Различные модели искусственного интеллекта, проблемы его создания и применения

Рис.3. Вывод  на знаниях

    Рассмотрим  другой пример. Человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Проследим, насколько это возможно, действия человека. Итак, глаза смотрят на циферблат. В мозг поступает электрический сигнал, в мозге формируется изображение стрелок на циферблате. Далее, сознательно или подсознательно человек прикладывает некоторые умственные усилия, чтобы понять (по положению стрелок) сколько же сейчас времени (т. е. соотносит полученные данные с некоторой шкалой). Получив в итоге декларативную информацию, например 17:20, человек подключает внешние знания, например свое рабочее расписание, понимает что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения, т. е. данные).

    Характерная особенность знаний состоит в  том, что они не содержатся в исходной системе. На циферблате часов не было написано “опаздываю”. Слово “опаздываю” не содержалось и в расписании этого человека. Знания возникают в результате сопоставления информационных единиц, нахождения и разрешения противоречий между ними. Т. е. знания активны, их появление (или нехватка) приводит к реализации некоторых действий.

    Для знаний характерны следующие свойства:

• внутренняя интерпретируемость (каждая информационная единица должна иметь уникальное имя и однозначно определяться);
• структурированность, т. е. между информационными единицами должны быть установлены отношения (например, “часть — целое”, “род” — “вид” и др.)
• знания образуют некоторое пространство, которое может оказаться как метрическим(измеряемым), так и не метрическим(не поддающимся измерению).

    Установление  имен для информационных единиц, самовыделение этих единиц на конкретном объекте, определение отношений, имеющих место между единицами, — сложная задача. Для реально существующих объектов с относительно простой структурой иногда возможно единственное разбиение на информационные единицы и отношения. Например, для системы “собака – хвост” трудно придумать иную модель кроме “хвост является частью собаки”.

    Для сложных систем, и в первую очередь  абстрактных, не всегда можно сразу  понять, где “целое” и где “часть” и как они между собой соотносятся. Рассмотрите, например, систему “курс доллара”, для которой неясно, что входит в список важных параметров, а что нет. Или систему “жук”, у которого нет отдельно головы и отдельно груди, а есть “головагрудь”.

    Решением  этих проблем занимается отрасль ИИ, именуемая “инженерия знаний”. Далее мы последовательно уточним эти вопросы.

     Состояние — второй важнейший термин. Каждая информационная единица, как и вся система в целом, может находиться в одном из состояний. Например, лампочка может находиться в одном из состояний: включен — выключен. В данном случае множество состояний содержит 2 элемента (рис. 4).

    

      
 

    Рис.4. Пространство состояний системы и таблица переходов

    Есть  системы, для которых множество состояний бесконечно. Пространство состояний удобно представлять в виде таблицы переходов(рис. 4).

    Переход системы из состояния в состояние  может обладать свойством симметричности. В этом случае система способна вернуться  в исходное состояние (а компьютерная программа — зациклиться).

    Цель — основная характеристика системы ИИ. Система искусственного интеллекта (или интеллектуальная программа) отличается от традиционных программ свойством целеустремленности. Интеллектуальная программа в отличие от обычной не содержит жесткий алгоритм, а содержит цель, которую нужно достичь и правила движения к этой цели. Можно сказать, что программа ИИ — это программа того “что нужно сделать”, а традиционная — “как нужно делать”. В традиционной программе алгоритм достижения цели задан изначально и выполняется с неизбежностью, в интеллектуальной программе алгоритм строится по ходу достижения цели с учетом складывающейся ситуации.

    Для программиста, создающего на системы ИИ, очень важно уметь правильно ставить цели. От того, насколько точно и экономично будет поставлена цель, зависит не только эффективность решения, но и ее принципиальная достижимость.

     В качестве целей в интеллектуальных программах чаще всего задаются требования перехода системы в заданное состояние, а в качестве критерия эффективности — число шагов решения. Очевидно, что достижение цели не всегда возможно без указания начального состояния (рис. 5). 
 
