ОСНОВНЫЕ ТЕНДЕНЦИИ В СОВРЕМЕННОМ ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ

ОСНОВНЫЕ ТЕНДЕНЦИИ В СОВРЕМЕННОМ ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ • • ИНТЕГРАЦИЯ НЕОДНОРОДНЫХ КОМПОНЕНТОВ РАСПРЕДЕЛЕНИЕ (ДЕЦЕНТРАЛИЗАЦИЯ) РАБОТА С НЕ-ФАКТОРАМИ АГЕНТИФИКАЦИЯ

ОСНОВНЫЕ ТЕНДЕНЦИИ В СОВРЕМЕННОМ ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ Внутренняя интеграция: правила – объекты – агенты

ОСНОВНЫЕ ТЕНДЕНЦИИ В СОВРЕМЕННОМ ИСКУССТВЕННОМ ИНТЕЛЛЕКТЕ Внешняя интеграция: • Интеграция различных схем и моделей вывода • Интеграция различных моделей знаний • Интеграция экспертных систем и классических информационных технологий (сенсоров, баз данных, программных пакетов) • Интеграция различных школ и направлений в ИИ

СИСТЕМЫ, ОСНОВАННЫЕ НА ЗНАНИЯХ ИНЖЕНЕРИЯ ЗНАНИЙ 1. Приобретение знаний 2. Представление знаний(сетевые, алгебраические, логические, лингвистические модели) 3. Пополнение знаний (логический вывод, обобщение, аргументация) 4. Поддержка знаний (активация нагляднообразных компонентов, мышления средствами когнитивной графики) 5. Передача знаний (дружественный интерфейс с пользователем)

РАЗВИТИЕ АГЕНТО-ОРИЕНТИРОВАННОГО ПОДХОДА ОСНОВНЫЕ ХАРАКТЕРИСТИКИ АГЕНТА • • • активность реактивность автономность коммуникативность интенциональность Для интеллектуальных агентов • • • представление знаний формирование мнений прогнозирование ситуации, принятие решений планирование действий. Ключевое свойством интеллектуального агента : способность грануляции информации как основной метод работы в условиях неопределенности.

ПРОСТЕЙШАЯ СХЕМА ИСКУССТВЕННОГО АГЕНТА (по М. Г. Гаазе-Рапопорту и Д. А. Поспелову) Из данной схемы видно, что ядро любого агента составляет тройка «Ресурсы - Восприятие - Действие»

ПРИНЦИПЫ КЛАССИФИКАЦИИ АГЕНТОВ естественные - искусственные индивидуальные - коллективные виртуальные - физические неподвижные - мобильные интеллектуальные - реактивные

ИНТЕРПРЕТАЦИИ АГЕНТОВ Искусственные агенты – физические (роботы) и виртуальные (софтботы, инфоботы, моботы) СЛОЖНЫЙ КОМПЬЮТЕРНЫЙ ВИРУС ИСКУССТВЕННЫЙ АГЕНТ ДОМАШНИЙ ИНФОБОТ РОБОТ ИСКУССТВЕННЫЙ ОРГАНИЗМ БИОЛОГИЯ, БИОНИКА, ИСКУССТВЕННАЯ ЖИЗНЬ ПЕРСОНАЛЬНЫЙ АССИСТЕНТ ДРУЖЕСТВЕННЫЙ, ИНТЕЛЛЕКТУАЛЬНЫЙ, ПЕРСОНИФИЦИРОВАННЫЙ ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ АКТИВНЫЙ ОБЪЕКТ ООП АОП: АВТОНОМНЫЙ РОБОТ В ЭКСТРЕМАЛЬНОЙ СРЕДЕ ИСКУССТВЕННЫЙ ДЕЯТЕЛЬ ТЕОРИЯ ДЕЯТЕЛЬНОСТИ ОБЪЕКТ МЕТАУРОВНЯ, СП ИСКУССТВЕННЫХ СИСТЕМ ОСОБНЫЙ МАНИПУЛИРОВАТЬ ДРУГИМИ ОБЪЕКТАМИ

ДВА ПРИМЕРА ПЕРСПЕКТИВНЫХ ИСКУССТВЕННЫХ ИНТЕЛЛЕКТУАЛЬНЫХ МОБИЛЬНЫХ ФИЗИЧЕСКИХ АГЕНТОВ Автономный когнитивный транспортный робот, перемещающийся между терминалами аэропорта и железнодорожным терминалом Полуавтономный мобильный робот, производящий диагностику состояния пути на основе целеуказаний человека и сообщающий пользователю об отклонениях от нормы

АРХИТЕКТУРА КОГНИТИВНОГО АГЕНТА Главная особенность когнитивного агента, отличающая его от других интеллектуальных систем, заключается в том, что он получает информацию из трех источников: • от датчиков сенсорной системы; • от собственной базы знаний; • от человека-оператора на ограниченном ЕЯ в виде целеуказаний и инструкций. Интеграция этих информационных процессов является необходимым условием управления.

