Краткая историческая справка
Первые исследования, относимые к искусственному интеллекту, были предприняты почти сразу же после появления вычислительных машин. В 50‑е годы начались исследования по автоматическому переводу текстов (как вы знаете, эта проблема не решена до сих пор). В 1957 году Розенблат предложил устройство по распознаванию образов – персептрон, положивший начало разработкам множества других подобных устройств. Тогда же попытались создать машину, играющую в шахматы.
Все алгоритмы сводились к перебору возможных решений и выбора лучшего результата. Чтобы уменьшить количество проб, использовали правила отбрасывания части вариантов. Постепенно исследователи стали понимать, что для эффективной работы программа должна иметь знания в соответствующей области. Это понимание, возникшее в начале 70-х годов, по существу, означало качественный скачок в работах по искусственному интеллекту.
Как вы помните, человеческий мозг хранит не только информацию, но и знания.
Знание – осознанное понимание и толкование информации с учетом путей наилучшего ее использования для достижения конкретных целей.
В процессе принятия решений человек использует разные формы мышления. Среди них можно выделить вербальные (их можно сформулировать) и невербальные. Вербальные формы мышления используют накопленные знания. Невербальные формы могут опираться на опыт, интуицию, инстинкт и пр.
Искусственный интеллект использует только вербальные формы. Поэтому во многих предметных областях эксперты принимают решения лучше, чем компьютер.
Исследования в области искусственного интеллекта ведутся в нескольких направлениях:
представление знаний (создание баз знаний, формализация специальных знаний);
манипулирование знаниями (обучение ИС методом использования знаний);
общение (понимание речи, текстов, ведение диалога, генерация музыки, стихов);
восприятие информации (распознавание образов: анализ зрительной, акустической, тактильной информации, распознавание запахов);
обучение ИС решению новых задач, с которыми она еще не сталкивалась;
создание моделей поведения (ситуационного, целесообразного и т.д.)
Уже к середине 70-х годов появляются первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач – экспертные системы.
Экспертная система – человеко-машинный комплекс, основанный на профессиональных данных специалистов соответствующей сферы, имеющий внутреннюю логику и способный генерировать решения по существу рассматриваемой проблемы.
Хотя экспертные системы всегда жестко связаны с предметной областью, структура всех экспертных систем одинакова (рис. 8):
контур накопления и обработки знаний для формирования базы знаний (КП);
база знаний, на основе которой принимается решение (БЗн);
база данных (БД);
система обработки запроса пользователя (ОЗ);
система объяснений, которая с разным уровнем детализации объясняет, на основе каких рассуждения получен результат (СОб);
интерфейс пользователя (ИП).
Рисунок 8. Структура экспертной системы.
Формирование базы знаний происходит в процессе совместной работы эксперта – узкого специалиста в области права, и инженера знаний. Последний должен в процессе интервьюирования эксперта формализовать его опыт и знания для дальнейшего ввода в программу. Сложность задачи заключается в том, что человек не всегда может логически объяснить свое решение, принимая его за интуицию. Методики когнитивной психологии позволяют разбить процесс принятия решения на простые составляющие.
В процессе или по результатам решения задачи пользователь может попросить объяснение или обоснование хода решения. С этой целью экспертная система должна предоставить соответствующий механизм объяснения. Объяснительные способности экспертной системы определяют возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя, как и почему получено решение или запрошены те или иные данные, система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически.
Существует несколько способов построения Базы знаний.
Продукционная модель (модель правил), наиболее распространенная в настоящее время. Модель состоит из цепочки правил
ЕСЛИ (а И б И в..) ТО (х ИЛИ у…)
Если высказывание в левой части правила истинно, истинно и высказывание в правой части.
Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.
Например, пусть в БЗн записаны следующие правила поиска неисправностей в бытовой технике
ЕСЛИ (отключено электричество) ТО (не работает электрический чайник И не работает телевизор)
ЕСЛИ (телевизор испорчен) ТО (нет звука ИЛИ нет изображения)
ЕСЛИ (отключена вилка телевизора) ТО (не работает телевизор)
ЕСЛИ (не работает электрический чайник И не отключено электричество) ТО (электрический чайник испорчен)
ЕСЛИ (телевизор не работает) ТО (нет звука И нет изображения)
Задаем системе
Факт 1 (В телевизоре есть звук, но нет изображения) И
Факт 2 (электрический чайник не работает).
ЭС строит логическую цепочку
Правило 1 Правило 5 электричество не отключено (промежуточный результат)
Правило 4 испорчен чайник.
Заключение ЭС: чайник испорчен.
Объяснение ЭС: электричество не отключено, а чайник не работает.
Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а ценность одного невыводимого (нового, дополнительного) правила весьма высока. Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений результатов работы системы.
Основной недостаток продукционных экспертных систем — трудность обеспечения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий. Кроме того, время формирования итогового заключения может быть достаточно большим.
2) Фреймовая модель. Сравнительно новая модель представления знаний.
Фрейм — это минимальная структура информации, необходимая для представления знаний о классах объектов, явлений, ситуаций, процессов и др. Фрейм состоит из узлов и отношений.
Фреймы связаны друг с другом. С помощью фреймов можно моделировать знания о самых разнообразных объектах предметной области — важно лишь, чтобы эти объекты составляли класс стереотипных объектов, процессов и т.п. Примерами стереотипных жизненных ситуаций могут служить собрание, совещание; сдача экзамена или зачета; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др. Примеры стереотипных понятий: алгоритм; действие; методика и др. Понятия права по своей природе стереотипны. На рис. 9 показан пример фрейма Понятие для понятия Право. Этому фрейму соответствуют 4 слота. Для каждого слота есть набор значений, которое он может принимать.
Кто имеет права? – Гражданин.
Какие виды прав он имеет? – Конституционное, гражданское, избирательное, земельное и т.д.
На что распространяются права гражданина? – право на вещь/право на действие
Существуют правила связи слотов между собой. Фрейм Право имеет слот Избирательное право. Он связан с соответствующим Фреймом «Избирательное право». Фрейм «Избирательное право» будет иметь слоты
Возраст? (> 18)
Пол? (м, ж)
Гражданство? (РФ)
Болезнь? (кроме психических)
судимость? (отбывает наказание)
При запросе слоты с одинаковыми значениями активизируются, из них поступает информация и формируется ответ на запрос
Соответственно, Фрейм «Иванов» будет иметь конкретные значения слотов: 16 лет, мужской, РФ. Соответственно, следует, что он не имеет права избирать…
Рисунок 9. Фрейм со слотами.
Одной из первых была создана экспертная система DENDRAL, разработанная в Станфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром.
Система PROSPECTOR прогнозирует залежи полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты залежи молибдена, ценность которых превосходит 100 миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR несколько лет назад, определила причины превышения предельно допустимых концентраций загрязняющих веществ в Москве-реке в районе Серебряного Бора.
В настоящее время разработка и реализация экспертных систем из научных разработок превратилась в самостоятельную инженерную область.
Большую роль ЭС играют в правоприменительной практике.
ЭС широко используются ФБР, Полицейским управлением Японии. В Европе приняты специальные программы внедрения ИС в правовую сферу.
ЭС отнесены к основным компонентам информационной инфраструктуры Генеральной прокуратуры РФ.
2. Задачи обработки естественного языка.
Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. По-прежнему актуальны обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов. Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса.
Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации, на анализ текстовой информации, на извлечение данных из текстов. Таким образом, значение методов автоматического анализа текстов будет в дальнейшем возрастать.