Классификация систем искусственного интеллекта

Рис. 22.1. Классификация систем искусственного интеллекта

299

Рассмотрим классификацию систем ИИ, имея в виду, что не­смотря на значительное число попыток провести такую класси­фикацию (см. [5, 13, 45, 55, 67, 76]), ни одна из них, на взгляд авторов, не является совершенной. На рис. 22.1 представлена клас­сификация систем ИИ, полученная путем сопоставления и обоб­щения известных классификаций этих систем. В левой части пред­ставлена классификация систем ИИ по особенностям используе­мого формального аппарата; пунктиром выделена классификация систем ИИ по их назначению. Линии обозначают типовые вари­анты реализации систем ИИ.

Наиболее широкое распространение на практике в настоящее время получили системы ИИ, основанные на знаниях. Понятие «знания» для этих систем имеет принципиальное значение. Под знанием в системах ИИ пока будем понимать информацию о пред­метной области, представленную определенным образом и ис­пользуемую в процессе логического вывода (более подробно это важнейшее понятие рассмотрено в подразд. 23.1). По своему со­держанию данная информация является некоторым набором суж­дений и умозаключений, описывающих состояние и механизмы (логику) функционирования в выбранной, как правило, весьма ограниченной предметной области. Указанные суждения и умо­заключения высказываются экспертом (специалистом) в этой области либо формулируются в результате анализа литературы по данному предметному направлению.

Способы получения и представления знаний в интересах про­ектирования систем ИИ в настоящее время составляют предмет сравнительно нового научного направления — инженерии зна­ний.

Форма представления знаний имеет отличие от формы пред­ставления данных. Обычно под данными в АИС понимаются фак­ты и идеи, представленные в формализованном виде, позволя­ющие (лишь) передавать, хранить или обрабатывать эти факты и идеи при помощи некоторого процесса (см. подразд. 2.1). В отличие от данных знания предполагают сосредоточение не только фактов и идей в указанном ранее смысле (так называемых первичных дан­ных), но и дополнительных данных, которые описывают (интер­претируют) первичные данные с точки зрения следующих со­ставляющих: того, что собой представляют эти данные, какие между ними имеются связи, какие действия с ними и каким об­разом могут выполняться и т.п.

В системах, основанных на знаниях, предполагается, что ис­ходные знания способны в соответствии с запросами пользовате­лей к системе порождать новые знания. При этом сама процедура порождения новых знаний называется логическим выводом (или просто выводом). Прилагательное «логический» в данном случае неслучайно с двух точек зрения. Системы, основанные на знани­ях, моделируют мыслительную деятельность людей лишь на логи­ческом (а не на физиологическом) уровне, и, кроме того, основ­ным математическим аппаратом, лежащим в основе систем этого типа, является аппарат математической логики.

К системам ИИ, полностью основанным на знаниях, отно­сятся два класса систем: экспертные системы и интеллектуаль­ные ППП. Основные идеи этого направления частично (или даже в значительной части) реализуются и в других системах ИИ, в частности робототехнических, системах распознавания и др. (см. рис. 22.1).

300

Наиболее последовательно идеи, на которых базируются си­стемы ИИ, основанные на знаниях, воплощены в экспертных си­стемах, которые достаточно подробно рассмотрены в гл. 25.

Под интеллектуальными ППП понимают интеллектуальные инструментальные пакеты прикладных программ, в которых ме­ханизм сборки отдельных подпрограмм (для решения частных за­дач) в общую программу решения требуемой задачи осуществля­ется автоматически на основе механизма логического вывода.

В самоорганизующихся системах реализуется попытка осуществить моделирование интеллектуальной деятельности человека (или более простых живых существ) не на логическом, а на физиологиче­ском уровне работы головного мозга. В данном случае мозг челове­ка моделируется сетью идеальных нейронов. В соответствии с до­казанной Д. фон Нейманом [76] теоремой при воздействии на та­кую сеть некоторых раздражителей она начинает вырабатывать адекватную реакцию, т.е. способна к самообучению путем само­организации. Несмотря на значительную теоретическую перспек­тивность этого (исторически первого) направления в области ИИ, практически значимых результатов этот путь пока не дал. Послед­нее объясняется технической нереализуемостью на современном уровне достаточного числа взаимосвязанных нейронов в искусст­венно создаваемой сети.

