Нейронные сети. 5

    Искусственный интеллект

Системный анализ и принятие решений. Словарь-справочник. Под ред.д.э.н., проф.В.Н.Волковой и д.т.н., проф. В.Н.Козлова. М.: Высшая школа. 2004. 
 

    Интеллектуальные  системы используют для решения сложных задач методы искусственного интеллекта (см.), основанные на использовании знаний. Развитие методов искусственного интеллекта в итоге привело к разработке и созданию практически действующих интеллектуальных систем. Структура таких систем является многокомпонентной и много связной. Обязательными компонентами системы должны быть основная база знаний (БЗ) и ряд подсистем, таких как «Извлечение знаний», «Формирование цели», «Вывод на знаниях»„«Диалоговое общение», «Обработка внешней и внутренней информации», «Обучение и самообучение», «Контроль и диагностика». Взаимодействие компонентов системы отображено на рис.1. 

    Рис. 1. Обобщенная структура интеллектуальной системы 

    В общем случае система управления получает задание от оператора, однако возможны варианты автономно работающих систем, обеспечивающих управление без вмешательства оператора по заложенному при настройке критерию цели. При работе с оператором задание в естественной форме (речь, текст, графика) в интерактивном режиме вводится и предварительно обрабатывается подсистемой «Диалоговое общение». Интерактивный режим предполагает не только ввод задания, но и обратную выдачу подтверждений о понимании задания или запросов на уточнение непонятных моментов. Оператор, как правило, может также изначально формировать или корректировать основную и вспомогательные БЗ системы (см. рис. 1, информационный поток ΔМ_D) изменением содержимого БЗ. Подсистема «Диалоговое общение» для своей работы использует собственную БЗ, содержащую правила анализа и синтеза естественно-языковой или графической информации и ограниченной проблемной области, а также интерпретатор, использующий эту БЗ для преобразования неформализованного задания Z в формализованное T в рамках внутреннего языка системы.

    Анализ  возможности выполнения задания  при существующих на данный момент ресурсах системы и состояние ее компонентов выполняется подсистемой «Формирование цели», имеющей свою БЗ и интерпретатор, обрабатывающий формализованное задание Т и контрольно-диагностическую информацию К для построения на языке представления знаний о проблеме (среде) некоторого желаемого варианта решения проблемы (изменении среды) G. При решении о невозможности выполнения задания формируется ответ R с объяснениями отказа и предположением коррекции задания.

    Основная  БЗ, позволяющая решать проблему, т.е. некоторый заранее определенный набор задач управления, должна содержать формализованное в рамках метода и языка представления знаний систем описание среды М, которую должна изменить система, чтобы выполнить задание. Знания о среде формируется подсистемой «Извлечение знаний» в виде компоненты М_ID, объединяющей корректирующую информацию от оператора ΔМ_D и интегрированную внешнюю информацию I. Дополнительные знания о проблеме M_L формируются подсистемой «Обучение и самообучение». Их подсистемы имеют собственные БЗ и интерпретаторы для организации процесса формирования знаний и обучения (самообучения) соответственно. Для работы подсистемы «Обучение и самообучение» требуются знания о среде М_ID и информация I, содержащая примеры решения отдельных задач управления, если система находится в режиме обучения. Таким образом, в основной Б3 формируется полная модель среды М = М_ID + ΔM_L.

    Обработка цели G и знаний о среде и проблеме М ведется подсистемой «Вывод на знаниях» для прогнозирования и формирования управлений. Эта подсистема, называемая также «Машина Вывода», проводит унификацию (сопоставление) G и М и поиск действий для решения проблемы, для чего использует собственную БЗ, содержащую правила интерпретаций знаний, т.е. унификации и поиска. Получаемая на каждом шаге интерпретации компонента прогнозирования управлений Р_pi, приводящая к изменению среды ΔМ_D, используется для коррекции модели среды М с целью проверки правильности управлений по критерию сближения Е = G - М, При уменьшении F, за счет такой обратной связи шаг фиксируется как правильный и формируется соответствующий компонент плана проведения на i-м шаге Р_сi, Если же Е увеличивается, коррекция модели М на этом шаге отменяется и ищется новый вариант решения. Полный план поведения, приводящий к нулевому Е, составляется из пошаговых компонент Р_с = ΣР_сi, траекторно сводящих Е к нулю. Далее он используется для формирования программы действия Р, которая должна обрабатываться исполнительными системами, воздействующими на объекты взаимодействия.

    Подсистемы  «Обработка внешней и внутренней информации» производят выявления текущих изменений видов информации с помощью собственных БЗ и интерпретаторов. Получаемая интегрированная информация I используется в подсистеме «Извлечение знаний», а S - в подсистеме «Контроль и диагностика». Для получения внешней (С) и внутренней (D) информации могут быть использованы различные устройства, связывающие систему со средой (внешние источники информации), а также определяющие ее состояние (датчики состояний). Их набор определяется проблемной ориентацией системы.

    Рассмотренная обобщенная структура интеллектуальной системы является универсальной  и предназначена для решения  разных проблем. Реализация перечисленных  подсистем зависит от методов  представления знаний в БЗ и проблемной ориентации системы.

