YourLib.net
Твоя библиотека
Главная arrow Информатика (Под общ. ред. А.Н. Данчула) arrow 3.3.3. Системы искусственного интеллекта
3.3.3. Системы искусственного интеллекта

3.3.3. Системы искусственного интеллекта

   Искусственный интеллект (ИИ) как научное направление имеет длительную историю. Попытки формализовать мышление человека предпринимались многими выдающимися учеными в течение столетий. Г. Лейбниц уже в XVIII в. высказал идею о некотором универсальном языке классификации всех наук как основе для построения некоторого набора формальных правил мышления. Однако только с развитием новой научной области — кибернетики и появлением вычислительных машин ИИ вышел из рамок чистой теории и получил качественно новые возможности развития как прикладное научное направление.
   Термин «искусственный интеллект» был впервые предложен в 1956 г. в США. Практически сразу после признания его отдельной областью научных исследований произошло разделение на два направления: нейрокибернетика и кибернетика черного ящика.
   Первое направление — нейрокибернетика — ориентировано на моделирование структур мозга (нейронов) на основе нейронных сетей, или нейросетей. На основе исследований в этой области были созданы транспьютеры — компьютеры с большим числом процессоров, ориентированные на параллельные вычисления. Транспьютеры являются одной из разновидностей нейрокомпьютеров, используемых при распознавании образов.
   Второе направление — кибернетика черного ящика — является в некотором роде альтернативой первого. Основной тезис данного направления — человек не должен следовать природе в своих научных поисках, т. е. не должен моделировать природные механизмы, в том числе и мозг. Данное направление, рассматривая внутреннее устройство «мыслящего механизма» как черный ящик, ориентировано на поиск универсальных алгоритмов решения интеллектуальных задач на существующих компьютерах с традиционной аппаратно-программной архитектурой.
   В настоящее время существует несколько основных прикладных научных направлений исследований в области искусственного интеллекта:
   —  интеллектуальные роботы (робототехника);
   —  распознавание образов;
   —  творческие игры;
   —  разработка естественно-языковых (ЕЯ) интерфейсов, машинный перевод и интеллектуальный поиск;
   —  представление знаний, разработка систем, основанных на знаниях;
   —  обучение и самообучение.
   Интеллектуальные роботы — это электронно-механические устройства, ориентированные на автоматизацию отдельных человеческих действий, которые могут изменяться в соответствии с изменением среды, в которой они выполняются. Для этого роботы должны обладать в общем случае возможностью восприятия различных видов информации о внешней среде (звуковой, слуховой и др.), планировать свои действия и иметь систему принятия решений по взаимодействию с внешней средой, основанную на некоторой системе знаний о внешнем мире.
   Распознавание образов является традиционным и одним из первых научных направлений ИИ. Автоматизация распознавания образа того или иного объекта — это актуальная задача во многих прикладных областях человеческой деятельности. Примером может служить идентификация объектов по результатам аэрофотосъемки из космоса. Распознавание идет, как правило, на основе математических процедур, относящих объекты к тому или иному классу.
   Примером творческих игр может служить игра в шахматы. При решении таких задач используется в основном сочетание эвристических методов с методами перебора вариантов. В настоящее время в этом направлении возможности научных исследований в основном исчерпаны.
   Обучение и самообучение являются активно развивающейся областью ИИ. Данное направление ориентировано на модели и методы автоматического накопления и формирования знаний на основе анализа и обобщения данных. С этим направлением тесно связаны системы анализа данных и поиска закономерностей в базах данных.
   Разработка ЕЯ-интерфейсов, машинный перевод и интеллектуальный поиск базируются на исследовании семантики естественного языка, выявлении его формальной семантической структуры, универсальных методах семантического анализа ЕЯ- высказываний с использованием некоторой базы знаний, позволяющей учесть контекст высказывания.
   Представление знаний и разработка систем, основанных на знаниях, являются в настоящее время основным направлением ИИ. Исследования в этой области во многом определяют и другие научные направления ИИ. В рамках данного направления разрабатываются модели представления знаний, базы знаний, методы извлечения и структурирования знаний, используемые при проектировании экспертных систем и в новом направлении ИИ — инженерии знаний.
   При проектировании систем, основанных на знаниях, необходимо определить понятие «знание», его отличие от понятия данных, используемого в информатике. В настоящее время общепринятое понятие знания отсутствует, и авторы различных научных монографий и учебников по-разному определяют его. При определении знания выделим характерные черты знания, отличающие его от «просто данных». Во-первых, при оперировании с данными как некоторым знанием мы предполагаем истинность этих данных в соответствии с некоторым критерием (например, критерием практики). Таким образом, знание — это такие данные, которые характеризуются истинностью, что невозможно установить, не затрагивая семантического аспекта информации, представленной этими данными. Во вторых, знания — это информация, которая:
   —  отражает не конкретные факты реального мира, а обобщение этих фактов, т. е. является обобщающими высказываниями о свойствах и связях конкретных либо каким-либо образом обобщенных объектов (объектов как понятий); в этом случае знания можно рассматривать как некоторую информацию о данных, т. е. метаинформацию;
   —  представляет универсальные взаимосвязи между событиями (ситуациями), описанными как метаинформация; примером таких взаимосвязей являются причинно-следственные отношения, отношения «часть—целое», «род—вид». При этом такие взаимосвязи могут быть следствием некоторых логических либо физических, химических и тому подобных законов или эвристических предположений, основанных на опытных результатах. Если, например, мы выделим разные уровни обобщения данных для некоторой предметной области, то описание иерархии этих уровней, представляющее собой метаинформацию, будет знанием об этой предметной области.
   При таком подходе к пониманию знания интеллектом (в узком смысле слова) будем называть способность мозга решать интеллектуальные задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.
   Интеллектуальные задачи — задачи, для которых не найден на современном уровне развития науки стандартный алгоритм их решения (см. понятие алгоритма в гл. 1).
   Итак, искусственный интеллект — это совокупность средств и методов решения интеллектуальных задач на основе моделирования процессов выявления, представления и манипулирования знаниями с использованием средств вычислительной техники (прежде всего — компьютеров).
   Главная задача, которую должна решать та или иная модель представления знаний, — обеспечение возможности последующего вывода новых знаний из уже имеющихся в некоторой базе знаний (и знаний, введенных в систему ИИ в текущем сеансе работы).
   Для представления знаний в некотором формальном виде существуют следующие основные классы моделей:
   —  процедурные;
   —  декларативные;
   —  смешанные.
   Процедурные модели рассматривают знания как совокупность процедур, реализуемых на основе некоторого алгоритма, в результате выполнения которых мы получаем новое знание.
   Декларативные модели описывают знания и операции манипулирования с ними на некотором формальном языке представления знаний, т. е. в этом случае знания не растворяются в процедурах (как в процедурных моделях), а представлены (выявлены) в явном виде.
   Смешанные модели представления знаний используют методы и процедурного, и декларативного моделирования.
   Декларативный подход к представлению знаний реализуют:
   —  продукционные модели;
   —  семантические сети;
   —  фреймы;
   —  формальные логические модели.
   В продукционной модели представления знаний знания представляются в виде предложений-правил вида:

ЕСЛИ (условие) ТО (действие).

   Условие — некоторое предложение-образец, с которым производится сравнение анализируемого предложения (описывающего текущую ситуацию); совокупность таких предложений-образцов составляет содержание некоторой базы данных. При успешном результате поиска выполняются действия, указанные в предложении-правиле. Совокупность предложений-правил образует содержание базы знаний.
   К декларативным моделям представления знаний относятся также модели на основе семантических сетей и фреймов.
   Семантическая сеть — это представление смыслового содержания предложений, описывающих знания, в виде ориентированного графа, вершинами которого являются понятия, а дугами — смысловые отношения между этими понятиями. Обязательно наличие трех типов отношений:
   класс — элемент класса (летательный аппарат — самолет);
   свойство — значение (цвет — желтый);
   пример элемента класса (самолет — реактивный самолет).
   Поиск решения на основе семантической сети — это поиск фрагмента сети, описывающей семантику (смысловое содержание) ПрО, соответствующего (по некоторому критерию сравнения) семантической сети, отражающей содержание запроса.
   В основу описания знаний при помощи фреймов положена идея минимального по смысловому содержанию, а следовательно, и по формальному представлению описания некоторого понятия, ситуации, сценария. Анализируя какую-либо ситуацию (понятие), представляют наиболее типичные, характерные ее стороны, т. е. выделяют стандартное, «необходимое и достаточное» смысловое ядро ситуации (понятия). При этом переменные «участники» ситуации (те ее «атрибуты», которые могут принимать различные конкретные значения, не влияющие на смысл самой ситуации) в теории фреймов определяются как слоты — незаполненные значения некоторого «атрибута» ситуации. В базе знаний хранятся фреймы-прототипы (образцы) ситуаций, описывающих некоторую ПрО. Для отображения кон- кретной (фактической) ситуации создаются фреймы-экземпляры. Структура фрейма в общем случае представляет собой описание совокупности слотов (имени слота, его значения, способа получения слотом его значения, специальных процедур, которые могут быть использованы при получении слотом его значения). В качестве значения слота может выступать имя другого фрейма, что позволяет организовать сеть фреймов. Базовым понятием в теории фреймов (и в теории семантических сетей) является понятие наследования свойств. Если в описании фрейма (например, ШКОЛЬНИК) есть слот, имеющий имя, по смыслу соответствующее отношению «ЭТО» (например, ШКОЛЬНИК ЭТО РЕБЕНОК), и указывающий на фрейм более высокого уровня (фрейм РЕБЕНОК), то фрейм ШКОЛЬНИК наследует все значения аналогичных слотов из фрейма более высокого уровня (фрейма РЕБЕНОК). Наследование свойств может быть частичным (если, например, вступает в противоречие с явно указанным именем и значением слота во фрейме нижнего уровня). Наследование свойств существенно увеличивает возможности модели представления знаний при решении задачи поиска (вывода) с использованием этой модели.
   Формальные логические модели представления знаний базируются на классическом исчислении предикатов [6] при условии, что знания о ПрО описываются в виде набора аксиом.
   В настоящее время наиболее распространена продукционная модель представления знаний.
   Экспертные системы (ЭС) являются типичным представителем систем ИИ, которые преодолели рубеж экспериментальных разработок и нашли достаточно широкое практическое применение «в реальных условиях». ЭС — это сложные программные системы, которые на основе базы знаний, аккумулирующей опыт (знания) специалистов-экспертов в конкретной ПрО, и методов ИИ позволяют осуществлять диагностику, прогноз развития ситуаций, возникающих в данной ПрО и требующих принятия решения от пользователя, который не обладает знаниями эксперта.
   База знаний (БЗ) — база данных, хранящая совокупность понятий, правил и фактов, представляющих собой знания о некоторой ПрО, которые обеспечивают логический вывод новых знаний.
   Кроме БЗ в состав типичной ЭС входят:
   —  решатель (интерпретатор);
   —  рабочая память (база данных);
   —  интерфейс пользователя с ЭС;
   —  подсистема приобретения знаний;
   —  объясняющая подсистема.
   Рабочая область предназначена для хранения сходных и промежуточных данных решаемой задачи.
   Решатель на основе данных рабочей области и БЗ формирует последовательность правил, которые приводят к решению задачи, будучи применены к исходным данным.
   Объясняющая подсистема по желанию пользователя может пояснить в явном виде каждый шаг вывода решения, что позволяет контролировать правильность логики вывода как со стороны пользователя, так и со стороны эксперта и инженера по знаниям.
   Интерфейс пользователя с ЭС организует дружественный диалог пользователя с ЭС в процессе ввода исходных и промежуточных данных, получения решения и объяснения логики его получения.
   Экспертная система действует в двух режимах: приобретения знаний и решения задач. Подсистема приобретения знаний работает именно в режиме приобретения знаний и служит для ввода новых знаний в БЗ ЭС. В режиме приобретения знаний общение с ЭС осуществляет инженер по знаниям, который выступает посредником между экспертом и ЭС. Эксперт описывает свои знания о ПрО, которые могут быть потенциально использованы при решении задач, как правило, в вербальной форме с минимальным уровнем формализации в их представлении. Хотя теоретически эксперт может самостоятельно вводить новые данные (понятия, правила, факты) в ЭС через подсистему приобретения знаний, однако на практике это, как правило, осуществляет инженер по знаниям. Инженер по знаниям в тесном взаимодействии с экспертом помогает ему выявить и структурировать знания, необходимые для работы ЭС. При этом на этапе тестирования существенную помощь эксперту и инженеру по знаниям оказывает объясняющая подсистема, благодаря информации от которой эксперт и инженер по знаниям могут локализовать причины неудачной работы ЭС.
   При разработке ЭС разработчики в полной мере столкнулись с проблемой выявления знаний («добыча» знаний) и их формализации. Началось развитие нового направления ИИ — инженерии знаний, которое занимается вопросами извлечения (получения) и структурирования знаний специалистов (экспертов), их формализации для последующего проектирования БЗ. Основными типами процедур в инженерии знаний являются процедуры извлечения, структурирования и формализации знаний.
   Извлечение знаний — получение инженером по знаниям как можно более полного представления о ПрО и способах и методах принятия решений в ней. Извлечение знаний происходит при тесном взаимодействии инженера по знаниям и эксперта с использованием методов:
   —  анализа текстов;
   —  диалога;
   —  экспертных игр (сочетание деловой и диагностической игр с участием эксперта);
   —  лекций и дискуссий;
   —  интервью;
   —  наблюдений и др.
   Структурирование знаний — выявление структуры полученных знаний, т. е. определение:
   —  терминов анализируемой ПрО области;
   —  списка основных понятий и их атрибутов;
   —  отношений между понятиями;
   —  структуры входной и выходной информации;
   —  стратегии принятия решений;
   —  граничных условий применения стратегий и т. д.
   Результатом структурирования знаний является описание знаний о ПрО в виде графов, таблиц, диаграмм, текста, отражающих основные концептуальные положения ПрО, взаимосвязи между понятиями и функциональные закономерности рассуждений о принятии решений (правила) в данной ПрО.
   Формализация структурированных знаний — это их описание на основе некоторого языка представления знаний. На этом этапе используются:
   —  логические методы (исчисления предикатов);
   —  продукционные модели;
   —  семантические сети;
   —  фреймы.
   Как средство формализации используются и объектно-ориентированные языки, основанные на иерархии объектов (классов). Характерно также применение в одной системе формализации знаний одновременно нескольких языковых средств представления знаний, например семантических сетей, фреймов и продукционных моделей.

 
< Пред.   След. >