Додатковий конспект

Искусственный интеллект - одна из новейших наук, появившихся во второй половине 20-го века на базе вычислительной техники, математической логики, программирования, психологии, лингвистики, нейрофизиологии и других отраслей знаний. Искусственный интеллект - это образец междисциплинарных исследований, где соединяются профессиональные интересы специалистов разного профиля. Само название новой науки возникло в конце 60-х годах, а в 1969 г. в Вашингтоне (США) состоялась первая Всемирная конференция по искусственному интеллекту. Известно, что совокупность научных исследований обретает права науки, если выполнены два необходимых условия. У этих исследований должен быть объект изучения, не совпадающий с теми, которые изучают другие науки. И должны существовать специфические методы исследования этого объекта, отличные от методов других, уже сложившихся наук. Исследования, которые объединяются сейчас термином "искусственный интеллект", имеют свой специфический объект изучения и свои специфические методы. В этой статье мы обоснуем это утверждение. Когда в конце 40-х - начале 50-х годов появились ЭВМ, стало ясно, что инженеры и математики создали не просто быстро работающее устройство для вычислений, а нечто более значительное. Оказалось, что с помощью ЭВМ можно решать различные головоломки, логические задачи, играть в шахматы, создавать игровые программы. ЭВМ стали принимать участие в творческих процессах: сочинять музыкальные мелодии, стихотворения и даже сказки. Появились программы для перевода с одного языка на другой, для распознавания образов, доказательства теорем. Это свидетельствовало о том, что с помощью ЭВМ и соответствующих программ можно автоматизировать такие виды человеческой деятельности, которые называются интеллектуальными и считаются доступными лишь человеку. Несмотря на большое разнообразие невычислительных программ, созданных к началу 60-х годов, программирование в сфере интеллектуальной деятельности находилось в гораздо худшем положении, чем решение расчетных задач. Причина очевидна. Программирование для задач расчетного характера опиралось на соответствующую теорию - вычислительную математику. На основе этой теории было разработано много методов решения задач. Эти методы стали основой для соответствующих программ. Ничего подобного для невычислительных задач не было. Любая программа была здесь уникальной, как произведение искусства. Опыт создания таких программ никак не обобщался, умение их создавать не формализовалось. Никто не станет отрицать, что, в отличие от искусства, у науки должны быть методы решения задач. С помощью этих методов все однотипные задачи должны решаться единообразным способом. И "набив руку" на решении задач определенного типа, легко решать новые задачи, относящиеся к тому же типу. Но именно таких методов и не смогли придумать те, кто создавал первые программы невычислительного характера. Когда программист создавал программу дл игры в шахматы, то он использовал собственны знания о процессе игры. Он вкладывал их в программу, а компьютер лишь механически выполняли эту программу. Можно сказать, что компьютер "не отличал" вычислительные программы от невычислительных. Он одинаковым

