Искусственный интеллект

4. Проблема интеллектуализации. Интеллектуализация ЭВМ 

      Нарастающие информационные потоки в современном  обществе, разнообразие информационных технологий, повышение сложности решаемых на компьютере задач увеличивает нагрузку на пользователя этих технологий и ставят задачу переноса проблемы выбора и принятия решений с человека на ЭВМ.

      Для массового использования ЭВМ  в рамках высокоавтоматизированных технологий и решения на них самых разнообразных задач проблема интеллектуализации ЭВМ, пожалуй, выступает сейчас на главное место. Вместе с тем, продвижения в интеллектуализации ЭВМ должны гармонично совмещаться и с обеспечением соответственно высокой производительности, это означает эффективное сочетание НСI (Нuman-computer interaction) с НРС (Нigh-performance computing), причем интеллектуализация ЭВМ, будучи акцентированной именно на первый аспект, при надлежащем подходе вполне удовлетворяет и второму аспекту. Можно вспомнить наиболее значительные вехи на пути интеллектуализации ЭВМ, которая на первых порах выражалась лишь как некоторое преодоление семантического разрыва между входными языками высокого уровня (ЯВУ) и внутренними (машинными) языками ЭВМ.

      В качестве совокупности этих признаков, которые придают машине "интеллектуальность" было введено понятие "машинный интеллект" (МИ), которое четко определяет значение, придаваемое обиходному выражению "внутренний интеллект ЭВМ", обеспечиваемое ее собственным оборудованием, т.е. развитие МИ и означает интеллектуализацию ЭВМ, как соответствующее развитие ее архитектуры и структуры вместе с внутренним математическим обеспечением.

      МИ  рассматривается как состоящий  из трех главных аспектов:

• восприимчивости к языкам пользователей;
• реализации методов и средств обработки знаний как сложных структур данных (ССД);
• автоматизированной организации вычислительного процесса во взаимодействии с пользователями.

      В целом МИ характеризует математические способности собственно машин, и является таким образом "рамочным" понятием, обрамляющим и увязываемым между собой краеугольные, фундаментальные принципы ЭВМ. Заметим, что связь между понятием МИ и искусственного интеллекта (ИИ) заключается главным образом в том, что МИ является аппаратной поддержкой (hardware support) ИИ. Но в этом смысле значение МИ шире - поскольку он поддерживает решение любых задач, в том числе и традиционных вычислительных, облегчая, например, их подготовку, которая сама по себе в свете развитых информационных технологий является уже одной из типичных задач ИИ. Таким образом, МИ поддерживает ИИ, но его реализация охватывает внедрение методов ИИ в архитектуру машин.

      Развитие  МИ отчетливо характеризуется в  его трех приведенных главных аспектах, которые удобно называть соответственно языковым, когнитивным и обрабатывающим.

      В языковом аспекте - это с учетом тенденций  современного развития языков программирования и методов организации вычислительного  процесса дальнейшее повышение программного уровня и развитие системных средств внутреннего языка с приданием ему в целом объектно-ориентированного стиля.

      В когнитивном аспекте - это структурная  поддержка работ со знаниями, как  со сложными структурами данных (ССД) - причем с использованием логических и когнитивных построений в знаниях и различных их функциональных назначений - в качестве денотатов и конотатов (обрабатываемых и управляющих знаний).

      В обрабатывающем аспекте - это повышение  уровня структурной автоматизации  вычислительного процесса, как в режиме подготовки задач, так и в решении текущей интерпретации всего потока заданий и динамического управления их выполнением.

      В первом и втором аспектах МИ главным  образом наделен на поддержку  НСI, в третьем же аспекте главным  его назначением уже является обеспечение НРС в целом этот фактор приобретает особое значение в условиях применения высокопроизводительной распределенной обработки информации на основе параллельных архитектур, избавляя при этом пользователей от необходимости детального планирования и организации параллельных процессов, и обеспечивая эффективность их прохождения. 
 

5. Интеллектуализация измерений 

      Важным  результатом исследований, связанных  с повышением качества функционирования измерительных систем, является создание специальных интеллектуальных датчиков. Традиционные направления совершенствования таких датчиков реализуются как путем улучшения конструкции и элементов аппаратной части, так и за счет разработки методов формального описания и анализа измерительных процедур. Развитию аналитического подхода при синтезе интеллектуальных датчиков способствует создание алгоритмов оптимальной обработки данных на основе все более сложных статистических моделей входных воздействий на датчик. В качестве конкурирующей стратегии рассматривается способ реализации интеллектуального датчика на основе искусственных нейронных сетей (ИНС).

      На  практике интеллектуализация измерений  связана в первую очередь с  обеспечением регистрирующего прибора  или датчика некими знаниями о  соотношении реально измеряемой физической величины, с той которую в результате мы хотим измерить и применение этого соотношения к измеряемой величине, а также осуществлением предварительной обработки измеряемой величины.

      Например, представленная на рисунке 1 схема, реализует  интеллектуальную измерительную систему регистрации усредненной по времени температуры.

      Измеряя сопротивление, терморезистора (косвенно, через напряжение в схеме делителя), в зависимости от его температуры, мы можем сопоставить это сопротивление  с конкретным значением температуры этого датчика, для этого необходимо знать соотношение этих величин и применить это соотношение для данного датчика.

      Набор таких вот знаний и их применение к измеряемой величине и предварительная  их обработка и обеспечивает интеллектуализацию измерений.

      В результате этого, выполнив оцифровку  напряжения и применив знания о соотношении  температуры с напряжением, на выходе датчика мы получим цифровое представление  усредненной температуры терморезистора. 

6. Экспертные системы 

      Экспертные  системы это системы, использующие декларативные базы данных, а также продукционные правила, отношения, прототипы, схемы и семантические сети для представления и использования содержащихся в них знаний. Они открывают действительно новый подход к программированию, который заключается в возможности передачи от человека к программе наиболее простым образом знаний неупорядоченной структуры в произвольных областях. Взаимодействие с экспертными системами происходит на декларативном языке, который, по сути, предназначен для выражения знаний. Подобный подход представляется совершенно необходимым в области искусственного интеллекта, и на этой основе уже созданы эффективные системы.

      Крайняя простота представления знаний не ставит ограничений перед программистом  или специалистом, скорее наоборот, она требует от нас мыслить наиболее естественным образом. Среди многих преимуществ подобного представления знаний, находится и обсуждаемое в современных работах одновременное решение задач и понимание естественного языка.

      Кроме того, экспертные системы предоставляют в наше распоряжение специализированные базы знаний: система PROSPECTOR охватывает знания в области геологии, MYCIN используется для обучения в медицине, а PECOS оказывает помощь в программировании.

      Наконец, при изучении этих систем становится очевидным, что существенной особенностью нашего интеллекта является способность управлять большим объемом элементарных составляющих информации. Поэтому одним из предметов исследований в области искусственного интеллекта еще долгое время будут три фундаментальные проблемы, уже встречавшиеся при рассмотрении продукционных систем. Они имеют отношение к примитивным действиям, связанным с обработкой любой ин формации:

      сформулировать - запомнить - использовать

        Сформулировать

      Мы  постоянно оказываемся в новых ситуациях. Приходящий к нам опыт заключается прежде всего в способности абстрагироваться от этих ситуаций и описать их с помощью общих представлений, которые могут быть элементами обычного языка. Однако во многих областях этого недостаточно, так как обычно имеется много неточностей или делается слишком много ссылок на обстоятельства, не связанные с данной конкретной ситуацией. Каждый специалист постоянно совершенствуется в своей области и вырабатывает собственный жаргон.

