Обзор по искусственному интеллекту Доктор технических наук, профессор кафедры Прикладной математики МЭИ(ТУ), лауреат премии Президента РФ в области образования, действительный член РАЕН Вагин Вадим Николаевич Прошло 50 лет с тех пор, как… 1
Оглавление n n n n Спектр исследований в области искусственного интеллекта Логический (символьный) подход Эволюционистское и семиотическое направления Системный подход Нейроподобные структуры Программы решения интеллектуальных задач Системы, основанные на знаниях Интеллектуальное программирование Интеллектуальные системы «Горячие точки» искусственного интеллекта Итоги и перспективы Российские медицинские экспертные системы Кто есть кто в искусственном интеллекте 2
Спектр исследований в области искусственного интеллекта n n Начиная со знаменитого Дартмутского семинара 1956 г. в США, положившего начало самой научной дисциплине искусственный интеллект (ИИ), в нем сразу зародилось два полярных направления: коннекционистское (нейробионическое); логическое (символьное). С первым подходом связаны имена У. Мак. Каллока, В. Питтса, Д. Хебба, Ф. Розенблатта, Г. фон Форстера, М. Арбиба, С. Пейперта и других учёных, которые заложили принципы «восходящего проектирования» и локальной самоорганизации в ИИ. В бывшем СССР развитие этого подхода в 60 -е и 70 -е годы было связано в первую очередь с работами И. А. Амосова и его школы. 3
Логический (символьный) подход n Символьный подход предполагает моделирование мышления в виде операций над символами (сравнение, поиск, модификация и т. д. ). Исходными элементами являются вербализуемые понятия предметной области, а направление исследований есть движение внутрь человеческой психики с выделением глубинных (подсознательных, интуитивных и неявных) структур опыта и мышления. Согласно гипотезе А. Ньюэлла, необходимое и достаточное условие для того, чтобы некоторая физическая система могла проявлять интеллектуальность, состоит в том, чтобы она являлась универсальной системой формальных манипуляций над конкретными символами (фактически это условие эквивалентно определению машины Тьюринга). 4
Логический (символьный) подход (продолжение) n n n В логическом походе можно выделить три направления. Часть специалистов считает, что можно найти свой способ решения задач на ЭВМ, который даст либо результат, подобный человеческому, либо даже лучше его. Специалисты такого типа неоднократно демонстрировали свое искусство по созданию программ такого рода. Другая часть специалистов считает, что искусственный интеллект должен имитировать не решение отдельных (пусть и весьма творческих) задач. Ибо естественный интеллект человека – это его способность при необходимости обучаться тому или иному виду творческой деятельности. Значит и программы, создаваемые в искусственном интеллекте, должны быть ориентированы не на решение конкретных задач, а на создание для автоматического построения необходимых программ решения конкретных задач, когда в этом возникает необходимость. Третья часть специалистов – это программисты, чьими руками делают программы для решения задач искусственного интеллекта. Они склонны рассматривать область своей деятельности, как новый виток развития программирования. Они считают, что средства, разрабатываемые для написания программ решения интеллектуальных задач, в конце концов, есть средства, позволяющие по описанию задачи на профессиональном естественном языке построить нужную программу на основании тех стандартных программных модулей, которые хранятся в памяти машины. 5
Эволюционистское и семиотическое направления § § Эволюционистское направление в ИИ характеризуется моделированием эволюционного процесса, связанного с идеями выживания, мутации и естественного отбора. Его основной лозунг – «моделировать процесс эволюции в ИИ по аналогии с эволюцией человека и его интеллекта» . Наиболее популярной ныне разновидностью эволюционных моделей оказались генетические алгоритмы. Семиотическое направление в ИИ, выделившееся из символьного подхода, основано на переходе от формальных систем к семиотическим и установлении соответствия между базовыми структурами в семиотике (треугольник Фреге) и в ИИ (фрейм). Здесь центральной проблемой является создание адекватной ситуационной модели внешнего мира. 6
Системный подход n n n n В настоящее время всё большее распространение получает системный подход в ИИ с его интеграционистскими, синергетическими тенденциями, включая интеграцию различных точек зрения на ИИ и объединение различных моделей внутреннего представления внешней среды. Интеграция важнейших атрибутов интеллекта производится с целью получения нелинейных, эмергентных эффектов благодаря взаимной компенсации недостатков и развитию преимуществ отдельных моделей в интегрированной структуре. Выделим следующие направления исследований в области ИИ: нейроподобные структуры; программы решения интеллектуальных задач; системы, основанные на знаниях; интеллектуальное программирование; интеллектуальные системы; эволюционистское (генетические алгоритмы); семиотическое моделирование. 7
Нейроподобные структуры Теория нейронных сетей Системы типа персептронов Теория волновых процессов в сетях нейронов Нейрокомпьютеры и программирование для них 8
Программы решения интеллектуальных задач Игровые программы Человеческие игры Переборные игры Топологические игры Стохастические игры Компьютерные игры Игры с жёсткой схемой Игры со сценарием Естественно-языковые программы Машинный перевод Автоматическое реферирование Генерация текстов Прозаические тексты Поэтические тексты Музыкальные программы Сочинение музыкальных произведений Анализ музыкальных произведений Имитация исполнительского стиля Узнающие программы Программы создания произведений графики и живописи 9