образом находил корни квадратного уравнения или писал стихи. В памяти компьютера не было знаний о том, что он на самом деле делает. Об интеллекте компьютера можно было бы говорить, если бы он сам, на основании собственных знаний о том, как протекает игра в шахматы и как играют в эту игру люди, сумел составить шахматную программу или синтезировал программу для написания несложных вальсов и маршей. Не сами процедуры, с помощью которых выполняется та или иная интеллектуальная деятельность, а понимание того, как их создать, как научиться новому виду интеллектуальной деятельности, - вот где скрыто то, что можно назвать интеллектом. Специальные метапроцедуры обучения новым видам интеллектуальной деятельности отличают человека от компьютера. Следовательно, в создании искусственного интеллекта основной задачей становится реализация машинными средствами тех метапроцедур, которые используются в интеллектуальной деятельности человека. Что же это за процедуры? В психологии мышления есть несколько моделей творческой деятельности. Одна из них называется лабиринтной. Суть лабиринтной гипотезы, на которой основана лабиринтная модель, состоит в следующем:переход от исходных данных задачи к решению лежит через лабиринт возможных альтернативных путей. Не все пути ведут к желаемой цели, многие из них заводят в тупик, надо уметь возвращаться к тому месту, где потеряно правильное направление. Это напоминает попытки не слишком умелого школьника решить задачу об упрощении алгебраических выражений. Для этой цели на каждом шагу можно применять некоторые стандартные преобразования или придумывать искусственные приемы. Но весьма часто вместо упрощения выражения происходит его усложнение, и возникают тупики, из которых нет выхода. По мнению сторонников лабиринтной модели мышления, решение всякой творческой задачи сводится к целенаправленному поиску в лабиринте альтернативных путей с оценкой успеха после каждого шага. С лабиринтной моделью связана первая из метапроцедур - целенаправленный поиск в лабиринте возможностей. Программированию этой метапроцедуры соответствуют многочисленные процедуры поиска, основанные на соображениях здравого смысла (человеческого опыта решения аналогичных задач). В 60-х годах было создано немало программ на основе лабиринтной модели, в основном игровых и доказывающих теоремы "в лоб", без привлечения искусственных приемов.

Соответствующее направление в программировании получило название эвристического программирования. Высказывались даже предположения, что целенаправленный поиск в лабиринте возможностей - универсальная процедура, пригодная для решения любых интеллектуальных задач. Но исследователи отказались от этой идеи, когда столкнулись с задачами, в которых лабиринта метапроцедуры поиска, как, например, при игре в шахматы. Конечно, в этой игре лабиринт возможностей - это все мыслимые партии игры. Но как в этом астрономически большом лабиринте найти те партии, которые ведут к выигрышу?

Лабиринт столь велик, что никакие мыслимые скорости вычислений не позволят целенаправленно перебрать пути в нем. И все попытки использовать для

этого человеческие эвристики (в данном случае профессиональный опыт шахматистов) не дают пути решения задачи. Поэтому созданные шахматные программы уже давно используют не только метапроцедуру целенаправленного поиска, но и другие метапроцедуры, связанные с другими моделями мышления. Долгие годы в психологии изучалась ассоциативная модель мышления. Основной метапроцедурой модели является ассоциативный поиск и ассоциативное рассуждение.

Предполагается, что решение неизвестной задачи так или иначе основывается на уже решенных задачах, чем-то похожих на ту, которую надо решить. Новая задача рассматривается как уже известная, хотя и несколько отличающаяся от известной. Поэтому способ ее решения должен быть близок к тому, который когда-то помог решить подобную задачу. Для этого надо обратиться к памяти и попытаться найти нечто похожее, что ранее уже встречалось. Это и есть ассоциативный поиск. Когда, увидев незнакомого человека, вы стараетесь вспомнить, на кого он похож, реализуется метапроцедура ассоциативного поиска. Но понятие ассоциации в психологии шире, чем просто "похожесть".

Ассоциативные связи могут возникнуть и по контрасту, как противопоставление одного другому, и по смежности, т. е. в силу того, что некоторые явления возникали в рамках одной и той же ситуации или происходили одновременно (или с небольшим сдвигом по времени). Ассоциативное рассуждение позволяет переносить приемы, использованные ранее, на текущую ситуацию. К сожалению, несмотря на многолетнее изучение ассоциативной модели, не удалось создать стройную теорию ассоциативного поиска и ассоциативного рассуждения.

Исключение составляет важный, но частный класс ассоциаций, называемых условными рефлексами. И все же метапроцедура ассоциативного поиска и рассуждения сыграла важную роль: она помогла создать эффективные программы в распознавании образов, в классификационных задачах и в обучении ЭВМ.

