Иерархия построения целей и задач

Оглавление

Искусственный интеллект 2

История искусственного интеллекта 3

Тест Тьюринга 5

Машинное обучение 7

Понимание естественных языков и семантическое моделирование 8

Основные направления исследований в ИИ 9

Моделирование рассуждений на основе ограничений 11

Немонотонные модели рассуждений 11

Рассуждения о действиях и изменениях 12

Рассуждения с неопределенностью 12

Искусственный интеллект

Искусственный интеллект  можно определить как научную  дисциплину, которая занимается моделированием разумного поведения. Это определение  имеет один существенный недостаток – понятие интеллекта трудно объяснить. Большинство людей уверено, что  смогут отличить «разумное поведение», когда с ним столкнутся. Однако вряд ли кто-нибудь сможет дать интеллекту определение, достаточно конкретное для  оценки предположительно разумной компьютерной программы и одновременно отражающее жизнеспособность и сложность человеческого  разума.

Итак, проблема определения  искусственного интеллекта сводится к  проблеме определения интеллекта вообще: является ли он чем-то единым, или же этот термин объединяет набор разрозненных способностей? В какой мере интеллект  можно создать? Что такое творчество? Что такое интуиция? Можно ли судить о наличии интеллекта только по наблюдаемому поведению? Как представляются знания в нервных тканях живых существ, и как можно применить это  в проектировании интеллектуальных устройств? Возможно ли вообще достичь разумности посредством компьютерной техники, или же сущность интеллекта требует богатства чувств и опыта, присущего лишь биологическим существам?

На эти вопросы  ответа пока не найдено, но все они  помогли сформировать задачи и методологию, составляющие основу современного искусственного интеллекта. Отчасти привлекательность  искусственного интеллекта в том  и состоит, что он является оригинальным и мощным оружием для исследования этих проблем. Искусственный интеллект  предоставляет средство и испытательную  модель для теорий интеллекта: эти  теории могут быть сформулированы на языке компьютерных программ, а затем  – испытаны.

По этим причинам определение искусственного интеллекта, приведенное в начале статьи, не дает однозначной характеристики для  этой области науки. Оно лишь ставит новые вопросы и открывает  парадоксы в области, одной из главных задач которой является поиск самоопределения. Однако проблема поиска точного определения искусственного интеллекта вполне объяснима. Изучение искусственного интеллекта – еще  молодая дисциплина, и ее структура, круг вопросов и методики не так  четко определены, как в более  зрелых науках, например, физике.

Искусственный интеллект  призван расширить возможности  компьютерных наук, а не определить их границы. Одной из важных задач, стоящих  перед исследователями, является поддержание  этих усилий ясными теоретическими принципами.

Любая наука, включая  и искусственный интеллект, рассматривает  некоторый круг проблем и разрабатывает  подходы к их решению. История  искусственного интеллекта, рассказы о личностях и их гипотезах, положенных в основу этой науки, возможно, сможет объяснить, почему некоторые проблемы стали доминировать в этой области  и почему для их решения были взяты  на вооружение методы, используемые сегодня. 
 
 

История искусственного интеллекта

Можно считать, что  история искусственного интеллекта начинается с момента создания первых ЭВМ в 40-х г.г. С появлением электронных  вычислительных машин, обладающих высокой (по меркам того времени) производительностью, стали возникать первые вопросы  в области искусственного интеллекта: возможно ли создать машину, интеллектуальные возможности которой были бы тождественны интеллектуальным возможностям человека (или даже превосходили возможности  человека).

Следующим этапом в  истории искусственного интеллекта являются 50-е годы, когда исследователи  пытались строить разумные машины, имитируя мозг. Эти попытки оказались  безуспешными по причине полной непригодности, как аппаратных, так и программных  средств. В 1956 г. состоялся семинар  в Стэнфордском университете (США), где был впервые предложен термин искусственный интеллект – artificial intelligence.

