3. Історія розвитку систем ші
Історично зложилися три основних напрямки в моделюванні ШІ.
У рамках першого підходу об'єктом досліджень є структура й механізми роботи мозку людини, а кінцева мета полягає в розкритті таємниць мислення. Необхідними етапами досліджень у цьому напрямку є побудова моделей на основі психофізіологічних даних, проведення експериментів з ними, висування нових гіпотез щодо механізмів інтелектуальної діяльності, удосконалювання моделей і т.д.
Другий підхід як об'єкт дослідження розглядає ШІ. Тут мова йде про моделювання інтелектуальної діяльності за допомогою обчислювальних машин. Метою робіт у цьому напрямку є створення алгоритмічного й програмного забезпечення обчислювальних машин, що дозволяє вирішувати інтелектуальні завдання не гірше людини.
Нарешті, третій підхід орієнтований на створення змішаних людино-машинних, або, як ще говорять, інтерактивних інтелектуальних систем, на симбіоз можливостей природного й штучного інтелекту. Найважливішими проблемами в цих дослідженнях є оптимальний розподіл функцій між природним і штучним інтелектом й організація діалогу між людиною й машиною.
Початок досліджень в області ШІ (кінець 50-х років) зв'язують із роботами Ньюелла, Саймана й Шоу, що досліджував процеси рішення різних завдань. Результатами їхніх робіт з'явилися такі програми як "ЛОГІК-ТЕОРЕТИК", призначена для доказу теорем у вирахуванні висловлень, і "ЗАГАЛЬНИЙ ВИРІШУВАЧ ЗАДАЧ". Ці роботи поклали початок першому етапу досліджень в області ШІ, пов'язаному з розробкою програм, що вирішують завдання на основі застосування різноманітних евристичних методів.
Евристичний метод рішення завдання при цьому розглядався як властивий людському мисленню "взагалі", для якого характерне виникнення здогадів про шляху рішення завдання з наступною перевіркою їх. Йому протиставлявся використовуваний в ЕОМ алгоритмічний метод, що інтерпретувалося як механічне здійснення заданої послідовності кроків, яка детерміновано приводить до правильної відповіді. Трактування евристичних методів рішення завдань як сугубо людської діяльності й обумовили появу й подальше поширення терміна ШІ. Так, при описі своїх програм Ньюелл і Саймон приводили як доводи, що підтверджують, що їхньої програми моделюють людське мислення, результати порівняння записів доказів теорем у вигляді програм із записами міркування <думаючої вголос> людини. На початку 70-х років вони опублікували багато даних подібного роду й запропонували загальну методику складання програм, що моделюють мислення. Приблизно в той час, коли роботи Ньюелла й Саймона стали залучати до себе увагу, у Массачусетському технологічному інституті, Стенфордському університеті й Стенфордському дослідницькому інституті також сформувалися дослідницькі групи в області ШІ. На противагу раннім роботам Ньюелла й Саймона ці дослідження більше ставилися до формальних математичних подань. Способи рішення завдань у цих дослідженнях розвивалися на основі розширення математичної й символічної логіки. Моделюванню же людського мислення надавалося другорядне значення.
На подальші дослідження в області ШІ великий вплив зробила поява методу резолюцій Робінсона, заснованого на доказі теорем у логіці предикатів і доказ, що він є вичерпним методом. При цьому визначення терміна ШІ перетерпіло істотну зміну. Метою досліджень, проведених у напрямку ШІ, стала розробка програм, здатних вирішувати "людські завдання". Так, один з видних дослідників ШІ того часу Р. Бенерджі в 1969 році писав: "Область досліджень, звичайно називану ШІ, імовірно, можна представити як сукупність методів і засобів аналізу й конструювання машин, здатних виконувати завдання, з якими донедавна могла упоратися тільки людина. При цьому по швидкості й ефективності машини повинні бути порівнянні з людиною." Функціональний підхід до спрямованості досліджень по ШІ зберігся в основному дотепер, хоча ще й зараз ряд учених, особливо психологів, намагаються оцінювати результати робіт з ШІ з позицій їхньої відповідності людському мисленню.
Дослідницьким полігоном для розвитку методів ШІ на першому етапі з'явилися всілякі ігри, головоломки, математичні завдання. Деякі із цих завдань стали класичними в літературі по ШІ (завдання про мавпу й банани, місіонерах і людожерах, Ханойській вежі гра в 15 й інші). Вибір таких завдань обумовлювався простотою і ясністю проблемного середовища (середовища, у якій розвертається рішення завдання), її щодо малою громіздкістю, можливістю досить легкого підбора й навіть штучного конструювання "під метод". Основний розквіт такого роду досліджень доводиться на кінець 60-х років, після чого стали робитися перші спроби застосування розроблених методів для завдань, розв'язуваних не в штучних, а в реальних проблемних середовищах. Необхідність дослідження систем ШІ при їхньому функціонуванні в реальному світі привело до постановки завдання створення інтегральних роботів. Проведення таких робіт можна вважати другим етапом досліджень по ШІ. У Стенфордському університеті, Стенфордському дослідницькому інституті й деяких інших місцях були розроблені експериментальні роботи, що функціонують у лабораторних умовах. Проведення цих експериментів показало необхідність рішення кардинальних питань, пов'язаних із проблемою подання знань про середовище функціонування, і одночасно недостатнє дослідження таких проблем, як зорове сприйняття, побудова складних планів поводження в динамічних середовищах, спілкування з роботами природною мовою. Ці проблеми були більш ясно сформульовані й поставлені перед дослідниками в середині 70-х рр., пов'язаних з початком третього етапу досліджень систем ШІ. Його характерною рисою з'явився зсув центра уваги дослідників зі створення автономно функціонуючих систем, що самостійно вирішують у реальному середовищі поставлені перед ними завдання, до створення людино-машинних систем, що інтегрують у єдине ціле інтелект людини й здатності ЕОМ для досягнення загальної мети – рішення завдання, поставленої перед інтегральною людино-машинною вирішальною системою. Такий зсув обумовлювався двома причинами:
До цього часу з'ясувалося, що навіть прості на перший погляд завдання, що виникають перед інтегральним роботом при його функціонування в реальному часі, не можуть бути вирішені методами, розробленими для експериментальних завдань спеціально сформованих проблемних середовищах;
Стало ясно, що поєднання можливостей людини й ЕОМ які доповнюють друг друга дозволяє обійти гострі кути шляхом перекладання на людину тих функцій, які поки ще не доступні для ЕОМ. На перший план висувалася не розробка окремих методів машинного рішення завдань, а розробка методів засобів, що забезпечують тісну взаємодію людини й обчислювальної системи протягом усього процесу рішення завдання з можливістю оперативного внесення людиною змін у ході цього процесу.
Розвиток досліджень по ШІ в даному напрямку обумовлювався також різким зростанням виробництва засобів обчислювальної техніки й також різким їхнім здешевленням, що робить їх потенційно доступними для більше широких кіл користувачів.
Найпершими інтелектуальними завданнями, які стали вирішуватися за допомогою ЕОМ були логічні ігри (шашки, шахи), доказ теорем. Хоча, правда тут треба відзначити ще кібернетичні іграшки типу "електронної миші" Клода Шеннона, що управлялася складною релейною схемою. Ця мишка могла "досліджувати" лабіринт, і знаходити вихід з нього. А крім того, поміщена у вже відомий їй лабіринт, вона не шукала вихід, а відразу ж, не заглядаючи в тупикові ходи, виходила з лабіринту.
Американський кібернетик А. Самуель склав для обчислювальної машини програму, що дозволяє їй грати в шашки, причому в ході гри машина навчається або, принаймні, створює враження, що навчається, поліпшуючи свою гру на основі накопиченого досвіду. В 1962 р. ця програма поборолася з Р. Нілі, найсильнішим шашкістом у США й перемогла.
Яким образом машині вдалося досягти настільки високого класу гри?
Природно, що в машину були програмно закладені правила гри так, що вибір чергового ходу був підлеглий цим правилам. На кожній стадії гри машина вибирала черговий хід з безлічі можливих ходів відповідно до деякого критерію якості гри. У шашках (як й у шахах) звичайно невигідно губити свої фігури, і, навпроти, вигідно брати фігури супротивника. Гравець (будь він людина або машина), що зберігає рухливість своїх фігур і право вибору ходів й у той же час тримає під боєм велика кількість полів на дошці, звичайно грає краще свого супротивника, що не надає значення цим елементам гри. Описані критерії гарної гри зберігають свою силу протягом всієї гри, але є й інші критерії, які ставляться до окремих її стадій – дебюту, міттендшпілю, ендшпілю.
Розумно поєднуючи такі критерії (наприклад у вигляді лінійної комбінації з коефіцієнтами, що підбирають експериментально, або більш складним образом), можна для оцінки чергового ходу машини одержати деякий числовий показник ефективності – оцінну функцію. Тоді машина, зрівнявши між собою показники ефективності чергових ходів, вибере хід, що відповідає найбільшому показнику. Подібна автоматизація вибору чергового ходу не обов'язково забезпечує оптимальний вибір, але все-таки це якийсь вибір, і на його основі машина може продовжувати гру, удосконалюючи свою стратегію (спосіб дії) у процесі навчання на минулому досвіді. Формальне навчання складається в підстроюванні параметрів (коефіцієнтів) оцінної функції на основі аналізу проведених ходів й ігор з урахуванням їх результату.
На думку А. Самуеля, машина, що використовує цей вид навчання, може навчитися грати краще, ніж середній гравець, за відносно короткий період часу.
Можна сказати, що всі ці елементи інтелекту, продемонстровані машиною в процесі гри в шашки, повідомлені їй автором програми. Почасти це так. Але не слід забувати, що програма ця не є "твердої", заздалегідь продуманої у всіх деталях. Вона вдосконалює свою стратегію гри в процесі самонавчання. І хоча процес "мислення" у машини істотно відмінний тому, що відбувається в мозку граючі в шашки людини, вона здатна в нього виграти.
Яскравим прикладом складної інтелектуальної гри донедавна були шахи. В 1974 р. відбувся міжнародний шаховий турнір машин, постачених відповідними програмами. Як відомо, перемогу на цьому турнірі одержала радянська машина із шаховою програмою "Каисса".
Чому тут ужито "донедавна"? Справа в тому, що недавні події показали, що незважаючи на досить велику складність шахів, і неможливість, у зв'язку із цим зробити повний перебір ходів, можливість перебору їх на більшу глибину, чим звичайно, дуже збільшує шанси на перемогу. Приміром, за повідомленнями в пресі, комп'ютер фірми IBM, що переміг Каспарова, мав 256 процесорів, кожний з яких мав 4 Гб дискової пам'яті й 128 Мб оперативної. Весь цей комплекс міг прораховувати більше 100'000'000 ходів у секунду. Донедавна рідкістю був комп'ютер, що може робити таку кількість цілочисельних операцій у секунду, а тут ми говоримо про ходи, які повинні бути сгенеровані й для яких перелічені оцінні функції. Хоча з іншого боку, цей приклад говорить про могутність й універсальність переборних алгоритмів.
У цей час існують й успішно застосовуються програми, що дозволяють машинам грати в ділові або військові ігри, що мають велике прикладне значення. Тут також надзвичайно важливо додати програмам властиві людині здатність до навчання й адаптації. Однієї з найцікавіших інтелектуальних завдань, що також має величезне прикладне значення, є завдання навчання розпізнавання образів і ситуацій. Рішенням її займалися й продовжують займатися представники різних наук - фізіологи, психологи, математики, інженери. Такий інтерес до завдання стимулювався фантастичними перспективами широкого практичного використання результатів теоретичних досліджень: читаючі автомати, системи ШІ, що ставлять медичні діагнози, що проводять криміналістичну експертизу й т.п., а також роботи, здатні розпізнавати й аналізувати складні сенсорні ситуації.
