3. Связь ии с другими науками. Использование в сфере экономики
Биология – устройство и деятельность мозга
Информатика – программные модели и средства, эксперимент на ЭВМ
Лингвистика – восприятие языка, выражение мысли посредством языка
Математика – математический аппарат и методы решения задач, логика
Психология – модели мышления (ассоциативная, модельная гипотеза)
Робототехника – возможности построения систем управления поведением
БАЗА ЗНАНИЙ
Всякая интеллектуальная деятельность опирается на знания. В эти знания включаются характеристики текущей ситуации, оценки возможности выполнения тех или иных действий, законы и закономерности того мира, в котором совершается деятельность, и многое другое. В программах, которые стали создаваться, когда появились компьютеры, необходимые знания хранились в памяти программистов, которые писали программы. Компьютер ее механически выполнял заложенную в его память последовательность команд программы. Никаких знаний для этого компьютеру не требовалось.
Принципиальное отличие систем искусственного интеллекта, как об этом говорилось в статье «Искусственный интеллект», состоит в том, что для такого рода систем программист не готовит конкретные программы для исполнения. Человек лишь дает машине нужное задание, а программу, выполняющую это задание, система должна построить сама. Для этого нужны знания как о предметной области, к которой относится задание, так и о том, как строятся программы. Все эти знания хранятся в интеллектуальных системах в специальном блоке, называемом базой знаний.
Знания, хранящиеся в базе знаний, записываются в специальной формализованной форме (см. Представление знаний). В базе знаний могут реализоваться процедуры обобщения корректировки хранимых знаний, а также процедуры, создающие новые знания на основании тех, которые уже там имеются (см. Моделирование рассуждений). Знания, хранимые в базе, отличаются от данных, хранящихся в базе данных, несколькими особенностями. Во-первых, структуры данных (см. Семантические сети, Продукция Фрейм). Во-вторых, знания обладают свойством внутренней активности.
Чтобы пояснить это принципиальное свойство знаний, вспомним, что при обычной работе с компьютером данные всегда играют пассивную роль Данные – это то, с чем работает программа, реализуемая на компьютере: программа вызывает базу данных. Смена данных оставляет базу «равнодушной» к происшедшим изменениям.
В базе знаний ситуация прямо противоположная. Изменения в хранимых в ней знаниях могут активизировать те или иные программы, связанные с этими знаниями. Точно так ее действия человека целиком связаны с его знаниями, которые служат побудительным мотивом для совершения тех или иных действий или программ действий. Аналогичную роль играют знания в роботах и других интеллектуальных системах.
МАШИННЫЙ ИНТЕЛЕКТ
Под понятием «машинный интеллект» подразумевают совокупность аппаратных и программных средств ЭВМ, с помощью которых обеспечивается такое общение человека с машиной (интерфейс), которое по своему уровню приближается к общению между собой специалистов, решающих совместную задачу.
Машинный интеллект предполагает наличие средств, определяющих восприимчивость ЭВМ к языкам программирования высокого уровня, близким к естественному языку выдачи заданий на решение задач, а также средств, позволяющих выполнить эти задания за счет знаний о предметной области, в которой решается данная задача.
Основой машинного интеллекта является так называемый структурный способ обработки информации. Его альтернатива – программный способ обработки информации. В обоих способах, естественно, используется и аппаратное оборудование, и программы выполнения заданий на нем. Но по отношению к конкретной работе машины эти способы принципиально различаются. Если выполнение данного задания не требует никаких программных указаний о промежуточных действиях, то такой способ будет структурным. В этом случае машина знает, как выполнять задание, поскольку в ее внутреннем математическом обеспечении заложена соответствующая информация, которая активизируется по имени полученного машиной задания. Другими словами, в состав базовых операций машины, не требующих программирования, входит операция по выполнению данного задания. Если же такая операция (как самостоятельная) в машине отсутствует, то для получения требуемого результата необходимо ее реализовать в виде соответствующей программы из последовательности имеющихся базовых операций над компонентами векторов и промежуточными результатами вычислений. Это и будет программный способ выполнения задания.
Оба эти способа обработки информации можно реализовать на любой из ЭВМ, но степень развития ее машинного интеллекта зависит от соотношения между этими способами. Чем более сложные Действия может выполнять машина без их детализации со стороны пользователя (в виде последовательностей программных указаний),т.е. чем больше знает машина, как делать (что делать – задает пользователь), тем более высоким является ее интеллект. Следовательно, пользователю на не легче работать и вычислительный процесс становится более эффективным.
