Рис.

Одной из основных является система представления знаний, две других в значительной степени опираются на нее. Представление знаний (т.е. форма их выражения) должно быть выбрано с учетом конкретного класса задач, на решение которых спроектирована ИС. Система представления знаний представляет совокупность четырех блоков: абстрактные знания; знания о целях; модель мира ИС; накопления и корректировки знаний.

Абстрактные знания - сведения об общих закономерностях, действующих как во внешнем, так и во внутреннем мире ИС, которые считают условно постоянными. Например, физические закономерности.

Знания о целях - информация о глобальных целях, которые ИС должна достигнуть в процессе функционирования, а также о способах их декомпозиции, разделения на промежуточные этапы.

Модель мира ИС - формальное описание знаний о среде, в которой функционирует система. Сведения сформированы и сообщены системе заранее.

Для повышения точности и расширения знаний о мире используется блок накопления и корректировки знаний. В нем производится накопление новых фактов о внешнем мире и их анализ на непротиворечивость с другими фактами, хранящимися в системе представления знаний. Если новый факт не противоречив, он включается в модель мира. В некоторых случаях предварительно осуществляется проверка его достоверности.

Однако, непротиворечивость не является обязательным требованием, т.к. дает возможность устойчиво функционировать в малоизученном мире.

Специфическими требованиями к системе представления знаний являются:

- «терпимость» к неполноте и противоречиям. СПЗ должна быть построена так, чтобы ИС функционировала при обнаружении неполноты или неточности в знаниях;

- критичность к новой информации - способность проверить согласованность новой информации с имеющейся и принять решение о ее достоверности;

- обучаемость и способность к корректировке знаний.

Связь с внешним миром в ИС осуществляется через систему восприятия. Система восприятия формирует ситуационные знания ИС, т.е. знания о текущей ситуации. Первичными источниками информации являются различные сенсоры. Информация от сенсоров преобразуется, обрабатывается и представляется в виде, удобном для дальнейших преобразований.

Дальнейшее преобразование связано с синтаксической и семантической интерпретацией. При синтаксической интерпретации формируется представление воспринимаемого мира на некотором внутреннем языке ИС, при этом смысл воспринимаемых явлений остается не раскрытым. Семантическая интерпретация связана с выявлением смысла воспринимаемой информации. Завершающая процедура - построение модели текущего состояния мира.

Система планирования и исполнения действий формирует и реализует программы воздействий на внешний мир, что ведет к достижению поставленной цели. Планирование действий ИС представляется как процесс решения задачи. Решение задачи - это последовательность действий, переводящая текущее состояние мира в желаемое. Для выполнения действий их необходимо расчленить на необходимые движения.

Дополнения.

Интеллектуальные роботы часто называют интегральными. Сейчас для понятия «интегральный робот» используется классификация робототехнических устройств, в основу которой положены пять групп функционально завершенных систем.:

- группа В - системы восприятия звуковой, тактильной и других видов информации о внешней среде;

- группа М - системы воздействия на объекты внешнего мира (манипуляторы);

- группа Т - системы, обеспечивающие перемещение робота;

- группа П - системы планирования действий и решения задач;

- группа Р - системы, обеспечивающие связь робота с оператором и/или другими роботами.

Любой конкретный робот может быть образован сочетанием всех или части перечисленных систем, например, ВМП - очувствленные роботы с системой планирования действий.

Научные школы в области ИИ

Тьюринг Алан (1912 - 1954) - английский математик, сформировавший основные принципы работы современных ЭВМ. В 36-37 гг. задолго предсказал возможность диалогового общения человека с компьютером, использование последнего как партнера в игровых ситуациях и пр.

Минский М. - проф. Массачусетского технологического института; исследования по моделированию головного мозга.

Ньюэелл - создатель компьютерной программы простых выводов.

Маккарти Дж. - инициатор образования научного кружка по ИИ в 1956 г.; вошли: Минский, Ньювел, Моншенон, Саймон и др. Введены понятия ИИ, распознавания образов и пр.

В середине 60-х г. создаются НИИ лаборатории по ИИ в Массачусетском технологическом институте, Стенфордском ун-те, ун-те Карнеги-Меллона. Исследования по РТС + информатике + выч.техн. + ИИ.

Российская школа - Совет по ИИ отделения информатики, выч.техники и автоматизации АН при Институте проблем управления РАН : акад. Поспелов Гермоген Сергеевич, Поспелов Д.А., Попов Э.В.,Захаров В.Н., Хорошевский и др.

История развития систем ИИ

Исторически сложились три основных направления в ИИ. В рамках первого подхода объектом исследований являются структура и механизмы работы мозга человека, а конечная цель заключается в раскрытии тайн мышления. Необходимыми этапами исследований в этом направлении являются построение моделей на основе психофизиологических данных, проведение экспериментов с ними, выдвижение новых гипотез относительно механизмов интеллектуальной деятельности, совершенствование моделей и т. д.

Второй подход в качестве объекта исследования рассматривает ИИ. Здесь речь идет о моделировании интеллектуальной деятельности с помощью вычислительных машин. Целью работ в этом направлении является создание алгоритмического и программного обеспечения вычислительных машин, позволяющего решать интеллектуальные задачи не хуже человека.

Наконец, третий подход ориентирован на создание смешанных человеко-машинных, или, как еще говорят, интерактивных интеллектуальных систем, на симбиоз возможностей естественного и искусственного интеллекта. Важнейшими проблемами в этих исследованиях является оптимальное распределение функций между естественным и искусственным интеллектом и организация диалога между человеком и машиной.

Самыми первыми интеллектуальными задачами, которые стали решаться при помощи ЭВМ были логические игры (шашки, шахматы), доказательство теорем. Хотя, правда здесь надо отметить еще кибернетические игрушки типа "электронной мыши" Клода Шеннона, которая управлялась сложной релейной схемой. Эта мышка могла "исследовать" лабиринт, и находить выход из него. А кроме того, помещенная в уже известный ей лабиринт, она не искала выход, а сразу же, не заглядывая в тупиковые ходы, выходила из лабиринта.

Американский кибернетик А. Самуэль составил для вычислительной машины программу, которая позволяет ей играть в шашки, причем в ходе игры машина обучается или, по крайней мере, создает впечатление, что обучается, улучшая свою игру на основе накопленного опыта. В 1962 г. эта программа сразилась с Р. Нили, сильнейшим шашистом в США и победила.

Каким образом машине удалось достичь столь высокого класса игры? Естественно, что в машину были программно заложены правила игры так, что выбор очередного хода был подчинен этим правилам. На каждой стадии игры машина выбирала очередной ход из множества возможных ходов согласно некоторому критерию качества игры. В шашках (как и в шахматах) обычно невыгодно терять свои фигуры, и, напротив, выгодно брать фигуры противника. Игрок (будь он человек или машина), который сохраняет подвижность своих фигур и право выбора ходов и в то же время держит под боем большое число полей на доске, обычно играет лучше своего противника, не придающего значения этим элементам игры. Описанные критерии хорошей игры сохраняют свою силу на протяжении всей игры, но есть и другие критерии, которые относятся к отдельным ее стадиям -- дебюту, миттэндшпилю, эндшпилю.

Разумно сочетая такие критерии (например, в виде линейной комбинации с экспериментально подбираемыми коэффициентами или более сложным образом), можно для оценки очередного хода машины получить некоторый числовой показатель эффективности -- оценочную функцию. Тогда машина, сравнив между собой показатели эффективности очередных ходов, выберет ход, соответствующий наибольшему показателю. Подобная автоматизация выбора очередного хода не обязательно обеспечивает оптимальный выбор, но все же это какой-то выбор, и на его основе машина может продолжать игру, совершенствуя свою стратегию (образ действия) в процессе обучения на прошлом опыте. Формально обучение состоит в подстройке параметров (коэффициентов) оценочной функции на основе анализа проведенных ходов и игр с учетом их исхода.

По мнению А. Самуэля, машина, использующая этот вид обучения, может научиться играть лучше, чем средний игрок, за относительно короткий период времени.

Можно сказать, что все эти элементы интеллекта, продемонстрированные машиной в процессе игры в шашки, сообщены ей автором программы. Отчасти это так. Но не следует забывать, что программа эта не является "жесткой", заранее продуманной во всех деталях. Она совершенствует свою стратегию игры в процессе самообучения. И хотя процесс "мышления" у машины существенно отличен оттого, что происходит в мозгу играющего в шашки человека, она способна у него выиграть.

Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Как известно, победу на этом турнире одержала советская машина с шахматной программой "Каисса".

Почему здесь употреблено "до недавнего времени"? Дело в том, что недавние события показали, что несмотря на довольно большую сложность шахмат, и невозможность, в связи с этим произвести полный перебор ходов, возможность перебора их на большую глубину, чем обычно, очень увеличивает шансы на победу. К примеру, по сообщениям в печати, компьютер фирмы IBM, победивший Каспарова, имел 256 процессоров, каждый из которых имел 4 Гб дисковой памяти и 128 Мб оперативной. Весь этот комплекс мог просчитывать более 100'000'000 ходов в секунду. До недавнего времени редкостью был компьютер, могущий делать такое количество целочисленных операций в секунду, а здесь мы говорим о ходах, которые должны быть сгенерированы и для которых просчитаны оценочные функции. Хотя с другой стороны, этот пример говорит о могуществе и универсальности переборных алгоритмов.

В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущие человеку способность к обучению и адаптации. Одной из наиболее интересных интеллектуальных задач, также имеющей огромное прикладное значение, является задача обучения распознаванию образов и ситуаций. Решением ее занимались и продолжают заниматься представители различных наук -- физиологи, психологи, математики, инженеры. Такой интерес к задаче стимулировался фантастическими перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы ИИ, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.

В 1957 г. американский физиолог Ф. Розенблатт предложил модель зрительного восприятия и распознавания -- перцептрон. Появление машины, способной обучаться понятиям и распознавать предъявляемые объекты, оказалось чрезвычайно интересным не только физиологам, но и представителям других областей знания и породило большой поток теоретических и экспериментальных исследований.

Перцептрон или любая программа, имитирующая процесс распознавания, работают в двух режимах: в режиме обучения и в режиме распознавания. В режиме обучения некто (человек, машина, робот или природа), играющий роль учителя, предъявляет машине объекты и о каждом их них сообщает, к какому понятию (классу) он принадлежит. По этим данным строится решающее правило, являющееся, по существу, формальным описанием понятий. В режиме распознавания машине предъявляются новые объекты (вообще говоря, отличные от ранее предъявленных), и она должна их классифицировать, по возможности, правильно.

Проблема обучения распознаванию тесно связана с другой интеллектуальной задачей -- проблемой перевода с одного языка на другой, а также обучения машины языку. При достаточно формальной обработке и классификации основных грамматических правил и приемов пользования словарем можно создать вполне удовлетворительный алгоритм для перевода, скажем научного или делового текста. Для некоторых языков такие системы были созданы еще в конце 60-г. Однако для того, чтобы связно перевести достаточно большой разговорный текст, необходимо понимать его смысл. Работы над такими программами ведутся уже давно, но до полного успеха еще далеко. Имеются также программы, обеспечивающие диалог между человеком и машиной на урезанном естественном языке.

Что же касается моделирования логического мышления, то хорошей модельной задачей здесь может служить задача автоматизации доказательства теорем. Начиная с 1960 г., был разработан ряд программ, способных находить доказательства теорем в исчислении предикатов (лог. - пропозициональная функция, т.е. выражение с неопределенными переменными) первого порядка. Эти программы обладают, по словам американского специалиста в области ИИ Дж. Маккатти, "здравым смыслом", т. е. способностью делать дедуктивные заключения.

Страницы: 1, 2, 3