Нейронные сети

логика  с выводом на основе обобщения  примеров, логика аналогий, псевдо-физическая логика и пр.

    Наиболее  часто при построении интеллектуальных систем используются предикатная, продукционная и лингвистическая формы реляционной модели знаний. Предикатная форма является наиболее строгой и доказательной. Она имеет мощную программную поддержку в виде универсального языка логического программирования PROLOG, фактически применяемого как оболочку для разработки логических интеллектуальных систем. Продукционная форма менее строгая, но более популярная, используется для представления знаний в виде импликативных отношений и связок И и ИЛИ между фактами. Вывод в такой системе знаний осуществляется на основе дедуктивной логики и процедур эвристического поиска. Продукционная форма также поддерживается программно, но специализированными средствами типа языка разработки систем продукций (OPS-5 и пр.). Лингвистическая форма является развитием продукционной для применения в естественно-языковых системах (общение с ЭВМ, машинный перевод), Она поддерживается специализированными языками типа ATNL.

    Объектная модель знаний. Эта модель использует понятие формальной системы, задаваемой как:

    N = (C, O, S, I),

где N — сеть объектов, связанных разными отношениями; С - множество классов объектов, связанных отношениями классов; О - множество объектов, связанных отношениями объектов; S - структура классов и объектов, определяющая конкретные связи между ними; I – правила преобразования объектов и вывода на сети объектов.

    В основе объектной модели лежат теория семантических и фреймовых сетей, а также

теория  акторов. Исследования в области  семантической памяти, а также  методов запоминания и обработки сложных образов в мозгу человека привели к разработке семантических и фреймовых моделей знаний. С другой стороны, развитие методов моделирования реального мира вылилось в формирование объектного подхода при проектировании и программировании систем моделирования. Общим для этих подходов явилось понятие объекта знаний как основного действующего элемента сетевой системы знаний. В простейшем случае объект знания – это понятие в узле семантической сети, связанное с другими подобными объектами различными отношениями. В более сложном случае объект знаний – фрейм, содержащий декларативные знания и процедуры, позволяющие выполнять некоторые действия над ними. Универсальным вариантом объекта знаний является объект, содержащий данные или знания любого вида и имеющий процедуры, выполняющие любые действия над ними. Система таких объектов знаний строится как иерархическая, поддерживающая любую структуру классов и объектов. Вывод в такой системе осуществляется в соответствие с правилами, определяющими обмен информацией между объектами с учетом отношений классов и объектов типа наследования, морфизма и пp.. а также с правилами преобразований в объектах при наступлении событий.

    При построении интеллектуальных систем используются семантическая, фреймовая и универсальная формы объектной модели знаний. Наиболее простая форма семантической сети часто применяется для отображения системы понятий в про6лемной области и вывода в этой системе. Она поддерживается специализированными языками семантических сетей, таких как NETL, ATNL. Фреймовая форма является мощным средством построения больших иерархических систем знаний при обработке изображений, речевых образов, процессов управления, диагностирования и пр. Для поддержки разработки фреймовых систем используются основанные на LISP языковые средства типа FRL, FMS и др. Универсальная объемная форма в настоящее время развивается и часто используется в практических разработках мощных распределенных сетевых систем знаний для моделирования, управления, проектирования и пр. Программная поддержка этой формы знаний обширна: основанные на LISP языки типа CLOS, LOOPS и др., объектно-ориентированные языки типа Smallltalk, С++ и др.

    Развитие  реляционной и объектной моделей знаний происходит в рамках символистского направления в искусственном интеллекте.

    Ассоциативная модель знаний. Эта модель использует понятие формальной системы, задаваемой как

    A = (U, C, L, I),

    где А — ассоциативная сеть представления знаний; U - множество узловых элементов ассоциативной сети; С — множество коннекций (контактных связей) элементов; L - множество правил построения сети и определения параметров коннекций; I — правила ассоциативного вывода (процедуры процессирования знаний).

    В основе ассоциативной модели знаний лежат ассоциативная логика, нейродинамика  и когнитология. Исторически эта модель имеет корни в психологии и нейродинамике. Развитие в рамках психологии представлений о памяти, обучении и мышлении и формализации некоторых из них в нейродинамике привело к разработке ассоциативного подхода в искусственном интеллекте.

    Общим для ассоциативного подхода является представление знаний в виде ассоциативной  сети узловых элементов, имеющих коннекции между собой в соответствии с решаемой задачей. Здесь под коннекцией понимается регулируемая контактная связь между элементами. Именно управляемые коннекции обеспечивают такому представлению знаний свойство ассоциативности, т.е. способности системы давать наиболее вероятные решения на выходе даже по части входного вектора за счет параллельного процес- сирования информации, распространяемой по сети узловых элементов, с учетом силы коннекций.

    Другой  стороной ассоцйатйвного подхода является Возможность обеспечения нитивности (см. Когнитивные системы) как способности формирования знаний путем обучения и обработки их в реальном времени подобно тому, как это делает нервная система человека.

    Обучение  здесь рассматривается как процесс  установления коннекций узловых  элементов путём минимизации соответствующего критерия (функция цены, энергетическая функция) при запоминании ряда правильных примеров поведения системы. Реальное время решения задач обеспечивается за счёт неассоциативного вывода путём параллельного процессирования знаний. Когнитивнойсть сближает такие системы по эффективности с биологическим прототипом – нервной системой человека.

    Разные  проявления ассоциативной модели вылились в ассоциативные логическую, нейронную  формы.

    Логическая  форма ассоциативной модели знании основана на использовании в узловых элементах сети логических вычислительных базисов: предикатного, продукционного, семантического. Наиболее часто процессирование информации в элементах сети осуществляется в нечетко-логическом, вероятностно логическом базисах. При этом в узлах вычисляются оценки в виде степеней принадлежности к нечетким множествам или вероятности фактов-событий с учетом силы коннекций. Такие системы находят применение при управлении динамическими объектами, распознавании образов и пр.

    Нейронная форма предполагает использование в узловых элементах  (формальных нейронах) сети мультипликативно-аддитивного базиса с пороговым или линенйно ограниченным выходом. Сила коннекций трактуется здесь как сила синаптических связей нейронов и определяется только путем обучения. Нейронная форма ассоциативного отображения знаний по сравнению с простой нейросетью всегда структурирована, т. е. состоит из связанных локальных нейросетей, объединенных иерархически. Такая сложная струкктура может обладать свойством когнитивности, что отражается в названиях нейромделей: COGNITRON, NEOCOGNITRON и пр.

    Развитие  таких моделей происходит в рамках коннективистского направления в искусственном интеллекте (см.). Нейронные системы эффективны при решении задач классификации и аппроксимации.

    Универсальная форма ассоциативной модели знаний использует базис узловых элементов сети, настраиваемый из условий наилучшего отображения системы знаний. Как правило такая форма применяется для представления сложных систем знаний, поэтому она имеет средства структуризации. Компонентом структуры может быть объект, содержащий локальную систему знаний, средства наполнения или коррекции ее путем обучения и интерфейсные средства вводы-вывода и обмена с другими объектами. Такой объект может быть назван когнитивным, а сами системы — когнитивными системами. В настоящее время когнитивные системы на ассоциативной модели знаний интенсивно изучаются.

    Программная поддержка ассоциативных интеллектуальных систем осуществляется только специализированными инструментальными средствами такими, как пакет для разработки ассоциативной памяти STARAN, нейросетевой пакет ВRAINMAKER, пакет для разработки нечетких систем FUZZY ТЕСН и др.

    В моделях знаний принятие решений осуществляется путем вывода заключений с использованием определенным образом формализованных знаний о проблемной области. Методы принятия решений, основанные на выводе в системе знаний, разнообразны и напрямую связаны с моделями знаний, поэтому их классификация должна соответствовать модели знаний.