Вторая черта машинного интеллекта – способность выполнять набор операций с данными и знаниями, хранящимися в базах данных и базах знаний в памяти ЭВМ без специального программирования этих операций. Этими операциями являются процедуры поиска информации, необходимой для решения задачи, моделирование рассуждений с привлечением знаний, корректировка содержимого баз и т.п. Наличие таких встроенных в ЭВМ операций позволяет говорить о них не только как о вычислительных, но и как о рассуждающих машинах.
Уровень машинного интеллекта отражается и на том, как внутри ЭВМ организован процесс поиска решения задачи.
Организация вычислительного процесса основана на выполнении совокупности служебных процедур, входящих в состав операционной системы машины, без которой вообще невозможно организовать вычислительный процесс. Как правило, эти процедуры не подлежат программированию со стороны пользователя. Это означает, что они представлены во внутреннем языке и по мере вызова эти стандартные программы извлекаются из памяти и выполняются. Если выполнение таких процедур будет происходить на специально предназначенном для них оборудовании, а не на универсальных обрабатывающих процессорах, то это будет соответствовать более высокой степени машинного интеллекта и обеспечит большую эффективность процесса обработки информации в ЭВМ
Еще один путь повышения машинного интеллекта связан с возможностью непосредственного выполнения операций со сложно организованными данными (векторами, таблицами, списками и т.п.). Чем сложнее структура данных, тем более сложными будут операции, производимые над ними. Но они будут заменять собой большие участки программ, которые до этого должен был писать пользователь. Теперь же вместо того, чтобы выполнять эту работу, пользователю достаточно лишь указать имя соответствующей процедуры.
В этом случае, когда структуры данных допускают параллельную однотипную обработку элементов, достигается резкое повышение производительности ЭВМ. Такая обработка меняет сам процесс, реализуемый в ЭВМ, и стимулирует появление новых типов ЭВМ, ориентированных на параллельные модели вычислений.
Машинный интеллект, развиваясь, постепенно приближает ЭВМ к настоящим системам искусственного интеллекта.
МОДЕЛИРОВАНИЕ РАССУЖДЕНИЙ
Любой вид человеческой деятельности так или иначе связан с рассуждением. В таком разделе науки, как искусственный интеллект, этот термин используется в его общечеловеческом смысле, как понятие естественного языка, нестрогое и неоднозначное. Но есть один вид рассуждений, являющихся объектом изучения специальной науки – логики, который определяется научно. Поскольку такие (логические) рассуждения широко используются в интеллектуальных системах, рассмотрим сначала их.
Пусть имеется некая формальная система F = <T,P,A,П>. Множество Т может быть конечным или счетным. Его элементы имеют произвольную природу. Это могут быть числа, символы, слова, предметы реального мира и т.д. Все они называются базовыми элементами формальной системы и попарно различимы между собой. Множество Т обладает разрешимостью, т.е. о любом элементе из некоторого универсума всех возможных элементов всегда можно однозначно сказать, является он базовым или нет.
Предположим, что формальная система описывает игру в шахматы. В этом случае белые и черные фигуры, стоящие на определенных полях игрового поля образующие шахматную позицию, представляют собой множество базовых элементов Т. Пары «фигура – игровое поле» различимы между собой. Если же на некотором игровом поле находится не шахматная фигура, а посторонний предмет, то это легко обнаруживается и такая «пара» не учитывается в шахматной позиции.
Множество Р состоит из синтаксических правил, помощью которых из базовых элементов можно получить новые элементы формальной системы, которые называются производными. Например, если пары «фигура – игровое поле» являются базовыми элементами, то шахматные позиции – производные элементы. Эти позиции образуются из базовых элементов по определенным правилам, учитывающим пространственные отношения типа: быть слева, быть на одной линии, находиться под ударом и т.п. Все производные элементы, получаемые из базовых с помощью правил из множества Р, считаются синтаксически правильными.
Множество АРМ есть произвольное подмножество синтаксически правильных элементов. Элементы множества АРМ называются аксиомами. Они характеризуют изначально заданные синтаксически правильные элементы формальной системы. Применительно к шахматам из всех позиций шахматной игры имеется лишь одна изначально заданная – это начальная позиция, она и является аксиомой.
