Различные модели искусственного интеллекта, проблемы его создания и применения

2.3.3. Автоматическое извлечение знаний (ключевых слов) из текста.

2.3.4. Анализ авторского права на текст на основе образцов текста.

    2.4. Создание “интеллектуальных пространств” — программ и систем, упрощающих работу с имеющимися системами ИИ и конструирование новых систем.

2.4.1. Интеллектуальные обучающие среды и оболочки.

2.4.2. Формирование запросов к базе данных на основе внимания, уделяемого пользователем различным элементам среды.

2.4.3. Менеджеры ресурсов для интеллектуальных пространств.

2.4.4. Автоматизация программирования и создания программной

документации  — интеллектуальная поддержка технологий разработки ПО (универсальный язык разметки — UML).

2.4.5. Многопользовательские среды.

    2.5. Машинное обучение.

2.5.1. Машинное чтение и понимание текстов.

2.5.2. Восстановление утраченных элементов данных.

2.5.3. Очистка данных от шумов.

    2.6. Машинное зрение.

2.6.1. Автоматический анализ анатомических структур.

2.6.2. Чтение снимков (фотографий, рентгеновских и т.п.).

2.6.3. Машинная геометрия и пространственные сцены.

2.6.4. Восстановление изображений по их отражениям.

2.6.5. Сегментация изображений (например, простейшая разбивка на растр).

    2.7. Мобильные роботы.

    3. Проблема практического применения  теоретических моделей.

    4. Проблема совершенствования компьютерной лингвистики.

4.1. Разработка  языка управления роботами на  основе естественного языка. 

4.2. Создание  моделей естественного языка.

4.3. Понимание человеческой речи.

4.4. Разработка  языков программирования, позволяющих  повысить надежность разрабатываемого  программного обеспечения (динамические языки, адаптивные системы и системы, способные “выживать”). 
 
 
 
 
 
 
 
 

2. МОДЕЛИ  ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

    Перечень  существующих моделей, применяемых в системах ИИ, широк и трудно классифицируем. Большинство моделей в реальных системах являются гибридными, да еще и со значительной долей эвристик. Наиболее известные модели ИИ можно представить в виде следующей классификационной схемы(рис. 6).

 
 
 
 
 
 
 
 
 

Рис.6. Некоторые наиболее известные модели представления знаний

    В современной теории ИИ используются несколько основных групп моделей: логика, фреймы, семантические сети, нейронные сети и др. Рассмотрим их более подробно.

2.1. Логическая модель

    Логическая  модель по своей практической результативности и степени внедрения в реальные технические устройства сегодня  занимает центральное место.

    Исторически первой моделью для представления знаний (среди моделей ИИ вообще) стала классическая (формальная) логика Аристотеля, заложившая фундамент всех последующих логических теорий.

    Примечание. Аристотель (учитель Александра Македонского) родился в 384 г. до н.э. в деревне Стагире в Халкидике (север Греции). В 17 лет пришел в Афины (чтобы учиться у Платона), где и стал известен. Позднее основал библиотеку и лицей (философскую школу). Оказал значительное влияние на дальнейшее развитие всех наук. Сочинения относятся ко всем областям знания того времени: «Физика», «О происхождении и уничтожении», «О небе», «О метеорологических вопросах», «Механика». Первичными качествами материи считал две пары противоположностей «теплое-холодное» и «сухое-влажное». Основными (низшими) элементами, или стихиями, – землю, воздух, воду и огонь. Элементы мира рассматривал как комбинации первичных качеств: соединению холодного с сухим соответствует земля, холодного с влажным – вода, теплого с сухим – огонь. Пятым, наиболее совершенным элементом считал эфир. В средние века Аристотелевское учение о Вселенной было канонизировано церковью, что сильно тормозило развитие науки (до Николая Коперника).

    Сегодня памятники Аристотелю установлены  по всей Греции, и вы можете смело  спорить, что неизвестная улица называется либо Аристотэл, либо Алесандрос Мегалес.

    Дальнейшее  развитие модели связано с именами  Канта (семантический анализ на основе категорий), Буля (“математизация” логики), Фреге, Заде (ввел понятие “нечеткой логики”). Последние десятилетия активно развиваются “неклассические” направления: модальная, временная логики и др.

    Смысл построения любой формальной теории состоит в том, чтобы выразить мыслительные процессы (а в идеале — создать универсальную модель мира) формально (т. е. записать при помощи формул). Очевидно, необходимо, чтобы система уравнений, образуемая такими формулами, решалась какими–либо методами, причем так, чтобы результаты вычислений совпадали с картиной, которую мы наблюдали бы в реальном мире при практическом осуществлении тех действий, которые моделируем. Если удастся (применительно к какому–либо реальному миру) сформулировать такие формулы и правила, то, очевидно, мы сможем предсказывать последствия тех или иных действий (в данном мире) без практического осуществления самих этих действий. Важно, что в процессе вычислений мы не будем думать о предметном смысле преобразований над переменными и формулами, а только о точном соблюдении формальных правил. Интерпретировать (наполнять смыслом применительно к реальному, скорее всего очень маленькому миру) мы будем только конечные результаты. Следовательно, сам процесс формального логического вывода можно будет поручить машине. За человеком же останутся интерпретация и оценка полезности результатов.