В 1957 р. американський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття й розпізнавання – перцептрон. Поява машини, здатної навчатися поняттям і розпізнавати пропоновані об'єкти, виявилося надзвичайно цікавим не тільки фізіологам, але й представникам інших областей знання й породило великий потік теоретичних й експериментальних досліджень.
Перцептрон або будь-яка програма, що імітує процес розпізнавання, працюють у двох режимах: у режимі навчання й у режимі розпізнавання. У режимі навчання хтось (людина, машина, робот або природа), що грає роль учителя, пред'являє машині об'єкти й об кожному них їх повідомляє, до якого поняття (класу) він належить. За цим даними будується вирішальне правило, що є, власне кажучи, формальним описом понять. У режимі розпізнавання машині пред'являються нові об'єкти (загалом кажучи, відмінні від раніше пред'явлених), і вона повинна їх класифікувати, по можливості, правильно.
Проблема навчання розпізнаванню тісно пов'язана з іншим інтелектуальним завданням - проблемою перекладу з однієї мови на іншу, а також навчання машини мові. При досить формальній обробці й класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажемо наукового або ділового тексту. Для деяких мов такі системи були створені ще наприкінці 60-г. Однак для того, щоб складно перевести досить великий розмовний текст, необхідно розуміти його зміст. Роботи над такими програмами ведуться вже давно, але до повного успіху ще далеко. Є також програми, що забезпечують діалог між людиною й машиною на урізаній природній мові.
Що ж стосується моделювання логічного мислення, то гарним модельним завданням тут може служити завдання автоматизації доказу теорем. Починаючи з 1960 р., був розроблений ряд програм, здатних знаходити докази теорем у вирахуванні предикатів першого порядку. Ці програми володіють, за словами американського фахівця в області ШІ Дж. Маккатті, "здоровим глуздом", тобто здатністю робити дедуктивні висновки.
У програмі К. Гріна й ін., що реалізує запитально-відповідну систему, знання записуються мовою логіки предикатів у вигляді набору аксіом, а питання, що задають машині, формулюються як підлягаючі доказу теореми. Великий інтерес представляє "інтелектуальна" програма американського математика Хао Ванга. Ця програма за 3 хвилини роботи IBM-704 вивела 220 простих лем і теорем з фундаментальної математичної монографії, а потім за 8.5 хв. видав доказ ще 130 більш складних теорем, частина з яких ще не була виведена математиками. Правда, дотепер жодна програма не вивела й не довела ні однієї теореми, яка б, що називається "конче" була б потрібна математикам і була б принципово новою.
Дуже великим напрямком систем ШІ є робототехніка. У чому основна відмінність інтелекту робота від інтелекту універсальних обчислювальних машин?
Для відповіді на це питання доречно згадати приналежне великому російському фізіологові І.М. Сєченову висловлення: "... вся нескінченна розмаїтість зовнішніх проявів мозкової діяльності зводиться остаточно лише до одного явища - м'язовому руху". Інакше кажучи, вся інтелектуальна діяльність людини спрямована в остаточному підсумку на активну взаємодію із зовнішнім світом за допомогою рухів. Точно так само елементи інтелекту робота служать насамперед для організації його цілеспрямованих рухів. У той же час основне призначення чисто комп'ютерних систем ШІ складається в рішенні інтелектуальних завдань, що носять абстрактний або допоміжний характер, які звичайно не зв'язані ні зі сприйняттям навколишнього середовища за допомогою штучних органів почуттів, ні з організацією рухів виконавчих механізмів.
Перших роботів важко назвати інтелектуальними. Тільки в 60-х роках з'явилися так звані чуттєві (рос. очуствленные) роботи, які управлялися універсальними комп'ютерами. Наприклад в 1969 р. в Електротехнічній лабораторії (Японія) почалася розробка проекту "промисловий інтелектуальний робот". Мета цієї розробки - створення чуттєвого маніпуляційного робота з елементами штучного інтелекту для виконання складально-монтажних робіт з візуальним контролем.
Маніпулятор робота має шість ступенів волі й управляється міні-ЕОМ NEAC-3100 (обсяг оперативної пам'яті 32000 слів, обсяг зовнішньої пам'яті на магнітних дисках 273000 слів), що формує необхідний програмний рух, що спрацьовується електрогідравлічною системою, що стежить. Хват маніпулятора оснащений тактильними датчиками.
Як система зорового сприйняття використаються дві телевізійні камери, постачені червоно-зелено-синіми фільтрами для розпізнавання кольорів предметів. Поле зору телевізійної камери розбите на 64х64 осередків. У результаті обробки отриманої інформації грубо визначається область, займана предметом, що цікавить робота. Далі, з метою детального вивчення цього предмета виявлена область знову ділиться на 4096 осередків. У тому випадку, коли предмет не міститься в обране "віконце", воно автоматично переміщається, подібно тому, як людина сковзає поглядом по предметі. Робот Електротехнічної лабораторії був здатний розпізнавати прості предмети, обмежені площинами й циліндричними поверхнями при спеціальному висвітленні. Вартість даного експериментального зразка становила приблизно 400000 доларів.
Поступово характеристики роботів монотонно поліпшувалися, Але дотепер вони ще далекі по тямущості від людини, хоча деякі операції вже виконують на рівні кращих жонглерів. Наприклад утримують на лезі ножа кулька від настільного тенісу.
Ще мабуть тут можна виділити роботи київського Інституту кібернетики, де під керівництвом Н.М. Амосова й В.М. Глушкова (нині покійного) ведеться комплекс досліджень, спрямованих на розробку елементів інтелекту роботів. Особлива увага в цих дослідженнях приділяється проблемам розпізнавання зображень і мови, логічного висновку (автоматичного доказу теорем) і керування за допомогою нейроподібних мереж.
Наприклад можна розглянути створений ще в 70-х роках макет транспортного автономного інтегрального робота (ТАІР). Конструктивно ТАІР являє собою триколісне шасі, на якому змонтована сенсорна система й блок керування. Сенсорна система містить у собі наступні засоби чуття: оптичний далекомір, навігаційна система із двома радіомаяками й компасом, контактні датчики, датчики кутів нахилу візка, таймер й ін. Особливістю, що відрізняє ТАІР від багатьох інших систем, створених у нас і за рубежем, є те, що в його складі немає комп'ютера в тому виді, до якого ми звикли. Основу системи керування становить бортова нейроподібна мережа, на якій реалізуються різні алгоритми обробки сенсорної інформації, планування поводження й керування рухом робота.
Наприкінці даного дуже короткого огляду розглянемо приклади великомасштабних експертних систем.
MICIN – експертна система для медичної діагностики. Розроблена групою по інфекційних захворюваннях Стенфордського університету. Ставить відповідний діагноз, виходячи із представлених їй симптомів, і рекомендує курс медикаментозного лікування кожної з діагностованих інфекцій. База даних складається з 450 правил.
PUFF – аналіз порушення подиху. Дана система являє собою MICIN, з якої видалили дані по інфекціях і вставили дані про легеневі захворювання.
DENDRAL – розпізнавання хімічних структур. Дана система найстарша, з тих, що мають звання експертних. Перші версії даної системи з'явилися ще в 1965 році в усі тім же Стенфордському університеті. Користувач дає системі DENDRAL деяку інформацію про речовину, а також дані спектрометрії (інфрачервоної, ядерного магнітного резонансу й мас-спектрометрії), і та у свою чергу видає діагноз у вигляді відповідної хімічної структури.
PROSPECTOR – експертна система, створена для сприяння пошуку комерційно виправданих родовищ корисних копалин.