Но одновременно эта метапроцедура привела к мысли о том, что для ее эффективного использования надо привлечь результаты, полученные в другой модели мышления, опирающейся на идею внутреннего представления проблемной области, на знания о ее особенностях, закономерностях и процедурах действия в ней. Это представление о мыслительной деятельности человека обычно называют модельной гипотезой. Согласно ей, мозг человека содержит модель проблемной ситуации, в которой ему надо принять решение. Для решения используются метапроцедуры, оперирующие с совокупностью знаний из той проблемной области, к которой принадлежит данная проблемная ситуация.

Например, если проблемная ситуацияпереход через улицу с интенсивным движением, то знания, которые могут помочь ее разрешить, касаются способов организации движения транспорта, сигналов светофоров, наличия дорожек для перехода и т. п. В модельной гипотезе основными метапроцедурами становятся представление знаний, рассуждения, поиск

релевантной (связанной с данной проблемной ситуацией) информации в совокупности имеющихся знаний, их пополнение и корректировка.

Эти метапроцедуры составляют ядро интеллектуальных возможностей современных программ и программных систем, ориентированных на решение творческих задач. В совокупности с метапроцедурами целенаправленного поиска в лабиринте возможностей, ассоциативного поиска и рассуждения они образуют арсенал интеллектуальных средств, которым располагают современные интеллектуальные системы, часто называемые системами, основанными на знаниях. Можно сформулировать основные цели и задачи искусственного интеллекта. Объектом изучения искусственного интеллекта являются метапроцедуры, используемые при решении человеком задач, традиционно называемых интеллектуальными, или творческими. Но если психология мышления изучает эти метапроцедуры применительно к человеку, то искусственный интеллект создает программные (а сейчас уже и программноаппаратные) модели таких метапроцедур. Цель исследований в области искусственного интеллекта - создание арсенала метапроцедур, достаточного для того, чтобы ЭВМ (или другие технические системы, например роботы) могли находить по постановкам задач их решения.

Иными словами, стали автономными программистами, способными выполнять работу профессиональных программистовприкладников (создающих программы для решения задач в определенной предметной области). Разумеется, сформулированная цель не исчерпывает всех задач, которые ставит перед собой искусственный интеллект. Это цель ближайшая. Последующие цели связаны с попыткой проникнуть в области мышления человека, которые лежат вне сферы рационального и выразимого словесно (вербально) мышления. Ибо в поиске решения многих задач, особенно сильно отличающихся от ранее решенных, большую роль играет та сфера мышления, которую называют подсознательной, бессознательной, или интуитивной. Основными методами, используемыми в искусственном интеллекте, являются разного рода программные модели и средства, эксперимент на ЭВМ и теоретические модели. Однако современные ЭВМ уже мало удовлетворяют специалистов по искусственному интеллекту. Они не имеют ничего общего с тем, как устроен человеческий мозг. Поэтому идет интенсивный поиск новых технических структур, способных лучше решать задачи, связанные с интеллектуальными процессами. Сюда относятся исследования по нейроподобным искусственным сетям, попытки построить молекулярные машины, работы в области голографических систем и многое другое. Более подробно здесь рассматриваются нейронные искусственные сети.

Искусственный интеллект (ИИ) здравствует и процветает. И речь не о роботах - поработителях миров, а о более развитых средствах промышленного контроля и управления, дополняющих классические технологии и направленные на создание новых предприятий с более дешёвыми и короткими производственными циклами.

Технологии ИИ включают в себя искусственные нейронные сети (ИНС), экспертные системы (ЭС), нечеткую (fuzzy) логику (НЛ), генетические алгоритмы

(ГА) и т.д. и т.п. Лежащие в их основе идеи существенно отличаются от общепринятых методов вычислений, имитируя "человеческие", т.е. более понятные технологу, чем "чистому" специалисту по вычислительной технике, пути решения проблем либо "природное", "генетическое" развитие процессов. Например, ИНС-сети обладают способностью к обучению, ЭС-системы принимают решения на основе наборов правил и опыта экспертов, а системы с нечеткой логикой оперируют такими понятиями, как неопределенность и частичная/приблизительная истина. Все эти системы дополняют друг друга, обогащая наш словарь такими терминами, как neurofuzzy (Прим. ред: Нет русского эквивалента. Возможно, neurofuzzy (нейрофази) ждёт судьба термина multomedia) и нейрогенетика.