 

        Цель – оказаться в Томске,

начальное состояние неизвестно 
 
 
 
 
 
 

Рис.5. Пространство состояний с циклами

    Модель  представления знаний — основной тип моделей ИИ. Реализация конкретных систем, основанных на знаниях, происходит в рамках одной из моделей преставления знаний или языка представления знаний. Таких моделей немного и ниже они будут рассмотрены. Реальные системы редко основаны на одной из моделей в ее классическом понимании. Чаще всего реальная система — это гибрид из классических моделей со значительной долей собственных догадок, ограничений и условностей. Наиболее полезные из них называют эвристиками.

    Предметная  область — это область человеческой деятельности, к решению задач которой применяется теория ИИ. Например, если создается экспертная система, которая по набору результатов анализов ставит диагноз больному, то предметная область — медицина. Если вы создается интеллектуальная система предотвращения столкновения кораблей, то предметная область — навигация и т.д. Создание интеллектуальных программ, действительно полезных для практикующих специалистов, требует глубокого понимания специфики, присущей каждой предметной области. Для практикующих специалистов “специфика” — это в наибольшей мере набор нечетких и неясных, выработанных годами правил разрешения складывающихся ситуаций.

    Одна  из первых задач инженера по знаниям (специалиста по ИИ) состоит как  раз в том, чтобы формализовать (записать) эти правила. Проблема на этом этапе состоит в том, что предметные специалисты (эксперты) часто обладают только интуитивным видением предмета обсуждения и формально не способны обосновать свою точку зрения. Попытка “выведать” подсознательные причины уверенности эксперта в некотором факте (например, “почему температура живого человека не может превысить 43°С?”) часто вызывает недоумение и даже досаду. У эксперта начинает складываться мнение, что ему “подсунули некомпетентного в наших вопросах человека, и какую, собственно, “умную” программу он может написать, если не отличает крови от плазмы!” Поэтому на первом этапе, выделяя те самые важные понятия — “имена” предметной области, которые в дальнейшем предстоит детально изучить, инженер по знаниям должен продемонстрировать еще и способности тонкого психолога, способного “влезть в мозги” эксперта, не вызвав при этом резкой ответной реакции с его стороны.

    На  втором этапе следует выделить отношения, которые связывают “имена”, важные для данной предметной области и состояния, в которых эти “имена” могут находиться. Например, для системы предотвращения столкновения кораблей важными именами будут: “вода”, “корабль”, “столкновение” и др. Имя “вода” будет иметь несколько состояний: “высокая”, “мелкая”, “спокойная”, “бурная” и ряд других гораздо менее очевидных. Между именами “вода” и “корабль” будет находиться отношение “погружен”. И вот тут то и возникает проблема непонимания. Что значит “погружен”? А если судно на воздушной подушке? А если это подводная лодка? Существует большое количество предметных областей (медицина — одна из наиболее показательных), где предметные специалисты уже не способны ответить на эти вопросы. Их образование не предусматривает детального рассмотрения основополагающих понятий и отношений, а требует только их знаний и принятия “на веру”. Важным также является вопрос о “силе” отношения: “насколько погружен?”, “еще плывет или уже тонет?” и т.п.

    За  годы профессиональной деятельности специалист по ИИ сталкивается с десятками предметных областей и экспертов. Ясно, что он не может стать равным им врачом, навигатором, военным, игроком и т.п. Равно как и эксперты в предметной области, пусть даже компетентные еще и в вопросах программирования и разработки традиционных программ, не способны создать программу ИИ. Изюмина деятельности инженера по знаниям заключается не в личном детальном знании предметной области и современных способов создания программ, а в способности выделять общее в казалось бы различных областях, строить универсальные математические, а при невозможности — нечеткие логико–лингвистические модели.

    Невозможность (в чистом виде) применить одну из ранее известных моделей — одно из основных ограничений, накладываемых предметной областью.

1.3. Современные области исследований в искусственном интеллекте

    В последнее десятилетие прошлого века ясно обозначились следующие важные направления развития систем искусственного интеллекта.