Наконец, множество П представляет собой совокупность правил вывода. Эти правила позволяют из аксиом получать другие синтаксически правильные элементы.
Такие элементы называют выводимыми. В шахматной игре выводимыми являются все позиции, (аксиомы) с помощью последовательности ходов, состоящих из полуходов белых серых. Сами правила, по которым совершаются полуходы, и есть правила вывода.
Заданная таким образом формальная система обладает свойством автоматически порождать из системы аксиом все выводимые из них элементы формальной системы.
С понятием формальной системы связано важное понятие интерпретации. Для интерпретации задается специальное множество Н, элементы которого называются оценками. Это могут быть например, значения истинности (истинно, правдоподобно, сомнительно, полезно, бесполезно, вредно), оценки доверия ( абсолютное доверие, вера на 50%, невозможно поверить) и многие другие.
Формальная система обладает интерпретацией, если существуют такие правила К, при которых любой синтаксически правильный элемент получает однозначную оценку при условии, что все базовые элементы, из которых состоит данный производный элемент, получили некоторую оценку из множества Н. Правила К называются правилами интерпретации.
При создании программ для игры в шахматы можно ввести понятие оценки фигуры в данной позиции. Сила фигуры оценивается в очках в зависимости от ее возможностей вообще и возможностей в данной позиции. Оценка позиции складывается из суммы оценок фигур в данной позиции. Таким образом, задавая оценки силы (выигрышности) для базовых элементов, можно вычислить однозначным образом оценку всей позиции ( производного элемента, являющегося для шахмат синтаксически правильным).
Кроме того исчисления высказываний в классической логики изучается исчисление предикатов. В этом исчислении утверждения содержат свободные переменные. Поэтому их истинность или ложность зависит от того, как означены эти переменные. Примером утверждения, содержашего две независимые переменные, может служить фраза; «Х старше У». Эта фраза не является высказыванием. Ей нельзя априорно приписать какое-либо значение истинности. Она становится высказыванием только тогда, когда вместо Х и У будут подставлены конкретные значения. Например, фраза «Ломоносов старше Петра Великого» уже является высказыванием, правда ложным.
После этого экскурса в логику вернемся к моделированию человеческих рассуждений. Можно ли считать достоверный вывод формальной моделью, в которую можно уложить человеческие способы рассуждений? Отрицательный ответ напрашивается сам собой. Приводимые ниже примеры типичных рассуждений подкрепляют эту мысль.
«Молнией – один только голый вывод без посылок (предпосылок я не знаю и сейчас): «Нельзя ни за что – чтобы он меня увидел» (Е.Замятин. «Мы»).
«Нет, не из-за фамилии погиб Лазик. Всему виной вздох. АРМ может быть, и не вздох, но режим экономии, или жаркая погода, или даже какие-нибудь высокие проблемы. Кто знает, отчего гибнут гомельские портные?» (И.Эренбург. Бурная жизнь Лазика Ройтшванеца»).
«Не сомневайся, мудрый правитель, ты достигнешь согласия с собой и будешь во всем прав» (Ч.Айтматов. «Плаха»).
В первом примере показана часто встречающаяся особенность человеческих рассуждений – замена полного вывода только его заключительной частью. В жизни такие «усеченные» выводы мы предпочитаем полным, так как часто полный вывод мы не сможем воспроизвести и основываемся на некоторой уверенности, что в принципе он возможен.
Что лежит в основе таких псевдовыводов?
Иногда вера в то, что основания для такого вывода должны найтись. В других случаях ссылка на авторитетный источник (например, на аналогичное утверждение, которое принадлежит видному ученому, политику и т. п.). Иногда то, что подобные выводы и вытекающие из них действия делались неоднократно и раньше, и это не приводило к плохим последствиям (эмпирический опыт). Во всяком случае, когда рассуждение челове6ка является по форме «усеченным» выводом, значит, он не видит в своих знаниях чего-нибудь противоречащего этому выводу.
Такие нестандартные рассуждения относят в искусственном интеллекте к широкому кругу немонотонных рассуждений. Для пояснения этого термина вернемся к формальной системе. Вывод в такой системе является монотонным рассуждением .Под монотонностью понимается следующее: если некоторое утверждение получено в цепочке вывода, ведущей от исходной системы аксиом, то, что бы ни происходило потом, данное утверждение остается выведенным. В связи с этим говорят, что формальная система описывает полностью некоторый замкнутый в себе и неизменный мир утверждений.