60-е года в истории  искусственного интеллекта отметились  попытками отыскать общие методы  решения широкого класса задач,  моделируя сложный процесс мышления. Разработка универсальных программ  оказалась слишком трудным и  бесплодным делом. Чем шире  класс задач, которые может  решать одна программа, тем  беднее оказываются ее возможности  при решении конкретной проблемы. В этот период началось зарождение  эвристического программирования. Эвристика – правило, теоретически  не обоснованное, но позволяющее  сократить количество переборов  в пространстве поиска. Эвристическое  программирование – разработка  стратегии действий по аналогии  или прецедентам. В целом, 50-60 г.г.  в истории искусственного интеллекта  можно отметить как время поиска  универсального алгоритма мышления.

Существенный прорыв в практических приложениях искусственного интеллекта произошел в 70-х гг., когда  на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или  экспертные системы. Пришел новый подход к решению задач искусственного интеллекта – представление знаний. Созданы «MYCIN» и «DENDRAL» – ставшие уже классическими экспертные системы для медицины и химии. Обе эти системы в определенном смысле можно назвать диагностическими, поскольку в первом случае («MYCIN») по ряду симптомов (признаков патологии организма) определяется болезнь (ставится диагноз), во втором – по ряду свойств определяется химическое соединение. В принципе, этот этап в истории искусственного интеллекта можно назвать рождением экспертных систем.

Следующий значимый период в истории искусственного интеллекта – это 80-е года. На этом отрезке искусственный интеллект  пережил второе рождение. Были широко осознаны его большие потенциальные  возможности, как в исследованиях, так и в развитии производства. В рамках новой технологии появились  первые коммерческие программные продукты. В это время стала развиваться  область машинного обучения. До этих пор перенесение знаний специалиста-эксперта в машинную программу было утомительной и долгой процедурой. Создание систем, автоматически улучшающих и расширяющих  свой запас эвристических (не формальных, основанных на интуитивных соображениях) правил – важнейший этап в последние  годы. В начале десятилетия в различных  странах были начаты крупнейшие в  истории обработки данных, национальные и международные исследовательские проекты, нацеленные на «интеллектуальные вычислительные системы пятого поколения». 
 

Современные разработки в области искусственного интеллекта

Какие возможности  предоставляет искусственный интеллект  в наши дни? Краткий ответ на этот вопрос сформулировать сложно, поскольку  в этом научном направлении существует слишком много подобластей, в  которых выполняется очень много  исследований. Ниже приведен краткий  обзор современных разработок с  применением технологий искусственного интеллекта.

Автономное планирование и составление расписаний. Работающая на удалении в сотни миллионов  километров от Земли программа Remote Agent агентства NASA стала первой бортовой автономной программой планирования, предназначенной для управления процессами составления расписания операций для космического аппарата. Программа Remote Agent вырабатывала планы на основе целей высокого уровня, задаваемых с Земли, а также контролировала работу космического аппарата в ходе выполнения планов: обнаруживала, диагностировала и устраняла неполадки по мере их возникновения.

Ведение игр. Программа  Deep Blue компании IBM стала первой компьютерной программой, которой удалось победить чемпиона мира в шахматном матче, после того как она обыграла Гарри Каспарова со счетом 3.5:2.5 в показательном матче. Каспаров заявил, что ощущал напротив себя за шахматной доской присутствие «интеллекта нового типа». Журнал Newsweek описал этот матч под заголовком «Последний оборонительный рубеж мозга». Стоимость акций IBM выросла на 18 миллиардов долларов.

Автономное управление. Система компьютерного зрения Alvinn была обучена вождению автомобиля, придерживаясь определенной полосы движения. В университете CMU эта система была размещена в микроавтобусе, управляемом компьютером NavLab, и использовалось для проезда по Соединенным Штатам; на протяжении 4586.6 км система обеспечивала рулевое управление автомобилем в течение 98% времени. Человек брал на себя управление лишь в течение остальных 2%, главным образом на выездных пандусах. Компьютер NavLab был оборудован видеокамерами, которые передавали изображения дороги в систему Alvinn, а затем эта система вычисляла наилучшее направление движения, основываясь на опыте, полученном в предыдущих учебных пробегах.

