Искуственный интеллект

      Дальнейшее  совершенствование систем понимания  естественного языка связано  с именами Р. Шенка и В. Вудса. Шенк разработал программу, преобразующую входные естественно-языковые высказывания к элементарным концептам, которые можно было представлять в памяти ЭВМ. В дальнейшем в сотрудничестве с Р. Абельсоном он разработал модель представления знаний, называемую "скриптами", или сценариями. Шенк использовал скрипты в программе SAM, которая могла интерпретировать рассказы. В 1973 году В. Вудс создает систему LUNAR, которая позволяла геологам задавать вопросы на естественном языке относительно образцов пород, доставленных с Луны. LUNAR была первой используемой на практике системой с естественно-языковым интерфейсом доступа к базе данных.

      Расширение  приложений СИИ требовало развития моделей представления знаний. В  рассматриваемый период были разработаны  различные языки представления  знаний. Некоторые из них базировались на логике. Так, в 1973 году А. Колмероэ создает язык логического программирования Пролог, ставший популярным в Европе. В США создается язык PLANNER, поддерживающий предикатный уровень представления знаний. Часть языков использовала теорию фреймов, предложенную М. Минским (1975 г.). Фрейм представляет информационную структуру, состоящую из слотов, в которых собраны характеристики и соответствующие значения, обеспечивающие описание объектов или понятий. Фреймы организуются в иерархические сети, что позволяет экономно представлять знания в памяти ЭВМ. Для работы с фреймовыми моделями представления знаний были разработаны языки FRL, KRL, GUS и др. 

      Коммерческий  успех (1979 – 1988 гг.). Первой интеллектуальной системой, нашедшей применение в промышленности, стала экспертная система К1, разработанная Мак-Дермоттом (1982 г.). Система К1 применялась для определения конфигурации компьютерных систем семейства VAX. Коммерческая версия системы, разработанная корпорацией Digital Equipment совместно с университетом Карнеги-Меллона (США), получила название XCON. К 1986 году система XCON позволяла корпорации Digital Equipment экономить 70 млн. долларов ежегодно. Кроме этого, применение системы сократило число ошибок с 30% до 1%.

      Экспертные  системы начинают широко применяться  и в других корпорациях и фирмах, например, American Express сократила свои затраты на 27 млн. долларов в год благодаря экспертной системе, управляющей выдачей кредитов.

      В 1981 году Япония объявляет о начале проекта машин V поколения, базирующихся на принципах ИИ. Проект был рассчитан на 10 лет и предусматривал, среди многих целей, создание Пролог-машины с возможностями общения на естественном языке. Этот проект способствовал активизации исследований в области ИИ во многих странах. К разработке интеллектуальных систем подключились многие компании – Texas Instruments, Xerox, Symbolics и др. Объемы финансирования проектов в области ИИ за 1980-1988 гг. выросли с нескольких миллионов до 2 млрд. долларов в 1988 году.

      Возрождение нейроинформатики (с 1986 г. по настоящее время). После доказательства М. Минским ограниченных возможностей первых нейронных сетей исследования в этом направлении выполнялись учеными других областей знаний. В 1982 г. физик Дж. Хопфилд опубликовал работу, в которой проанализировал методами статистической механики свойства однослойной нейронной сети с симметричными связями. Хопфилд обнаружил возможность применения такой сети в задаче распознавания образов. Психологи Д. Румельхарт и Г. Хинтон, изучавшие модели нейросетевой памяти, заново открыли в 1986 году алгоритм обучения многослойного персептрона, названный алгоритмом обратного распространения ошибки. Ранее этот алгоритм был открыт Брайсоном и Хо в 1969 году.

      Указанные две работы послужили толчком  к лавинообразному росту применений моделей нейронных сетей для  решения практических задач. Помимо теоретических разработок, этому  способствовало и появление мощных аппаратно-программных средств, позволяющих  моделировать нейронные сети достаточного уровня сложности.

      В настоящее время модели нейронных  сетей применяются в самых  различных областях. 