    Характерным примером проблемной ориентации является система интеллектуального управления. В такой системе внешняя информация I получается от комплекса сенсоров, определяющих параметры среды с объектами управления, а внутренняя D - от датчиков состояния объектов управления и системы. Подсистема «Контроль и диагностика» также характерна для интеллектуальных систем управления. Она обрабатывает интегрированную информацию S об изменениях состояния объектов управления и системы по правилам, заложенным в ее БЗ с целью выработки контрольной информации К, позволяющей анализировать возможность выполнения задания Т в подсистеме «Формирование цели». В результате вывода формируется план последовательных управлений Р, приводящих к достижению цели управления по критерию минимума рассогласования целевого и желаемого состояния среды. Для интеллектуальной системы управления специфичной является исполнительная подсистема, которая должна включать множество регуляторов исполнительных устройств. Последние могут быть также выполнены с применением интеллектуальных методов.

    Знания  из определенной предметной области составляют основу интеллектуальных систем. В рамках этой проблемной области системы решают поставленные задачи путем обработки (процессирования) знаний. Знания — это система представлений о предметной области в виде сущностей, т.е. вещей, явлений, процессов, и их проявлений в форме фактов и их отношений или объектов и их связей. Задача из предметной области может быть представлена конкретными сущностями и их проявлениями в форме, определяемой выбранной моделью знаний. Система способна решать такую задачу, если она имеет средства процессирования знаний в выбранной форме. Знания отличаются от обычных данных наличием специфической структуры и дополнительными свойствами, среди которых можно выделить следующие:

    1. Интерпретируемость. В знаниях всегда есть возможность содержательной интерпретации, а данные интерпретируются лишь соответствующей программой.

    2. Наличие классифицирующих отношений. Отдельные единицы знаний связываются отношениями типа «элемент-множество», «тип-подтип», «ситуация-подситуация» и пр., которые являются классифицирующими, поскольку позволяют описывать структуру знаний общими связями «класс-подкласс». При этом «класс» объединяет информацию одинаковую для всех «подклассов» и при необходимости может ее передавать «подклассу».

    3. Наличие ситуативных связей. Совместимость отдельных событий или фактов, их одновременность, расположение в одной области пространства и т.д. определяют ситуативные связи. Они позволяют строить процедуры анализа знаний, которые трудно организовать при использовании обычных данных.

    Знания  в определенной предметной области при использовании их в системе объединяются в базы знаний подобно тому как данные объединяются в базы данных (БД). Знания не отвергаю данных, и БЗ и БД рассматриваются, как разные уровни представления информации.

    Определение и классификация знаний представлены на рис. 2.

    Источниками знаний являются сжатые и полные описания сущностей. Все они могут пользоваться при формализации знаний, т.е. представления их с использованием определённой формальной модели знаний, приемлемой для аппаратно-программных реализаций.

    Знания  по виду можно разделить на декларативные и процедурные.

    Декларативные знания состоят из множества описаний состояний и условий переходов между ними, которые носят синтаксический (символьный) характер и не содержат в явном виде описания исполняющих процедур.

    Вывод и принятие решений осуществляется процедурами поиска в пространстве состояний, которые учитывают семантику (смысл) конкретной предметной области. Универсальность и общность декларативных знаний обеспечивается разделением синтаксических и семантических знаний.

    Процедурные знания включают исходные состояния и явные описания процедур, обрабатывающих исходные знания при необходимости получения состояния полного множества производных знаний. Это позволяет отказаться от хранения всех состояний БЗ, требуемых при выводе и принятии решений. Здесь семантика вводится в описания процедур, генерирующих синтаксические знания. Так экономится память при хранении знаний, но возможности выполнения процедур ухудшаются.

    Рис. 2. Определение и классификация знаний  

    По  характеру представления знания могут быть структурными или параметрическими.

    Структурное представление знаний характеризует отношения фактов или объектов.

    Структура знаний может изменяться, за счет чего производится их конкретизация при  описании заданной проблемной области. В динамических Б3 структура знаний может изменяться эволюционно или адаптивно.

    Параметрическое представление знаний характеризуется фиксированной структурой

    и изменяемыми параметрами в фактах или объектах. Конкретизация знаний под задачу производится только настройкой параметров. Часть параметров обычно используется для настройки силы связей или отношений вплоть до их отключения.

    Модель  знаний является представлением системы знаний с помощью определенного формализма, т.е, универсального математического аппарата для корректного формального описания и построения процедуры решения задачи. Могут использоваться такие формализмы, как функциональный, основанный на λ-исчислении, логический на исчислении предметов первого порядка, алгоритмический на базе формальной машины Тьюринга и объектный — на базе теории факторов.

    Модели  знаний можно разделить на реляционные, объектные и ассоциативные, причём каждая модель может иметь ряд  форм, определяющих ее конкретные реализации.

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

    R = (Т, Р, А, F),

    где R  - система отношений, Т  - множество базовых элементов, Р – множество синтаксических правил, позволяющих строить из множества элементов Т синтаксически правильные выражения; А - множество априорно истинных выражений (аксиом); Р - семантические правила ввода, позволяющие расширить множество А за счет других выражений.

    В основе реляционной модели лежат теория отношений и логика. Исторически эта модель имеет корни в исчислении высказываний, от которого позже перешли к исчислению предикатов (отношений) [4]. Развитие автоматических процедур доказательства, основанных на унификации, резолюции и эвристическом поиске, позволило использовать логические программы из предикатов для формализации знаний и вывода.

    В настоящее время наряду с предикатной логикой для построения реляционной модели знаний применяются дедуктивная логика, как основа системы продукций с выводом,

исходя  из заданной системы посылок. Развивается  и используется также индуктивная 

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.