Иерархия построения целей и задач

средства представления  знаний, с помощью которых компьютер  может записать в память то, что  он узнает или прочитает;

средства автоматического  формирования логических выводов, обеспечивающие возможность использовать хранимую информацию для поиска ответов на вопросы и вывода новых заключений;

средства машинного  обучения, которые позволяют приспосабливаться  к новым обстоятельствам, а также  обнаруживать и экстраполировать признаки стандартных ситуаций.

В тесте Тьюринга сознательно исключено непосредственное физическое взаимодействие экспериментатора и компьютера, поскольку для создания искусственного интеллекта не требуется  физическая имитация человека. Но в  так называемом полном тесте Тьюринга предусмотрено использование видеосигнала для того, чтобы экспериментатор  мог проверить способности испытуемого  объекта к восприятию, а также  имел возможность представить физические объекты «в неполном виде» (пропустить их «через штриховку»).

Тьюринг предсказывал, что компьютеры в конечном счёте пройдут его тест. Он считал, что к 2000 году компьютер с памятью 1 миллиард бит (около 119 МБ) в ходе 5-минутного теста сможет обмануть судей в 30 % случаев.

Это предсказание не сбылось. Тьюринг также предсказал, что сочетание «мыслящая машина»  не будет считаться оксюмороном, а обучение компьютеров будет  играть важную роль в создании мощных компьютеров (с чем большинство  современных исследователей согласны).

Пока что ни одна программа и близко не подошла  к прохождению теста Тьюринга. Такие программы, как Элиза (ELIZA), иногда заставляли людей верить, что они говорят с человеком, как, например, в неформальном эксперименте, названном AOLiza. Но такие «успехи» не являются прохождением теста Тьюринга. Во-первых, человек в таких беседах не имел никаких оснований считать, что он говорит с программой, в то время как в настоящем тесте Тьюринга человек активно пытается определить, с кем он беседует. Во-вторых, документированные случаи обычно относятся к таким чатам, где многие беседы отрывочны и бессмысленны. В-третьих, многие пользователи чатов используют английский как второй или третий язык, и бессмысленный ответ программы, вероятно, спишется ими на языковый барьер. В-четвертых, многие пользователи ничего не знают об Элизе и ей подобных программах и не могут распознать совершенно нечеловеческие ошибки, которые эти программы допускают.

Ежегодно производится соревнование между разговаривающими программами и наиболее человекоподобной, по мнению судей, присуждается приз Лебнера. Есть также дополнительный приз для программы, которая, по мнению судей, пройдет тест Тьюринга. Этот приз еще не присуждался. Самый лучший результат показала программа A.L.I.C.E. выиграв приз Лебнера 3 раза (в 2000, 2001 и 2004).

Несмотря на то, что  прошло больше 50 лет, тест Тьюринга не потерял своей значимости. Но в  настоящее время исследователи  искусственного интеллекта практически  не занимаются решением задачи прохождения  теста Тьюринга, считая, что гораздо  важнее изучить основополагающие принципы интеллекта, чем продублировать одного из носителей естественного интеллекта. В частности, проблему «искусственного полета» удалось успешно решить лишь после того, как братья Райт и другие исследователи перестали имитировать птиц и приступили к изучению аэродинамики. В научных и технических работах по воздухоплаванию цель этой области знаний не определяется как «создание машин, которые в своем полете настолько напоминают голубей, что даже могут обмануть настоящих птиц».

Машинное  обучение

Машинное обучение является «крепким орешком» искусственного интеллекта. Важность машинного обучения велика, поскольку эта способность  является одной из главных составляющих разумного поведения. Например, экспертная система может выполнять долгие и трудоемкие вычисления для решения  проблем. Но, в отличие от человеческих существ, если дать ей такую же или  подобную проблему второй раз, она не «вспомнит» решение. Она каждый раз  вновь будет выполнять те же вычисления – едва ли это похоже на разумное поведение.  

Большинство экспертных систем ограничены негибкостью их стратегий  принятия решений и трудностью модификации  больших объемов кода. Очевидное  решение этих проблем – заставить  программы учиться самим на опыте, аналогиях или примерах.

Хотя машинное обучение является трудной областью, существуют некоторые программы, которые опровергают  опасения о ее неприступности. Одной  из таких программ является АМ –  Автоматизированный Математик, разработанный  для открытия математических законов. Отталкиваясь от заложенных в него понятий и аксиом теории множеств, Математику удалось вывести из них  такие важные математические концепции, как мощность множества, целочисленная  арифметика и многие результаты теории чисел. Автоматизированный математик  строил теоремы, модифицируя свою базу знаний, и использовал эвристические  методы для поиска наилучших из множества  возможных альтернативных теорем. Из недавних результатов в области  машинного обучения можно отметить программу Коттоиа, которая изобретает «интересные» целочисленные последовательности.

К ранним трудам, оказавшим  существенное влияние на область  машинного обучения, относятся исследования Уинстона по выводу таких структурных  понятий, как построение «арок» из наборов  «мира блоков». Алгоритм ID3 проявил способности в выделении общих принципов из разных примеров. Система Meta-DENDRAL выводит правила интерпретации спектрографических данных в органической химии на примерах информации о веществах с известной структурой. Система Teiresias – интеллектуальный интерфейс для экспертных систем – преобразует сообщения на высокоуровнем языке в новые правила своей базы знаний. Программа Hacker в области исследований по машинному обучению отметилась тем, что могла строить планы для манипуляций в «мире блоков» посредством итеративного процесса выработки плана, его испытания и коррекции выявленных недостатков.

Говоря о машинном обучении нельзя не вспомнить о нейронных  сетях. Ведь именно благодаря нейронным  сетям было разработано множество  различных алгоритмов машинного  обучения, каждый из которых обладает своими сильными и слабыми сторонами.

Отметим, что сегодня  известно много важных биологических  и социологических моделей машинного  обучения.

Успешность программ машинного обучения наводит на мысль  о существовании универсальных  принципов, открытие которых позволило  бы конструировать программы, способные  обучаться в реальных проблемных областях. 

Понимание естественных языков и семантическое  моделирование

Одной из долгосрочных целей искусственного интеллекта является создание программ, способных понимать человеческий язык и строить фразы  на нем. Способность применять и  понимать естественный язык является фундаментальным аспектом человеческого  интеллекта, а его успешная автоматизация  привела бы к неизмеримой эффективности  самих компьютеров. Многие усилия были затрачены на написание программ, понимающих естественный язык. Хотя такие  программы и достигли успеха в  ограниченных контекстах, системы, применяющие  натуральные языки с гибкостью  и общностью, характерной для  человеческой речи, лежат за пределами  сегодняшних методологий.

Понимание естественного  языка включает куда больше, чем  разбор предложений на индивидуальные части речи и поиск значений слов в словаре. Оно базируется на обширном фоновом знании о предмете беседы и идиомах, используемых в этой области, так же, как и на способности  применять общее контекстуальное  знание для понимания недомолвок и неясностей, присущих естественной человеческой речи.

Представьте себе, к  примеру, трудности в разговоре  о футболе с человеком, который  ничего не знает об игре, правилах, ее истории и игроках. Способен ли такой  человек понять смысл фразы:

В центре Иванов перехватил верхнюю передачу – мяч полетел  к штрафной соперника, там за него на «втором этаже» поборолись Петров и Сидоров, после чего был сделан пас на Васина в штрафную, который из-под защитника подъемом пробил точно в дальний угол.

Хотя каждое отдельное  слово в этом предложении можно  понять, фраза звучит полной тарабарщиной для человека не увлекающегося футболом.

Задача сбора и  организации этого фонового знания, чтобы его можно было применить  к осмыслению языка, составляет значительную проблему в автоматизации понимания  естественного языка. Для ее решения  исследователи разработали множество  методов структурирования семантических  значений, используемых повсеместно  в искусственном интеллекте.

Из-за огромных объемов  знаний, требуемых для понимания  естественного языка, большая часть  работы ведется в хорошо понимаемых, специализированных проблемных областях. Одной из первых программ, использовавших такую методику «микромира», была программа  Винограда SHRDLU – система понимания  естественного языка, которая могла  «беседовать» о простом взаимном расположении блоков разных форм и  цветов. Программа SHRDLU могла отвечать на вопросы типа: «Какого цвета  блок на синем кубике?», а также  планировать действия вроде «передвинь красную пирамидку на зеленый  брусок». Задачи этого рода, включая  управление размещением блоков и  их описание, на удивление часто  всплывали в исследованиях искусственного интеллекта и получили название проблем  «мира блоков».

Несмотря на успехи программы SHRDLU в разговорах о расположении блоков, она была не способна абстрагироваться от мира блоков. Методики представления, использованные в программе, были слишком  просты, чтобы передать семантическую  организацию более богатых и  сложных предметных областей. Основная часть текущих работ в области  понимания естественных языков направлена на поиск формализмов представления, которые должны быть достаточно общими, чтобы применяться в широком  круге приложении и уметь адаптироваться к специфичной структуре заданной области. Множество разнообразных  методик (большинство из которых  являются развитием или модификацией семитических сетей) исследуются c этой целью и используются при разработке программ, способных понимать естественный язык в ограниченных, но достаточно интересных предметных областях. Но полное понимание языка на вычислительной основе все же остается далеко за пределами современных возможностей.

Основные  направления исследований в ИИ

1. Представление знаний и моделирование рассуждений. 

Представление знаний (knowledge representation) - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур [1] . Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.

Пространственные  логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; изучаются также  семейства пространственных отношений. В последнее время эта область, из-за тесной связи с прикладными  задачами, становится доминирующей в  исследованиях по представлению  знаний. Например, для задач роботики важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, с тем чтобы далее это описание использовать, например, для планирования действий робота.

Объектами дескриптивной  логики являются так называемые концепты, (базовые структуры для описания объектов в экспертных системах) и  связанные в единое целое множества  концептов (агрегированные объекты). Дескриптивная  логика вырабатывает методы работы с  такими сложными концептами, рассуждений  об их свойствах и выводимости  на них. Дескриптивная логика может  быть использована, кроме того, для  построения объяснительной компоненты базы знаний.

Наконец, онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.

Различные способы  представления знаний лежат в  основе моделирования рассуждений, куда входят: моделирование рассуждений  на основе прецедентов (case-based reasoning, CBR), аргументации или ограничений, моделирование рассуждений с неопределенностью, рассуждения о действиях и изменениях, немонотонные модели рассуждений, и др. Остановимся на некоторых из них.

CBR

Здесь главные проблемы – поиск алгоритмов адаптации, "фокусировка  поиска" на использовании прошлого опыта, вывод, основанный на оценке сходства и технологии визуализации.

Пусть заданы прецеденты как множество пар <СЛУЧАЙ, РЕШЕНИЕ>, множество зависимостей между различными атрибутами СЛУЧАЕВ и РЕШЕНИЙ, а  также целевая проблема ЦЕЛЬ. Для  возникающей новой ситуации («нового  случая») требуется найти пару <НОВЫЙ  СЛУЧАЙ, ИСКОМОЕ РЕШЕНИЕ>, которая решает целевую проблему.

Алгоритмы для таких  задач основаны обычно на сравнении  прецедентов с новым случаем (в  какой-либо метрике), с использованием зависимостей между атрибутами случаев  и атрибутами решения. Такие зависимости  могут задаваться человеком при  построении базы случаев, или обнаруживаться в базе случаев автоматически. При  поиске решения для целевой проблемы выполняется адаптация уже имеющегося в базе прецедентов решения. Для  этой адаптации и используются означенные зависимости.

Важной проблемой  CBR является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем. Но как определить, какие именно решения надо считать сходными?

Существуют гипотезы, что сходство проблем налагает ограничения  на сходство соответствующих гипотез  в форме слабой связи между  ними. Это обстоятельство и используется для ограничения области поиска решений.