ПЕРЕХОДЫ «ДАННЫЕ-ИНФОРМАЦИЯ-ЗНАНИЯМЕТАЗНАНИЯ» Одной из основных функций когнитивной системы интеллектуального агента является осуществление переходов «данные-информация-знания-метазнания» . Общая cхема реализации таких переходов проиллюстрирована здесь в системе координат «понимание-деятельность» . Ключевым когнитивным процессами являются процессы понимания связей при переходе от данных к информации, понимание образцов и норм при переходе от информации к знаниям и понимание ситуации управления.

КЛАССИФИКАЦИЯ МНОГОАГЕНТНЫХ СИСТЕМ Интеллектуальные агенты МНОГОАГЕНТНЫЕ СИСТЕМЫ Реактивные агенты ЭМЕРДЖЕНТНЫЙ ИНТЕЛЛЕКТ СИСТЕМЫ ГРУППОВОГО ИИ СИСТЕМЫ РАСПРЕДЕЛЕННОГО ИИ СИСТЕМЫ ИСКУССТВЕННОЙ ЖИЗНИ СИСТЕМЫ ДЕЦЕНТРАЛИЗОВАННОГО ИИ Холические системы

УРОВНИ ОРГАНИЗАЦИИ ЖИВОЙ ПРИРОДЫ • • КЛЕТКА ОРГАНИЗМ ПОПУЛЯЦИЯ БИОЦЕНОЗ На популяционном уровне элементами являются организмы (особи) определенного вида, промежуточными подсистемами семьи и прочие группы особей, а целостная система называется популяцией. На уровне простейшего биоценоза элементами являются населяющие его популяции, в случае ценозов более высоких уровней элементами являются ценозы предыдущих уровней и так далее вплоть до биосферы в целом. Все виды животных и растений, входящие в биоценоз, связаны между собой вполне определенными балансовыми соотношениями. Каждый участник биоценоза решает свои локальные задачи по обеспечению своей жизнедеятельности, а результатом решения этих локальных задач управления является достижение устойчивого существования биоценоза.

ТЕХНОСФЕРА И ТЕХНОЦЕНОЗ По аналогии с бионикой в работах К. М. Завадского, В. И. Варшавского, Д. А. Поспелова, Б. И. Кудрина рассмотрены понятия «технетики» , «техноэволюции» , «техносферы» и «техноценоза» (см. , например, Кудрин Б. И. Введение в технетику. 2 -е изд. переработ. и доп. – Томск: Изд-во Томск. гос. ун-та, 1993). Технетика есть наука о технической реальности, включающей эволюцию техносферы. При этом техника, технологии, материалы, продукция, отходы рассматриваются как единое целое. Под техноценозами понимаются популяции искусственных объектов, т. е. многоагентные системы, состоящие из индивидуальных и коллективных агентов. Подобные искусственные популяции представляют собой совокупности слабосвязанных между собой изделий, ограниченных в пространстве и во времени. Характерными примерами техноценозов являются инфраструктура городского хозяйства, транспортные отрасли, крупные транспортные предприятия, железнодорожные вокзалы, аэропорты и т. п.

УЧЕТ И МОДЕЛИРОВАНИЕ НЕ-ФАКТОРОВ В ИНФОРМАТИКЕ И ИИ Термин «НЕ-факторы» , введенный А. С. Нариньяни (1980), служит для обозначения комплекса факторов, которые выражаются словами, имеющими негативные оттенки в естественном языке, слабо отражены в классической математике, но оказываются неотъемлемыми характеристиками человеческих знаний. НЕ-факторы лексически и содержательно отрицают одно из свойств классических моделей знаний, например, классической логики предикатов 1 -го порядка: определенность, полноту, непротиворечивость, точность, однозначность, замкнутость, монотонность, и пр. Сегодня моделирование как отдельных НЕ-факторов, так и взаимосвязей между ними становится одной из ключевых задач искусственного интеллекта, в особенности, теории агентов и многоагентных систем. Разработка проблематики НЕ-факторов уже не ограничивается промежуточной областью между знанием и незнанием, «наивную топографию» которой очертил А. С. Нариньяни, а охватывает куда более обширную сферу построения интеллектуальных систем новых поколений, включая моделирование интенций, процессов коммуникации, кооперации, координации, переговоров и др.

ИНФОРМАЦИОННЫЕ НЕ-ФАКТОРЫ НЕПОЛНОТА ПРОТИВОРЕЧИВОСТЬ НЕТОЧНОСТЬ НЕОДНОЗНАЧНОСТЬ НЕЧЕТКОСТЬ Неполнота информации – локальное восприятие среды Неточность – интервальное ограничение по точности восприятия Противоречивость информации, поступающей из разных источников Неоднозначность предполагает наличие некоторого распределения информации (вероятности, возможности, правдоподобия, уверенности и пр. ). Нечеткость. Нечеткое значение приписывается лингвистическим, качественным оценкам

НЕ-ФАКТОРЫ РАЗВИТИЯ НЕ-ФАКТОРЫ НЕОБРАТИМОСТЬ НЕРАВНОВЕСНОСТЬ НЕУСТОЙЧИВОСТЬ НЕЛИНЕЙНОСТЬ Необратимость – направленность эволюции (во времени) Необратимость выступает как всеобщая асимметрия природы, как процесс постоянного нарушения симметрии при развитии. Необратимость Кооперативность Неравновесность – порождение порядка из хаоса, причина спонтанного структурогенеза в системах Неравновесность Упорядочение Неустойчивость – несохранение близости состояний системы в ходе ее эволюции. Неустойчивое состояние системы – необходимое условие ее развития. Связь неустойчивости и эволюции через бифуркации Неустойчивость Самоорганизация Нелинейность – нарушение аддитивности в процессе развития системы (принцип суперпозиции не работает) Нелинейность Интеграция

МОДЕЛИРОВАНИЕ НЕ-ФАКТОРОВ: МАГИСТРАЛЬНОЕ НАПРАВЛЕНИЕ РАЗВИТИЯ ИИ В ПЕРВОЙ ЧЕТВЕРТИ XXI-ГО ВЕКА Один из основных вопросов современного ИИ: может ли система называться интеллектуальной, если она не моделирует какие-либо НЕ-факторы? Появление общей теории неопределенности Л. Заде, опирающейся на обобщенные ограничения, бурное развитие вычислений со словами и, особенно, гранулярных вычислений делают очевидным ответ на этот вопрос: Интеллектуальная система нового поколения должна быть способной к учету и моделированию комплекса НЕ-факторов, «пронизывающих» ее взаимодействие со средой.

ТИПИЧНЫЕ МОДЕЛИ НЕ-ФАКТОРОВ • • Интервалы Вложенные множества Недоопределенные множества Переопределенные множества Приближенные множества Мультимножества Нечеткие множества Лингвистические переменные Примитивы языка гранулярных вычислений – покрытия, разбиения, окрестности

СИСТЕМА МЕТОДОВ ГРАНУЛЯЦИИ ИНФОРМАЦИИ (по Л. ЗАДЕ)

ОНТОЛОГИЧЕСКАЯ СТРУКТУРА ГРАНУЛЯЦИИ ИНФОРМАЦИИ Общая схема грануляции информации когнитивным агентом описывается пятеркой GR = X, G, C, M, T , X – проблемная область; G – семейство информационных гранул; C – множество обобщенных ограничений; каждый тип ограничения определяет требования к выбору метода грануляции; M – множество формальных методов грануляции; T – множество переходов между уровнями грануляции (преобразований гранул).

ПРИМЕРЫ СИНГУЛЯРНЫХ И ГРАНУЛЯРНЫХ ЗНАЧЕНИЙ

ОБОБЩЕННАЯ МОДЕЛЬ УПРАВЛЕНИЯ КОГНИТИВНЫМ АГЕНТОМ НА БАЗЕ ГРАНУЛЯЦИИ ИНФОРМАЦИИ

Рациональные агенты • агентом является все, что может рассматриваться как воспринимающее свою среду с помощью датчиков и воздействующее на эту среду с помощью исполнительных механизмов • рациональный агент это агент, который действует настолько успешно, насколько это возможно в данной среде

Общая схема агента

Факторы рациональности • действия, которые могут быть выполнены агентом • критерии успеха действий агента • знания агента о среде, приобретенные ранее • последовательность актов восприятия агента, которые произошли до настоящего времени.

Мир робота-пылесоса

Мир робота-пылесоса • • показатели успеха - вознаграждение в одно очко за каждый чистый квадрат в каждом интервала времени в течение "срока существования" агента, состоящего , например, из 1000 интервалов времени "География" среды известна заранее, но распределение мусора и первоначальное местонахождение агента не определены. Чистые квадраты остаются чистыми, а всасывание мусора приводит к очистке текущего квадрата. Действия Left и Right приводят к перемещению агента соответственно влево и вправо, за исключением тех случаев, когда они могли бы вывести агент за пределы среды, и в этих случаях агент остается там, где он находится Единственными доступными действиями являются Left, Right, Suck( всосать мусор) и No. Op (ничего не делать). Агент правильно определяет свое местонахождение и воспринимает показания датчика, позволяющие узнать, имеется ли мусор в этом местонахождении.

Рациональное и совершенное поведение • Рациональное поведение — это максимизация ожидаемого (прогнозируемого) критерия успеха • Совершенное поведение — максимизация фактического значения критерия успеха в будущем, результаты которого без «машины времени» узнать невозможно Определение рациональности поведения не требует всезнания. Рациональный выбор зависит только от последовательности актов восприятия, сформированной к данному моменту. Определение рационального агента требует, чтобы агент не только собирал информацию, но также обучался в максимально возможной степени на тех данных, которые он воспринимает.

Свойства рационального агента • Мониторинг (целенаправленное изучения ситуации) • Обучаемость • Автономность (независимость от создателя, от априорных знаний)

Проблемная среда. PEAS • • Performance (критерий успеха) Environment (среда) Actuators (исполнительные механизмы) Sensors (датчики) Первый этап проектирования любого агента всегда должен состоять в определении проблемной среды с наибольшей возможной полнотой

Примеры PEAS

Свойства проблемной среды • • • Полностью наблюдаемая - частично наблюдаемая Детерминированная - стохастическая Эпизодическая - последовательная Статическая - динамическая Дискретная - непрерывная Одноагентная - мультиагентная

Примеры проблемных сред

Простой рефлексивный агент

Агент, основанный на модели

Агент, основанный на цели

Агент, основанный на полезности

Обучающиеся агенты

Выводы по теме «Агенты» • • • Программа агента реализует функцию агента. Существует целый ряд основных проектов программ агента, соответствующих характеру явно воспринимаемой информации, которая используется в процессе принятия решения. Разные проекты характеризуются различной эффективностью, компактностью и гибкостью. Выбор наиболее подходящего проекта программы агента зависит отхарактера среды. Простые рефлексные агенты отвечают непосредственно на акты восприятия, тогда как рефлексные агенты, основанные на модели, поддерживают внутреннее состояние, прослеживая те аспекты среды, которые не наблюдаются в текущем акте восприятия. Агенты, действующие на основе цели, организуют свои действия так, чтобы достигнуть своих целей, а агенты, действующие с учетом полезности, пытаются максимизировать свою собственную ожидаемую "удовлетворенность". Все агенты способны улучшать свою работу благодаря обучению.

Выводы по теме «Агенты» • • • Программа агента реализует функцию агента. Существует целый ряд основных проектов программ агента, соответствующих характеру явно воспринимаемой информации, которая используется в процессе принятия решения. Разные проекты характеризуются различной эффективностью, компактностью и гибкостью. Выбор наиболее подходящего проекта программы агента зависит отхарактера среды. Простые рефлексные агенты отвечают непосредственно на акты восприятия, тогда как рефлексные агенты, основанные на модели, поддерживают внутреннее состояние, прослеживая те аспекты среды, которые не наблюдаются в текущем акте восприятия. Агенты, действующие на основе цели, организуют свои действия так, чтобы достигнуть своих целей, а агенты, действующие с учетом полезности, пытаются максимизировать свою собственную ожидаемую "удовлетворенность". Все агенты способны улучшать свою работу благодаря обучению.

Истоки проблемы «Агенты» • • Истоки представлений о центральной роли действий в интеллекте (сформулированных в виде понятия практических рассуждений) прослеживаются до Никомаховой этики Аристотеля. Понятие контроллера в теории управления идентично понятию агента в искусственном интеллекте. На протяжении большей части истории развития искусственного интеллекта основные усилия в этой области были сосредоточены на исследовании отдельных компонентов агентов (в качестве примеров можно привести системы поиска ответов на вопросы, программы автоматического доказательства теорем, системы технического зрения и т. д. ), а не самих агентов, рассматриваемых как единое целое. Корни понятия рациональности прослеживаются философии и экономике. В искусственном интеллекте это понятие не привлекало значительного интереса до тех пор, пока в середине 1980 -х не началось широкое обсуждение проблемы создания подходящих теоретических основ данной области.