Системы, основанные на знаниях Извлечение знаний из различных источников Формализация качественных знаний Интеграция знаний Приобретение знаний от профессионалов Организация работы с экспертами Оценка и формализация знаний Согласование знаний Представление знаний Модели знаний Семантические сети Фреймы Логические системы Продукции Системы представления знаний Базы знаний Манипулирование знаниями Пополнение знаний Классификация знаний Обобщение знаний Вывод на знаниях Резолюционные методы Квазиаксиоматические системы Системы правдоподобного вывода Рассуждения с помощью знаний Объяснение на знаниях 10
Интеллектуальное программирование Языки для ИИ Языки логического программирования Объектно-ориентированные языки Языки представления знаний Автоматический синтез программ Дедуктивные методы Инструментальные системы «Пустые» системы Оболочки Системы когнитивной графики 11
Интеллектуальные системы Экспертные системы (ЭС) ЭС для широких кругов пользователей ЭС для специалистов Интеллектуальные информационные системы Расчётно-логические (гибридные) системы Интеллектуальные САПР и САНИ Интеллектуальные роботы Обучающие системы Системы школьного и вузовского образования Интеллектуальные тренажеры Консультирующие системы 12
«Горячие точки» искусственного интеллекта n n n Параллелизм в логическом выводе Экспертные системы и вывод в условиях неопределённости Аргументация и абдуктивный вывод Квазиаксиоматические системы и правдоподобного вывода Машинное обучение и индуктивный вывода Мягкие вычисления a. b. c. n n n системы Нечёткая логика и приближённые рассуждения Нейронные сети Генетические алгоритмы Системы когнитивной графики Агентно-ориентированное и распределённое решение проблем Понимание естественного языка 13
Итоги и перспективы n 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. n 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 счётом 3. 5 : 2. 5 в показательном матче. n Автономное управление. Система компьютерного зрения Alvinn была обучена вождению автомобиля, придерживаясь определённой полосы движения. В университете СМИ эта система была размещена в микроавтобусе, управляемом компьютером Nav. Lab, и использовалась для проезда по США. На протяжении 2850 миль (4586, 6 км) система обеспечивала рулевое управление автомобилем в течение 98% времени. n Диагностика. Медицинские диагностические программы, основанные на вероятностном анализе, сумели достичь уровня опытного врача в нескольких областях медицины. n Планирование снабжения. Во время кризиса в Персидском заливе в 1991 г. в армии США была развёрнута система DART (Dynamic Analysis and Replanning) для обеспечения автоматизированного планирования поставок и составления графиков перевозок. Работа этой системы охватывала одновременно до 50000 автомобилей, единиц груза и людей. n Робототехника. Многие хирурги теперь используют роботов-ассистентов в микрохирургии. n Понимание естественного языка и решение задач. Программа Proverb – это компьютерная программа, которая решает кроссворды намного лучше, чем 14 большинство людей.
Итоги и перспективы (продолжение) Рассуждения, основанные на прецедентах (CBR), – один из наиболее перспективных подходов в искусственном интеллекте, внедрение которого приведет к значительному прогрессу в ряде областей, а прорыва в этом направлении следует ожидать в ближайшие 3 -5 лет. n Рассуждения о пространстве – не очень новая, но бурно развивающаяся сейчас область искусственного интеллекта, имеет всё возрастающее прикладное значение в связи с работами по созданию автономных мобильных устройств, анализу изображений (в частности, аэрофотоснимков), задачами синтеза текстовых описаний по изображениям. n С помощью методов машинного обучения и автоматического формирования гипотез можно будет решить ряд полезных практических задач – от обнаружения закономерностей в данных до повышения степени адаптивности и «уровня интеллекта» различных технических устройств. n Подходы, основанные на технологии интеллектуальных агентов надо признать одними из наиболее перспективных при разработке больших программных продуктов, в том числе средств управления крупными и сложными системами (телекоммуникационные системы, распределённые производства, системы управления войсками, транспортом, сетями, распределённый поиск информации). n Следует ожидать всё большего влияния идей и методов искусственного интеллекта на машинный анализ текстов на естественном языке. Это влияние, скорее всего, коснётся семантического анализа и связанных с ним методов синтаксического анализа – в этой области оно проявится в учёте модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов. n К одному из наиболее важных и перспективных направлений в искусственном интеллекте следует сегодня отнести задачи автоматического планирования 15 поведения. n
Российские медицинские экспертные системы n Российский государственный медицинский университет (РГМУ), кафедра Медицинской кибернетики и информатики n КСИФИ-01 - автоматизированная система функциональной диагностики КОМПАС-01 - автоматизированная система постоянного интенсивного наблюдения n РЕПРОКОД экспертная консультативно-диагностическая информационная система по эндокринным нарушениям репродуктивной системы женщин n НЕФРЭКС-1 - экспертная система дифференциальной диагностики заболеваний почек у детей n Диакомс - электропунктурная экспресс-диагностика и мониторинг состояния здоровья человека Мегафарм холдинг «Post Modern Technology» n МЕДИАЛОГ - медицинская информационная система Инновационное бюро ЭКСПЕРТ n Экспертная система оценки боли на основе «Модифицированного вербально-цветового болевого теста» n n Санкт-Петербургский государственный университет n ЛОНГИТЮД - экспертная система индивидуального сопровождения развития ребёнка 16
Российские медицинские экспертные системы (продолжение) n Научно-медицинский центр «РАДИКС» n n n n Институт программных систем (ИПС) РАН. Исследовательский центр искусственного интеллекта (ИЦИИ) n n n Экспертная система «Санитарно-лабораторная экспертиза продуктов питания» Прототип интегрированной экспертной системы «Поддержка принятия решений по оказанию первой медицинской помощи в условиях массовых катастроф» Институт Системного Программирования РАН n n СМОЛ-Эксперт - психодиагностическая программа «Качество Жизни» - экспертная психодиагностическая система «Психо. Невролог» – уникальная компьютерная программа для лечения больных с пограничными психическими нарушениями САН (Самочувствие, Активность, Настроение) - экспертная психодиагностическая система СМОЛ-Скрининг - психодиагностическая программа Экспертная психодиагностическая система «Тест Межличностных Отношений» Экспертная психодиагностическая система «Тест Спилбергера STAI» Спутник Врача - система информационной поддержки врачебных решений Recipe Soft: Медицинские программы n n n Консилиум - экспертная система медицинской диагностики Экспертная система «Диагностика коматозных состояний» Экспертная система «Электрокардиография» 17
Кто есть кто в искусственном интеллекте Вычислительный центр РАН n n n n n Научная школа Журавлёва Ю. И. , академика РАН Научная школа Поспелова Д. А. , д. т. н. , профессора, академика РАЕН, лауреата премии фон Неймана Институт системного анализа РАН Научная группа зам. директора ИСА РАН, президента Российской Ассоциации Искусственного Интеллекта (РАИИ), д. ф. -м. н. , профессора Осипова Г. С. Научная группа зав. отделом теории и методов принятия решений, д. т. н. , с. н. с. Петровского А. Б. ВИНИТИ РАН Научная школа д. т. н. , профессора Финна В. К. Российский НИИ искусственного интеллекта Научная группа генерального директора фирмы «Интелли Тех (Интеллектуальных Технологии)» , к. ф. -м. н. Нариньяни А. С. Российский НИИ информационных технологий и систем автоматизированного проектирования (РОСНИИ ИТ и АП) n n Научная группа зам. директора РОСНИИ ИТ и АП, академика РАЕН, лауреата премии Президента РФ в области образования, д. т. н. , профессора Попова Э. В. Институт программных систем РАН (ИПС РАН), Переславль-Залесский. n n Научная группа директора информационного центра искусственного интеллекта к. т. н. Куршева Е. П. Московский энергетический институт (Технический университет) (МЭИ(ТУ)) Научная группа лауреата премии Президента РФ в области образования, академика РАЕН, почётного профессора Таганрогского государственного радиотехнического университета, д. т. н. , профессора Вагина В. Н. Московский государственный технический университет им. Н. Э. Баумана (МГТУ) n n Научная группа к. т. н. , доцента Тарасова В. Б. Институт проблем передачи информации РАН (ИППИ РАН) Научная группа вице-президента РАИИ, постоянного члена Европейского координационного совета по искусственному интеллекту, академика РАЕН, д. т. н. , в. н. с. Стефанюка В. Л. Таганрогский государственный радиотехнический университет (ТГРТУ) n n Научная группа заслуженного деятеля науки РФ, академика РАЕН, проректора по научной работе ТГРТУ, д. т. н. , профессора Курейчика В. М. 18
Кто есть кто в искусственном интеллекте (продолжение) Московский государственный университет экономики, статистики и информатики n n Научная группа лауреата премии Президента РФ в области образования, д. т. н. , профессора Тельнова Ю. Ф. Институт математики СО РФН им. С. Л. Соболева n n n n Научная группа зав. отделом информатики, д. т. н. , профессора Загоруйко Н. Г. Институт автоматики и процессов управления ДВО РАН Научная группа зав. отделом экспертных систем д. ф. -м. н. , профессора Клещёва А. С. Институт проблем управления РАН Научная группа зав. лабораторией «Методы интеллектуализации дискретных процессов и систем управления» , председателя Научного Совета РАИИ, д. т. н. , профессора Кузнецова О. П. Научная группа д. т. н. , профессора, заслуженного деятеля науки и техники РФ Трахтенгерца Э. А. Институт оптико-нейронных технологий РАН Научная группа д. ф. -м. н. , профессора Редько В. Г. Ульяновский государственный технический университет Научная группа зав. кафедрой «Информационные системы» , д. т. н. , профессора Ярушкиной Н. Г. Санкт-Петербургский институт информатики и автоматизации РАН Научная группа зав. лабораторией интеллектуальных систем, заслуженного деятеля науки РФ, д. т. н. , профессора Городецкого В. И. Казанский государственный технологический университет n n Научная группа руководителя лаборатории экспертных систем при кафедре информатики и прикладной математики, д. т. н. , профессора Батыршина И. З. МНИИ педиатрии и детской хирургии n n Научная группа руководителя Медицинского центра новых информационных технологий, д. м. н. , профессора Кобринского Б. А. Томский государственный архитектурно-строительный университет n n Научная группа зав. кафедрой Прикладной математики, д. ф. -м. н. , профессора Янковской А. Е. 19
Приложение 20
Представление знаний Данные – это факты, характеризующие объекты, процессы и явления предметной области, а также их свойства. Как считает Д. А. Поспелов, не существует никакой объективной границы для смены термина «данные» на термин «знания» . Он выделил шесть этапов для усложнения данных и превращения их в знания. n n n Внутренняя интерпретируемость Структурированность Связность Шкалирование Семантическая метрика Наличие активности 21
Знание как обоснованное истинное убеждение n В области ИИ этот ключевой термин мы будем употреблять как следующую метафору: знание – это обоснованное истинное убеждение (вера). Интересно отметить, что до появления вычислительных машин, задолго до эры искусственного интеллекта в Большой энциклопедии (под ред. С. Н. Южакова, СПБ, т. 9, 1902 г. ) было дано следующее определение этого термина. «Знание в объективном смысле то же, что истинное знание (познание), в субъективном – убеждение в его истине по реальным причинам. В первом отношении оно противополагается заблуждению, как неистинному знанию, во втором – вере, мнению» . 22
