«Перспективы развития интеллектуальных систем»

Несмотря на многообразие вариантов алгоритмического реше­ния задач прогнозирования, оно имеет общую процедурную модель процесса получения результата, которая содержит три наиболее об­щих этапа: ретроспективный анализ, диагностический анализ и прогнозный анализ. Содержание всех видов анализа и их этапов состоит в интерпретации прошлого, определении настояще­го и оценке будущего. Суть этапов в виде библиотек приемов и ме­тодов может существенно отличаться в зависимости от предметной области исследования, а также от контролируемых объектов и со­провождающих их деградационных процессов.

Раскроем назначение каждого этапа процедурной модели, хотя содержательная направленность очевидна из их названия.

Постановка задачи играет большую роль при решении любой задачи. Однако в данном случае этот этап особенно важен, так как во многом предопределяет весь ход процесса прогнозирования, по­скольку именно постановка задачи оговаривает ту часть предмет­ной области, в которой «живет» контролируемый объект, и то мето­дическое, алгоритмическое и программное обеспечение, которое может быть привлечено к решению задачи. Этот этап дает описа­ние предметной области, очерчивает контуры базы знаний, кото­рую необходимо создать или привлечь для обеспечения фундамен­тальных основ решения задачи. Предметная область определяется тем классом объектов, которые подвергаются контролю, средой, в которой они функционируют, и видом деградационных процессов, определяющих изменение работоспособности объекта.

Анализ объекта прогнозирования предполагает исследование объекта с различных сторон: физической, конструктивно-структурной, надежностно-параметрической, функциональной, диагностической и т.д. Если все эти аспекты представить в формализованном виде, желательно в аналитической форме — в виде математических моделей, или в виде словесного описания, конструктивных или функциональных блок-схем, чертежей, логических схем и др., а также в виде их семан­тической взаимосвязи и отношения, то это и будет составлять основу базы знаний. Поскольку интерес вызывает изменение технического состояния объекта, то необходимо изучить процессы, характеризующие эти изменения. Процессы исследуются как с физической (фундаментальной), так и статистической (прикладной стороны, после чего выбирают показатели (характеристики или параметры), являющиеся наиболее информативными для описания процесса изменения технического состояния. С этой целью не пользуются методы и алгоритмы, позволяющие оценить характер и степень нестационарности этих процессов.

Таким образом, при обучении необходимо создать методы фор­мирования условий задачи по описанию проблемной области или по наблюдению за этой ситуацией, научиться переходу от извест­ного решения частных задач (примеров) к решению общей задачи, создать приемы декомпозиции исходной для автоматизированной системы задачи на более мелкие так, чтобы они оказались для сис­темы уже известными, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательно­го поведения.

Планирование процедуры прогнозирования заключается в выборе плана проведения диагностического анализа (выборе временных интервалов, числа измерений контролируемых параметров и т.д.). Иными словами, результатом этапа должен быть план дейст­вий — частично упорядоченная совокупность действий. Такой план напоминает сценарий, в котором в качестве отношения меж­ду вершинами выступают отношения типа: «цель-подцель», «цель-действие», «действие-результат» и т.п. Любой путь в этом сценарии, который ведет от вершины, соответствующей текущей ситуации, в любую из целевых вершин, определяет план действий.

К этапу диагностического анализа в рамках рассматриваемой процедуры не предъявляется каких-либо особых требований. Здесь прежде всего, необходима разработка диагностического обеспече­ния: нужно иметь набор (библиотеку) методов и моделей диагно­стирования, инструментальные средства диагностирования, позво­ляющие оценить текущее техническое состояние объекта с необхо­димой точностью.

Организация диалоговой системы подразумевает организацию процедуры общения ЛПР с ЭВМ как основы АСП; Поскольку про­цесс контроля и прогнозирования можно интерпретировать как «запрос-ответ», «запрос на производство прогнозирования — выда­ча результата прогноза», то диалог заложен в самой природе про-контроля и прогнозирования. При этом диалог существует всегда вне зависимости от объема решаемой задачи и для всех классов задач. Поэтому важна организация диалогового процесса с разработкой ее теоретических и практических основ.

Идентификацию выбранной модели и непосредственно прогно­зирование по текущим данным осуществляют по алгоритмам, про­веренным на стадии обучения по априорным данным, т. е. это чис­то счетно-вычислительные действия.

Поставленная задача прогнозирования требует оценки точно­сти получаемых результатов (прогноза) и эффективности прогно­зирования.

Принятие решения является заключительным этапом и пред­ставляет основу для процесса управления, целью которого могут быть действия, направленные на оптимизацию функционирования диагностируемого объекта или улучшения показателей контроли­руемого процесса.

Описание предметной области при выборе моделей прогнозирования

Очевидно, что в автоматизированной системе упреждающего контроля центральным моментом процесса прогнозирования явля­ется выбор математической модели, которая бы учитывала все спе­цифические особенности поставленной задачи. При этом следует рассматривать автоматизированно такие вопросы, как:

• оперирование (манипулирование) знаниями из той базы зна­ний, которая образована, предполагающее использование моделей рассуждений и обобщения, создание методов достоверного и прав­доподобного вывода решения (заключения);

• общение оператора с системой, что требует формирования методов построения лингвистических процессоров, вопросно-от­ветных систем, диалоговых систем и др.;

• восприятие или распознавание требований, которые выдвига­ются в задаче как в виде символьной (текстовой), так и зрительной (образной) информации;

• поведение системы в некоторой информационной среде на основе модели целесообразного поведения, нормативного поведе­ния, ситуативного поведения и т.п.

Исследование подобных задач проблемного характера требует определенного уровня интеллектуализации АСП.

В заключение хотелось бы еще раз подчеркнуть следующее: специфика пред­мета ИИ, как и ряда других наук нового поколения, состоит в том, что это — типичная открытая научная дисциплина с нечеткими, подвижными границами. Работающие в ней исследователи похожи на покорителей Дикого Запада — пер­вых американских переселенцев, которые шли с восточного побережья США на западное, осваивая новые земли и сдвигая границу неизведанного. Было по­нятие Дикий Запад, но не было точно очерченной территории, которую занимала эта таинственная страна. Линия границы все время смещалась, пока не дошла до берегов Тихого океана... А далее Запад сомкнулся с Востоком.

Так и в искусственном интеллекте. То, что уже пройдено, открыто, освоено, выходит за рамки актуальных научных направлений и пополняет инструментарий базовых компьютерных технологий. Когда-то ИИ начинался с эвристических про­грамм, решающих шахматные задачи по принципам перебора и автоматического доказательства теорем в исчислении предикатов, а теперь процедуры представле­ния задач и поиска в пространстве состояний являются традиционным наполне­нием стандартных игровых программ. Точно такая же ситуация возникает ныне с экспертными системами на базе дедуктивного вывода и средствами инженерии знаний, которые из областей повышенного научного интереса уже превращаются в рутинные технологии, применяемые всеми процветающими фирмами.

Аналогично, в свое время задачи автоматического распознавания и класси­фикации считались центральной темой в исследованиях по ИИ, а сейчас — это самостоятельная научная дисциплина, причем большинство активно используе­мых методов распознавания, например статистические методы или потенциальные функции, довольно далеки от современных идей и принципов ИИ. Предложенные М. Минским фреймы для представления знаний вызвали к жизни столь мощную и бурную компьютерную волну как объектно-ориентированное программирова­ние, которая впоследствии захлестнула другие стили программирования и послу­жила основой для практической реализации агентно-ориентированного подхода.

Правда, иногда в ИИ возникают «обратные потоки переселенцев на Во­сток», когда вдруг возрождаются давно забытые идеи и подходы. Так получилось с искусственными нейронными сетями и нейродинамикой Ф. Розенблатта, пер-цептроном С. Пейперта, бум вокруг которых вновь возник в конце 80-х годов в связи с появлением нейрокомпьютеров и развитием интегрированных подходов в ИИ. Похожая вещь произошла недавно с ситуационным управлением и се­миотическим моделированием — научным направлением, сформировавшимся в конце 60-х годов в отечественной школе Д. А. Поспелова, которое пережив в середине 90-х годов новое рождение под именем «Прикладная семиотика», вызвало широкий международный резонанс в научном мире. Автор верит, что на новом витке развития ИИ, в русле продвижения от многоагентных систем к интеллектуальным организациям, возродятся, получат широкое распростра­нение и найдут применение многие блестящие модели психики и интеллекта, формирования индивидуального и коллективного поведения, самоорганизации деятельности, познания и общения, разработанные в недрах различных наук. И будут «выращены зерна» новых междисциплинарных научных знаний, будут открыты новые технологии.

Мы живем на заре эры Водолея. Эры слияния индивидуальных образов и коллективных знаний, эры сетевого интеллекта.

37