Данные методы предназначены для решения очень сложных нелинейных задач, которые либо превышают возможности общепринятых алгоритмических методов, либо требуют для своего решения слишком больших материальных и временных затрат. Уже есть успешные применения методов ИИ, хотя и не всегда в роли единственного решения, например, при традиционном "языковом" проектировании на C/C++. В силу своей природы, ИИ-методы довольно спорны и не всегда принимаются сторонниками традиционных подходов. Тем не менее, сегодня ИИ-технология занимает все более важное место в арсенале средств разработчиков средств управления и контроля.

Нечеткая логика добилась определенных успехов на нескольких направлениях: в программных средствах, в контроллерах и в интегральных схемах. Контроллеры на базе нечеткой логики выпускают Fuji Electric, KlocknerMoeller, Rockwell-Automation/ Allen-Bradley, Siemens и Yokogawa и другие фирмы. Дополнительные возможности для экспансии нечеткой логики дает объединение производителей контроллеров с поставщиками программных средств.

Рис. 1. Стандарт IEC 1131-7, Программирование на базе Нечёткой логики, определяет НЛ-компоненты, а также взаимодействие НЛ-модулей с другими стандартными языками программирования. В качестве выходных данных могут выступать измеряемые технологические параметры, расчётные величины и контрольные значения. Выходными данными являются реальные параметры в форме корректирующих величин.

По мере расширения прикладных областей "главной задачей становится превращение НЛ в одно из широкораспространенных средств проектирования для различных аппаратных и программных платформ",- говорит Константин фон Алтрок (Constantin von Altrock), руководитель отделения Fuzzy Logic Technologies

компании Inform GmbH, находящейся в Аахене, Германия.В некоторых случаях НЛ-тех-нология уже "принята". Например, расширение по программированию на базе нечеткой логики (Fuzzy Logic Programming) предложено для стандарта IEC 1131 (программируемые контроллеры). Проходящий этап голосования проект IEC 61131-7 CDI (проект 1.0 комитета от 6 декабря 1996 года) должен стать Разделом 7 стандарта IEC 1131. Господин фон Алтрок уверен, что данный документ вступит в действие еще до 1998 года в качестве стандарта IЕС/МЭК 1131-7.

IЕС/МЭК 1131-7 уже лежит в основе НЛ-структуры и программного пользовательского интерфейса пакета fuzzyTech компании Inform, внедряется в известный пакет ISaGRAF (CJ International). Объектно-ориентированный пакет fuzzyTech интегрирует функции нечеткой логики со стандартным ПЛК (А-В, Modicon и Siemens) и с популярными программными средствами управления процессами типа Citech (Ci Technologies) и InTouch (Wonderware). Последняя версия fuzzyTech (5.0) оптимизирована для использования под управлением Windows NT.Компании Wonderware и Inform разработали также на базе пакета fuzzyTech расширение ActiveX для технологии InControl. Поставки этого продукта должны начаться осенью 1997 года.

Разработкам НЛ-систем благоприятствует рост интеграции НЛ на кремниевом уровне (например, микроконтроллер Motorola 68HC12 - см. CONTROL ENGINEERING, июль 1996, стр. 51-54). "Скорость вычислений на базе нечеткой логики может сравняться со скоростью вычислений традиционными методами, - считает г-н фон Алтрок, - позволяя свести управляющие циклы до долей миллисекунды".

