Лекция введение в курс. Основные понятия искусственного интеллекта. Задачи, решаемые с помощью методов искусственного интеллект
 Скачать 293.98 Kb.
|
|
ЛЕКЦИЯ 1. ВВЕДЕНИЕ В КУРС. ОСНОВНЫЕ ПОНЯТИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА. ЗАДАЧИ, РЕШАЕМЫЕ С ПОМОЩЬЮ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТ Целью данного курса является рассмотрение такого понятия как «Искусственный интеллект» (ИИ), а если быть конкретней - основных направлений развития систем искусственного интеллекта (СИИ) и задач, которые данные системы способны решать. Прежде чем пытаться раскрыть понятие ИИ, необходимо разобраться с вопросом «А что же такое интеллект?» ИНТЕЛЛЕКТ (от лат. intellectus познание, понимание, рассудок) – это способность мышления, рационального познания. Но данное определение слишком расплывчатое, не дающее конкретного понимания этого слова. Поэтому введем более конкретную для нашего случая фразу, определяющую понятие данного термина: Интеллект – это способность решать ранее неизвестные задачи. Если рассматривать в качестве обладателя интеллекта человека, то несложно заметить, что мы непрерывно на протяжении всей своей жизни решаем задачи: от самых маленьких и простых, казалось бы, незаметных, таких как обойти или перескочить лужу, попытаться угнаться за трамваем или подождать следующий, до более глобальных и сложных, таких как спроектировать и построить уникальный космический корабль или провести выгодную военную компанию. Как видно из примеров, задачи бывают достаточно различными, но можно попытаться раскрыть общую модель. Известно, что задачи возникают при взаимодействии объекта с субъектом. Объект (в нашем случае) – это нечто, обладающее определенными свойствами и характеристиками. Субъект – нечто, способное воспринимать свойства и характеристики объекта, и возможно изменять их. Взаимодействие субъекта с объектом и определяет задачу субъекта. Понятие "решать" подразумевает нахождение решения, верного в некотором приближении, которое устраняет (разрешает) данную проблемную ситуацию полностью либо частично (приемлемую ее часть), постоянно или временно (на приемлемый срок). Задачу можно разбить на ряд подзадач:
Рассмотрим небольшой пример. Предположим ситуацию: мы управляем транспортным средством и догнали впереди идущий автомобиль, навстречу едет другой автомобиль. Возникает вопрос: Что делать? В данном случае объектом воздействия является не только наш автомобиль, а вся среда целиком, включая встречный и попутный автомобили, на которые мы можем повлиять коренным образом, а также погодные условия и дорогу, которые только лишь информируют нас о среде. Субъектом данной ситуации являемся мы. Теперь решаем нашу задачу:
Стоит обратить внимание на то, что каждая из рассмотренных подзадач, может быть выделена как отдельная независимая задача с определенным набором входных и выходных параметров. Подобный системный подход существенно упрощает решение сложных, глобальных задач. Немаловажными являются такие показатели решения задачи, как качество и стоимость. Качество решения определяет собственно характеристики полученного результата. Простыми словами - выгоду полученного решения. Стоимость решения определяет затраты на полученный результат. Стоимость может определяться затратами времени, памяти, интеллектуального или физического напряжения, денежными затратами и т.д. Интеллект - это способность самостоятельно, эффективно (верно, с возможно меньшими затратами ресурсов) находить качественные (верные, простые, требующие как можно меньших затрат ресурсов) решения (в том числе новые, ранее неизвестные) разнообразных сложных "задач", в том числе новых, ранее неизвестных (в идеале - любых возможных "задач"). Искусственный интеллект – это раздел информатики, включающий разработку методов моделирования и воспроизведения с помощью ЭВМ отдельных функций творческой деятельности человека, решение проблемы представления знаний в ЭВМ и построение баз знаний, создание экспертных систем, разработку интеллектуальных роботов и т.д. Интеллект характеризуется уровнем и величиной (величинами). Интеллект обычно подразделяют на 4 уровня: Интеллект уровня 0 - это способность субъекта решать известные "задачи" известными, неизменными методами. Характеризуется скоростью нахождения решений и качеством известных методов (решений). Примеры: инстинкт, программа, алгоритм, прошивка ПЗУ. Сложность построения искусственного интеллекта уровня 0 определяется только сложностью целевого класса задач. Системы ИИ уровня 0 для классов простых задач обычно не считаются интеллектуальными. Интеллект уровня 1 - это способность субъекта улучшать, оптимизировать известные решения задач известных классов. Это способность обучаться, совершенствоваться эволюционным путем. Характеризуется обучаемостью - скоростью обучения и эффективностью - количественным увеличением величины интеллекта уровня 0. Прямые измерения величины интеллекта уровня 1 затруднены. Примеры: адаптация живых организмов; генетические алгоритмы. Рассмотрение класса задач оптимизации приводит к возможности эмуляции интеллекта уровня 1 системами, с интеллектом уровня 0. Пример: программные пакеты, решающие задачи оптимизации математического программирования. Системы ИИ уровня 1 обычно называют интеллектуальными. Интеллект уровня 2 - это способность субъекта находить новые решения задач известных классов. Его реализация во многом зависит от внешних условий, от того, существуют ли, в принципе, новые, более эффективные решения этих классов задач. Находит себе новые применения по мере возрастания величины интеллекта уровня 0. Трудноизмерим. Возможны численные описания через частоту его применения и эффективность (насколько новые решения лучше известных?). Представляет собой революционный путь совершенствования. Близкие понятия: креативность, относительная новизна, изобретательность. Интеллект уровня 2 иногда проявляется у высших животных при решении простых задач. При решении сложных классов задач проявляется далеко не у всех людей. Интеллект уровня 3 - это способность субъекта находить (создавать) решения для ранее неизвестных классов задач. Способность решать любые новые задачи. Трудноизмерим. Наличие интеллекта уровня 3 есть безграничность интеллекта, потенциальная бесконечность возможных классов разрешимых задач, потенциальная бесконечность самосовершенствования объекта. Дополнительное качественное отличие: если для предыдущих уровней, все сводилось к увеличению интеллекта уровня 0, то для интеллекта уровня 3 это маловажно. Близкие понятия: абсолютная новизна, научное открытие, изобретение, гениальность. Следует полагать, что системы ИИ уровня 3 не могут быть разработаны в обозримом будущем и этот уровень интеллектуальной деятельности останется для человека, точнее для лучших (гениальных) представителей человечества. Краткий исторический обзор развития работ в области ИИ 1. Начало исследований в области ИИ (конец 50-х годов) связывают с работами Ньюэлла, Саймана и Шоу, исследовавших процессы решения различных задач. Результатами их работ явились такие программы как "ЛОГИК-ТЕОРЕТИК", предназначенная для доказательства теорем в исчислении высказываний, и "ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ". Эти работы положили начало первому этапу исследований в области ИИ, связанному с разработкой программ, решающих задачи на основе применения разнообразных эвристических методов. Эвристический метод решения задачи при этом рассматривался как свойственный человеческому мышлению "вообще", для которого характерно возникновение догадок о пути решения задачи с последующей их проверкой. Ему противопоставлялся используемый в ЭВМ алгоритмический метод, который интерпретировался как механическое осуществление заданной последовательности шагов, детерминировано приводящей к правильному ответу. 2. Примерно в то время, когда работы Ньюэлла и Саймона стали привлекать к себе внимание, в Массачусетсском технологическом институте, Стэнфордском университете и Стэнфордском исследовательском институте также сформировались исследовательские группы в области ИИ. В противоположность ранним работам Ньюэлла и Саймона эти исследования больше относились к формальным математическим представлениям. Способы решения задач в этих исследованиях развивались на основе расширения математической и символической логики. Моделированию же человеческого мышления придавалось второстепенное значение. 3. На дальнейшие исследования в области ИИ большое влияние оказало появление метода резолюций Робинсона, основанного на доказательстве теорем в логике предикатов и являющегося исчерпывающим методом доказательства. Целью исследований, проводимых в направлении ИИ, стала разработка программ, способных решать "человеческие задачи". При этом по скорости и эффективности машины должны быть сравнимы с человеком". Функциональный подход к направленности исследований по ИИ сохранился в основном до настоящего времени, хотя еще и сейчас ряд ученых, особенно психологов, пытаются оценивать результаты работ по ИИ с позиций их соответствия человеческому мышлению. Этапы исследований в рамках ИИ. Исследовательским полигоном для развития методов ИИ на первом этапе явились всевозможные игры, головоломки, математические задачи. Основной расцвет такого рода исследований приходится на конец 60-х годов, после чего стали делаться первые попытки применения разработанных методов для задач, решаемых не в искусственных, а в реальных проблемных средах. Необходимость исследования систем ИИ при их функционировании в реальном мире привело к постановке задачи создания интегральных роботов. Проведение таких работ можно считать вторым этапом исследований по ИИ. В Стэнфордском университете, Стэнфордском исследовательском институте и некоторых других местах были разработаны экспериментальные роботы, функционирующие в лабораторных условиях. Проведение этих экспериментов показало необходимость решения кардинальных вопросов, связанных с проблемой представления знаний о среде функционирования, и одновременно недостаточную исследованность таких проблем, как зрительное восприятие, построение сложных планов поведения в динамических средах, общение с роботами на естественном языке. Эти проблемы были более ясно сформулированы и поставлены перед исследователями в середине 70-х гг., связанных с началом третьего этапа исследований систем ИИ. Его характерной чертой явилось смещение центра внимания исследователей с создания автономно функционирующих систем, самостоятельно решающих в реальной среде поставленные перед ними задачи, к созданию человеко-машинных систем, интегрирующих в единое целое интеллект человека и способности ВМ для достижения общей цели - решения задачи, поставленной перед интегральной человеко-машинной системой. Такое смещение обуславливалось двумя причинами: 1. К этому времени выяснилось, что даже простые на первый взгляд задачи, возникающие перед интегральным роботом при его функционировании в реальном времени, не могут быть решены методами, разработанными для экспериментальных задач в специально сформированных проблемных средах; 2. Стало ясно, что сочетание дополняющих друг друга возможностей человека и ЭВМ позволяет обойти острые углы путем перекладывания на человека тех функций, которые пока еще не доступны для ЭВМ. На первый план выдвигалась не разработка отдельных методов машинного решения задач, а разработка методов и средств, обеспечивающих тесное взаимодействие человека и вычислительной системы в течение всего процесса решения задачи с возможностью оперативного внесения человеком изменений в ход этого процесса. Четвертый этап исследований в рамках ИИ связан с искусственным воспроизведением эволюции. Этот подход основан на гипотезе, что человеческий интеллект, в своем развитии эволюционировал, благодаря процессу, включающему мутации и естественный отбор. При таком подходе систему ИИ, моделируемую на компьютере, заставляют эволюционировать путем мутаций и отбора. При этом предполагается, что компьютерная эволюция должна быть существенно более быстрой, чем естественная. На этом пути первоначально удалось добиться того, что системы ИИ эволюционировали до уровня способности решать простейшие задачи. Классификация интеллектуальных информационных Для ИИС характерны следующие признаки:
коммуникативные способности — способ взаимодействия конечного пользователя с системой; решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний; способность к самообучению — умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач; адаптивность — способность системы к развитию в соответствии с объективными изменениями области знаний.
Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы: Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных. Естественно-языковой интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации, голосового ввода команд в системах управления, машинного перевода с иностранных языков. Для реализации ЕЯ интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляются распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем - с самим текстом. Аналогичным образом проводится поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио и видео образы. Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи – частный случай гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации. Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени. 2) Экспертные системы Экспертные системы как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. История ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных способностей» компьютеров с тем, чтобы они могли оперировать не только данными, но и знаниями, как это делают специалисты (эксперты) при выработке умозаключений. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом. ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик: задачи не могут быть представлены в числовой форме; исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью; цели нельзя выразить с помощью четко определенной целевой функции; не существует однозначного алгоритмического решения задачи; алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти). Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений. ЭС охватывают самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:
Для классификации ЭС используются следующие признаки: По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний. В зависимости от способа учета временного признака ЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения. По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость. ЭС могут создаваться с использованием одного или нескольких источников знаний. В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС: классифицирующие, доопределяющие, трансформирующие и мультиагентные. Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод. Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика. Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:
Мультиагентные системы — это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:
3) Самообучающиеся системы Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях. Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки: относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки; низкую степень объяснимости полученных результатов; поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства. Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.
Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования. Нейронная сеть - это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов — нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений. В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы: • получение информации о текущей проблеме; • сопоставление полученной информации со значениями признаков прецедентов из базы знаний; • выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме; • адаптация выбранного прецедента к текущей проблеме; • проверка корректности каждого полученного решения; • занесение детальной информации о полученном решении в БЗ. Информационные хранилища отличаются от интеллектуальных баз данных, тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т.е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются. Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы. 4) Адаптивные информационные системы Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований», а именно:
Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний - репозитории. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения. Задачи и области применения систем ИИ. Области применения систем искусственного интеллекта (практический аспект) Обработка естественного языка. Когда люди общаются между собой на естественном языке (ЕЯ), они практически без всяких усилий используют сложные и пока малопонятные процессы. Оказалось, что построить машины, способные “понимать” хотя бы фрагменты ЕЯ, чрезвычайно трудно. Одной из причин является то обстоятельство, что ЕЯ возник как средство общения интеллектуальных существ. При таком общении происходит как бы передача некоторой порции “умственной структуры” от одного мозга к другому в условиях, когда каждый мозг располагает большими и весьма подобными друг другу “умственными структурами”, служащими в качестве общего контекста. Это позволяет участникам разговора использовать колоссальные интеллектуальные ресурсы и совместные знания для создания и восприятия чрезвычайно сжатых сообщений. Извлечение информации из баз данных. Базы данных (БД) представляют собой программные пакеты, в которых хранятся большие объемы сведений, относящихся к определенной предметной области. БД формируется таким образом, чтобы из нее можно было извлекать нужные сведения в виде ответов на вопросы по данной предметной области. В настоящее время существует много разнообразных приемов построения БД и способов извлечения информации из них. В рамках дисциплины ИИ нас интересует постановка вопроса по БД, а именно - как извлечь из БД ответ на вопрос, для которого необходимо провести дедуктивные рассуждения со сведениями, хранящимися в БД. Экспертные и консультирующие системы. Автоматические экспертные и консультирующие системы (АЭКС) призваны обеспечивать пользователя компетентными заключениями, касающимися определенных предметных областей. Известны АЭКС, диагностирующие заболевания, оценивающие потенциальные месторождения полезных ископаемых, предлагающие варианты возможных структур сложных органических соединений и многие другие. Ключевая проблема при построении АЭКС состоит в том, как представлять и использовать знания, которыми, очевидно, располагают и пользуются люди, являющими экспертами в предметных областях. Эта проблема осложняется еще и тем, что экспертные знания часто являются неточными, неопределенными и плохо формализуемыми. Тем не менее, эксперты успешно пользуются этими знаниями, делая полезные заключения. Доказательство теорем. Поиск доказательства (или опровержения) для некоторой математической теоремы, несомненно, может рассматриваться как пример интеллектуальной задачи. Во-первых, потому что для доказательства требуется способность провести дедукцию, исходя из гипотез. Во-вторых, для построения доказательства необходимы интуитивные навыки, такие как построение догадки о том, какие промежуточные леммы следует доказать, чтобы способствовать доказательству основной теоремы. Опытный математик, опираясь на некоторое собственное суждение, основанное на большом объеме специальных знаний, высказывает точную догадку, какие из ранее доказанных теорем в рассматриваемой предметной области будут полезны для искомого доказательства, выделяет в главной проблеме подзадачи, над которыми можно работать независимо друг от друга. В рамках ИИ был разработан ряд программ, которые в какой-то степени обладают некоторыми из таких способностей. Робототехника. В настоящее время это самостоятельная область науки и техники, выделившаяся из ИИ. Ее задачей является решение теоретических и практических вопросов организации целесообразного поведения подвижных роботов, снабженных сенсорными и эффекторными (исполнительными) механизмами. Перед такими роботами обычно ставится некоторая глобальная цель (например, для автономного подвижного робота-планетохода - достижение некоторой точки на поверхности другой планеты). Однако предполагается, что заранее невозможно полностью предсказать все возможные реакции со стороны окружающей среды робота. Поэтому многие проблемы своего поведения в окружающей среде робот должен решать самостоятельно, учитывая конкретные условия и используя при этом бортовую ЭВМ. Автоматическое