1.3 Історія розвитку систем ші.

Історично склалися три основних напрямки в моделюванні ШІ.

У рамках першого підходу об'єктом досліджень є структура і механізми роботи мозку людини, а кінцева мета полягає в розкритті таємниць мислення. Необхідними етапами досліджень у цьому напрямку є побудова моделей на основі психофізіологічних даних, проведення експериментів з ними, висування нових гіпотез щодо механізмів інтелектуальної діяльності, удосконалювання моделей і т.д.

Другий підхід як об'єкт дослідження розглядає ШІ. Тут мова йде про моделювання інтелектуальної діяльності за допомогою обчислювальних машин. Метою робіт у цьому напрямку є створення алгоритмічного і програмного забезпечення обчислювальних машин, що дозволяє вирішувати інтелектуальні задачі не гірше людини.

Нарешті, третій підхід орієнтований на створення змішаних людино-машинних, чи, як ще говорять, інтерактивних інтелектуальних систем, на симбіоз можливостей природного і штучного інтелекту. Найважливішими проблемами в цих дослідженнях є оптимальний розподіл функцій між природним і штучним інтелектом і організація діалогу між людиною і машиною.

Найпершими інтелектуальними задачами, що стали зважуватися за допомогою ЕОМ були логічні ігри (шашки, шахи), доказ теорем. Хоча, правда тут треба відзначити ще кібернетичні іграшки типу "електронної миші" Клода Шеннона, що керувалася складною релейною схемою. Ця мишка могла "досліджувати" лабіринт, і знаходити вихід з нього. А крім того, поміщена у вже відомий їй лабіринт, вона не шукала вихід, а відразу ж, не заглядаючи в тупикові ходи, виходила з лабіринту.

Американський кібернетик А. Самуэль склав для обчислювальної машини програму, що дозволяє їй грати в шашки, причому в ході гри машина навчається, чи принаймні, створює враження, що навчається, поліпшуючи свою гру на основі накопиченого досвіду. У 1962 р. ця програма змагалася з Р. Нили, найсильнішим шашкістом у США і перемогла.

Яким чином машині вдалося досягти настільки високого класу гри?

Природно, що в машину були програмно закладені правила гри так, що вибір чергового ходу був підлеглий цим правилам. На кожній стадії гри машина вибирала черговий хід з безлічі можливих ходів відповідно до деякого критерію якості гри. У шашках (як і в шахах) звичайно невигідно втрачати свої фігури, і, навпаки, вигідно брати фігури супротивника. Гравець (будь він людина чи машина), що зберігає рухливість своїх фігур і право вибору ходів і в той же час тримає під боєм велике число полів на дошці, звичайно грає краще свого супротивника, що не дає значення цим елементам гри. Описані критерії гарної гри зберігають свою силу протягом усієї гри, але є й інші критерії, що відносяться до окремих її стадій — дебюту, мітеншпілю, ендшпілю.

Розумно сполучаючи такі критерії (наприклад у виді лінійної комбінації з коефіцієнтами, що експериментально підбираються, чи більш складним чином), можна для оцінки чергового ходу машини одержати деякий числовий показник ефективності — оціночну функцію. Тоді машина, порівнявши між собою показники ефективності чергових ходів, вибере хід, що відповідає найбільшому показнику. Подібна автоматизація вибору чергового ходу не обов'язково забезпечує оптимальний вибір, але все-таки це якийсь вибір, і на його основі машина може продовжувати гру, удосконалюючи свою стратегію (спосіб дії) у процесі навчання на минулому досвіді. Формальне навчання складається в підстроюванні параметрів (коефіцієнтів) оціненої функції на основі аналізу проведених ходів і ігор з урахуванням їх результату.

На думку А. Самуэля, машина, що використовує цей вид навчання, може навчитися грати краще, ніж середній гравець, за відносно короткий період часу.

Можна сказати, що всі ці елементи інтелекту, продемонстровані машиною в процесі гри в шашки, повідомлені їй автором програми. Частково це так. Але не слід забувати, що програма ця не є "точною", заздалегідь продуманою у всіх деталях. Вона удосконалює свою стратегію гри в процесі самонавчання. І хоча процес "мислення" у машини істотно відмінний від того, що відбувається в мозку граючого в шашки людини, вона здатна в нього виграти.

Яскравим прикладом складної інтелектуальної гри донедавна були шахи. У 1974 р. відбувся міжнародний шаховий турнір машин. Як відомо, перемогу на цьому турнірі одержала радянська машина із шаховою програмою "Каісса".

Чому тут ужито "донедавна"? Справа в тім, що недавні події показали, що незважаючи на досить велику складність шахів, і неможливість, у зв'язку з цим зробити повний перебір ходів, можливість перебору їх на велику глибину, чим звичайно, дуже збільшує шанси на перемогу. Приміром, за повідомленнями в мас медіа, комп'ютер фірми IBM, що переміг Каспарова, мав 256 процесорів, кожний з який мав 4 Гб дискової пам'яті і 128 Мб оперативної. Весь цей комплекс міг прораховувати більш 100'000'000 ходів у секунду. Донедавна рідкістю був комп'ютер, що міг робити таку кількість цілочисельних операцій у секунду, а тут ми говоримо про ходи, що повинні бути згенеровані і для яких перелічені оцінні функції. Хоча з іншого боку, цей приклад говорить про могутність і універсальність перебірних алгоритмів.

В даний час існують і успішно застосовуються програми, що дозволяють машинам грати в ділові чи військові ігри, що мають велике прикладне значення. Тут також надзвичайно важливо додати програмам властивій людині здатність до навчання й адаптації. Однією з найбільш цікавих інтелектуальних задач, що також має величезне прикладне значення, є задача навчання розпізнавання образів і ситуацій. Рішенням її займалися і продовжують займатися представники різних наук — фізіологи, психологи, математики, інженери. Такий інтерес до задачі стимулювався фантастичними перспективами широкого практичного використання результатів теоретичних досліджень: читаючі автомати, системи ШІ, що ставлять медичні діагнози, що проводять криміналістичну експертизу і т.п., а також роботи, здатні розпізнавати й аналізувати складні сенсорні ситуації.

У 1957 р. американський фізіолог Ф. Розенблатт запропонував модель зорового сприйняття і розпізнавання — перцептрон. Поява машини, здатної навчатися поняттям і розпізнавати пропоновані об'єкти, виявилося надзвичайно цікавим не тільки фізіологам, але і представникам інших областей знання і породило великий потік теоретичних і експериментальних досліджень.

Перцептрон чи будь-яка програма, що імітує процес розпізнавання, працюють у двох режимах: у режимі навчання й у режимі розпізнавання. У режимі навчання хтось (людина, машина, чи робот природа), що грає роль учителя, пред'являє машині об'єкти й про кожний з них їх повідомляє, до якого поняття (класу) він належить. По цим даним будується вирішальне правило, що є, власне кажучи, формальним описом понять. У режимі розпізнавання машині пред'являються нові об'єкти (узагалі говорячи, відмінні від раніше пред'явлених), і вона повинна їх класифікувати, по можливості, правильно.

Проблема навчання розпізнаванню тісно зв'язана з іншою інтелектуальною задачею — проблемою перекладу з однієї мови на іншу, а також навчання машини мові. При досить формальній обробці і класифікації основних граматичних правил і прийомів користування словником можна створити цілком задовільний алгоритм для перекладу, скажемо наукового чи ділового тексту. Для деяких мов такі системи були створені ще наприкінці 60-г. Однак для того, щоб складно перевести досить великий розмовний текст, необхідно розуміти його зміст. Роботи над такими програмами ведуться вже давно, але до повного успіху ще далеко. Маються також програми, що забезпечують діалог між людиною і машиною на урізаній природній мові.

Що ж стосується моделювання логічного мислення, те гарною модельною задачею тут може служити задача автоматизації доказу теорем. Починаючи з 1960 р., був розроблений ряд програм, здатних знаходити доказу теорем у численні предикатів першого порядку. Ці програми володіють, за словами американського фахівця в області ШІ Дж. Маккатті, "здоровим глуздом", тобто здатністю робити дедуктивні висновки.

У програмі К. Гріна й ін., що реалізує питально-відповідну систему, знання записуються мовою логіки предикатів у виді набору аксіом, а питання, що задаються машині, формулюються як підлягаючому доказу теореми. Великий інтерес представляє "інтелектуальна" програма американського математика Хао Ванга. Ця програма за 3 хвилини роботи на IBM-704 вивела 220 доказів простих лем і теорем з фундаментальної математичної монографії, а потім за 8.5 хв видала докази ще на 130 більш складних теорем, частина яких ще не була виведена математиками. Правда, дотепер жодна програма не вивела і не довела ні однієї теореми, яка б, що називається "конче" була б потрібна математикам і була б принципово новою.

Дуже великим напрямком систем ШІ є роботехніка. У чому основна відмінність інтелекту робота від інтелекту універсальних обчислювальних машин?

Для відповіді на це питання доречно згадати висловлення, яке належить великому російському фізіологу І. М. Сєченову: "... уся нескінченна розмаїтість зовнішніх проявів мозкової діяльності зводиться остаточно лише до одного явища — м'язовому руху". Іншими словами, вся інтелектуальна діяльність людини спрямована в кінцевому рахунку на активну взаємодію з зовнішнім світом за допомогою рухів. Точно так само елементи інтелекту робота служать насамперед для організації його цілеспрямованих рухів. У той же час основне призначення чисто комп'ютерних систем ШІ складається в рішенні інтелектуальних задач, що носять абстрактний чи допоміжний характер, що звичайно не зв'язані ні зі сприйняттям навколишнього середовища за допомогою штучних органів почуттів, ні з організацією рухів виконавчих механізмів.

Перших роботів важко назвати інтелектуальними. Тільки в 60-х роках з'явилися чуттєві роботи, що керувалися універсальними комп'ютерами. Для приклада в 1969 р. в Електротехнічній лабораторії (Японія) почалася розробка проекту "промисловий інтелектуальний робот". Ціль цієї розробки — створення чуттєвого маніпуляційного робота з елементами штучного інтелекту для виконання складально-монтажних робіт з візуальним контролем.

Маніпулятор робота має шістьох ступенів волі і керується міні-евм NEAC-3100 (обсяг оперативної пам'яті 32000 слів, обсяг зовнішньої пам'яті на магнітних дисках 273000 слів), що формує необхідний програмний рух, що відпрацьовується електрогідравлічною системою. Охват маніпулятора оснащений тактильними датчиками.

Як систему зорового сприйняття використовуються дві телевізійні камери, постачені червоно-зелено-синіми фільтрами для розпізнавання кольору предметів. Поле зору телевізійної камери розбите на 64*64 осередків. У результаті обробки отриманої інформації грубо визначається область, займана цікавлячим робота предметом. Далі, з метою детального вивчення цього предмета виявлена область знову поділяється на 4096 осередків. У тому випадку, коли предмет не міститься в обране "віконце", воно автоматично переміщається, подібно тому, як людина сковзає поглядом по предметі. Робот Електротехнічної лабораторії був здатний розпізнавати прості предмети, обмежені площинами і циліндричними поверхнями при спеціальному висвітленні. Вартість даного експериментального зразка складала приблизно 400000 доларів.

Поступово характеристики роботів монотонно поліпшувалися, Але дотепер вони ще далекі по тямущості від людини, хоча деякі операції уже виконують на рівні кращих жонглерів. До приклада утримують на лезі ножа кулька від настільного тенісу.

Ще мабуть тут можна виділити роботи київського Інституту кібернетики, де під керівництвом Н. М. Амосова і В. М. Глушкова (нині покійного) ведеться комплекс досліджень, спрямованих на розробку елементів інтелекту роботів. Особлива увага в цих дослідженнях приділяється проблемам розпізнавання зображень і мови, логічного висновку (автоматичного доказу теорем) і керування за допомогою нейроподібних мереж.

Для прикладу можна розглянути створений ще в 70-х роках макет транспортного автономного інтегрального робота (ТАИР). Конструктивно ТАИР являє собою триколісне шасі, на якому змонтована сенсорна система і блок керування. Сенсорна система містить у собі наступні засоби чуття: оптичний далекомір, навігаційна система з двома радіомаяками і компасом, контактні датчики, датчики кутів нахилу візка, таймер і ін. І особливість, що відрізняє ТАИР від багатьох інших систем, створених у нас і за рубежем, це те, що в його складі немає комп'ютера в тім виді, до якого ми звикли. Основу системи керування складає бортова нейроподібна мережа, на якій реалізуються різні алгоритми обробки сенсорної інформації, планування поводження і керування рухом робота.

Наприкінці даного дуже короткого огляду розглянемо приклади великомасштабних експертних систем.

MICIN — експертна система для медичної діагностики. Розроблена групою по інфекційних захворюваннях Стенфордського університету. Ставить відповідний діагноз, виходячи з представлених їй симптомів, і рекомендує курс медикаментозного лікування кожної з діагностованих інфекцій. База даних складається з 450 правил.

PUFF — аналіз порушення подиху. Дана система являє собою MICIN, з якої видалили дані по інфекціях і вставили дані про легеневі захворювання.

DENDRAL — розпізнавання хімічних структур. Дана система найстарша, з тих що мають звання експертних. Перші версії даної системи з'явилися ще в 1965 році в усе тім же Стенфордском університеті. Користувач дає системі DENDRAL деяку інформацію про речовину, а також дані спектрометрії (інфрачервоної, ядерного магнітного резонансу і мас-спектрометрії), і та у свою чергу видає діагноз у виді відповідної хімічної структури.

PROSPECTOR — експертна система, створена для сприяння пошуку комерційно виправданих родовищ корисних копалин.