Диагностика. Медицинские  диагностические программы, основанные на вероятностном анализе, сумели достичь  уровня опытного врача в нескольких областях медицины. Хекерман описал случай, когда ведущий специалист в области патологии лимфатических узлов не согласился с диагнозом программы в особо сложном случае. Создатели программы предложили, чтобы этот врач запросил у компьютера пояснения по поводу данного диагноза. Машина указала основные факторы, повлиявшие на ее решение, и объяснила нюансы взаимодействия нескольких симптомов, наблюдавшихся в данном случае. В конечном итоге эксперт согласился с решением программы.

Планирование снабжения. Во время кризиса в Персидском заливе в 1991 году в армии США была развернута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50 000 автомобилей, единиц груза и людей; в ней приходилось учитывать пункты отправления и назначения, маршруты, а также устранять конфликты между всеми параметрами. Методы планирования на основе искусственного интеллекта позволяли вырабатывать в течение считанных часов такие планы, для составления которых старыми методами потребовались бы недели. Представители агентства DARPA (Defense Advanced Research Project Agency – Управление перспективных исследовательских программ) заявили, что одно лишь это приложение сторицей окупило тридцатилетние инвестиции в искусственный интеллект, сделанные этим агентством.

Робототехника. Многие хирурги теперь используют роботов-ассистентов  в микрохирургии. Например, HipNav – это система, в которой используются методы компьютерного зрения для создания трехмерной модели анатомии внутренних органов пациента, а затем применяется робототехническое управление для руководства процессом вставки протеза, заменяющего тазобедренный сустав.

Понимание естественного  языка и решение задач. Программа Proverb – это компьютерная программа, которая решает кроссворды намного лучше, чем большинство людей; в ней используются ограничения, определяющие состав возможных заполнителей слов, большая база с данными о встречавшихся ранее кроссвордах, а также множество различных источников информации, включая словари и оперативные базы данных, таких как списки кинофильмов и актеров, которые играли в этих фильмах. Например, эта программа способна определить, что одним из решений, подходящих для ключа «Nice Story», является слово «ETAGE», поскольку ее база данных содержит пару ключ-решение «Story in France/ETAGE», а сама программа распознает, что шаблоны «Nice X» и «X in France» часто имеют одно и то же решение. Программа не знает, что Nice (Ницца) – город во Франции, но способна разгадать эту головоломку.

Выше приведено  лишь несколько примеров систем искусственного интеллекта, которые существуют в  настоящее время. Искусственный  интеллект – это не магия и  не научная фантастика, а сплав  методов науки, техники и математики. 
 

Тест  Тьюринга

Тест Тьюринга –  это тест, как следует из названия, предложенный Аланом Тьюрингом, для  определения обладает ли машина интеллектом. Тьюринг решил, что нет смысла разрабатывать обширный список требований, необходимых для создания искусственного интеллекта, который к тому же может  оказаться противоречивым, и предложил  тест, основанный на том, что поведение  объекта, обладающего искусственным  интеллектом, в конечном итоге нельзя будет отличить от поведения таких  бесспорно интеллектуальных сущностей, как человеческие существа. Компьютер  успешно пройдет тест Тьюринга, если человек-экспериментатор, задавший ему  в письменном виде определенные вопросы, не сможет определить, получены ли письменные ответы от другого человека или от некоторого устройства. На данный момент составление программы для компьютера, чтобы он прошел тест Тьюринга, требует  большого объема работы. Запрограммированный  таким образом компьютер должен включать в себя:

средства обработки  текстов на естественных языках (Natural Language Processing – NLP), позволяющие успешно общаться с компьютером, скажем на английском языке;

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.