Точно Не проект 2 / Не books / Источник_1

В1981 году Япония объявляет о начале проекта машин V поколения, базирующихся на принципах ИИ. Проект был рассчитан на 10 лет и предусматривал, среди многих целей, создание Пролог-машины с возможностями общения на естественном языке. Этот проект способствовал активизации исследований в области ИИ во многих странах. К разработке интеллектуальных систем подключились многие компании – Texas Instruments, Xerox, Symbolics и др. Объемы финансирования проектов в области ИИ за 1980-1988 гг. выросли с нескольких миллионов до 2 млрд. долларов в 1988 году.

Возрождение нейроинформатики ( с 1986 г. по настоящее время).

После доказательства М. Минским ограниченных возможностей первых нейронных сетей исследования в этом направлении выполнялись учеными других областей знаний. В 1982 г. физик Дж. Хопфилд опубликовал работу, в которой проанализировал методами статистической механики свойства однослойной нейронной сети с симметричными связями. Хопфилд обнаружил возможность применения такой сети в задаче распознавания образов. Психологи Д. Румельхарт и Г. Хинтон, изучавшие модели нейросетевой памяти, заново открыли в 1986 году алгоритм обучения многослойного персептрона, названный алгоритмом обратного распространения ошибки. Ранее этот алгоритм был открыт Брайсоном и Хо в 1969 году [84].

Указанные две работы послужили толчком к лавинообразному росту применений моделей нейронных сетей для решения практических задач. Помимо теоретических разработок, этому способствовало и появление мощных аппаратно-программных средств, позволяющих моделировать нейронные сети достаточного уровня сложности.

Внастоящее время модели нейронных сетей применяются в самых различных областях.

Коллективистские модели ИИ (с 1996 г. по настоящее время).

Рассмотренные выше этапы развития ИИ характеризуются разрозненными подходами, основанными на выделении частного свойства понятия “интеллект”. Например, принцип знаниецентризма обусловил развитие и господство в течение определенного периода когнитивистских моделей ИИ, в частности, логических. В соответствии с такими моделями на первый план выдвигается способность интеллектуальной системы рассуждать, а действия (поведение) рассматриваются как нечто вторичное. Основное внимание при этом уделяется логическому выводу. Выделение в определении ИИ функции обучения (адаптации) способствовало развитию коннекционистских (нейронные сети) и эволюционных моделей (генетические алгоритмы).

Трактовка ИИ с позиций способности к восприятию и коммуникации привела к развитию моделей понимания изображений и естественного языка.

Выделение и гиперболизация отдельных свойств интеллекта способствовали противопоставлению и расхождению различных школ ИИ. К началу 90-х годов исследователи начали осознавать, что подобные трактовки ИИ носят весьма ограниченный характер и не учитывают реалии развития интеллекта человека. Во-первых, естественный интеллект интегрирует в себе весь спектр свойств интеллекта. Во-вторых, интеллектуальное развитие человека происходит в обществе, в процессе выполнения им определенной деятельности. В отрыве от взаимодействия с себе подобными развитие естественного интеллекта проблематично. Поэтому, начиная с начала 90-х годов, в ИИ стали преобладать две основные тенденции – интеграция и децентрализация [41,77,84,95].

Интеграционные процессы проявились в разработке гибридных систем искусственного интеллекта, объединяющих в себе преимущества разнородных моделей, например, нечеткие экспертные системы и нейронные сети. В таких интегрированных системах могут поддерживаться различные модели представления знаний, разные типы рассуждений, модели восприятия и распознавания образов.

Процессы децентрализации связаны с рассмотрением ИИ с позиций коллективного поведения большого числа взаимодействующих между собой интеллектуальных агентов. При этом интеллект агента рассматривается как подсистема управления деятельностью в процессе взаимодействия агента с другими агентами.