    Для того чтобы задать формальную логическую теорию, необходимо определить алфавит (множество символов, используемых для записи), правила синтаксиса (правила записи формул), аксиоматику (особое подмножество формул) и правила вывода (множество отношений на множестве формул). Правила вывода должны быть заданы так, чтобы на любых исходных данных обеспечить правильность логических заключений. Алфавит и аксиоматика должны быть заданы так, чтобы гарантированно обеспечить осмысленность (семантику) получаемых заключений и промежуточных следствий. Таким образом, основное различие в логических теориях, состоит в выборе аксиом и определении правил вывода.

    Разные  логические теории имеют свои преимущества при реализации моделей в разных микромирах. Так, например, семантика Аристотеля очень близка к естественному языку, поэтому результаты формального вывода легко интерпретировать. Выводы, получаемые на основе исчисления предикатов, уже не в полной мере совпадают с семантикой естественного языка, их труднее интерпретировать, однако модели на основе исчисления предикатов получаются гораздо более компактными и, как следствие, обозримыми. Модели на основе нечеткой логики Л. Заде позволяют оперировать размытыми понятиями, однако такие результаты и интерпретировать труднее и даже не всегда возможно.

2.2. Продукционная модель

    Для того чтобы реализовать описанные  выше принципы логического вывода, в автоматизированной системе необходим специальный машинно-ориентированный язык. Одним из наиболее простых и эффективных машинно-ориентированных языков для описания логических задач являются правила продукций.

    “Продукция” представляет собой выражение вида:

     если А (условие), то В (действие),   постусловие С. 

Под условием понимается некоторое предложение–образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и целевыми (терминальными), завершающими работу системы). Постусловие описывает действия и процедуры, которые необходимо выполнить после реализации действия. Например, после покупки некоторой вещи в магазине необходимо в описи товаров уменьшить количество вещей такого типа на единицу.

    Продукционная модель, таким образом, представляет собой базу знаний (правил продукций) и машину вывода — специальную программу “сопоставления по образцу”. В зависимости от того, какие использованы продукции и каковы правила вывода, получаются различные продукционные модели.

    Ядра  продукций можно классифицировать по различным основаниям. Прежде всего  различают детерминированные и недетерминированные ядра. В случае детерминированного ядра и выполнимости условия A правая часть (действие B) выполняется с неизбежностью (и степенью уверенности); в недетерминированных — с определенной вероятностью.

    Пример 1. Если А, то, возможно, В с вероятностью (в классической логике либо ).

    Пример 2. Если A, то В с коэффициентом уверенности (детерминированная продукция).

    Продукции также могут быть однозначными и альтернативными. Для альтернативных правил в правой части ядра указываются “альтернативные возможности выбора”, которые оцениваются “весами выбора” — ₁, ₁,. . . , _n.

     Пример 3. Если А, то “чаще всего” надо делать B₁, “реже” B₂ (вероятностные оценки). 

    В качестве ₁, ₂, ..., _n используются вероятностные оценки, лингвистические оценки, экспертные оценки и т. п. Метод их получения — тема для отдельного изучения, рассмотрение которой в данную работу не входит.

    Отдельно  выделяют прогнозирующие продукции, в  которых описываются последствия, ожидаемые при наступлении А, например: если A, то с вероятностью р можно ожидать В.

    Продукционная база знаний (БЗ) состоит из набора фактов и правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямым (от данных к поиску цели) или обратным (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода, т. е. программа, перебирающая правила из базы.

    Достоинства и недостатки продукционной  модели. Продукционная модель (все еще) чаще других применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода. Имеется большое число программных средств, позволяющих реализовать продукционный подход:

• языки Prolog, Lisp, LOGO, OPS;

• “оболочки” или “пустые” ЭС, а именно EMYCIN, EXSYS, ESISP, ЭКСПЕРТ;

• инструментальные системы ПИЭС, СПЭИС и др.

    Среди основных достижений советской науки  в данной области – программа, автоматически доказывающая теоремы.

    Продукционные модели имеют, по крайней мере, два  серьезных недостатка. При большом числе продукций становится сложной проверка непротиворечивости системы продукций. Это заставляет при добавлении новых продукций тратить много времени на проверку. Системе присуща недетерминированность (неоднозначность выбора выполняемой продукции из всего набора имеющихся продукций), возникают принципиальные трудности при проверке корректности работы системы. Считается, что если в ИС число продукций достигнет тысячи (по некоторым источникам, полутора тысяч), то мало шансов, что система продукций во всех случаях будет правильно функционировать.

2.3. Фреймы

    Проблема  представления знаний является ключевой во всех направлениях исследований по искусственному интеллекту, начиная от задач распознавания образов и до задачи понимания естественного языка. Первопричина сложности создания машинной модели мира кроется в многообразии этого мира. Одну из наиболее психологически обоснованных и практически ценных моделей предложил Марвин Мински(Marvin Minsky). В 1974 г. вышла его книга “Фреймы для представления знаний”, ставшая в определенном смысле “подведением черты” под работами практиков и крупных теоретиков как в области психологии, так и компьютерного моделирования психики (рис. 7).