Пусть, например, речь идет о некотором клиенте, который (с супругой) желает две недели провести на Канарах и хочет заплатить за это не более полутора тысяч долларов.

Первый вариант  диалога с системой не обладающей способностями к рассуждениям ( и на основе прецедентов тоже):

Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские  острова. Я бы хотел поехать со своей женой, но не могу заплатить  более полутора тысяч долларов.

Система: извините, но такой возможности у нас нет.

Клиент: хорошо, но может быть у вас найдется что-нибудь похожее в близком регионе.

Система: не могли  бы Вы уточнить, что Вы имеете ввиду, говоря о близком регионе.

Клиент: я имею ввиду побережье Испании.

Система: извините, но это не близкий регион. Это более  тысячи километров от Канарских стровов!

Клиент: но климат там  похожий…

Система: извините, что  Вы имеете ввиду, говоря о климате...

Скорее всего, клиент обратится в другое турагентство 

Второй вариант  диалога:

Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские  острова. Я бы хотел поехать со своей женой, но не могу заплатить  более полутора тысяч долларов.

Система: извините, такой  возможности сейчас нет. Но может  быть, Вас устроит побережье Испании?

Клиент: а как насчет климата, он похож на Канарский?

Система: да и, кроме  того, билеты дешевле!

Клиент: отлично, забронируйте, пожалуйста.

Из этого, может  быть, не очень серьезного примера  видно, что, а) во втором случае клиент имеет дело с системой, которая  понимает, что хоть регион и не близок Канарам, но более близок клиенту, во всяком случае, билет дешевле и б) так как клиент хочет поехать в июле, видимо, его интересуют морские купания и пляжи, а это есть как на Канарах, так и на побережье Испании. Из этого система делает вывод о сходстве ситуаций (описанной клиентом и имеющейся вакансии в ее базе) и на основании этого полагает, что решение «отдых в Испании» является близким решению «отдых на Канарах».

Методы CBR уже применяются в множестве прикладных задач – в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочтений разных групп потребителей, и т.д. Следует ожидать приложений методов CBR для задач интеллектуального поиска информации, электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах, компоновки, конструирования, синтеза программ.

Моделирование рассуждений на основе ограничений

Наиболее интересны  здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы сложными актуальными задачами – например, планированием в реальной обстановке.

Под задачей удовлетворения ограничений понимается четверка множеств: множество переменных, множество  соответствующих областей переменных, множество ограничений на переменные и множество отношений над  областями. Решением проблемы удовлетворения ограничений называется набор значений переменных, удовлетворяющих ограничениям на переменные, такой, что при этом области, которым принадлежат эти  значения, удовлетворяют отношениям над областями.

Задача удовлетворения динамических ограничений есть последовательность задач удовлетворения ограничений, в которой каждая последующая  задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.

Немонотонные  модели рассуждений

Сюда относятся  исследования по логике умолчаний (default logic), по логике "отменяемых" (Defeasible) рассуждений, логике программ, теоретико - аргументационой характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием (circumscription) и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они также с задачами машинного обучения и некоторыми иными задачами. В частности, в задачах моделирования рассуждений на основе индукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза Н возникла на основе N положительных примеров (например, экспериментального характера), то никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется N+1 - й пример, опровергающий гипотезу (или меняющий степень ее истинности). Это означает, что ревизии должны быть подвержены и все следствия гипотезы H.

Рассуждения о действиях и  изменениях

Большая часть работ  в этой области посвящена применениям  ситуационного исчисления - формализма, предложенного Джоном Маккарти в 1968 году для описания действий, рассуждений  о них и эффектов действий. Для  преобразования плана поведения  робота в исполняемую программу, достигающую с некоторой вероятностью фиксированной цели, вводится специальное  логическое исчисление, основанное на ситуационной логике. Для этой логики предложены варианты реализации на языке  pGOLOG - версии языка GOLOG, содержащей средства для введения вероятностей.

Активно исследуются  логики действий, применение модальных  логик для рассуждений о знаниях  и действиях.

Рассуждения с неопределенностью

 

Сюда относится  использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети – это статистический метод обнаружения закономерностей  в данных. Для этого используется первичная информация, содержащаяся либо в сетевых структурах либо в базах данных. Под сетевыми структурами понимается в этом случае множество вершин и отношений на них, задаваемое с помощью ребер. Содержательно, ребра интерпретируются как причинные связи. Всякое множество вершин Z, представляющее все пути между некоторыми двуми иными вершинами X и Y соответствует условной зависимости между этими двуми последними вершинами.

Далее задается некоторое  распределение вероятностей на множестве  переменных, соответствующих вершинам этого графа и полученная, но минимизированная (в некотором смысле) сеть называется байсовской сетью.

На такой сети можно использовать, так называемый байесовский вывод, т.е. для вычисления вероятностей следствий событий  можно использовать (с некоторой  натяжкой) формулы теории вероятностей.

Иногда рассматриваются  так называемые гибридные байесовские  сети, с вершинами которых связаны  как дискретные, так и непрерывные  переменные. Байесовские сети часто  применяются для моделирования  технических систем. 
 
 
 

2. Приобретение знаний, машинное обучение и автоматическое порождение гипотез.

Работы в области  приобретения знаний интеллектуальными  системами были и остаются важнейшим  направлением теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и  программных средств переноса знаний (или, как иногда говорят, компетентности), в базу знаний системы. При этом в  качестве источников знаний выступают  эксперты (т.е. высококвалифицированные  специалисты предметных областей), тексты и данные, например, хранимые в базах данных.

Соответственно, развиваются  различные методы приобретения знаний

Машинному обучению в мире уделяется большое внимание. Существует множество алгоритмов машинного обучения, среди самых распространенных – алгоритмы класса C4. Один из алгоритмов этого класса С4.5, является, по существу, алгоритмом декомпозиции и строит дерево решений. Исходной информацией для построения этого дерева является множество примеров. С каждой вершиной дерева ассоциируется наиболее (на текущем шаге) частотный класс примеров. На следующем шаге этот принцип рекурсивно применяется к текущей вершине, т.е. множество примеров, связанных с текущей вершиной также разбивается на подклассы. Алгоритм завершает свою работу либо при удовлетворении некоторого критерия либо при исчерпании подклассов (если они заданы).

Активно исследуются  методы обучения причинам действий. Иногда говорят о так называемой теории действий, имея в виду ситуационное исчисление в духе Джона МакКарти. В этой теории причины действий и сами действия описываются в виде клаузальных структур (один из видов таких структур представляет собой импликацию, левая часть которой есть конъюнкция атомарных формул, а правая состоит из одной атомарной формулы).

Далее, методы индуктивного логического программирования модифицируются таким образом, чтобы быть применимыми  к поиску таких структур. Когда  такие структуры найдены, их можно  использовать в языках логического  программирования для рассуждений  о действиях и их причинах. 

Многие работы этого  направления посвящены "нейронной  парадигме". Нейросетевой подход используется в огромном количестве задач - для кластеризации информации из Интернета, автоматической генерации локальных каталогов, представления образов (в рекурсивных нейронных сетях). Среди активно изучаемых в последнее время тем - неоднородные нейронные модели с отношениями сходства. (Heterogeneous Neural Networks with similarity relation).

Это отношение сходства определяется на множестве входов и  множестве состояний сети, а мерой  сходства является скалярное произведение векторов либо эвклидово расстояние (где один вектор-вектор входов, а  другой распределение весов нейронов, описывающих текущую ситуацию).

Работы по автоматическому  порождению гипотез связаны, главным  образом, с формализацией правдоподобных рассуждений, поиском зависимостей причинно-следственного типа между  некоторыми сущностями. В качестве примеров можно привести порождение гипотез о свойствах химических соединений (прогноз биологических  активностей), о возможных причинах дефектов (диагностика) и т.п.

3. Интеллектуальный анализ данных и обработка образной информации.

Это сравнительно новое  направление, основу которого составляют две процедуры: обнаружение закономерностей  в исходной информации и использование  обнаруженных закономерностей для  предсказания (прогнозирования). Сюда относят задачи выбора информативных  данных из большой их совокупности, выбора информативных характеристик  некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять  значения выбранных информативных  характеристик по значениям других характеристик, и т.п.

Значительную часть  этого направления составляют исследования по различным аспектам распознавания  изображений, в частности, с помощью  нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

4. Многоагентные системы, динамические интеллектуальные системы и планирование.

Это новое (впрочем, в теоретических, поведенческих  аспектах – скорее хорошо забытое  старое) направление, изучающее интеллектуальные программные агенты и их коллективы

Интеллектуальный  агент это программная система, обладающая

-автономностью: агенты  действуют без непосредственного  участия человека и могут в  некоторых пределах сами управлять  своими действиями;

-социальными чертами:  агенты взаимодействуют с другими  агентами (и, возможно, человеком)  посредством некоторого языка  коммуникации;

-реактивностью: агенты  воспринимают окружающую среду,  которая может быть физическим  миром, множеством других агентов,  сетью Интернет или комбинацией  всего этого, и реагируют на  ее изменения;

-активностью: агенты  могут демонстрировать целенаправленное  поведение, проявляя при этом  инициативу.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов  и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Следует подчеркнуть, что агентские технологии появились  примерно 6-7 лет назад. За это время  интерес к этим технологиям переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий весьма быстро мигрировали из искусственного интеллекта в практику разработки программного обеспечения и другие вычислительные дисциплины.

Планирование поведения, или ИИ - планирование – это способность  интеллектуальной системы синтезировать  последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов  такого синтеза востребованы и активно  ведутся уже около 30 лет. Планирование является основой интеллектуального  управления, т. е. автоматического управления автономным целенаправленным поведением программно-технических систем.

Среди методов ИИ–планирования  сегодня выделяют классическое планирование, т.е. планирование в условиях статической  среды, динамическое планирование, т.е. планирование в условиях изменения  среды и, главное, учета такого изменения, иерархическое планирование, т.е.. когда  действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня , частично - упорядоченное (или монотонное ) планирование, когда план строится на основе частично упорядоченного множества подпланов. При этом , общий план (элементами которого являются подпланы), обязан быть монотонным, а каждый из подпланов может быть немонотонным. Добавлю, что монотонность это такое свойство плана, когда каждое его действие уменьшает различия между текущим состоянием и целью поведения. Например, если план движения робота к цели таков, что каждый его шаг приближает к цели, то план монотонен, но если он наткнулся при этом на препятствие и требуется его обойти, то монотонность плана нарушится. Однако, если план обхода препятствия выделить в отдельный подплан и рассматривать оный как элемент исходного плана, то монотонность последнего восстановится.