В реальной жизни такого не бывает – человек не обладает полными, исчерпывающими знаниями об окружающем его мире. Следовательно, он не располагает полной системой аксиом, описывающих закономерности этого мира. Частичные знания порождают и неполную систему правил вывода. А если учесть, что мир динамичен, та утверждения, в данный момент принимаемые как истинные, при получении новых утверждений могут оказаться ложными. Классическим примером такой ситуации может служить знаменитый силлогизм, считавшийся истинным до открытия Австралии. Он звучал так:
Все лебеди белые.
Эта птица – лебедь.
Следовательно: эта птица – белая.
И пока не были известны австралийские черные лебеди, никто не сомневался в верности этого рассуждения. Но лишь появилось новое утверждение: «В Австралии водятся черные лебеди», как монотонность нарушилась и факт: «Все лебеди белые» - перестал быть истинным.
Второй приведенный нами пример рассуждения, демонстрирует иной класс рассуждений, называемый правдоподобными. В человеческом языке имеется богатый арсенал средств для маркирования рассуждений подобного типа. К ним относятся, например, слова и словосочетания следующего вида: вероятно, можно предположить, часто, бывает, что, время от времени и т. п. Кэтому классу рассуждений относятся индуктивные, вероятностные рассуждения или рассуждения о гипотезах. Их важность в обучении, поиске решения или в накоплении информации о проблемной области несомненна.
Классы немонотонных и правдоподобные рассуждений пересекаются. Большинство правдоподобных рассуждений принадлежат к немонотонным, но не все.
Третий из приведенных примеров человеческих рассуждений демонстрирует еще одну их особенность. Очень часто люди ре доказывают то или иное положение, не аргументируют его истинность, а оправдывают его той системой внутренних нравственных ценностей и представлений, которой руководствуются в жизни. Процесс оправдания никак не укладывается в прокрустово ложе формальной системы и представляет собой поле исследований, почти не затронутое специалистами.
Имеются и другие классы человеческих рассуждений. Их изучение в искусственном интеллекте только начинается, но без создания формальных моделей для таких рассуждений очень трудно производить в интеллектуальных системах все особенности рассуждений специалистов, решающих те задачи, которые мы хотим сделать доступными для искусственных систем. В созданных уже сегодня экспертных системах реализуются не только достоверные логические выводы, но и правдоподобные рассуждения и ряд иных немонотонных рассуждений. Появились первые программы для рассуждений по аналогии и ассоциации.
НЕЧЕТКИЙ ВЫВОД
Вид вывода, часто встречающийся при моделировании рассуждений, опирающихся на человеческую практику. Конечно, в реальной жизни при обосновании своих утверждений люди вряд ли придерживаются законов математической логики. Они делают это иными способами. Вот например такого вывода:
Я часто хожу гулять вечером, если нет дождя.
К сожалению, в последнее время дожди идут очень часто.
В последнее время я редко выхожу вечером гулять
Два высказывания, написанные над чертой, отражают посылки, на которых основывается вывод, написанный под чертой. Три словосочетания важны в этом переводе: «часто», «очень часто» и «редко». Если отвлечься от содержательной части нашего примера, то вывод можно представить схемой: «Если Х часто, когда нет У, и У очень часто, то Х редко». Эта схема – пример нечеткого вывода.
Вместо двух сов: «истина» и «ложь», используемых в традиционном выводе и отражающих значения переменной «истина», в нечетком выводе используются переменные, принимающие ряд значений. В нашем примере мы имели дело с переменной «частота». Приведем еще один пример, в котором используется переменная «расстояние».
Дом стоит недалеко от озера.
Озеро примыкает своей дальней стороной к лесу.
Дом находится не очень далеко от
леса.
Используемая здесь схема имеет вид: «Если Х недалеко от У и У примыкает к Z, то Х не очень далеко от Z».
Переменные, значениями которых являются некоторые словесные оценки, называются лингвистическими переменными. Именно они характерны для нечеткого вывода. Кроме того, нечеткий вывод является не достоверным, а лишь правдоподобным. Люди могут соглашаться или не соглашаться с его схемами. К тому же сами схемы могут оправдываться или не оправдываться в конкретных условиях. Например, последняя из приведенных нами схем может оказаться совершенно неприемлемой, если озеро, о котором идет речь, - это какое-то очень большое озеро (например, Байкал). Тогда, конечно, в выводе должно использоваться не «не очень далеко» а « очень далеко».