Не-факторы знания n n n Данные и знание, описывающие сущности и связи какой-либо проблемной области, как правило, неполны, противоречивы, немонотонны, неточны, неопределенны и нечетки. В классической логике предикатов первого порядка отношение выводимости удовлетворяет следующим свойствам: рефлексивности: А 1, А 2, …, An ├ Ai, i = , т. е. вывод заключения, идентичного одной из посылок, есть общезначимая операция; транзитивности: если А 1, А 2, …, An ├ В 1 и А 1, А 2, …, An, В 1 ├ В 2, то А 1, А 2, …, An ├ В 2, т. е. промежуточные результаты можно использовать для вывода заключения В 2; монотонности: если А 1, А 2, …, An ├ В 1, то А 1, А 2, …, An, {F} ├ В 1, где {F} – множество добавочных утверждений, т. е. добавочно введенные утверждения не отменяют ранее выведенное утверждение В 1. К сожалению, свойство монотонности не выполняется для динамических проблемных областей, БЗ которых содержит неполную, неточную и динамически изменяющуюся информацию. Довольно очевидно, что для таких пересматриваемых рассуждений логическая система должна быть немонотонной. Это значит, что пересматриваемые рассуждения не являются в классическом смысле общезначимыми, и если заключение В выводимо из посылок А 1, А 2, …, An, существует модель для {А 1, А 2, …, An} {F}, не подтверждающая В. 23
Модели представления знаний n n Логические модели. Эти модели опираются на представление всех знаний в виде синтаксически правильных формул какой-либо формальной логической системы. Сетевые модели. В основе моделей этого типа лежит конструкция, называемая семантической сетью. Сетевые модели формально можно задать в виде H = <I, C 1, С 2, …, Cn, >. Здесь I есть множество информационных единиц; C 1, С 2, …, Cn – множество типов связей между информационными единицами. Отображение задаёт между информационными единицами, входящими в I, связи из заданного набора типов связей. Концептуальные графы. К сетевым моделям относятся также концептуальные графы, предложенные Дж. Сова. Фреймовые модели часто рассматриваются как разновидность сетевых моделей. В отличие от других моделей во фреймовых моделях фиксируется жёсткая структура информационных единиц, которая называется протофреймом. Продукционные модели. Здесь используются некоторые элементы логических и сетевых моделей. Из логических моделей заимствована идея правил вывода, которые здесь называются продукциями, а из сетевых моделей – описание знаний в виде семантической сети. В результате применения правил вывода к фрагментам сетевого описания происходит трансформация семантической сети за счёт смены её фрагментов, наращивания сети и исключения из неё ненужных фрагментов. Вывод в продукционных моделях называется выводом на знаниях. В общем виде под продукцией понимается выражение следующего вида: (i) Q; P; A B; N. 24
Достоверный вывод Под рассуждением понимается построение последовательности аргументов, вынуждающих принятие некоторого утверждения, которое и является целью рассуждения. Особенностями рассуждения, отличающими его от логического вывода, и в частности, от доказательства, в стандартном понимании являются: открытость множества возможных аргументов; n использование метатеоретических, и в частности, металогических средств, с помощью которых осуществляется управление логическими выводами, применяемыми в процессе рассуждения; n использование не только правил достоверного вывода, но и правил правдоподобного вывода. Автоматические рассуждения на основе формальной логики относятся к слабым (weak) методам доказательства теорем, и чисто синтаксические методы управления поиском не способны обрабатывать огромное пространство поиска при решении задач практической сложности. Поэтому альтернативой являются неформальные методы поиска, ad hoc стратегии, эвристики и рассуждения здравого смысла, которые человек использует при решении проблем. Принцип резолюции Основная идея принципа резолюции заключается в проверке, содержит ли множество дизъюнктов S пустой (ложный) дизъюнкт . Если это так, то S невыполнимо. Если S не содержит , то следующие шаги заключаются в выводе новых дизъюнктов до тех пор, пока не будет получен (что всегда будет иметь место для невыполнимого S). Таким образом, принцип резолюции рассматривается как правило вывода, с помощью которого порождаются новые дизъюнкты из S. n 25
Параллелизм в дедуктивном выводе При классификации параллелизма дедуктивного вывода будем различать: n параллелизм на уровне термов (parallelism at the term level); n параллелизм на уровне дизъюнктов (parallelism at the clause level); n параллелизм на уровне поиска (parallelism at the search level). Типы параллелизма в дедуктивном выводе Параллелизм на уровне термов Параллелизм на уровне дизъюнктов Параллельное сопоставление AND-параллелизм Параллельная унификация Параллелизм на уровне поиска OR-параллелизм Параллельное переписывание термов Другие формы параллельных выводов Гомогенные системы вывода Гетерогенные системы вывода Распределенный поиск Мультипоиск 26