1. Системы, имитирующие творческие процессы, характерные лишь для человека, такие как создание музыкальных произведений, решение игровых задач (шахматы, шашки, домино), автоматический перевод, доказательство теорем, распознавание образов, имитация мышления и т.п.
2. Информационные системы, основанные на знаниях (экспертные системы), т. е. консультирование малоопытных пользователей, настройка оборудования, обучение и др.
3. Интеллектуальные информационные системы — большие и очень большие программы, предназначенные для решения задач в предметной области на основе математических и алгоритмических моделей и обладающие способностью вести осмысленный диалог с пользователем с целью упростить управление, сократить объем работы человека, повысить качество и т.п.
4. Робототехника. С точки зрения “интеллектуальности” различают несколько поколений роботов. Первое поколение — роботы–манипуляторы, действующие по заранее утвержденной и неизменной программе (например, подающие заготовки к станку). Если в процессе работы по каким-либо причинам изменится расстояние до заготовки, робот ее потеряет. Второе поколение — адаптивные роботы. Рабочие органы таких роботов оснащены большим количеством датчиков: угломеров, тензометров, газовых анализаторов и др. Эти роботы применяются, например, для сварки кузовов автомобилей. Дело в том, что достаточно крупные технические изделия, даже выпускаемые серийно, все равно получаются уникальными. Длина двух автомобилей одной и той же марки немного различна. Адаптивный робот делает сварной шов не в абсолютных координатах, а относительно некоторой точки начала отсчета, которую сам же и находит на кузове автомобиля. При необходимости человек-сварщик берет управление на себя, а робот, запоминая его действия в новой ситуации, “обучается”. Первые два вида роботов — промышленные роботы, сконструированные для работы в заранее определенной среде — в цехе завода. Для ориентации и точного позиционирования в пространстве цеха имеется большое количество контрольных точек — датчиков, координаты которых неизменны. Гораздо сложнее роботу, который находится в реальном мире, например, обследует затонувший корабль. Приходится отвечать на вопросы: “где я?”, “что передо мной?”, “можно ли пройти к …?” и др. Интеллектуальным роботам приходится обрабатывать данные своих датчиков и команды человека в реальном режиме времени, а если предусмотрен еще и прогноз событий, то в “сверхнатуральном” (применяются, например, для управления транспортными средствами). Схожие проблемы возникают у поисковых роботов(спайдеров) — особого класса программ, предназначенных для индексирования документов в глобальной сети Интернет, что обеспечивает работу поисковых машин типа Рамблер, Яндекс и других, подобных им.

1.4. Современные теоретические проблемы искусственного интеллекта

    Развитие  ИИ сопровождается решением ряда проблем, вызванных чрезвычайной сложностью и неоднозначностью работы органов и систем человеческого организма — “естественного интеллекта” — работа которого и побудила исследователей создавать его механический аналог. Эти проблемы можно условно представить следующими основными категориями.

    1. Проблема представления знаний в моделях искусственного интеллекта.

1.1. Разработка  новых моделей представления  для узкоспециализированных предметных областей.

1.2. Биомашины  — машины, имеющие своей частью живые существа, либо структурно подражающие человеку.

1.2.1. Подражание моторике человека (походка, пластика, бег, прыжки, создание двуногих роботов).

1.2.2. Создание инженерных моделей для различных областей по аналогии с системами человеческого организма.

    1.3. Многокритериальное принятие решений.

    1.4. Принятие решений на основе  статистических моделей.

    1.5. Координация работы нескольких роботов.

    1.6. Проблемы совершенствования нейронных сетей.

    2. Проблема совершенствования компьютерной логики.

2.1. Разработка  новых архитектур компьютеров  (параллельные ЭВМ, исследования в области так называемой интегрированной памяти, децентрализованные машины, моделирование высокоскоростных электрических соединений).

2.2. Человекообразные  роботы.

2.2.1. Гибкие и портативные члены роботов (головы, руки, тела и т.д.).

2.2.2. Распознавание роботами лиц людей, допущенных для управления этими роботами.

2.2.3. Разработка механизмов роботов (человекоподобный палец с сенсорами, человекоподобная модель мускулатуры, воспроизведение речи человека, создание роботов для детей).

2.2.4. Численные методы для оптимизации вычислений.

2.3. Методы доступа к информации.

2.3.1. Мультимедийные системы.

2.3.2. Эвристический анализ текстов.