Несмотря на сказанное, нечеткий вывод используется очень широко, ибо он отражает суму человеческих знаний о многих явлениях реального мира. При планировании поведения в роботах и других системах искусственного интеллекта, действующих в не полностью описанных средах, при принятии решений в условиях отсутствия исчерпывающей информации, в экспертных системах при частичных знаниях о предметной области и во многих других ситуациях без нечеткого вывода не обойтись.
ПЛАНИРОВАНИЕ ПОВЕДЕНИЯ
Планирование поведения – одно из направлений исследований по искусственному интеллекту. Основная задача этого направления – поиск процедур, которые могли бы автоматически предлагать наикратчайший путь к достижению поставленной цели, исходя из данной ситуации.
Задачи такого типа оказались наиболее актуальными для роботов, действующих автономно. Решая поставленную перед ним задачу, робот должен составить план ее решения и постараться его выполнить. Если в процессе реализации этого плана робот убедится, что имеются непреодолимые препятствия, то он должен построить другой план, в котором этих препятствий не существует.
Приведем пример. На рис. 1 показано исходное положение робота и цель, которую он должен достичь. Но датчики робота сигнализируют, что его аккумуляторы нуждаются в подзарядке, без чего достичь цели невозможно. В базе знаний робота хранится план помещений, из которого он узнает координаты, определяющие местоположение зарядного устройства. Зная свои исходные координаты, робот по довольно простым алгоритмам (предлагаем читателю самому их построить, для этого вполне достаточно знаний из школьного курса геометрии) прокладывает свой путь из комнаты АРМ через комнату Б в комнату В, где находится зарядное устройство (этот план-маршрут показан на рисунке пунктирной линией). Но план этот нереализуем, так как дверь из комнаты Б в комнату В загородили шкафом. Вероятно, это случилось недавно. По данным, которыми пользовался робот при составлении траектории своего движения, эта дверь была свободной. Находясь же в комнате АРМ, робот даже с прекрасным зрением за стенами помещения не может увидеть возникшее препятствие.
Итак, выработав план действий, робот начинает его осуществлять. Он перемещается из комнаты АРМ в комнату Б и тут обнаруживает шкаф, закрывающий ему путь в комнату В. В этой ситуации поведение робота может быть различным. Например, робот может быть запрограммирован на устранение препятствия, перемещение его в другое место. Ну а если такой программы нет? В этом случае роботу придется искать другой план-маршрут, не связанный с перемещением препятствия.
Робот составляет новый план и находит путь через комнаты Г и Д, ведущий в желанную комнату В. Этот маршрут из комнаты АРМ (исходной ситуации) робот мог бы найти сразу, но он предпочел кратчайший путь через дверь между комнатами Б и В. Необходимость экономии ресурса, связанного с энергопитанием, определила для робота выбор кратчайшего маршрута кА наиболее приемлемого. Но теперь делать нечего, робот начинает движение по новому маршруту.
Из описанного примера следуют два важных вывода.
Первый вывод. Планирование, если оно выполняется в условиях отсутствия части информации, требует корректировки при появлении дополнительной информации, которая сказывается на ранее выработанном плане. Но часто не приблизительное планирование идут сознательно, не желая тратить много времени на выработку точного плана. Например, собираясь в туристский поход, можно заранее по карте наметить предполагаемый маршрут, хотя карта и не позволяет спланировать его во всех деталях. Уточнить маршрут проще в походе с учетом местных условий. Это означает, что планирование желательно сделать иерархическим, многоуровневым, например трехуровневым, как это показано на рис.2. На уровне стратегического планирования робот решает «задачу вообще», пользуясь лишь глобальной информацией, имеющейся на карте. Он должен прежде всего убедиться, что поставленная задача имеет хотя бы одно решение. Если задача разрешима, то он может начать уточнять ее с помощью более детальных карт и планов. На этом этапе планирования, выбирают наиболее приемлемый маршрут и уточняют временные, энергетические и прочие затраты на его реализацию, Потом наступает этап оперативного планирования, когда план тактического уровня уже реализуется и корректируется лишь при появлении новой информации.
В процессе планирования возможны возвраты с нижнего уровня планирования на верхний. На уровне тактического планирования может, например, выясниться, что стратегический план неприемлем из-за недостаточных энергетических ресурсов у робота, так как этот план при движении к цели предусматривает преодоление горного перевала, но на такие энергозатраты робот пойти не может. Тогда находят новый стратегический план, предусматривающий движение по более длинному пути, но зато без крутых подъемов, Аналогичная ситуация может сложиться и на оперативном уровне планирования, когда потребуется изменение тактического плана.
И второй важный вывод из рассмотренного нами примера. В процессе планирования робот должен уметь решать оптимизационные задачи, связанные с выбором одного варианта из множества возможных.. Особенности решения таких задач описаны в статье «Выбор».
Более сложное планирование поведения связно с решением задач, для которых нет процедур прямого поиска траекторий, ведущих к решению. На уроках математики и физики вы постоянно сталкиваетесь с такими задачами. Известны исходные данные задачи и то, что требуется найти. Но неизвестно, как определить путь движения от исходных данных к искомому результату.
Более сложная задача планирования – организация человекоподобного поведения. Эта задача возникает при совместной деятельности людей и искусственных систем. Частный аспект этой проблемы, связанный с организацией человекоподобного диалога, описан в статье «Диалоговая система».
Одна из психологических проблем общения человека с искусственными системами (с теми же роботами) – это их излишняя рациональность, логичность, непредсказуемость поведения на основе опыта общения, накопленного в человеческом обществе. Общение с интеллектуальными системами вызывает в людях настороженность и боязнь, и поэтому надо, чтобы искусственные системы вали себя «по-человечески».
В области планирования поведения все большее внимание уделяют проблемам формализации таких понятий, связанных с человеческим поведением, как мотив, поступок, принятая норма и т.п. Создается новая область исследований – теория поведения, которая, возможно, скоро станет одной из центральных в искусственном интеллекте. Чтобы хоть немного рассказать, об этом направлении, приведем пример. В любом естественном языке существует определенное множество слов для обозначения поступков людей. Примерами их могут служить такие слова, как смелый, коварный, добрый и многие другие. Возникают вопросы: что понимают под этими словами люди, когда употребляют их для оценки поведения какого-нибудь человека? Одинаково ли они понимают их? И как должна вести себя интеллектуальная система (например, робот), чтобы заслужить такую ее оценку своего поступка? На рис 3 показано, как можно формализовать понятие «смелый поступок». На этом рисунке сплошные дуги соответствуют положительным действиям, а пунктирные – отрицательным воздействиям. Исследователи установили, что, сохраняя все вершины этого графо, соответствующего смелому поступку, и меняя дуги и веса на них, можно описать все множество поступков, имеющих словесные оценки.
Подобная формализация основного элемента, из которого сгладывается поведение, позволяет рассчитывать, что модели нормативного поведения можно вложить в искусственные системы. Это даст возможность планировать свое поведение, опираясь на нормы, принятые в данном человеческом социуме.
ПОИСК ПО ОБРАЗЦУ
Одна из основных операций в базах данных и знаний – это поиск информации по запросу. Запрос к базе знаний оформляется в виде некоторого стандартного образца.
В более формальном виде использование операции поиска по образцу можно продемонстрировать на базах знаний, в которых для представления знаний используются семантические сети. На нашем рис.1 изображена семантическая сеть, в которой имеются шесть вершин, обозначенных большими буквами, между которыми имеются отношения трех типов, фиксируемые малыми буквами. Вершины сети соответствуют некоторым порциям информации.
Запрос показан в средней части рисунка, Буква Х означает, что имя вершины в этом месте образца роли не играет. Такую же роль играет буква У на дуге, входящей в образец. Поиск по такому образцу приводит к двум возможным ответам, показанным в нижней части рисунка.
Распознавание по образцу широко используется в экспертных системах и других системах искусственного интеллекта.
Наиболее широкое применение методы ИИ нашли в программах, названных экспертными системами. В них накапливается опыт специалистов в узкой предметной области. Затем при помощи знаний, накопленных в ЭС, специалисты с не очень высокой квалификацией могут решать сложные задачи на столь же высоком уровне, как и эксперты.
Таким образом, экспертные системы – это программы, моделирующие образ мышления человека–эксперта на основе механизмов логического вывода и эвристических методов.