В то же время данное направление позволило получить весо­мые результаты в области исследования возможностей создания компьютеров сверхвысокого быстродействия и тем самым повы­сить возможности систем ИИ, создаваемых на других принципах. Кроме того, реальные результаты получены в создании нейроси-стем распознавания образов.

Основная идея, лежащая в основе создания нейросетей, бази­руется на теореме У.Маккаллоха и У.Питтса [76], которая утвер­ждает, что любую, сколь угодно сложную вычислимую функцию можно реализовать с помощью сети идеальных нейронов. Экспе­рименты показывают, что реализация этих функций таким путем может осуществляться значительно быстрее, чем на традицион­ном компьютере. Компьютеры новой архитектуры, воплощающие данную идею, получили название нейрокомпьютеров.

Третье направление разработки систем ИИ связано с реализа­цией эвристического подхода к построению таких систем. Главной особенностью, характерной для данного направления, является полный отказ от следования принципу аналогии при моделирова­нии механизма интеллектуальной деятельности (ни на логическом, ни на физиологическом уровнях). Методологической основой си­стем эвристического поиска служит известное «кибернетическое» утверждение о том, что любая интеллектуальная деятельность на­чинается с некоторых данных и завершается получением опреде­ленных результатов также в виде данных. Если техническое уст-

301

ройство позволяет по аналогичным исходным данным получить эквивалентные результаты, то оно может быть отнесено к классу интеллектуальных (см. первое определение ИИ). При этом меха­низм переработки исходных данных в результаты не оговаривает­ся и может быть совершенно иным по сравнению с реальным. Системы этого типа выполняют функции, которые традиционно осуществляет человек, однако реализуют их другими способами.

Широкое распространение данное направление получило при решении различных игровых задач (шахматы, шашки, карты и т.д.). Однако подходы, присущие этому направлению, нашли при­менение и в других системах ИИ, в частности системах общения (особенно в части речевого общения), распознавания, робототех-нических системах и др. В то же время следует заметить: специфи­ка эвристического подхода такова, что рецепты создания про­грамм для решения интеллектуальных задач в одной области прак­тики, как правило, неприменимы в другой области, а возника­ющая необходимость изменения характера учета факторов при ре­шении прикладных задач вызывает существенную перестройку программы в целом.

При разработке интеллектуальных робототехнических систем основная задача состоит в решении теоретических и практических вопросов организации целесообразного поведения подвижных роботов, снабженных сенсорными и эффекторными (исполнитель­ными) механизмами [5]. Принципиальное отличие робототехни­ческих систем от систем ИИ других типов заключается в том, что эти системы не только воспринимают информацию из окружа­ющего мира и вырабатывают на ее основе определенные оценоч­ные выводы, но и сообразуясь с этими выводами, вносят измене­ние в окружающий (анализируемый ими) мир.

К настоящему времени находят применение робототехниче-ские системы с относительно простыми сенсорными и эффектор­ными механизмами, которые способны выполнять действия толь­ко в простых средах с заранее зафиксированными свойствами.

Основа проблемы распознавания образов или в более широ­ком контексте — машинное зрение — заключается в придании системе способности разрешения задач преобразования огромно­го количества сенсорных данных (например, присутствующих в телевизионном изображении) к относительно краткому и осмыс­ленному описанию наблюдаемой проблемной ситуации. Содержа­нием такого описания, как правило, является тот минимальный (самый характерный) набор данных, которые отличают изучае­мую ситуацию от стандартной. Основная сложность такого описа­ния связана с ответом на следующие вопросы: какие объекты имеют место в наблюдаемом кадре; какие из них являются ключевыми для выявленной ситуации; что надо принять за стандартную ситу­ацию для выявленных ключевых объектов; в чем отличие рассмат-

302

риваемой ситуации от стандартной; откуда первоначально полу­чать наборы стандартных ситуаций? Трудности, с которыми стал­киваются на практике при решении каждой из перечисленных задач, указывают на то, что, как и в случае робототехнических систем, данное направление реализуется только в самых простых случаях.

В дальнейшем будем рассматривать системы, основанные на знаниях, как получившие наибольшее практическое развитие и распространение в различных отраслях профессиональной деятель­ности,- в том числе и в управлении, что обусловливает необходи­мость более подробного рассмотрения методов представления зна­ний в памяти ЭВМ.

⇐ Предыдущая44454647484950515253Следующая ⇒

Поделиться: