7. Когнитивные системы

Развитие когнитивного подхода, рассмотренное в главе 1, здесь конкретизируется в плане описания и анализа существующих вариантов систем, которые могут быть отнесены к когнитивным в узком смысле.

Определим когнитивные системы (КС) [7] как обучаемые интеллектуальные системы, моделирующие на программном (симуляция) или на аппаратном (эмуляция) уровнях некоторые элементы восприятия, познания и мышления (когнитивные функции и процессы), характерные для мозговой деятельности человека. Естественно, можно осуществить такое моделирование, если знать, что моделировать, и иметь технические средства для этого. Пока знания о когнитивной деятельности мозга ограничены, но даже известные и достаточно изученные психологами и физиологами когнитивные функции и процессы не удается моделировать полностью на существующих технических средствах. Поэтому в настоящее время "подлинные" когнитивные системы, которые построены на нервно-системных принципах и способны имитировать мыслительную деятельность человека, еще не созданы. Существуют лишь примитивные прототипы таких систем, очень упрощенно отражающие когнитивную деятельность мозга и приспособленные для решения узких задач. Такие системы строятся как логические, нейронные, нейрологические. Эта классификация соответствует типам компонентных модулей, из которых могут быть собраны КС, и назначению систем. Естественная сложность когнитивных функций и процессов требует строить многомодульные КС со сложной структурой. Именно такие системы и будут обсуждаться в этой главе.

7.1. Логические когнитивные системы.

Прототипами КС с логическими модулями, содержащими продукционные, семантические и фреймовые базы знаний, а также средства логического вывода и обучения, могут являться:

• иерархические продукционные системы с автоматическим формированием правил в импликативной форме;

• иерархические семантические сети с автоматическим формированием

70

понятий и отношений;

• фреймовые системы с обучением.

Обучаемые продукционные системы. Такие системы являются наиболее применимыми и многовариантными, поскольку в них модульные базы знаний могут строиться, как наборы недетерминированных правил - нечетких, вероятностных и с коэффициентами уверенности. При этом используются соответствующие типам правил процедуры вывода. Методы обучения тоже различны: метаправила, параметрическое обучение, генетические алгоритмы, симуляция отжига и др. Примером такой системы может быть обучаемая система EURISCO на метаправилах.

Система EURISCO. Метаправило - это правило о том, как формировать и модифицировать новые знания. Метаправила применялись в системе с продукционной базой знаний с индуктивным обучением. Специально подобранный набор метаправил позволил достаточно эффективно накапливать новые продукционные правила в режиме обучения.

Любое понятие в системе, включая правила, представлено в виде фрейма из нескольких слотов, которые могут добавляться или уничтожаться в процессе работы. Слоты нового типа создаются с использованием метаправил, определяющих причины создания. Система рекурсивна, т.е. каждый слот может описываться своим фреймом. Поскольку все объекты данных, включая правила, описаны слотами и фреймами, то легко строятся и рассуждения, и метарассуждения. Например, система может начать работу с правила

"Если некоторое правило сработало один раз,

то обобщить это правило".

Такое правило является указанием рассматривать все правила, которые сработали лишь однажды. Оно может привести к созданию более общего правила

"Если некоторое правило сработало менее пяти раз,

то обобщить это правило".

Созданное правило может, в свою очередь применяться к самому себе или к предыдущему правилу, его родившему. Такой процесс, однако, не бесконечен,

71

поскольку у каждого правила имеется слот "ценность", указывающий количество процессорного времени, отведенного этому правилу. Заметим, что обобщены могут быть только прямо или косвенно полезные правила.

Структура фреймов и внутренних слотов иерархически наращивается путем добавления информации, необходимой для лучшего соответствия ситуации. Новая структура может или не может стать основой для построения других структур в зависимости от этого соответствия. Так могут создаваться совершенно новые структуры и метаправила. Последние дают еще больше возможностей для создания новых структур фреймов и слотов.

Подобные системы, по существу, имитируют когнитивные функции человека, позволяющие делать "открытия", т.е. генерировать неизвестные факты и правила, обладающие полезностью.

Обучаемые системы на семантических сетях. Такие системы менее популярны, но могут в определенной степени отображать когнитивные процессы формирования понятий в памяти человека. Иерархические варианты таких сетей развивают концепцию сложных семантических сетей с автоматическим формированием понятий и отношений между ними. Примером такого подхода является система CASNET.

Система CASNET. Эта система ориентирована на диагностику заболевания глаукомой. Используется одна из разновидностей семантических сетей - каузальная сеть. Узлы сети представляют состояния системы, а дуги - каузальные отношения (продукционные правила специального вида). Структура сети - иерархическая.

Принято трехуровневое описание болезни: наблюдения L - физиологические состояния F - категории болезни C. Формально структура сети может быть представлена цепочкой множеств:

HLSN = {P_L  _ac P_F  _cc P_C},

где P_L, P_F, P_C - уровни (плоскости) наблюдения, физиологии, категорий соответственно; ac, cc - ассоциативные и классифицирующие связи (отношения) соответственно.

Уровни сети также можно описать множествами:

P_C = {Q, E, H} ; P_F = {S, s_i  s_j(i+1)}; P_C = {S, C, M},

72

где Q, E - симптомы, наблюдающиеся у пациента, и факты, основанные на клинической экспертизе соответственно; H - гипотезы (мнения) о болезни; S - физиологические состояния; s_i  s_j - каузальные связи i и j-состояний внутри уровня P_F; S - подтвержденные и неподтвержденные физиологические состояния, которые используются для диагноза болезни; C - категории болезни при диагнозе; M - методы лечения.

В процессе работы с системой вводятся симптомы q, факты e и мнения h, вычисляется набор подтвержденных S⁺ и неподтвержденных S^- состояний пациента и реализуется выбор категории болезни c и метода лечения m с учетом предварительного мнения h_bef в соответствии с правилами выбора (стратегиями). Этот процесс формально можно представить цепочкой соответствий:

(q, e, h)  (S⁺, S^-)  ((S⁺S^-h)  (c, m))  (c, m).

В данном варианте используется поиск состояний, генерируемых каузальной сетью так, чтобы сделать максимальным коэффициент уверенности состояния, достоверность которого доказана и по которому делается диагноз.

Обучаемые фреймовые системы. Такие системы являются более универсальными, чем продукционные и семантические. Они, как и обычные фреймовые системы имеют иерархическую структуру с наследованием типа АКО (абстрактное - конкретное), но фреймы обязательно включают присоединенные процедуры обучения, реализующие разные алгоритмы (на метаправилах, генетические и пр.). Примером такого подхода является система ET с эволюцией фреймов.

Система ET (Expert Tomographer). Здесь использован эволюционный (генетический) алгоритм обучения, который работает хорошо, когда имеет место удачное представление компонентов знаний. Выбранная форма представления знаний в виде фреймов со слотами, содержащими компоненты правил (условия и заключения), коэффициенты уверенности и пороги срабатывания условий, коэффициенты уверенности и ослабления заключений, достаточно гибкая и позволяет учитывать иерархию слотов и неопределенности. Генетический алгоритм применен для эволюционного улучшения фреймов с правилами.

Рассмотрим два фрейма, которые генетический алгоритм должен

73

скопировать и пересечь друг с другом с использованием операции кроссовера:

Фрейм 1 (ЕСЛИ кт = нарушение И плотность = гиперплотный И иб = нейросимптомы И время = меньше 6 недель ТО д = инфаркт);

Фрейм 2 (ЕСЛИ кт = нарушение И плотность = гиперплотный И иб = нейросимптомы И время = меньше 1 недели ТО д = гематома).

Здесь: ЕСЛИ, ТО - слоты первого уровня; кт - компьютерная томография, иб - история болезни, д - диагноз; плотность и время - слоты второго уровня, сопровождаемые своими значениями (справа после =).

Одно возможное пересечение при кроссовере - обмен значениями слотов "время". В результате пересечения рождаются:

Потомок фрейма 1 со слотом "время = меньше 1 неделя";

Потомок фрейма 2 со слотом "время = меньше 6 недель".

Исходя из медицинских наблюдений ПотомокФрейма1, ставящий диагноз "д = инфаркт", дает более реальную картину. Многократное применение процедуры кроссовера к популяции правил позволяет уточнять значения слотов с целью получения наилучшего набора для диагностики болезни (оптимизация структуры правил во фреймах).

Следующий этап - определение внутренней структуры фреймов - связан с установлением коэффициентов уверенности и порогов срабатывания правил или их ослаблений. Это может быть сделано также с помощью генетического алгоритма, настроенного на оптимизацию параметров фреймов по критерию соответствия.

Рассмотренные варианты логических систем могут условно называться когнитивными лишь по признакам обучаемости и наличия баз знаний. Признаки нервно-системной организации такие системы не поддерживают.