      Коллективистские  модели ИИ (с 1996 г. по настоящее время). Рассмотренные выше этапы развития ИИ характеризуются разрозненными подходами, основанными на выделении частного свойства понятия "интеллект". Например, принцип знаниецентризма обусловил развитие и господство в течение определенного периода когнитивистских моделей ИИ, в частности, логических. В соответствии с такими моделями на первый план выдвигается способность интеллектуальной системы рассуждать, а действия (поведение) рассматриваются как нечто вторичное. Основное внимание при этом уделяется логическому выводу. Выделение в определении ИИ функции обучения (адаптации) способствовало развитию коннекционистских (нейронные сети) и эволюционных моделей (генетические алгоритмы).

      Трактовка ИИ с позиций способности к  восприятию и коммуникации привела  к развитию моделей понимания  изображений и естественного  языка.

      Выделение и гиперболизация отдельных свойств  интеллекта способствовали противопоставлению и расхождению различных школ ИИ. К началу 90-х годов исследователи начали осознавать, что подобные трактовки ИИ носят весьма ограниченный характер и не учитывают реалии развития интеллекта человека. Во-первых, естественный интеллект интегрирует в себе весь спектр свойств интеллекта. Во-вторых, интеллектуальное развитие человека происходит в обществе, в процессе выполнения им определенной деятельности. В отрыве от взаимодействия с себе подобными развитие естественного интеллекта проблематично. Поэтому, начиная с начала 90-х годов, в ИИ стали преобладать две основные тенденции – интеграция и децентрализация.

      Интеграционные  процессы проявились в разработке гибридных  систем искусственного интеллекта, объединяющих в себе преимущества разнородных  моделей, например, нечеткие экспертные системы и нейронные сети. В  таких интегрированных системах могут поддерживаться различные  модели представления знаний, разные типы рассуждений, модели восприятия и  распознавания образов.

      Процессы  децентрализации связаны с рассмотрением  ИИ с позиций коллективного поведения  большого числа взаимодействующих  между собой интеллектуальных агентов. При этом интеллект агента рассматривается  как подсистема управления деятельностью  в процессе взаимодействия агента с  другими агентами.

      В основе распределенного (децентрализованного) интеллекта лежит функционально-структурная  единица – агент, способная:

      воздействовать  на других агентов и самих себя;

      образовывать  свои собственные цели;

      общаться  с другими агентами;

      функционировать без прямого вмешательства со стороны любых

      средств и осуществлять самоконтроль (автономность);

      воспринимать  часть среды своего функционирования;

      строить локальное представление среды;

      выполнять обязанности и оказывать услуги;

      самовоспроизводиться. 

      Важно отметить, что при решении конкретной задачи агенты образуют структурированное  сообщество, в котором наблюдается  определенная кооперация между агентами. Например, можно говорить об агентах, выполняющих простую передачу сообщений, о координирующих агентах, которые  организуют взаимодействие в сообществе (группе) агентов, о поисковых агентах, которые анализируют большие  объемы информации и возвращают результат  поиска, об агентах, формирующих понятия, и др.

      Таким образом, согласно коллективистской модели основным объектом исследований ИИ является сообщество неоднородных, взаимодействующих  агентов, а основное содержание разработок связано с созданием интеллектуальных агентов, обладающих заданными свойствами, и вычислительных структур, поддерживающих взаимодействие агентов. 

      3. Основные направления  исследований

      К области ИИ относятся многие задачи, которые хорошо решаются человеком и плохо вычислительной машиной. Например, понимание естественного языка, манипулирование знаниями, восприятие и распознавание образов, выявление закономерностей и обучение и др. 

      3.1. Представление задач  и поиск решений

      Интеллектуальная  деятельность человека связана с  поиском решений задач. При этом задача считается интеллектуальной, если точный (алгоритмический) метод  ее решения не известен. В рамках направления рассматриваются различные  способы представления задач, подходящие для решения их поисковыми методами на компьютере. Выделяют несколько  способов представления задач:

      в пространстве состояний;

      в пространстве подзадач;

      в виде доказательства теорем. 

      Если  задача представляется в пространстве состояний, то задают начальное и  конечное состояние задачи, множество  операторов, обеспечивающих перевод  задачи из одного состояния в другое. Решение задачи сводится к поиску последовательности операторов, осуществляющих перевод задачи из начального состояния  в конечное. 

      3.2. Доказательство теорем

      Доказательство  теорем является чрезвычайно важной областью ИИ. Рождение этого направления  началось с создания программы "Логик-теоретик", которая доказала ряд теорем математической логики. Однако ранние подходы к автоматизации доказательства теорем были не эффективны. Связано это было с экспоненциальным ростом числа логических выражений в процессе доказательства. Для ограничения количества выражений предлагались различные методы, но наиболее эффективным оказался метод резолюций, предложенный Робинсоном.

      К доказательству теорем могут быть сведены  многие практические задачи. В случае представления задачи в форме  доказательства теорем возможные состояния  задачи, включая начальные и целевые, рассматриваются как правильно  построенные формулы исчисления предикатов. Операторы, отображающие одно состояние в другое, рассматриваются  как правила, которые выводят  одно правильно построенное выражение  из другого. Процесс поиска решения  заключается в переписывании  формул с помощью правил, пока не будет получены целевые утверждения. 

      3.3. Представление знаний

      Это один из центральных вопросов ИИ. В  системах искусственного интеллекта знания не могут быть представлены непосредственно  в том виде, в котором они  используются человеком. Необходим  поиск таких форм отображения  знаний, которые были бы подходящими  для хранения в памяти компьютера. Эти формы знаний, которые называют моделями представления знаний, должны обладать достаточной выразительностью, удобством использования, эффективностью манипулирования. Выразительность  означает способность модели одинаково  хорошо представлять как обобщенные, так и конкретные знания, как из универсальных, так и из специальных  предметных областей. Она также предполагает способность модели отражать неполные знания. Удобство использования означает, что модель представления знаний должна базироваться на понятиях, которые  используют эксперты и пользователи. Это упрощает приобретение знаний и  оценку их корректности. Эффективность  манипулирования связана с возможностью быстрого извлечения необходимых порций знаний и выполнения на их основе соответствующих выводов. Поэтому под знаниями в СИИ понимают формализованные сведения, данные, на которые ссылаются в процессе логического вывода.

      Знания, представляемые в СИИ в виде самостоятельных  информационных компонент, хранятся в  базе знаний.

      Имеются четыре основные модели представления  знаний:

      логическая  модель;

      продукционная модель (модель, основанная на правилах);

      модель  семантической сети;

      фреймовая модель. 

      Языки, используемые для разработки систем ИИ на основе указанных моделей, называют языками представления знаний (ЯПЗ). Наибольшее распространение получила продукционная модель представления  знаний. При использовании продукционной  модели база знаний состоит из набора правил, а программа, управляющая  перебором правил, называется машиной  вывода.

      В настоящее время основные усилия исследователей, работающих в области  представления знаний, направлены на разработку языков представления знаний, поддерживающих модели рассуждений, характерные  для псевдофизических логик (временная логика, пространственная логика, каузальная логика), а также нечеткие и немонотонные рассуждения. 

      3.4. Экспертные системы

      Уже при разработке первых программ, осуществляющих поиск решений в пространстве состояний, исследователи осознали важность проблемно-ориентированных  знаний. Так, врач успешно выполняет  свои функции, поскольку он обладает большим запасом медицинских  знаний. Геолог открывает новые месторождения тех или иных природных ресурсов, руководствуясь теоретическими и экспериментальными знаниями из области геологии. Экспертные знания представляют собой комбинацию теоретико-аналитических методов и эвристических правил решения задач, которые показали свою эффективность на практике. Программные системы, которые аккумулируют знания эксперта в определенной области и способны вырабатывать решения и рекомендации на уровне эксперта, называют экспертными системами (ЭС). ЭС – наиболее широко применяемые на практике интеллектуальные системы. ЭС создаются в процессе непрерывного взаимодействия эксперта в той или иной области со специалистами в области информационных технологий. В ходе этого процесса осуществляется извлечение знаний эксперта и перенос их в базу знаний системы. Специалисты, осуществляющие структурирование базы знаний и ее заполнение, называются инженерами по знаниям или когнитологами.

      Перечень  типовых задач, решаемых ЭС, включает: интерпретацию, диагностику, прогнозирование, мониторинг и др.