Математические модели и аппаратно-программная реализация систем ИИ. Модель нейрона, алгоритм ее работы. Искусственные нейронные сети. Примеры применения нейронных сетей для решения экономических задач
«Научное направление, основная задача которого – изучение организации и функционирования нервной системы живых организмов, которая управляет всеми процессами, протекающими в них, чтобы использовать эти знания для построения технических интеллектуальных систем» - нейрокибернетика (Информатика: Энциклопедический словарь для начинающих / Сост. Д.А. Поспелов. – М.: Педагогика-Пресс, 1994 – 352 с. – С. 193). Выделяют три направления:
1) Изучение реальных нейронных структур с целью полного описания их функций, чтобы затем формализовать эти описания. В 50-х гг. 20 в. исследования в этом направлении привели к появлению понятия формальный нейрон, моделируюший основные свойства реальных нейронов.
2) разработка теории нейронных сетей, в рамках которой можно было бы построить методы синтеза сетей, функционирующих заданным образом. Например, решить задачи посредством параллельного протекания процессов. Которые нельзя решить последовательным путем.
3) Создание нейрокомпьютера (ЭВМ, архитектура которых отличается от стандартной, посредством широкого использования сети из формальных нейронов). В нейрокомпьютере решение задачи получают не посредством выполнения программы, а путем перенастройки сети за счет адаптивных формальных нейронов и специальных процедур самоорганизации сети. В этом нейрокомпьютеры близки к аналоговым компьютерам и подобно им имеют огромную скорость работы, недоступную обычным ЭВМ. Проблемы: отсутствие теории. Позволяющей программировать процессы самоорганизации нейронных сетей для решения нужной задачи.
Модель нейрона
Нервная система и мозг, как ее часть, состоят в основном из особых нервных клеток – нейронов, значительно отличающихся от других клеток живых организмов. В конце 50-х гг. 20 в. американские ученые У. Маккалок и У. Питс предложили формальную модель нейрона, отображающую основные свойства реальных нейронов и названную формальным нейроном. Формальный нейрон – элемент с n входами, имитирующими синаптические контакты на теле реального нейрона, и одним выходом, сигнал на котором задается функцией. Каждый вход характеризуется целым числом – весом входа (могут быть положительные – возбуждающий вход и отрицательные – тормозящий вход).
Алгоритм работы нейрона
Работа нейрона (наличие или отсутствие сигнала на выходе) задается функцией (называется пороговая функция):
1, при
у= 0, при
То есть, это пороговый элемент.
Искусственные нейронные сети
Соединяя выходы одних нейронов с входами других, формируют нейронные сети.
Формальные нейроны реализуют свойства реальных нейронов очень приблизительно. Поэтому разработаны усложненные модификации – пластичные нейроны, у которых сигналы могут иметь непрерывный характер, и модели, у которых могут изменяться веса входов и пороги.
Нейронная сеть – «образованная совокупностью взаимосвязанных нейронов или их моделей – формальных нейронов» (Там же, с. 124). Рассматривают два типа сетей:
1) нейроны объединяются посредством соединения выходов нейронов с входами других нейронов при условии, что на каждый вход нейрона поступает не более 1 сигнала.
Х2
Х1
Формальный нейрон – пороговый элемент. Если сумма значений входных сигналов, взвешенных весами входов, больше или равна пороговому значению, то на выходе возникает выходной сигнал. Будем считать все входные сигналы 0 или 1. Тогда сеть1 выдает сигнал, когда:
х1 отсутствует
х2 присутствует
обязательно присутствует х3 или х4 (или оба вместе).
2) на вход нейрона могут одновременно поступать несколько сигналов, которые могут и перед входом взаимодействовать между собой.
Непрерывные линии – информационные сигналы, пунктирные – корректирующие. Если на вход нейрона поступают оба сигнала, то информационный сигнал усиливается или ослабляется в зависимости от знака и веса корректирующей связи. Если корректирующий сигнал поступает на тело нейрона, то корректируется его порог. Сеть 2 – схема оборонительного рефлекса на раздражение, характерная для простейших организмов. Раздражение, поступающее на сенсорный нейрон СН. С его выхода передается на корректирующий нейрон (КРН) и командный нейрон (КН). КРН усиливает связь между СН и КН, что приводит к усиленной активизации мотонейрона (МН), непосредственно воздействующего на органы, реализующие оборонительную реакцию.
Сторонники бионического подхода к построению интеллектуальных систем предполагают, что структуры нейронных сетей, моделирующие структуры живых организмов, быстрее приведут к системам ИИ, чем традиционный путь, связанный с использованием обычных ЭВМ.