    Логический  вывод может быть строгим, т.е. использующим формальные системы, например, предикатного типа, и нестрогим, например, на продукциях, в котором допускается некоторые эвристики и нет строгой формализации. Вывод на предикатах реализуется с помощью унификации, резолюции и поиска в глубину и ширину. Он автоматизирован в языке PROLOG. Для продукций применяется вывод по прямой и обратной цепочке (дедуктивный вывод) или на основе обобщения примеров (индуктивный вывод).

    Вывод на сетях объектов осуществляется с использованием процедур наложения, сопоставления, исследования, передачи сообщений и специальных присоединённых процедур.

    Вывод в ассоциативных  сетях производится на основе обучения с помощью многократного ассоциативного процессирования примеров правильного вывода. После обучения сеть становится способной к выводу (принятию решений) при подаче на ее вход вектора данных (образа). Параллельный характер вывода приводит к значительному ускорению процесса принятия решений.

    Л.А. Станкевич.

    Литература: 1. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – Спб.: Питер, 2000. 2. Станкевич Л.А. Интеллектуальные технологии и представление знаний системы. — СПб,: Изд-во СП6ГТУ, 2000.  
 

Искусственный интеллект (ИИ) —  область научного знания, объединяющая большое число направлений, занимающихся исследованием принципов и закономерностей мыслительной деятельности и моделированием задач, которые традиционно относят к интеллектуальным.

В настоящее  время в число направлений  ИИ включают работы от исследования принципов  восприятия (моделирование органов зрения, осязания и т. п.) и моделирования функций мозга до специальных методов доказательства теорем, диагностики заболеваний, игры в шахматы, написания стихотворений и музыкальных произведений, сказок и т. п.

Теория  искусственного интеллекта имеет достаточно длительную предысторию. Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума возникла еще в древние времена.

Первые  искусственные «люди» были механическими  роботами (см.). Так, в Древнем Египте была создана «оживающая» механическая статуя бога Амона У Гомера в «Илиаде» бог Гефест ковал человекоподобные существа-автоматы. Из легенд средневековья известен «подвиг» Фомы Аквинского, создавшего светящуюся куклу, которая умела ходить и говорить.

В литературе идея искусственного создания человека обыгрывалась многократно: Галатея  в «Пигмалионе», Буратино папы Карло, Ксаверий в «Золотой цепи» А. Грина  и т. д. И это были уже не механические статуи, а существа, способные мыслить, высказывать свои мысли и совершенствоваться.

Родоначальником собственно искусственного интеллекта как «искусственного мышления»  иногда считают средневекового философа, математика и поэта Раймонда Луллия, который в XIII в. попытался создать  логическую систему для решения различных задач на основе классификации понятий и комбинирования понятий из разных классов.

Первыми теоретическими работами в области  искусственного интеллекта можно считать  работы Г. Лейбница и Р. Декарта, которые  независимо друг от друга продолжили идею универсальной классификации наук (ХЧШ в.).

Однако  формирование ИИ как научного направления  начинается после создания ЭВМ (в 40-х  гг. ХХ столетия) и кибернетики (см.) Н. Винера, частью которой первоначально считались и работы по ИИ. А оформление ИИ в самостоятельную область знаний произошло в 50 — 60 гг. ХХ в.

Термин  «Искусственный интеллект» — Artificial Intelligence (AI) — был предложен в 1956 г. на семинаре с аналогичным названием в  Дартсмудском

колледже (США), посвященном решению логических задач.

В переводе с английского термин «Intelligence»  буквально означает «умение рассуждать разумно», а не «интеллект» (Intellect). Но этот термин вполне отражает задачи этого  научного направления.

Первоначально работы в области ИИ начинались с моделирования элементарных игр в кубики, крестики — нолики и т. п., создания интеллектуальных роботов и планирования их поведения. Эти задачи являются классическими при обучении теоретическим основам ИИ. На идеях их решения были разработаны основные модели представления знаний: продукционные, семантические сети, фреймы.