В основе распределенного (децентрализованного) интеллекта лежит функционально-структурная единица – агент, способная [41]:

-воздействовать на других агентов и самих себя;

-образовывать свои собственные цели;

-общаться с другими агентами;

-функционировать без прямого вмешательства со стороны любых средств и осуществлять самоконтроль (автономность);

-воспринимать часть среды своего функционирования;

-строить локальное представление среды;

-выполнять обязанности и оказывать услуги;

-самовоспроизводиться.

Важно отметить, что при решении конкретной задачи агенты образуют структурированное сообщество, в котором наблюдается определенная кооперация между агентами. Например, можно говорить об агентах, выполняющих простую передачу сообщений, о координирующих агентах, которые организуют взаимодействие в сообществе (группе) агентов, о поис-

ковых агентах, которые анализируют большие объемы информации и возвращают результат поиска, об агентах, формирующих понятия, и др.

Таким образом, согласно коллективистской модели основным объектом исследований ИИ является сообщество неоднородных, взаимодействующих агентов, а основное содержание разработок связано с созданием интеллектуальных агентов, обладающих заданными свойствами, и вычислительных структур, поддерживающих взаимодействие агентов.

В дальнейшем рассматриваются классические модели и процедуры ИИ, которые могут быть положены в основу построения агентов различных видов. Вопросы взаимодействия агентов, определяющие архитектуру многоагентных систем, выходят за рамки книги. Подробнее см. [63,84,89].

1.3.Основные направления исследований

Кобласти ИИ относятся многие задачи, которые хорошо решаются человеком и плохо вычислительной машиной. Например, понимание естественного языка, манипулирование знаниями, восприятие и распознавание образов, выявление закономерностей и обучение и др. Рассмотрим подробнее некоторые из направлений ИИ.

1.3.1.Представление задач и поиск решений

Интеллектуальная деятельность человека связана с поиском решений задач. При этом задача считается интеллектуальной, если точный (алгоритмический) метод ее решения не известен. В рамках направления рассматриваются различные способы представления задач, подходящие для решения их поисковыми методами на компьютере. Выделяют несколько способов представления задач:

-в пространстве состояний;

-в пространстве подзадач;

-в виде доказательства теорем.

Если задача представляется в пространстве состояний, то задают начальное и конечное состояние задачи, множество операторов, обеспечивающих перевод задачи из одного состояния в другое. Решение задачи сводится к поиску последовательности операторов, осуществляющих перевод задачи из начального состояния в конечное. Такой поиск осуществляется различными методами. Наиболее интересными являются методы эвристического поиска, в частности, А*- алгоритм, применяемый при решении многих задач: восстановление контуров изображений, распознавание речи, игровые задачи, планирование поведения роботов. Подробнее вопросы представления задач и поиска решений рассмотрены в главе 2.

1.3.2. Доказательство теорем

Доказательство теорем является чрезвычайно важной областью ИИ. Рождение этого направления началось с создания программы “Логиктеоретик”, которая доказала ряд теорем математической логики. Однако ранние подходы к автоматизации доказательства теорем были не эффективны. Связано это было с экспоненциальным ростом числа логических выражений в процессе доказательства. Для ограничения количества выражений предлагались различные методы, но наиболее эффективным оказался метод резолюций, предложенный Робинсоном.

К доказательству теорем могут быть сведены многие практические задачи. В случае представления задачи в форме доказательства теорем возможные состояния задачи, включая начальные и целевые, рассматриваются как правильно построенные формулы исчисления предикатов. Операторы, отображающие одно состояние в другое, рассматриваются как правила, которые выводят одно правильно построенное выражение из другого. Процесс поиска решения заключается в переписывании формул с помощью правил, пока не будет получены целевые утверждения. Основные процедуры логического вывода рассматриваются в главе 4.

1.3.3. Представление знаний

Это один из центральных вопросов ИИ. В системах искусственного интеллекта знания не могут быть представлены непосредственно в том виде, в котором они используются человеком. Необходим поиск таких форм отображения знаний, которые были бы подходящими для хранения в памяти компьютера. Эти формы знаний, которые называют моделями представления знаний, должны обладать достаточной выразительностью, удобством использования, эффективностью манипулирования. Выразительность означает способность модели одинаково хорошо представлять как обобщенные, так и конкретные знания, как из универсальных, так и из специальных предметных областей. Она также предполагает способность модели отражать неполные знания. Удобство использования означает, что модель представления знаний должна базироваться на понятиях, которые используют эксперты и пользователи. Это упрощает приобретение знаний и оценку их корректности. Эффективность манипулирования связана с возможностью быстрого извлечения необходимых порций знаний и выполнения на их основе соответствующих выводов. Поэтому под знаниями в СИИ понимают формализованные сведения, данные, на которые ссылаются в процессе логического вывода [37].

Знания, представляемые в СИИ в виде самостоятельных информационных компонент, хранятся в базе знаний.

Имеются четыре основные модели представления знаний:

-логическая модель;

-продукционная модель (модель, основанная на правилах);

-модель семантической сети;

-фреймовая модель.

Языки, используемые для разработки систем ИИ на основе указанных моделей, называют языками представления знаний (ЯПЗ). Наибольшее распространение получила продукционная модель представления знаний. При использовании продукционной модели база знаний состоит из набора правил, а программа, управляющая перебором правил, называется маши-

ной вывода.

В настоящее время основные усилия исследователей, работающих в области представления знаний, направлены на разработку языков представления знаний, поддерживающих модели рассуждений, характерные для псевдофизических логик (временная логика, пространственная логика, каузальная логика), а также нечеткие и немонотонные рассуждения (см. главы 3 и 4)

1.3.4. Экспертные системы

Уже при разработке первых программ, осуществляющих поиск решений в пространстве состояний, исследователи осознали важность про- блемно-ориентированных знаний. Так, врач успешно выполняет свои функции, поскольку он обладает большим запасом медицинских знаний. Геолог открывает новые месторождения тех или иных природных ресурсов, руководствуясь теоретическими и экспериментальными знаниями из области геологии. Экспертные знания представляют собой комбинацию теоретико-аналитических методов и эвристических правил решения задач, которые показали свою эффективность на практике. Программные системы, которые аккумулируют знания эксперта в определенной области и способны вырабатывать решения и рекомендации на уровне эксперта, называют экспертными системами (ЭС). ЭС – наиболее широко применяемые на практике интеллектуальные системы. ЭС создаются в процессе непрерывного взаимодействия эксперта в той или иной области со специалистами в области информационных технологий. В ходе этого процесса осуществляется извлечение знаний эксперта и перенос их в базу знаний системы. Специалисты, осуществляющие структурирование базы знаний и ее заполнение, называются инженерами по знаниям или когнитологами.

Перечень типовых задач, решаемых ЭС, включает: интерпретацию, диагностику, прогнозирование, мониторинг и др.

Узким местом в разработке ЭС является получение знаний. Направление ИИ, занимающееся проблемами получения и структурирования знания специалистов с целью последующей разработки баз знаний, называется инженерией знаний. Подробнее проблемы разработки ЭС рассмотрены в главе 7.

1.3.5.Обучение и выявление закономерностей

Впроцессе испытаний экспертных систем выяснилось, что их возможности ограничены объемом информации, хранимой в базе знаний. Возникла задача пополнения и приобретения знаний в процессе функционирования системы. Данная задача связана с построением обучающихся систем, которые могут самосовершенствоваться.

Проблема создания обучающихся систем интересовала исследователей с момента зарождения ИИ. Так, уже персептрон Ф. Розенблата использовал простейшие правила обучения. А. Сэмюэль (1962 г.) создал программу игры в шашки, которая могла накапливать опыт игры и действовать, исходя из него. Идеи Сэмюэля были восприняты другими исследователями. В 1973 г. П. Уинстон увлекся проблемой обучения на примерах и составил программу “Арки”, которая могла на примерах обучаться простейшим понятиям. Крупным шагом вперед в машинном обучении стала программа AQ11, разработанная Р. Михальским (1976 г.). Программа AQ11 могла по данным выводить правила “если-то” для определения заболеваний растений.

Существенный вклад в решение проблемы обучения внес Д. Ленат, создав программу “Автоматический математик” (АМ). Эта программа была снабжена определенными знаниями из области чисел и набором эвристических правил, позволяющих устанавливать закономерности. Программа АМ повторно открыла около 200 важных понятий теории чисел. Позже Д. Ленат создал обучающуюся программу EURISKO, которая открыла новый способ построения логического элемента для сверхбольших интегральных схем – трехмерный элемент типа И/ИЛИ.

Другими важными исследованиями, выполненными в этой области, стали работы Т. Митчелла и Дж. Квинлана.

Характерной особенностью обучающихся систем является использование индуктивных умозаключений. Индукция – способ рассуждения от частного к общему. Индукция противоположна дедукции – суждению от общего к частному. Применение индуктивных схем рассуждений позволяет

программам обучаться на примерах путем их обобщения. Данные вопросы обсуждаются в главе 4.

1.3.6. Общение на естественном языке

Одним из основных направлений исследований в области ИИ является разработка программно-аппаратных средств, обеспечивающих общение с компьютером на естественном языке. Решение данной задачи предусматривает как разработку подсистем понимания естественно-языковых (ЕЯ) высказываний, так и генерацию текстов на естественном языке. К обработке естественного языка относится и задача машинного перевода.

Сложность проблемы ЕЯ–общения можно проиллюстрировать на задаче машинного перевода. Первые программы машинного перевода, базирующиеся на использовании словарей и грамматик, оказались неэффективными. Обусловлено это было, прежде всего, многозначностью естественного языка – одни и те же слова в предложении имеют разный смысл в зависимости от контекста и знаний о предмете общения. Такие знания выходят за рамки знаний морфологии и синтаксиса языка. Для правильной интерпретации ЕЯ–высказываний компьютер должен обладать теми же знаниями, что и пользователь. Это требует создания больших баз знаний, что, само по себе, является сложной задачей. Проблема здесь состоит не столько в том, как разместить эти знания в памяти компьютера, а в том, как их получить. Поэтому в настоящее время общение пользователя с компьютером выполняется на проблемно-ориентированных подмножествах естественного языка.

Традиционно в системах, допускающих общение на естественном языке, выполняется несколько фаз анализа входных сообщений:

-морфологический анализ – поиск основ слов с отнесением их к определенным грамматическим категориям, обнаружение и исправление орфографических ошибок;

-синтаксический анализ – грамматический разбор предложений и определение их лингвистической структуры;

-семантический анализ – формирование смысла предложений на внутреннем языке системы;

-прагматический анализ – выявление взаимосвязи между предложениями текста.

Впоследнее время в задачах обработки ЕЯ все чаще применяют эмпирический подход, базирующийся на использовании методов статистики

имашинного обучения. В этом случае подсистема понимания высказываний обучается на больших объемах реальных языковых данных. Это позво-

ляет автоматизировать процесс формирования необходимых баз знаний (см. главу 9).

1.3.7.Распознавание образов

Врамках этого направления ИИ ведутся исследования по восприятию зрительной, слуховой и других видов информации, методам ее обработки с целью выделения существенных признаков воспринимаемых объектов и осуществления их классификации. Примерами задач распознавания образов могут служить: автоматическое чтение рукописных текстов, распознавание речи, анализ изображений, диагностика болезней, дистанционная идентификация объектов и др. Если множество признаков, разделяющих объекты на классы заранее не известно, то возникает задача обучения распознаванию образов или самообучения распознаванию образов. Поэтому данное направление ИИ близко к машинному обучению и неразрывно связано с нейросетями.