программирование. Существующие компиляторы в некотором смысле уже осуществляют автоматическое программирование. Они воспринимают полную спецификацию того, что программа должна делать, во входном коде и пишут программу в объектном коде. Под автоматическим программированием понимается некий “суперкомпилятор”, или программа, которая могла бы воспринимать описание на очень высоком уровне, вплоть до ЕЯ, того, что требуется от искомой программы. При этом, учитывая высокий уровень входного описания, и, следовательно, наличие неоднозначностей в этом описании, автоматическое программирование потребует, очевидно, дополнительного диалога между системой и пользователем для исключения неоднозначностей. Комбинаторные задачи и составление расписаний. Многие задачи из этой области исследуются методами ИИ. Классическим примером является задача коммивояжера, в которой требуется найти маршрут минимальной длины в пределах нескольких городов, начиная от некоторого исходного города, посещая каждый город один раз и возвращаясь в исходный город. Проблемы машинного восприятия. Попытки снабдить вычислительные машины органами восприятия показали, что для полезной (интеллектуальной) обработки столь сложных входных данных необходимо “понимание”. В свою очередь для такого понимания необходима огромная база знаний об окружающей среде. Смысл процесса машинного восприятия состоит в создании сжатого представления о реальных входных сценах и образах, с которыми машина не в состоянии работать из-за громадного объема описывающей их информации. Характер и качество окончательного представления зависит от целей воспринимающей системы: (что является важным: цвета, пространственные соотношения и размеры, наличие определенных признаков и т.д.). Задачи интеллектуальных информационных систем (теоретический аспект)
Остановимся кратко на каждом из перечисленных понятий. 1. Представление знаний. В рамках этого направления решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы (ИС). Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИС могут черпать знания, создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для ИС чрезвычайно актуальна, т.к. ИС - это система, функционирование которой опирается на знания о проблемной области. 2. Манипулирование знаниями. Для того чтобы знаниями можно было пользоваться при решении задач, надо научить ИС оперировать ими. В рамках данного направления строятся способы пополнения знаний на основе их неполных описаний, изучаются системы классификации хранящихся в ИС знаний, разрабатываются процедуры обобщения знаний и формирования на их основе абстрактных понятий, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, опирающихся на знания и имитирующих способности человеческих рассуждений. Манипулирование знаниями тесно связано с представлением знаний. Многие исследователи считают, что эти направления можно разделить только условно. Создающаяся в настоящее время теория баз знаний включает оба этих направления. 3. Общение. В круг задач этого направления входят: проблема понимания связных текстов на ограниченном и неограниченном ЕЯ, синтез связных текстов, понимание речи и синтез речи, теория моделей коммуникации между человеком и ИС. К этому же кругу проблем примыкают задачи формирования объяснений действий ИС, которые она должна уметь порождать по просьбе человека; комплекс задач, связанных с интеграцией в единый внутренний образ сообщений различной модальности (текстовых, речевых, зрительных и т.п.), полученных в процессе коммуникации. На основе исследований в этом направлении формируются методы построения лингвистических процессоров, вопросно-ответных систем, диалоговых систем и других ИС, целью которых является обеспечение комфортных условий для общения человека с ИС. 4. Восприятие. Об этом направлении уже упоминалось в контексте прикладных областей. Как видите, в ИИ тесно переплетены и теоретические прикладные направления. 5. Обучение. Предполагается, что ИС подобно человеку будут способны к обучению - решению задач, с которыми они ранее не встречались. Для того, чтобы это стало возможным, необходимо: создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдению за этой ситуацией, научиться переходу от известного решения частных задач (примеров) к решению общей задачи, создать приемы декомпозиции исходной для ИС задачи на более мелкие так, чтобы они оказались для ИС уже известными, разработать нормативные и декларативные модели самого процесса обучения, создать теорию подражательного поведения. И перечень таких задач можно еще продолжать. 6. Поведение. ИС должны действовать в некоторой окружающей среде. Поэтому возникает задача разработки специальных поведенческих процедур, которые позволили бы ИС адекватно взаимодействовать с окружающей средой, другими ИС (коллективы роботов) и людьми. Для достижения такого взаимодействия необходимо провести исследование в ряде направлений и создать: модели целесообразного поведения, нормативного поведения, ситуационного поведения, специальные методы многоуровневого планирования и коррекции планов в динамических ситуациях. Лишь после этого можно будет говорить о возможности привычного взаимодействия между людьми и ИС. |