      Автоматический  поиск концептов, полезных в примитивных ситуациях, безусловно, возможен (как это возможно и для одаренных личностей), однако, с нашей точки зрения, в области искусственного интеллекта в ближайшем будущем этого ожидать не следует.

      Запоминание информации технологически ограничено и связано, прежде всего, с эффективностью используемой информационной системы. Если для удобства работы требуется, чтобы элементы знания вводились в продукционные системы независимым образом, как это делается в словарях, то храниться они должны в упорядоченном виде. Правила, сгруппированные в древовидные структуры, представляют собой сеть, узлы которой являются моделями, содержащими описание правил.

      Кроме того, необходимо, чтобы система  умела инвертировать правила, т.е. умела определять, в каких ситуациях данное правило окажется полезным. Инверсия - непростая операция, связанная с обобщением, и с ее помощью осуществляется узнавание концептов, кратких дескрипторов всех возможных ситуаций в процессе обработки информации. Для того чтобы уменьшить издержки, связанные с инверсией, иногда допускается излишний расход памяти. Ясно, что в интеллектуальных, эффективно работающих системах одна и та же информация может быть представлена в нескольких различных форматах.

        Использовать

      При доступе к информации возникают проблемы распознавания форм, которые использовались на предыдущем этапе для образования древовидных структур, прямых и инверсных элементарных правил. Управление поиском идет с помощью метаправил и в более общем виде с помощью моделей знаний высоких уровней, которые позволяют проводить распознавание в зависимости от стратегии, связанной с контекстом, и задерживать выбор на возможно более долгое время.

      Многие  экспертные системы, основанные на продукционных  правилах, в 
частности CRYSALIS, ARGOS II, POLITICS, OPS, TANGO, SNARK, уже 
содержат элементы ответов на поставленные три вопроса. Этому способствует прежде всего четкое разделение между самим знанием и обработкой с 
помощью итерационной интерпретации, которая позволяет четко разделить и анализировать эти три проблемы.

      Таким образом, экспертные системы предлагают качественно новый подход к программированию. Из двух главных управляющих структур - проверки и цикла - они оставляют  только первую, которая позволяет  довольно легко формулировать элементарные факты для интерпретатора, а также повторять циклы наполнения проверок и обработку. Таким образом, устраняются два неизбежных недостатка классического программирования: последовательный порядок выполнения операций и приказной характер элементарных инструкций. Вместо инструкций - неупорядоченные отдельные данные, порядок использования которых заранее нельзя предвидеть.

      Но  в еще большей степени экспертные системы позволяют обойтись без  всех средств произвольных языков программирования. Действительно, пользователь, эксперт по мере потребностей определяют собственные концепты, специальную терминологию, выбирая подходящий для себя уровень детализации, пригодный для решения поставленных задач.

      В отличие от этого и к большому неудобству исследователей в области искусственного интеллекта современные языки программирования являются языками слишком низкого уровня. Простое действие, элементарный факт чаще всего оказываются растворенными в большом числе инструкций, и каждая их модификация оказывается трудоемкой и опасной. Таким образом, основной целью исследователей в области искусственного интеллекта является создание форм представления и интерпретации знаний типа экспертных систем, которые, можно назвать языками будущего. Им присущи абсолютная модульность, четкость, полное разделение между данными и управлением, большие возможности по обработке информации, эффективное взаимодействие между человеком и программой, возможность составления программного обеспечения очень больших объемов, имеющего не обязательно алгоритмическую природу.

      Для того чтобы подобные системы были полезны и за пределами разработавших  их лабораторий, осталось выполнить  определенный объем работ. В частности, необходимо решить две проблемы. Во-первых, исследовать формальные законы языков, на которых выражаются правила и метаправила, их синтаксис и семантику, типы логических связей, основные примитивы. Необходимо выполнить работу, аналогичную той, которая уже проделана для классических языков программирования, но с учетом интерпретаторов и современных ЭВМ.