durvis Lielgabals Virsbūve 

Riteni Lūka 




50

10 

20 

30 

40 

Piemērs 

JA INTERESTS – KRĪT 

TAD STOCK – AUG 

JA INTERESTS – AUG 

TAD STOCK – KRĪT 

JA VALUTA – KRĪT 

TAD INTERESTS – AUG 

JA VALUTA– AUG 

TAD INTERESTS – KRĪT 




51


Cenu līmeņa paaugstināšanas varbūtība(1) 

Noteikums 10: 

P (STOCK = AUG) = P(STOCK = AUG | 

INTERESTS = KRĪT) 

* P (INTERESTS = KRĪT) + P(STOCK = AUG | 

INTERESTS = NOT KRĪT) 

* P (INTERESTS = NOT KRĪT) 



52



Noteikums 40: 

P (INTERESTS = KRĪT) = P(INTERESTS = KRĪT | 

VALUTA= AUG ) 

* P (VALUTA = AUG ) + P(INTERESTS = AUG | 

VALUTA = NOT AUG ) 

* P (VALUTA = NOT AUG ) 



53


Cenu līmeņa paaugstināšanas varbūtība (3) 

Pieņemsim, kā P(VALUTA = AUG) = 0,6 

P(VALUTA = NOT AUG) = 1 - 0,6 = 0,4 

P(INTERESTS = KRĪT | VALUTA = AUG) = 0,8 

P(INTERESTS = KRĪT | VALUTA = NOT AUG) = 0,1 

P(INTERESTS = KRĪT) = 0,8*0,6+0,1*0,4 = 0,52 

P(INTERESTS = NOT KRĪT) = 1 – 0,52 = 0,48 



54



P(STOCK = AUG | INTERESTS = KRĪT) = 0,85 

P(STOCK = AUG | INTERESTS = NOT KRĪT) = 0,1 

P(STOCK = AUG) = 0,85*0,52+0,1*0,48 = 0,49(49%) 



55

LIS: Izplūdušā loģika(1) 

Jēdziens “lingvistiskā mainīga” 

Noteikumi: 

10 JA INTERESTS = KRĪT 

TAD STOCK = AUG 

40 JA VALUTA = AUG 

TAD INTERESTS = KRĪT 




56


Varbūtības vienādojumi 


• P(STOCK = AUG) = P(STOCK = AUG | INTERESTS 

= KRĪT) * P(INTERESTS = KRĪT) + P(STOCK = 

AUG | INTERESTS = NOT AUG) * P(INTERESTS = 

NOT AUG) 

• P(INTERESTS = AUG) = P(INTERESTS = KRĪT | 

VALUTA = AUG) * P(VALUTA = AUG) + 

P(INTERESTS = KRĪT | VALUTA = NOT AUG) * 

P(VALUTA = NOT AUG) 



57

Lingvistiskā 

mainīgā 


VALUTA = AUG P(INTERESTS = 

KRĪT|VALUTA = AUG) 


P(VALUTA=AUG) 

Mazs 1-2 % 0,2 0,5 

Vidējs 3-4 % 0,5 0,3 

Liels > 4 % 0,8 0,1 



58





LIS Lietotājs 

- LIS: Saskaitīt rezultātu, ja VALUTA = AUG: 

1 – mazs 

2 – vidējs 

3 – liels 

Ievadiet numuru - ? 

-Lietotājs: 2 




59


a) Aprēķinam vajadzīgie dati: 


P(VALUTA = AUG) = 0,3 

P(VALUTA = NOT AUG) = 1 - 0,3 = 0,7 

P(INTERESTS = KRĪT | VALUTA = AUG) = 0,5 


P(INTERESTS) = 0,5 * 0,3 + 0,07 * 0,7 

b) Izmantotie dati: 

P(INTERESTS = KRĪT) = 0,199 

P(INTERESTS = NOT KRĪT) = 1 - 0,199 = 0,811 



c) P(STOCK = AUG) = 0,2 * 0,199 +0,1 * 0,811 = 0,121 (12,1%) 



60

LIS: Varbūtības pielietošana 

Baijesa varbūtība 

P(e “un” s) = P(s | e) * P(e) 


P(s) = P(s | e) * P (e) + P(s | NOT e) * P(NOT e) 



61


Semantiskie tīkli ar saites virsotnēm 

• Parasti semantiskie tīkli ir ierobežoti no apkopotas informācijas 

atspoguļošanas viedokļa 

• Semantiskie tīkli tika papildināti ar saišu virsotnēm 



62

Semantiskie tīkli(1) 


Spārns Piekūns 

Spalva 

ir 

ir 

Putns 

Ērglis 



ir 

ir

Semantiskie tīkli(2) 

1. Putns 2. Piekūns 3. Ērglis 4. Spārns 5. Spalva 

1. Putns ir ir 

2. Piekūns ir 

3. Ērglis ir 

4. Spārns 

5. Spalva 




64

Operācijas ar semantiskiem grafiem 

1) Association 

x i ┴ T 1 0 (x1) 

x i ┴ < __ , t, b. br., ‘Jānis’, x i > 

( x 1 1 , x2 1 ) ┴ < __ , t, cena, x 1, x 2 > 




65

Piemēri 

x 2 ┴ < __ , t, cena, x 1, x 2 > ◦ [ x 1 := {a i} ] 

x 2 

1 2 

cena 


... ... a x 

i 

1 

< __ , t, cena, x 1, x 2 > ◦ [ x 1 := {a i} ] / T 2 



66

Superpozīcija 

< __ , t, b. v., ‘Igors’, x 1 > / T 2 

< __ , t, b. br., x 2 , x 1 > / T 2 , 

< __ , t, b. br., x 3 , x 2 > / T 2 , 

x 2 

1 

b. br. 

2 

x 3 

b. br. 

2 

‘Igors’ 

b. v. 




1 

2 

x 1 

67

Free Association 

< __ , t, r 1 , : a 1 , : a 2 , : a 3 > 

x i ┴ < __ , t , b. br. , : a 1 , : x 1 > 

Association with Identification 

x i ┴ < __ , t , x 1 , a 1 > - šablons 

< __ , t, a 1 , m 1 >, 

< __ , t, r 1 , m 1 > 

A 1 

M 1 

No T 2 ir jāatlasa < __ , t, r 1 , m 1 > 




68

Comparing 

[ x 1 ┴ T 1 (x 1) ] ◦ [ x 1 := λ] 

[ x i := λ] vai [ x i := λ] 

[ p i := t] vai [ p i := ?] 

[ x 1 ┴ T 1 (x 1) ] ◦ [ x 1 := λ] 




69

Kopu operācijas 

[ x 1 ┴ T 1 (x 1) ] ◦ [ x 1 := a i] 

[ x 1 ┴ T 1 (x 1) ] ◦ [ x 1 := a g] 

[ x 1 ┴ T 1 (x 1) ] ◦ [ x 1 :≈ a g] 




70

Manipulācijas operācijas(1) 

Relācijas algebras ( , , / , u. c. ) operācijas 

manipulācijām ar tīkliem: 

1) Analogs – JOIN 

> x 1 ┴ G i (x 1) ◦ G j (x 1) 

> Z k+1 ┴ G 1 (z 1) ◦ ... ◦ G k (z k) 

> Z k+1 ┴ T 1 e (z1) ◦ ... ◦ T k e (zk) 




71

2) 

x 2 

x 1 


x 3 

1 

2 

2 

[ (x 1 , x 2) ┴ < __ , t , cena, x 1 , x 2 > ] ◦ 

[ (x 1 , x 3) ┴ < __ , t , izgat, x 1 , x 3 > ] 


cena 

izgat. 



1 

72


3) Analogs – PROJECT 

z 2 ┴ [ z 1 : = { w i } ] 

4) x 1 k ┴ T 1 (x 1 k ) 

5) [ x 1 : = { a i } ] ◦ [ x 1 ┴ [ x 2 : = b 1] ◦ 

x 1 

[x 2 ┴ < __ , t , sv., x 1 1 , x2 > ] 

... a ... 1 

sv. 

b1 1 2 


... ... 



x 2 

73

Fakultatīvas virsotnes 

Z- tīkls [ ◊ Y 1 1 := { a1, a 2} ] 

- 

[ ◊ Y 1 

1 := λ ] 


[ ◊ Y 1 1 := a2 ] ◦ [ ◊ Y 1 1 ┴ < __ , t , r 1 , a 1 , Y 1 1 ] 

- kompozīcija ar grafu 



74

... 

G 1 

... 

Nosacītie grafi 

p 1 




1 

Y i 1 

t 

2 

p 2 

sr G 2 

75

Dinamisko modeļu apraksts 

a) Grafu produkcijas 

b) Tīklu produkcijas : T1 ◦ T3 T2 ◦ T 

r 3 

1 

c) Pārejas diagramma 

d) Tīkls, kas atbilst diagrammai 

e) 

f) 

1 

a b 

2 

1 1 a2 2 1 

b 1 

2 

1 a b 3 2 

b 1 

A 1 

b 1 

b 1 

A 3 

A 1 

b 2 

A 2 

S 

Mili automāts 




76

a) 

b) 

β1 

Grafa – produkciju piemēri 

‘ N’ ‘ K’ 

d s 

1 1 

1 

v v -z 

2 

n 2 

d s 

1 

Y 1 1 

D f 




d s 

d s 

2 

1 

γ 

β2 

77


Dabīgas valodas analīze un apstrāde 

• Lingvistiskie jēdzieni 

DV – dabīga valoda 

(morfēmas, vārdi, vārdu sakārtojumi, teikumi, saistīts 

teksts/diskurss) 

• Lingvistiskā translatora shēma 

• Morfoloģiskā analīze : vārdu analīze 

• Sintaktiskā analīze : teikuma vārdu analīze 

• Semantiskā analīze: teikuma jēgas analīze 



78

Lingvistiskā nodrošinājuma hierarhiskā shēma 

a) 

b) 

Dabīgā valoda 

L+1 

L 

L-1 

Datora valoda 

Valodas, metodes, tehnoloģijas 

Dabīgās valodas 

Mākslīgās valodas 


Mākslīgās valodas 



79


Lingvistiskais objekts (L.O.) 

:: = | | 

:: = | 

:: = | 

:: = < morfēma> | < morfēma> 



80

Teikuma koks 

Teikums 

GS GG 


O S G 

S 



81

Petri nets 

• Mathematical model for desorbing LIS 

• Formalisms: 


N = < B, D, F, H > where 

B – nodes set; 

D – transitions set; 

F – pre-incidence function; 

F = B x D { 0, 1 }; 

H – post – incidence function, 

H =D x B { 0, 1 }; 

F(dj) = {bj B / F (bi, dj)=1} and H(dj) = {bj B / F (dj, bi)=1}; Nm = < B, D, F, H, Mo> where 

Mo – initial marking set, 

Mo = {0,1}. 



82

Knowledge Base and Modelling System Architecture 

References: 

Grundspenkis J., 1998. The extention of structural modelling approach for 

procedural knowledge representation. In: Databases and Information Systems, 

Vol. 1, 152-166. 

Knowledge base 

Topological Knowledge base 

MSM 

FSM 

FS 


FSM 

Deep Knowledge Rule base 

FSM 

PS 



83

Intelligent Systems: Projects Samples(1) 

Samples 

1) WILOG –Knowledge Management Supporting 

Autonomous Logistic Process. 


The project investigates distributed knowledge 

management technologies supporting logistic process 

based on self – managed autonomous agents. 

The project focus is on distributed knowledge 

representation and reasoning in high dynamic 

collaborative and competitive environments. 



84



•INTAPS-3 - Integrated Agent-based Process 

Planning and Production Protocol 

Results from predecessor projects IntaPS-2 

suggest that a generalization of the 

enhancement of flexibility by integration of 

process planning and production control with 

multiagent systems (MAS) may have an impact 

an MAS theory. 



85



•RFIDSec - Technology-Integrated Security of 

RFID Systems 

The study aims at analyzing the security 

requirements for RFID systems, identifying open 

research and development issues and giving 

recommendations for the future research in that 

area. 



86



• Segravis - Syntactic and Semantic Integration 

of Visual Modelling Techniques 

The objective of Segravis is to give syntactic and 

semantic foundation for visual modelling 

techniques (like UML), and to create a general 

and methodical outline for visual modelling. 



87

Multi-Attribute Utility Techniques 

1. Analysis of the problem. 

2. Development of a hierarchy of factors or concern net. 

3. Establishment of criteria or “ideal values” for factors 

4. Evaluation of the performance of the factors representing 

the components of the system. 

5. Determination of user preference needed to synthesise the 

concern net. 

6. Determination of partial utilities 

7. Determination of total deterministic utilities. 




88

MAUT diagram 

Alternative Criteria c1 c2 .. cm 

A 1 

... 

A n 

a 11 a 12 ... A 1m 

... 

a n1, a n2 ... a nm 

a 11/c 1 a 12 / c 2 ... a 1m / c m 

W 1 W 2 .... W m 

Partial utilities X Sum of them 

Alternative Total Utilities 

A 1 

... 

U 1 

... 


Concern net 

Criteria 

Alternatives 

Evaluation 

Preferences 

Synthesis 

Total Utilities 

An Un “RTU studiju programmas “Datorsistēmas” pilnveidošana absolventu profesionālās konkurētspējas paaugstināšanai “ 


89

The architecture of the Intelligent System 

ITS 

General problem 

ITS Solutions Present problem 

Compare 

solutions 

Present feedback 

Update student 

skills model 


Curriculum 

Student solution 

Student 



90

ITS: fragments no grafa modeļa 

Q1 Q2 

Q5 

Q1 – explanation of a basic conception, 

Q2 -- Q8 – Separate testing tasks, 

Q9 – general topic task 

Q3 Q4 




Q6 

Q8 

Q9 

Q7 

91

Eksperta sistēmas uz zināšanu bāzes 

Eksperta sistēmas uz zināšanu bāzes (KBES - Knowledge- 

Based Expert Systems) ir pirmais risinājums AI nozarē 

programmatūras veidā. Uzdevumi, kuru pamatā ir 

klasifikācija un lēmumu pieņemšanas process bija pirmie, 

kas guva labumu no KBES tehnoloģijas. Tātad, KBES ir 

datorprogrammas, kas ir izstrādātas veikt eksperta lomu 

problēmu risināšanai attiecīgajā priekšmetiskajā apgabalā. 

Zināšanu bāze Secināšanas mašīna 

Zināšanu bāzes 

uzturēšanas rīks 

Dabīgas valodas 

interfeiss 




92

Ekspertu sistēmas (Expert Systems)(1) 

Visi pētījumi AI nozare var klasificēt šadās 

kategorijās: 

• Problēmu risinājumi un plānojumi: šī nozare 

nodarbojas ar mērķu hierarhijas sistemātisko 

uzlabošanu, plāna caurskatīšanas mehānismiem un 

svarīgo mērķu fokusēto meklēšanu; 

• Ekspertu sistēmas: šī nozare nodarbojas ar 

zināšanu apstrādi un sarežģītām lēmumu 

pieņemšanas problēmām; 




93



• Dabīgas valodas apstrāde: šajā kategorijā ietilpst tādas 

nozares kā automātiska teksta 

• ģenerēšana, teksta apstrāde, mašīnas tulkošana / 

translācija, runāšanas analīze un sintēze, teksta gramatikas 

un stila analīze, u.c.; 

• Robottehnika: robotu vadība objektu manipulēšanai un 

sensoru informācijas izmantošana darbību kontrolēšanai; 

• Datoru vīzijas: inteliģentā vizualizēšana, scēnu analīze, 

attēlu saprašana un apstrāde, kā arī kustības iegūšana; 



94


• Mācīšanās: visi mašīnmācīšanās veidi; 


• Ģenētiskie algoritmi: adaptīvie algoritmi, kuriem 

piemīt mācīšanas spēja. Tos var izmantot 

meklēšanas, mašīnmācīšanās un optimizācijas 

uzdevumos; 

• Neironu tīkli: cilvēka smadzeņu mācīšanas 

modelēšana, kombinējot atpazīšanas 

uzdevumus, deduktīvo spriešanu un skaitliskus 

aprēķinus. 



95

Mākslīgais intelekts un intelektuālās 

apmācību sistēmas 

Intelligent Tutoring Systems jēdzienu ieviesa 1982. gadā 

Slimans un Brauns (Sleeman & Brown), lai atšķirtu jaunas 

sistēmas no iepriekšējām CAI sistēmām: 

1. datorizētās (computer-based); 

2. problēmu risināšanas kontrolieri (problem-solving 

monitors); 

3. treneri (coaches); 

4. laboratorijas instruktori (laboraiory instructors); 

5. konsultanti (consultants). 




96


Kognitīvās zinātnes loma(1) 

ACT - Adaptive Control of Thought 

ACT* pieņēmumi un to saistība ar datorizēto skolotāju izstrādi: 

ACT* pieņēmumi Attiecīgie apmācības principi 

Problēmas risināšanas uzvedība ir uz 

mērķi virzīta. 

Deklaratīvas un procedūras zināšanas ir 

atsevišķas. Procedūras zināšanu 

vienības ir EF-THEN likumi kurus sauc 

par produkcijam. 

Sazināties ar mērķa struktūru, kas ir 

problēmas risināšanas uzdevuma 

pamatā. 

Attēlot studentu zināšanas kā 

produkciju kopu. 



97


Kognitīvās zinātnes loma(2) 

ACT* pieņēmumi Attiecīgie apmācības principi 

Uzdevuma sākotnējā izpildīšana ir 

paveikta ar vājo (vispārīgo) procedūru 

attiecināšanu uz deklaratīvām zināšanu 

strukturālu. 

Uzdevuma specifiskās produkcijas 

veidojas, attiecinot vājākas produkcijas 

uz deklaratīvām zināšanām, šādas 

uzdevuma specifiskās produkcijas 

atrodas zem efektīvākas veiktspējas. 

Papildus prakses rezultātā produkcijas 

var tikt saķēdētās kopā, lai iegūtu lielākā 

mēroga produkcijas. 

Students uztur problēmas pašreizējo 

stāvokli ierobežota apjoma atmiņā. 

Sniegt instrukcijas problēmu 

risināšanas kontekstā; ļaut studenta 

zināšanām attīstīties cauri attiecīgām 

aproksimācijām uz mērķa prasmēm. 

Nekavējoties sniegt atgriezenisko saiti 

uz sasniegumiem. 

Sakātot/pielāgot instrukcijas soļa 

garumu kad mācīšanas progresē. 

Minimizēt strādājošās atmiņas noslodzi. 



98

ITS komponenti(1) 


• Studenta modelis - studenta modelis rāda studenta 

mācīšanas progresu apmācības laikā. 

• Zināšanu bāze - zināšanas ir tas, ko sistēma „zina" par 

apmācamo priekšmetisko apgabalu. Zināšanu bāze var tikt 

realizēta vairākos veidos. 

• Novērtēšanas modulis - studenta veiktspējas 

novērtēšana nodrošina sistēmas nākamas darbības izvēli. 

Novērtēšanas realizācija var variēties dažādās sistēmās, 

piemēram, studenta atbildes salīdzinājums ar eksperta 

atbildi vienādos apstākļos (pārklāšanas režīms). 



99

ITS komponenti(2) 


• Pedagoģiskie likumi - pedagoģija ir vislielākās 

diverģences siera ITS jomā. Dažas sistēmas izmanto 

sarežģītas dialoga pārvaldības stratēģijas, citas vienkārši 

ģenerē jaunas problēmas, kas balstās uz studenta progresa 

novērtēšanu laikā. 

• Mācīšanas teorija - intelektuālās apmācības sistēmas 

izmanto vairākas apmācības stratēģijas, bet tikai dažas no 

tām precīzi ievēro kādu konkrētu mācīšanas teoriju. 



100

ITS klasiskā arhitektūra 

Expert 

module 

Pedagogical 

module 

User 

interface 

Student 

Student 

model 




101

ITS 

ITS risinājums 

ITS darbības shēma 

Ģenerēt problēmu 

Reprezentēt / pasniegt problēmu 

Salīdzināt risinājumus 

Attēlot /pasniegt atgriezenisko saiti 

Atjaunot studenta iemaņu modeli 


Mācību vieta 

Studenta risinājums 

Students 



102

Knowledge – Based Systems (KBS) 

General – 

purpose 

Knowledge 

Engineering 

Languages 

Functional 

Languages 


Declaretive Languages 

Logic 

Programming 

Languages 



Production 

Languages 

103

4GL Languages and CASE Tools 

• 4GL – Fourth-generation languages 

• CASE – Computer Aided Software Engineering 

CASE 

4GL 


Results 

User 

Designing 



104

Mākslīgā intelekta valodas 

• PROLOG ( Programming in Logic) – Loģiskā 

programmēšana: 

– Apgrieztā spriedumu ķēdīte; 

– Atgriešanas mehānisms. 

• LISP( LISPt Processing) – sarakstu apstrāde: 

– Funkciju koncepcija; 

– Sarakstu koncepcija. 




105

Noteikumu apraksts PROLOG valodā (Piemērs)(1) 

/* 10 */ position (nē): - write (‘DEGREE’), read 

(DEGREE), DEGREE = nē 

/* 20 */ quality (jā): - write (‘DEGREE’), read 

(DEGREE), DEGREE = jā 


/* 30 */ position (zin. līdzstradn.): - write (‘DEGREE’), 

read (DEGREE), DEGREE = jā, write(‘DISCOVERY’), 

read(DISCOVERY), DISCOVERY= jā 



106

Noteikumu apraksts PROLOG valodā (Piemērs)(2) 

/* 40 */ position (inženieris): - quality(jā), 

write(‘EXPERIENCE’), read(EXPERIENCE), 

EXPERIENCE < 2.0 


/* 50 */ position (nē): - quality(jā), write(‘AVERAGE’), 

read(EXPERIENCE), EXPERIENCE 2.0 

/* 60 */ position (konstruktors): - quality(jā), 

write(‘AVERAGE’), read(AVERAGE), AVERAGE >= 

3.5 



107

LISP valodas funkciju piemēri 

Funkcijas Rezultāts 

( + 4 2 ) 6 

( - 5 2 ) 3 

( + ( - 5 2) 4) 7 

(MAX 5 9 2) 9 




108

LISP valodas sarakstu piemēri 

Saraksti Rezultāts 


(pulkstenis papīrs) Priekšmetu saraksts 

( 20 10 30 ) Katrā nodaļā darbinieku 

skaits 

((Eberhard Steffen) 

(Jūris Maris) 

(Sergey Paul)) 

Cilvēku vārdi, kuri dzīvo 

trīs dažādās pilsētās 



109

Sarakstu apstrādes funkcijas(1) 

• CAR, CDR, CONS, APPEND 

• ( CAR ‘ (A B C) ) A 

• ( CAR ‘ (1 2) A B) (1 2) 

• ( CDR ‘ (A B C) ) (B C) 

• ( CDR ‘ ((A B) (C D)) ) ( (C D) ) 




110

Sarakstu apstrādes funkcijas(2) 

• (CONS ‘ K ‘ (J K L)) (K J K L) 


• (CONS ‘ (A B) ‘ (J K L)) ((A B) (J K L)) 

• (APPEND ‘ (A B) ‘ (J K L)) (A B J K L) 



111

• (EQUAL 8 8) T 

• (EQUAL 3 2) NIL 

Predikāti EQUAL 

• (EQUAL ‘ (1 2 A) ‘ ( 1 2 A)) T 




112

• (> 5 2 1) T 

• (> 1 2 3) NIL 

• (> 5 4 (+ 1 2)) T 

Predikāti “>” 




113

a) 

b) 

Predikāti SETQ un COND 

(SETQ X 2 5) 2 5 

(SETQ X ‘ (A B C)) (A B C) 


(COND ((EQUAL 5 2 (SETQ X 5))) 

IF (EQUAL 5 2) THEN (SETQ X 5) 

(COND ((EQUAL 3 3 (SETQ X 5))) 

IF (EQUAL 3 3) THEN (SETQ X 5) 



114

Uzdevuma nostādne 


• Izvēlēties priekšmetisko jomu un aprakstīt to situācijas, izmantojot ifthen 

produkcijas līkumus. 

• Izstrādāt zināšanu bāzes redaktoru un izveidot zināšanu bāzi kā if-then 

produkciju līkumu kopu. 

• Formalizēt un realizēt tiešo spriedumu ķēdītes loģiskas izvades 

algoritmu. 

• Formalizēt un realizēt apgriezto spriedumu ķēdītes loģiskas izvades 

algoritmu. 

• Veikt zināšanu bāzes nepieciešamo modifikāciju un realizēt loģiskas 

izvades algoritmu, kas balstās uz varbūtībām. 

• Sagatavot atskaiti par paveikto darbu un atradīt izstrādāto 

programmatūru. 



115

Prezentācija PDF formātā - Datorzinātnes un informācijas ...

Create successful ePaper yourself

Delete template?

Save as template?