1.3 Краткая история развития ии

ИИ имеет долгую и интересную историю, начало которой мож-

но отнести ко временам древнего Китая, Египта, Греции. Заинте-

ресованный читатель найден необходимые сведения в обширной ли-

тературе на эту тему [ ]. Мы пропустим неколько

тысячелетий развития ИИ и начнем его историю с 50-ых годов,

когда "фантазии благодаря ЭВМ стали обретать реальность" [ ].

В табл.1 приведены основные этапы развития ИИ за этот пе-

риод.

Этапы развития ИИ Таблица 1

Годы	Парадигма	Исполнители	Система
50-е	Нейронные сети	Ф.Розенблат (Н.Винер,У.Маккаллох)	PERCEPTRON
60-е	Эвристический поиск	А.Ньюэлл,Г.Саймон (К.Шеннон,А.Тьюринг)	GPS
70-е	Представление знаний	Э.Шортлифф (М.Минский,Дж.Маккарти)	MYCIN
80-е	Обучающиеся машины	Д.Ленат (Сэмюэл,Холланд)	EURISKO
90-е	Нейрокомпьютеры	Дж.Хопфилд (Д.Хебб)

В колонке "парадигма" помещен тот ответ, который бы Вы получили, если бы спросили специалиста по ИИ, чему посвящены исследования в этой области.( парадигма - от греч. пример, образец, модель постановки проблем и методов их решения, господствующая в течение определенного исторического периода ).

В колонке "исполнители" указаны 1-2 фамилии ученых, которые характеризуют дух исследований в области ИИ в этот период. Под основными исполнителями помещены в скобках имена теоретиков, которые заложили основу исследований.

На конец, в колонке " система" указаны технические системы, которые отражают тенденцию или модные течения.

Рассмотрим в кратце суть исследований, выполнявшихся на каждом из этапов развития ИИ.

Нейронные сети

В пятидесятых годах исследователи в области ИИ пытались строить разумные машины, имитируя поведение коллектива нейронов (нервных клеток). Оглядываясь назад, не приходится удивляться, что эти попытки провалились, поскольку аппаратные средства были абсолютно непригодны для решения задачи моделирования нейронной сети.

Типичной системой, которая была создана в то время является перцептрон (PERCEPTRON). Упрощенная схема перцептрона, построенного Фрэнком Розенблатом, показана на рис.1

Схема перцептрона

Рис.1

1. – рецепторное поле из фотоэлементов;

2. – ассоциативные элементы (А-элементы);

3. – корректирующие элементы (усилитель с коэффициентом усиления);

4. – реагирующий элемент;

5. – источник света;

6. – предъявляемый образ.

Перцептрон представляет собой самоорганизующийся автомат, который можно считать грубой моделью сетчатки глаза. Рецепторное поле перцептрона образовано большим количеством фотоэлементов, с которыми соединены провода. Провода собираются в группы, в каждой из которых находится одинаковое количество проводов, случайным образом взятых от различных точек рецепторного поля. Каждая группа проводов соединена с одним элементом ассоциативного поля 2. Эти ассоциативные элементы работают таким образом, что на выходе появляется ток, если превысит заданный порог суммарный ток, протекающий во входных проводах. Выход каждого из ассоциативных элементов соединен через свой элемент настройки 3 с реагирующим элементом 4, который также является пороговым. Сигналы, поступающие от ассоциативных элементов, можно корректировать с помощью элементов настройки 3.

Как работает перцептрон? Сначала ему предъявляются образы, относящиеся к тому классу, который он должен распознавать и проиэводится его настройка. Проведенные опыты показали, что после предъявления перцептрону букв по 20 раз, перцептрон распознает их в 80%, 30 раз - 90%, 40 раз - распознавал безошибочно.

Перцептроны, когда они были впервые построены, вызвали большой интерес, и на них возлагались большие надежды, которые, однако, не оправдались. При смещении буквы или повороте букв в пределах рецепторного поля, нужно было заново проводить обучение.

Считалось, что если взять сильно связанную систему модельных нейронов, которой вначале ничего не известно, применить к ней программу тренировки (поощрений и наказаний), то в

конце концов они будут делать все, что ни задумает создатель. При этом тактично обходился тот факт, что в мозге человека 10^10 нейронов и результаты экспериментов были недостаточно хорошими.

Считают, что окончательный приговор перцептронным моделям нейронных сетей был вынесен в книге М. Минского и С. Пейперта "Перцептроны". После обупликования этой работы инвестиции в исследования нейроных сетей были значительно сокращены. Позже Марвин Минский высказывал сожаления об этом факте.

Эвристический поиск

На новые рубежи указали Аллен Ньюэлл и Герберт Саймон из университета Карнеги-Меллона (США), работы которых завершились созданием системы GPS - универсального решателя задач. Центральным для их подхода было представление об эвристическом поиске. Они считали, что мышление человека основано на опредленном сочетании простых задач манипулирования символами, таких как сравнение, поиск, модификация символа и т.п. - операций, которые могут выполняться компьютером. Решение задач они представляли себе как поиск в пространстве возможных решений по эвристическим правилам, которые помогают направить поиск к искомой цели.

Они отбросили мысль о сети нейронов, указав, что даже задача конструирования нервной системы муравья, в которой участвует менее 1000 нейронов, выходит за пределы доступной технологии.

Ньюэлл и Саймон начали с программы доказательства теорем, потом перешли к машинным шахматам. Затем они переключили свое внимание на поиск общих методов, которые могли быть применены к широкому классу задач, пока не пришли к системе GPS (Generality and Problem Solving). Система GPS была универсалной в том смысле, что "не было конкретного указания к какой области относится задача". Пользователь должен был задать "проблемную среду" в терминах объектов и тех операторов, которые к ним применимы.

Но эта универсальность относилась лишь к ограниченной области математических головоломок с относительно небольшим множеством состояний и хорошо очерченных правил. Система GPS функционировала в таком формализованном микромире, где возникающие проблемы (например, "Ханойская башня") с точки зрения людей проблемами не являются.

С технической точки зрения, это процесс, известный как "поиск в глубину" и состоящий в последовательном разбиении задачи на подзадачи, пока не будет получена легко решаемая подзадача, является малоэффективным по той причине, что большое число тупиковых направлений подвергается весьма тщательному анализу. Впоследствии, исследователи открыли более эффективные стратегии поиска (правда, "поиск в глубину" продолжает жить и довольно успешно внутри бесчисленного множества интерпретаций языка PROLOG).

Представление знаний

Система GPS не могла решать реальные задачи. В 70-ых годах группа ученых, возглавляемых Эдвардом Фейгенбаумом из Стэнфордского университета (США), начала искать средства, избавляющие от такого недостатка. Вместо того, чтобы отыскивать очень универсальные эвристики, они занялись сужением рассматриваемых вопросов. То, чем, по-видимому, располагает специалист - это набор разнообразных умений, т.е. большое число приемов и неформальных правил.

На этом пути и родились экспертные системы (ЭС), которые в настоящее время используются в различных областях, где затруднено применение формально-математических моделей.

MYCIN - это экспертная система, которая диагностирует бактериальные инфекции крови и дает предписания относительно лекарственной терапии. Она была родоначальником целой серии медикодиагностических машин, некоторые из которых используются в рутинной клинической практике. Например, PUFF - система диагностики состояния легких, построенная по плану системы

MYCIN.

Система MYCIN ввела в рассмотрение несколько характеристик, которые стали отличительной чертой экспертных систем. Во-первых, ее знания составляют сотни правил подобных следующему:

ЕСЛИ (1) инфекция представляет собой первичную бактерию, и

(2) место взятия культуры является стерильным, и

(3) предполагается, что этот организм проник через ЖКТ, то можно предположить (0,7), что этот организм носит бактериальный характер.

Во-вторых, эти правила являются вероятностными. Шортлифф разработал схему, основанную на использовании "коэффицента уверенности" и позволяющего системе прийти, исходя из ненадежных данных, к правдоподобным заключениям. Система MYCIN является достаточно робастной , что приводит к правильным заключениям, даже тогда, когда некоторые из исходных данных неверны или отсутствуют. В-третьих, система MYCIN может объяснить свой процесс рассуждения. Это была одна из первых по-настоящему "дружественных" систем. В-четвертых, и самое главное, система MYCIN действительно работает. Она выполняет работу, которой люди обучаются годами.

Имеется хорошо известный пример другой системы PROSPECTOR, работающей в геологии. С помощью этой системы были открыты залежи молибдена. На этом этапе ИИ перестал быть чистой наукой и начал приносить практическую отдачу.

Обучающееся машины

Итак, где мы при этом оказались? Мы оказались в середине очередного раунда необузданноого оптимизма, охватившего теперь не только замкнутую область ИИ, но и всю совокупность людей, занятых информационной, вычислительной техникой и обработкой данных.

На этот раз таким магическим инструментом являются знания. Именно обширность и количество баз знаний и определяют успех экспертной системы.

Дуглас Ленат (Стэнфорд) создал машинную обучающую систему EURISKO, которая автоматически улучшает и расширяет свой запас эвристических правил. Эта машина произвела переворот в области СБИС, изобретя трехмерный узел типа И/ИЛИ.

Нет сомнения, что программы автоматической индукции, подобные созданным для системы EURISKO, являются важнейшим этапом в развитии ИИ в последние 10 лет и что машинное обучение - ключ к будущему. До сих пор перенесение умения специалиста-человека в машинную программу было утомительной и долгой процедурой. Знания - ценный товар, поэтому рано или поздно его начнут производить и в больших количествах.

Вот и замкнулся круг, т.е. мы прошли по витку спирали в развитии ИИ, поскольку машинное обучение и было той проблемой, которую кибернетики Н.Винер, У.Маккаллох и др. атаковали различными методами в 50-х годах, опираясь на более примитивную технологию тех лет.

Нейрокомпьютеры

К концу 70-х годов созрели условия возрождения интереса к нейросетевым моделям ИИ. Этому способствовал большой объем знаний, накопленный в рамках бионического направления развития ИИ. Развитие микроэлектроники, создав необходимую элементную базу, привело к пониманию того, что существенно увеличить скорость обработки можно лишь за счет принципа параллелизма, который присущ нейронным структурам мозга. Начало 80-х годов было отмечено ростом интереса к моделям нейронных сетей. Поводом послужила публикация Дж. Хопфилда , котoрая устанавливала аналогию поведения клеточных ансамлей нейронных сетей и определенного класса физических систем [ ].

В настоящее время это одно из бурноразвивающихся направлений искусственного интеллекта. В этой области ежегодно проводится несколько крупных международных конференций, издаются десятки специализированных журналов, возникло много фирм, занимающихся нейросетевой технологией, начался серийный выпуск прикладных систем.

Проблематика нейронных сетей будет рассмотрена во второй части конспекта. Заинтересованный читатель найдет краткие сведения о нейрокомпьютерах в приложении к настоящему конспекту.

Более подробные сведения о нейрокомпьютерах можно почерпнуть из книги Н.М. Амосова и др. [ ].

Приведенное краткое описание основных этапов развития ИИ может натолкнуть на мысль, что исследованиями ИИ занимались только зарубежные ученые. Так думать не следует. Первые серьезные программы обучения классификации на примерах были созданы в начале 60-ых годов М.М.Бонгардом и его учениками [ ]. Эти программы намного опередили разработки в других странах. Метод вывода от целей к исходным данным был впервые предложен известным логиком С.Ю.Масловым. Он известен в литературе как обратный метод Маслова. В дальнейшем на основе этого метода была разработана целая гамма процедур дедуктивного вывода [ ].

В странах СНГ также разработаны экспертные системы, не уступающих по своим возможностям зарубежным. Среди них: медицинская экспертная система МОДИС, предназначенная для иагнос-

тики 15-ти заболеваний. ЛЕДИ-ЗЕТ- помогает врачу реаниматору в случае острой почечной недостаточности; АВТАНТЕСТ - используется при интерпретации результатов психических тестов; ФИАКР-Т - помогает генетикам при выведении новых сортов помидоров.

Использование ЭВМ при моделировании творческих процессов также имеет в нашей стране богатую историю. В конце 50-ых годов были предприняты первые попытки сочинения музыкальных произведений. Работы Зарипова Р.Х. намного превосходят в этой области аналогичные зарубежные исследования [ ].

В бывшем СССР был создан язык РЕФАЛ - в каком-то отношении аналог языка ЛИСП.

Оригинальное направление "ситуационного управления", разра-ботанное Д.А.Поспеловым не имеет аналогов в зарубежной науке [ ].

Значительные успехи достигнуты в области моделирования нейронных систем в Институте кибернетики имени В.М. Глушкова г.Киев [ ].

В кратком обзоре трудно упомянуть всех исследователей СНГ внесших сушественный вклад в развитие ИИ. Более полную информацию по этому вопросу можно почерпнуть из справочника [ ].