Нейронные сети в системах регулирования

Как заметили специалисты компании NeuralWare Inc. (Питтсбург, Пенсильвания), одна из тенденций сегодняшнего дня - создание гибридных систем, в которых технологии нейронных сетей сочетаются с другими методами (не обязательно из сферы ИИ). Кейзи Климасаускас (Casey Klimasauskas),

руководитель отделения Advanced Technology Group компании NeuralWare

упоминает в качестве ценных дополнений к нейронным сетям методы частичных наименьших квадратов (PLS-метод, см. врезку "Перспективы использования нейронных сетей") и базового компонентного анализа (РСА-метод). Подобные гибридные ИНС-сети являются довольно эффективным средством системного моделирования и группового мониторинга.

Наиболее подходящими для применения данных методов являются групповые процессы с сильной нелинейностью и сложным регулированием. "Подходов к исследованию принципов объединения статистических методов типа PLS и РСА с нейронными сетями для постоянного регулирования групповых процессов, существует множество", - говорит г-н Климасаускас.Одной из развивающихся областей применения ИНС-сетей является усовершенствование

общезаводских ЕРМ-моделей (first-principle models), включающих два направления:

моделирование отдельных нелинейных процессов, для которых ЕРМмодели либо не существуют, либо неточны, либо требуют для разработки значительных затрат, и

выработка корректирующего фактора для ЕРМ-модели. Нейронные сети NeuralWare позволяют повысить степень оптимизации и другие характеристики общезаводских FPM-моделей.

Еще одной областью применения ИНС-технологии является проверка достоверности данных и показаний датчиков. Это особенно важно для систем регулирования на базе "моделей с предсказанием". Как будет работать новая технология? Идея состоит в использовании избыточных компонентов системы сбора данных для определения зависимостей между основными технологическими параметрами. "Изменение структуры взаимосвязей этих параметров может указывать на потенциальную проблему" - объясняет г-н Климасаускас.

Экспертные системы

Внескольких областях ИИ, в частности, в сфере экспертных систем, работает Компания Gensym Corp. (Кембридж, Массачусетс). Методы построения экпертных систем используются в главном продукте этой компании - G2, представляющем собой графический объектно-ориентированный пакет "для создания интеллектуальных систем". В последней версии этого пакета (5.0) существенно улучшен пользовательский интерфейс и возможности подключения

кхост-системам. Это положительно сказывается на расширении функциональных возможностей экспертных систем. Например в усовершенствованный G2 теперь введены "триггеры правил" (rule triggers), ускоряющие реакциюсистемы на события в реальном масштабе времени.

Президент Gensym Роберт Мур (Robert Moore) подчеркивает жизненно важную необходимость адекватно представлять входящие в общий массив информации данные о технологическом процессе и состоянии всех производственных мощностей. "В критических ситуациях экспертная система должна выдавать необходимую для принятия решения информацию в понятном виде и быстро. Улучшенные графические возможности делают средства управления отказами и нештатными ситуациями более интуитивно понятными", - замечает он.Среди запланированных на вторую половину 1997 года усовершенствований G2 - такие ориентированные на Internet продукты, как

ActiveX, Java и т.д.

Вкомпании Comdale Technologies (Canada) Inc. (Торонто, Онтарио) на разработку интеллектуальных систем, включая и ЭС, смотрят проще. Вицепрезидент компании по маркетингу Уэйн Томпсон (Wayne Thompson) считает, что дешевые "компонентные экспертные системы" могут быть встроены практически в любую систему, включая SCADA-системы и системы распределённого управления (DCS). "Благодаря объектно-ориентированной технологии, OLE и ActiveX, их можно развернуть в несколько раз быстрее (чем старые ЭС), не имея

при этом достаточного опыта в области ИИ",- говорит он. Ключевым фактором является встраивание, поскольку оно допускает использование уже существующих программных средств контроля и хост-систем.

Примером продукта данной категории можно назвать Expert Optimizer компании Comdale. Он может работать как в режиме совета, так и в режиме регулирования, и имеет в своем составе НЛ-элемент для определения размеров необходимых управляющих воздействий на базе знаний пользователя о параметрах процесса.