Вывод на аналитических таблицах Метод аналитических таблиц (или метод семантических таблиц, или метод Хинтикка) является эффективной процедурой доказательства теорем, как для логики высказывания, так и для логики предикатов первого порядка. Он, как и метод резолюции, относится к методам опровержения, т. е. для доказательства общезначимости формулы А доказывается ее противоречие, т. е. ¬А. Но если метод резолюции работает с формулами, представленными в КНФ, то метод аналитических таблиц оперирует с формулами, представленными в ДНФ. Вывод осуществляется на бинарных деревья, вершины которых отмечены формулами, причем вершина называется концевой, если она не имеет потомков, простой, если она имеет только одного потомка и дизъюнктивной, если она имеет двух потомков. Каждая ветвь дерева представлена конъюнкцией формул, а само дерево – дизъюнкцией своих ветвей. Метод аналитических таблиц непротиворечив и полон, что доказывается следующими теоремами. Теорема. Если формула Х логики предикатов первого порядка доказуема методом аналитических таблиц, то она общезначима. Отсюда очевидна непротиворечивость этого метода для логики предикатов первого порядка. Также легко доказывается полнота метода аналитических таблиц для логики предикатов первого порядка. Теорема (о полноте). Если Х является общезначимой формулой логики предикатов первого порядка, то она доказуема методом аналитических таблиц, т. е. существует замкнутая таблица для ¬Х. 27
Экспертные системы Если дедуктивные методы вывода на основе формальной логики, как мы уже говорили, относятся к слабым методам доказательства теорем, то сильные методы решения задач, или методы, основанные на знаниях, изучаются в экспертных системах, которые применяют знания специфичной предметной области. Цель исследований по экспертным системам состоит в разработке программы (устройств), которые при решении задач, трудных для экспертачеловека, получают результаты, не уступающие по качеству и эффективности решениям, полученным экспертом. В большинстве случаев экспертные системы решают трудно-формализуемые задачи или задачи, не имеющие алгоритмического решения. n n n n Экспертные системы решают следующие задачи: интерпретация – выявление описаний ситуации из наблюдений; прогнозирование – проектирование возможных последствий данной ситуации; диагностика – определение причин неисправностей в сложных ситуациях на основе наблюдаемых симптомов; проектирование – нахождение конфигурации компонентов системы, которая удовлетворяет целевым условиям и множеству проектных ограничений; планирование – разработка последовательности действий для достижения множества целей при данных начальных условиях и временных ограничениях; мониторинг – сравнение наблюдаемого поведения системы с её ожидаемым поведением; инструктирование – помощь в образовательном процессе по изучению технической области; управление – управление поведением сложной среды. 28
Архитектура экспертной системы Рабочая память (факты) Механизм вывода Агенда Подсистема объяснений База знаний (продукционные правила) Редактор базы знаний Пользовательский интерфейс (вопросы и ответы, меню, естественный язык или графические обозначения) Пользователь В режиме решения задач в общении с экспертной системой участвует пользователь, которого интересует результат и/или способ получения решения. Следует отметить, что в зависимости от назначения экспертной системы пользователь может либо не быть специалистом в данной проблемной области (в этом случае он, не умея получить ответ сам, обращается к экспертной системе за советом), либо быть специалистом (в этом случае пользователь может и сам получить результат, но обращается к экспертной системе с целью ускорить процесс получения результата или с целью возложить на экспертную систему рутинную работу). 29
Методы вывода в экспертных системах Поиск в пространстве состояний характеризует решение задачи как процесс нахождения пути решения от исходного состояния к целевому. Задача алгоритма писка состоит в нахождение допустимого пути в пространстве состояний, где допустимый путь – это путь из вершины множества начальных состояний задачи в вершину из множества целевых состояний. Определив направление поиска (от данных или от цели), алгоритм поиска должен определить порядок исследований состояний дерева или графа. Рассмотрим два возможных варианта последовательности обхода вершин графа: поиск в глубину (depth-first) и поиск в ширину (breadth-first). Эвристики и разработка алгоритмов для эвристического поиска в течение длительного времени остаются основным объектом исследования в проблемах искусственного интеллекта. Эвристика может привести алгоритм поиска к субоптимальному решению или не найти решения вообще. Эвристические алгоритмы состоят из двух частей: эвристической меры и алгоритма, который использует её для поиска в пространстве состояний. Одним из наиболее эффективных эвристических алгоритмов поиска является «жадный» алгоритм (best first). Оценочная функция имеет вид: f(n) = g(n) + h(n), где в качестве g(n) выбрана стоимость пути на графе поиска от начальной вершины к вершине n, которая получается в результате суммирования стоимостей дуг, вычисленных на пути от начальной вершины к вершине n. h(n) – эвристическая функция, определяемая спецификой проблемной области (например, эвристическая оценка расстояния от вершины n до цели). 30
Ретроспективный анализ экспертных систем и инструментальных средств для их построения n n n n n Промышленная экспертная система DENDRAL. Системы MYCIN, TEIRESIAS, EMYCIN. Областью приложения системы MYCIN является медицина. Система решает задачи постановки диагноза и определения методов лечения инфекционных заболеваний крови Система ДИАГЕН. Разработана для диагностики наследственных болезней, свыше 15 лет эксплуатируется в нескольких десятках медицинских учреждений России. База знаний системы включала 1200 синдромов моногенной и хромосомной природы, проявляющихся клинически в детском возрасте и описываемых более чем 1500 признаками. Экспертная система ДИН. Экспертная система ВЕСТ-СИНДРОМ. Экспертная система для диагностики судорожных состояний (эпилепсии). Системы PROSPECTOR и KAS. Областью применения системы является геология. Коммерческая экспертная система R 1. Областью применения R 1 является вычислительная техника. На основании заказа пользователя система выбирает требуемую ему конфигурацию вычислительной системы VAX-11/780 фирмы DEC. Инструментальная коммерческая система OPS 5. Инструментальная система CLIPS. Инструментальный комплекс G 2 является мощным инструментальным комплексом, предназначенным для работы со сложными системами поддержки принятия решений реального времени (СППР РВ). 31
Немонотонные рассуждения n n Немонотонные модальные логики оперируют с неполным, неточным, зачастую противоречивым, динамически изменяющимся знанием. Рассуждения здравого смысла часто не монотонны, т. е. оказываются предположительными, правдоподобными и должны подвергаться пересмотру (ревизии). Такие рассуждения неточны и пересматриваемы по самой своей природе или из-за той информации, на основании которой они построены. Главной функцией модальной логики является формализация модальностей «необходимости» и «возможности» . Другим ее применением является моделирование и анализ парадигм «убеждения» и «знания» . Для этого различные логические системы используют формальные языки с модальными операторами «убеждения» и «знания» . В рамках логик убеждения и знания оператор принимает соответственно значения «предполагается» и «известно» . Двойственный ему оператор принимает соответственно значения «противоположное не предполагается» и «противоположное неизвестно» . Немонотонные логики Мак-Дермотта и Дойла являются универсальными аксиоматическими системами, рамки которых аналогичны модальным системам необходимости и возможности, пополненные правилом вывода выполнимых утверждений. Автоэпистемические логики (АЭЛ) имеют своим предметом формализацию интроспективных (т. е. зависящих от текущего состояния знаний агента) и идеально разумных рассуждений об исходном множестве предположений. Логики умолчаний, введенные и развитые Рейтером для формализации рассуждений, являющихся всего лишь выполнимыми. Логики Рейтера отличаются от модальных подходов одним важным аспектом: вместо расширения логического языка и представления умолчаний в языке, умолчания используются как дополнительные правила вывода, индуцируя так называемые расширения классических логических теорий. 32
Аргументация и абдуктивный вывод Абдукция – это процесс формирования объясняющей гипотезы. Точнее, при заданной теории и наблюдении, предложенном для объяснения, абдуктивный вывод должен определить одно или более наилучших объяснений наблюдения на основе заданной теории. Термин «абдукция» впервые ввел американский философ Пирс. На сегодняшний день теория аргументации проявила себя как мощное средство моделирования различных форм правдоподобного вывода. Основная идея аргументационного вывода состоит в том, что утверждению можно доверять, если оно может быть аргументированно защищено от атак аргументов. Как оказалось, теория аргументации может успешно применяться и для организации абдуктивного вывода. n n n Абдукция предназначена для поиска объяснений или причин наблюдаемых явлений или фактов. Соответствующий вывод имеет форму (в теории вывода Пирса): наблюдается удивительный факт С (то есть этот факт не следует из наших знаний о мире); если бы А было бы истинным, то С могло бы произойти (А – объясняющая гипотеза); следовательно, можно предположить, что А истинно. Заметим, что в искусственном интеллекте до последнего времени работы по абдукции и индукции велись независимо. Но, по-видимому, перспективным является рассмотрение абдукции, индукции и дедукции в рамках одной системы. При этом абдукция используется для получения гипотез, объясняющих наблюдения. Дедукция позволяет выполнять вывод с использованием этих гипотез и получать некоторые предсказания. А с помощью индукции на основе этих предсказаний можно определить общие правила и оценить, насколько они согласуются с реальностью. 33
Машинное обучение и индуктивный вывод Индуктивный вывод, или обобщение, основан на построении некоторого общего правила (закона) на основании конечного числа наблюдаемых фактов. Индуктивные выводы, которые делает человек, достаточно тесно связаны со статистическими моделями; достоверность таких выводов в значительной степени зависит от полноты того набора фактов, которой он пользуется при формировании гипотез. Может ли компьютер выполнять аналогичную функцию – строить новые гипотезы на основе наблюдаемых фактов? Ответ на этот вопрос дает раздел искусственного интеллекта, решающий задачи индукции и обобщения. Изучение и компьютерное моделирование процесса обучения является предметом исследования в области искусственного интеллекта, называемой машинным обучением (Machine Learning). Одним из практически ценных при поиске индуктивных закономерностей является добыча (анализ) знаний из баз данных (Data Mining). Дальнейшим развитием этого направления стала разработка средств обнаружения знаний, представленных в базах данных в неявной форме (Knowledge Discovery in Databases). Такие средства и системы могут быть применены в машинном обучении, распознавании образов, при извлечении знаний для экспертных систем, и многих других задачах искусственного интеллекта. Имеются различные подходы к решению задачи об отнесении объекта к некоторому классу. n Самым простым вариантом системы, решающей задачу распознавания, являются системы без обучения. В таких системах заранее известны классы, к которым могут относиться предъявляемые объекты, а также критерии отнесения объекта к классу. n Более сложными являются системы с обучением. В системах с обучением не задан алгоритм разделения предъявляемых объектов на классы. Процесс создания и оптимизации такого алгоритма и называется обучением. Для обучения используется определенный набор объектов, называемый далее обучающим множеством или 34 обучающей выборкой.
Мягкие вычисления Термин «мягкие вычисления» (soft computing), введённый ещё в 1994 г. американским учёным Л. Заде, интерпретируется следующей формулой: мягкие вычисления = нечёткие системы + нейронные сети + генетические алгоритмы. Нечёткая логика и приближённые рассуждения. n Нечёткая логика возникла как обобщение двузначной логики. Истинностное значение высказываний нечёткой логики принадлежит интервалу [0, 1], либо некоторой лингвистической шкале. Она оперирует с высказываниями типа: «возможно, что этот чай горячий» , «скорее всего, мой брат высокий» , «может быть, на улице морозно» . Эти высказывания характеризуются наличием нечётких понятий, называемых лингвистическим переменными. Лингвистические переменные определяются на множестве, называемом множеством высказываний, и им присваиваются лингвистические значения. n Под приближёнными рассуждениями понимается процесс, при котором из не-чётких посылок получаются некоторые следствия, возможно, также нечёткие. Приближённые рассуждения лежат в основе способности человека понимать естественный язык, играть в игры, требующие умственных усилий, в общем, принимать решения в сложной и не полностью определённой среде. 35
Нейронные сети Искусственные нейронные сети являются технологией обработки информации, вдохновлённой изучением мозга и нервной системы. Развитие нейронных сетей пережило взлёты и падения. Первый пик активизации этих исследований приходится на 40 -ые годы прошлого столетия и обусловлен пионерской работой Мак. Каллока и Питтса. Второй возник в 60 -х годах благодаря теореме сходимости персептрона Розенблатта и работе Минского и Пейперта, указавшей ограниченные возможности простейшего персептрона. Результаты Минского и Пейперта погасили энтузиазм большинства исследователей, особенно тех, кто работал в области вычислительных наук. Возникшее в исследованиях по нейронным сетям затишье продлилось почти 20 лет. С начала 80 -х годов нейронные сети вновь привлекли интерес исследователей, что связано с энергетическим подходом Хопфилда и алгоритмом обратного распространения для обучения многослойного персептрона (многослойной сети прямого распространения) впервые предложенного Вербосом и независимо разработанного рядом других авторов. Алгоритм получил известность благодаря Румельхарту. Большое значение для развития нейронных сетей имели работы Кохонена по самоорганизующимся картам. n n n Проблемы, решаемые в контексте искусственных нейронных сетей: Классификация образов. Кластеризация/категоризация. Аппроксимация функций. Предсказание/прогноз. Оптимизация. Управление. 36
Генетические алгоритмы История эволюционных вычислений характеризуется развитием ряда независимых моделей. Первыми моделями были генетические алгоритмы и классификационные системы. Эволюционные вычисления – это бионическое направление, которое использует принципы, существующие в природе, но упрощённые до такой степени, чтобы их можно было реализовать в компьютерных моделях. Основные принципы генетических алгоритмов были сформулированы Дж. Холландом. Генетические алгоритмы – это адаптивные методы поиска, которые в последнее время часто используются для решения задач функциональной и структурной оптимизации. Генетическими они называются потому, что строятся на принципах эволюции биологических организмов Ч. Дарвина. Популяции развиваются в течение нескольких поколений, подчиняясь зонам естественного отбора, т. е. по принципу «выживает наиболее приспособленный» (survival of the fittest). Генетический алгоритм решения задачи включает три стадии, первая из которых предполагает представление отдельных потенциальных решений в специальном виде, удобном для выполнения эволюционных операций изменения и отбора. Зачастую таким представлением являются обычные битовые строки. На второй стадии реализуются скрещивание и мутации, присущие биологическим формам жизни, в результате которых появляется новое поколение особей с рекомбинированными свойствами своих родителей. И, наконец, на третьей стадии на основе некоторого критерия отбора (fitness function) выбираются «лучшие» формы жизни, т. е. наиболее точно соответствующие решению данной проблемы. Эти особи отбираются для выживания и воспроизведения, т. е. для формирования новых поколений потенциальных решений. В конечном счете, некоторое поколение особей и 37 станет решением исходной задачи.
Агентно-ориентированное и распределённое решение проблем Первый рабочий семинар по распределённому искусственному интеллекту (РИИ) состоялся в Массачусетском технологическом институте в 1980 г. и был посвящён вопросам, связанным с интеллектуальным решением задач системами, состоящими из множества решателей. Исследователей РИИ не интересовали вопросы параллелизма низкого уровня типа распределённой обработки на нескольких машинах или распараллеливания сложных алгоритмов. Они хотели выяснить, как распределённые решатели можно эффективно скоординировать для интеллектуального решения проблем. Фактически это было началом эры распределённой обработки в искусственном интеллекте с использованием и координацией исполнителей (actor) и демонов (demon) и разработкой систем классной доски. Различные группы исследователей по-разному определяют такие понятия как «мультиагентная система» , «агентно-ориентированная система» , «агент» . Будем считать, что мультиагентная система – это вычислительная программа, блоки решения задач (решатели) которой расположены в некоторой среде, и каждый из них способен к гибким, автономным и социально организованным действиям, направленным (либо нет) на предопределённые реалии или цели. Таким образом, четырьмя свойствами интеллектуальной агентной системы, включающей программные решатели задач, являются ситуативность, автономность, гибкость и социальность. Мультиагентные системы очень хорошо подходят для решения проблем, включающих большое количество методов решения и точек зрения. В этих областях мультиагентные системы имеют преимущества распределённого и конкурентного решения проблем, в том числе за счёт реализации сложных схем взаимодействия. Примеры взаимодействия показывают совместные 38 действия по достижению общей цели.
Области использования агентноориентированного решения задач Производство. Производственная область может моделироваться как иерархия рабочих областей. Такими рабочими областями могут быть штукатурные, малярные работы, сборки и т. п. Эти рабочие области затем можно сгруппировать в производственные подсистемы. Каждая из подсистем функционирует внутри некоторого производственного процесса. Впоследствии эти подсистемы можно объединить в фабрику. n Автоматическое управление. Поскольку контроллеры процессов обычно являются автономными, реактивными и зачастую распределёнными системами, не удивительно, что агентные модели приобретают в этой области важное значение. Существуют исследования по управлению транспортными системами, управлению космическими аппаратами, электронно-лучевыми ускорителями и другие. n Телекоммуникации. Телекоммуникационные системы являются большими распределёнными сетями, состоящими из взаимодействующих компонентов, которые требуют мониторинга и управления в реальном времени. Агентноориентированные системы использовались для сетевого управления и менеджмента, передачи информации и обслуживания. n Информационный менеджмент. Агентные системы могут обеспечить интеллектуальный информационные менеджмент, особенно в Internet. Двумя критическими агентными задачами являются фильтрация данных – получение из всей доступной информации лишь той небольшой порции, которая действительно нужна, и сбор информации – задача накопления и определения приоритетов среди отобранных порций информации. n Электронная коммерция. Коммерция является областью, подходящей для агентных моделей. Например, современные программы могут принимать решения по многим покупкам и продажам на основании большого количества разнородной и 39 распределённой информации. n
Понимание естественного языка Понимание языка – это не просто передача слов. Оно требует знаний о целях говорящего, контекста, а также о данной предметной области. Программы, реализующие понимание естественного языка, требуют представления этих знаний и предположений. При их создании необходимо учитывать такие аспекты, как немонотонность, изменение убеждений, иносказательность, возможность обучения, планирование и практическая сложность человеческих взаимоотношений. Понимание естественных языков связано (как минимум) с тремя вопросами. Во-первых, предполагается большой объём человеческих знаний. Язык описывает взаимосвязи в сложном реальном мире, с которыми должна быть знакома любая система, претендующая на понимание языка. Во-вторых, язык имеет некоторую структуру: слова состоят из фонем, и, в свою очередь, составляют предложения и фразы. Порядок следования фонем, слов и предложений не является случайным. Без корректного использования этих компонентов общение невозможно. В-третьих, языковые конструкции – это продукт некоторого агента – человека или компьютера. Агенты внедрены в сложную среду и развиваются в направлениях, определённых их индивидуальностью и социумом. Для применения программ понимания естественного языка можно использовать технологию World Wide Web, в частности, резюмировать интересные материалы из Web. Так, при нахождении информации, например, по ключевым словам или с помощью других более сложных механизмов поиска, система извлечения информации (information extraction system) должна получить на вход текст и прореферировать его с учётом заданной наперёд сферы интересов или предметной области. Она должна найти полезную информацию, связанную с этой предметной областью и закодировать её в виде, удобном для представления конечному пользователю или сохранения в структурированной БД. 40
Скачать презентацию Обзор по искусственному интеллекту Доктор технических наук профессор
8e0c9ebf7f4ab0bf9e83554334cda32b.ppt