Решение задачи распознавания образов сводится к построению решающей функции, которая по значениям наблюдаемых признаков позволяет отнести объект к тому или иному классу. При построении решающей функции часто используют статистический подход. Однако его применение требует задания многомерных плотностей распределения вероятностей, определение которых может составлять самостоятельную задачу. Часто применяют иной подход, основанный на обучении распознаванию образов. Предложено много алгоритмов обучения распознаванию образов. Одним из наиболее простых является алгоритм обучения персептрона, который представляет собой простейшую нейронную сеть. Возможности простого персептрона по распознаванию образов весьма ограничены. Поэтому при решении многих практических задач применяют более сложные модели. Детально вопросы распознавания образов и обучения нейронных сетей рассматриваются в главе 8.

1.3.8.Компьютерное зрение

Более 85% информации человек получает с помощью зрения. Для современного компьютера этот канал ввода информации также играет важную роль. Но ввести изображение в память ЭВМ нетрудно. Для машины намного сложнее понять изображение. Поэтому главная задача, которую приходится решать при построении систем машинного зрения, – это не создание устройств ввода изображений, а разработка методов и алгоритмов анализа визуальной информации. Проблема создания систем компьютер-

ного зрения тесно связана с такими направлениями ИИ, как представление знаний, обучение, распознавание образов (см. главу 10).

1.3.9.Языки программирования систем искусственного интеллекта

Врамках этого направления разрабатываются специальные языки для решения задач ИИ. Важной особенностью этих языков является использование более высоких уровней абстракции данных, а также ориентация на обработку символьной информации. Наиболее популярными языками, применяемыми при создании исследовательских прототипов СИИ, являются языки Лисп и Пролог.

Кроме этого, создаются специальные инструментальные средства, ориентированные на промышленную разработку СИИ, например, G2, ART, KEE, Knowledge Craft и др. [12,63]. В книге подробно рассматриваются языки Лисп и Пролог (см. главы 5 и 6).

Выше перечислены лишь те направления ИИ, которые нашли отражение в книге. Вместе с тем исследования в области ИИ охватывают многие другие направления, например:

-синтез изображений по моделям;

-интеллектуальные роботы;

-генетические алгоритмы;

-многоагентные системы;

-когнитивное моделирование;

-игры и машинное творчество, и многое другое.

1.4. Структура систем с искусственным интеллектом

Рассмотрим в качестве примера СИИ обобщенную структурную схему производственной системы с искусственным интеллектом (ПСИИ) и структурную схему интеллектуального робота (ИР). ПСИИ представляет собой органичное звено в структуре автоматизированных систем управления производством (АСУП). Основной характеристикой ИР является целенаправленное поведение в изменяющейся среде. ИР является звеном гибких автоматизированных производств.

Рассмотрение обобщенных схем указанных интеллектуальных систем (ИС) позволит точнее выяснить место и роль различных универсальных процедур и методов ИИ, обсуждаемых в последующих главах книги.

Структурная схема ПСИИ изображена на рисунке 1.1 [2]. Такая ПСИИ может решать несколько характерных задач: управление, прогнозирование, мониторинг, диагностика и др. Основным элементом ПСИИ явля-

ется база знаний (БЗ), в которой хранятся знания о предметной области, представленные в компьютерно интерпретируемой форме.

Рисунок 1.1 – Производственная система с искусственным интеллектом

Знания в БЗ представляются фактами и правилами. Факты – данные, характеризующие конкретные объекты, явления, ситуации предметной области. Применяя правила к фактам, можно получать новые факты, которых не было в системе. Для того чтобы из известных фактов получать новые факты, правила необходимо применять в соответствии с некоторыми принципами управления, которые реализуются машиной вывода.

Важной чертой рассматриваемой ПСИИ, основанной на знаниях, является наличие подсистемы объяснения. Подсистема объяснения позволяет объяснить пользователю, как система пришла к тому или иному выводы, и почему требуются те или иные сведения для продолжения вывода. С одной стороны, это повышает степень доверия пользователя к результатам вывода, а с другой – позволяет когнитологу (инженеру по знаниям) или эксперту оценивать правильность функционирования системы.

Диалоговый интерфейс предусматривает общение с системой на ограниченном естественном языке, графическое отображение информации, а