В Comdale учитывают и такую проблему, как "избыток информации", отрицательно сказывающийся на работоспособности операторов и пользователей системы. Один из способов ее решения - выявление аварийных ситуаций и выработка соответствующих управляющих воздействий в рамках экспертной системы. Подобные функции уже предусмотрены в системе Comdale Smart Alarm, где встроенные средства логического вывода после анализа текущих и архивных данных включают фильтры, меняют приоритеты либо подавляют повторяющиеся и незначительные предупредительные сигналы. Дальнейшее снижение объема несущественной информации возможно с помощью средств управления аварийными сигналами более высокого уровня - так называемыми "метатревогами" (meta-alarms - сигналами предупреждения о наличии аварийных сигналов). Они выдают оператору информацию о возможных причинах возникновения аварийной ситуации и рекомендуют выполнение определенных действий даже в случае полного рассогласования технологического процесса. По словам г-на Томсона, демонстрационная версия не имеющего пока названия продукта (проходящего сейчас бета-тестирование) готовится к октябрьской выставке ISA (Анахайм, Калифорния).

Опыт пользователей по применению ИИ-технологии собирается и тщательно изучается. Одним из последних примеров - применение НЛ-устройств на заводе компании Rheinbraun Corp. в Хьюрте, Германия. Для стабилизации процесса газификации каменного угля различного качества применяется система контроля на базе нечеткой логики, определяющая рабочие параметры восьми PIDрегуляторов. Стратегия НЛ-управления определяется 115-ю правилами нечеткой логики и значениями 24-х входных параметров. Средства автоматизации технологического процесса поставила компания Foxboro/ Eckardt; НЛ-регулятор реализован на базе программного обеспечения Inform fuzzyTech и

исполнительного модуля FactoryLink FL Runtime Module компании USDATA.

Кроме ускорения времени внедрения (6 месяцев), "использование НЛ-регуляятора позволило вдвое сократить время адаптации процесса к изменяющемуся качеству каменного угля по сравнению с операциями, выполняемыми человеком", утверждает Inform.

NeuralWare описывает прикладную систему своего системного интегратора Transition Technologies (Польша), прогнозирующую выделение NOx и оптимизирующую функционирование паровых котлов, работающих на порошкообразном угле, на электростанции в Остроленке. На электростанции (600 МВт) с тремя силовыми агрегатами используются системы регулирования

Westinghouse WDPF. Новый регулятор NeuCOP II компании NeuralWare (на базе операционной системы Solaris 2.5) полностью интегрирован с системой WDPF. Одна из серьезных проблем - управление специальными горелками и форсунками, распределяющими процесс горения по пространству значительного объема, с целью снижения содержания NOx. Однако при этом увеличивается содержание и несгоревшего угля, что приводит к снижению КПД парового котла.

Нейронные сети в регуляторе NeuCOP II моделируют данный процесс, предсказывая содержание NOx и изменяя распределение побочных потоков воздуха для компенсации падения КПД котла. Предварительные результаты моделирования показывают, что возможно снижение содержания NOx на 15 и более процентов при одновременном повышении КПД парового котла. "Мы остановились на NeuCOP II потому, что этот продукт представляет собой один из наиболее передовых и надежных нейросетевых регуляторов, а также благодаря возможности его использования в крупномасштабных системах", - говорит директор Trans-Tech Конрад Свирски (Konrad Swirski).

NeuCOP II может прогнозировать значения содержания NOx и автономно, определяя эти величины по контролируемым параметрам парового котла. "Подобные методы "мягкого мониторинга" были разрешены к применению U.S. EPA в качестве временной или постоянной замены дорогостоящего, требующего квалифицированного обслуживания регулирующего оборудования", - говорит г-н Климасаускас из NeuralWare.

На нефтеперегонном заводе Texas City компании Amoco задержки получения данных от технологических анализаторов превышают иногда 30 минут. Для решения этой влияющей на качество конечного продукта проблемы были использованы пакеты G2 Diagnostic Assistant и NeurOn-Line компании

Gensym, которые в реальном масштабе времени осуществляли прогноз параметров перерабатываемой смеси из пяти нефтепродуктов. По данным Атосо, "в результате был достигнут более чем 95-процентный коэффициент использования оборудования, а также экономический эффект более 500 тысяч долларов в год в виде восстановленного продукта".

Многие производители средств заводской автоматизации и технологического контроля разрабатывают для своих управляющих систем внутренние ИИ-копоненты. В компании Fisher-Rosemount Systems (Ос-тин, Техас) данный подход преследует еще и дополнительную цель: сделать методы ИИ доступными для рядового пользователя путём их полной интеграции с общими средствами контроля. "Представления многих пользователей о том, что ИИсистемы слишком тяжелы в использовании и требуют специалистов для их внедрения, не имеют больше под собой никакой основы",- считает менеджер по продажам Дэвид Холмс (David Holmes). Технолог из Monsanto Co. (Сент-Луис, Монтана) Глен Мерц (Glen Mertz) пользуется в своей работе ПО нейронных сетей компании F-R Systems. "Это ПО работает почти интуитивно. С его помощью я могу построить модель на базе технологических данных менее чем за два часа",- замечает он.

Технологии ИИ находят все большее применение в таких областях, как управление движением и двигателями. Почти в 20-ти статьях, опубликованных во время Международной Конференции IEEE по Электрическим Машинам и Двигателям (18-21 мая, Милуоки, Висконсин), приводятся в качестве средств решения данной проблемы нечеткая логика, нейронные сети, генетические алгоритмы, а также их комбинации.

Над разнообразными методами ИИ стоят более сложные адаптивные системы, не поддающиеся определениям состояний. Здесь и далее они называются системами без организации (СБО) или "хаосными системами", хотя многие предпочитают название "комплексные системы" либо "системы с непредвиденным поведением" (emergent systems). "Поведение комплексных систем в разорганизованном режиме является неожиданным, а не заранее запланированным. Однако оно не случайно, а вполне детерминистично", - объясняет президент компании Flavors Technology Inc. (Манчестер, НьюГемпшир) Дик Морли (Dick Morley).

В СБО-системах общее поведение системы формируется из сочетания поведений отдельных её элементов, но не может возникнуть в этих элементах. В качестве примера можно привести роение пчел, а также охотничью тактику волчьей стаи. "На самом деле нейронные сети, нечеткие множества, логические утверждения и экспертные системы - это подмножества бихевиоральных сущностей, которые мы называем агентами", - говорит г-н Морли.

По его мнению, область применения СБО лежит в производящих и обрабатывающих отраслях промышленности. Цель их использования - значительное снижение затрат на разработку программного обеспечения для решения проблем чрезвычайно высокой степени сложности. Результаты обещают быть весьма существенными: по словам г-на Морли, расходы могут снизиться в 10-100 раз. Возможно ли все это? Поскольку в СБО основное внимание уделяется поведенческим, а не параметрическим аспектам объектов, то описанию для получения системного решения подлежат только различные (хотя и относительно немногочисленные) типы сущностей - но не поведение всей системы и отдельных сущностей. "На самом деле, всё это представляет собой подход "снизу вверх", начинающийся с объектов и позволяющий системе свободно развиваться".

По его мнению, для решения задач ближайшего будущего разработчики могут использовать классические методы регулирования, однако через какую-то пару лет "любой средний техник будет значительно больше разбираться в том, как использовать это мощное средство для решения таких задач, как MES (исполнительная производственная система), ERP (управление предприятием), MRP (планирование материальных ресурсов), а также планирование и диагностика с прогнозированием". Однако набор средств для управления на базе СБО пока еще довольно ограничен.

Чтобы использовать подобные методы, требуется радикально изменить образ мышления. "Эта технология кажется совершенно невероятной, как с точки зрения преимуществ, так и эффективности решений", - добавляет г-н Морли.