logo search
ИС-ФиК УМК

Классификация интеллектуальных информационных систем

Несмотря на значительное число попыток провести клас­сификацию интеллектуальных информационных систем (см., например, [21, 22, 26, 27, 41]), ни одна из них, на наш взгляд, не является совершенной. На рис. 4.1.4 представлена такая классификация, полученная путем сопоставления и обобще­ния известных классификаций этих систем.

На рисунке обозначены: СОН — системы общего назна­чения; СС — специализированные системы.

Наиболее широкое распространение на практике в на­стоящее время получили системы искусственного интел­лекта, основанные на знаниях. Понятие "знания" для этих систем имеет принципиальное значение. Под "знанием" в сис­темах искусственного интеллекта понимается информация о предметной области, представленная определенным, об­разом и используемая в процессе логического вывода. По свое­му содержанию данная информация является некоторым на­бором суждений и умозаключений, описывающих состояние и механизмы (логику) функционирования в выбранной, как пра­вило, весьма ограниченной предметной области. Указанные суж­дения и умозаключения высказываются экспертом (специали­стом) в этой области либо формулируются в результате ана­лиза литературы по данному предметному направлению.

Способы получения и представления знаний в интересах проектирования систем искусственного интеллекта в настоя­щее время составляют предмет сравнительно нового научно­го направления — инженерии знаний.

Форма представления знаний имеет отличие от формы представления данных. Обычно (см., например, [53]) под данными в АИС понимаются факты и идеи, представленные в формализованном виде, позволяющие (лишь) передавать, хра­нить или обрабатывать эти факты и идеи при помощи некоторого процесса.

Рис. 7. Классификация систем искусственного интеллекта

В отличие от данных, знания предполагают сосредоточение не только фактов и идей в указанном выше смысле (так называемых первичных данных), но и до­полнительных данных, которые описывают (интерпретиру­ют) первичные данные с точки зрения следующих составляющих: того, что собой представляют эти данные, какие между ними имеются связи, какие действия с ними и каким образом могут выполняться и т. п.

В системах, основанных на знаниях, предполагается, что исходные знания способны, в соответствии с запросами пользователей к системе порождать новые знания. При этом сама процедура порождения новых знаний называется логи­ческим выводом (или просто выводом). Термин "логический" в данном случае не случаен с двух точек зрения. Системы, основанные на знаниях, моделируют мыслительную деятель­ность людей лишь на логическом (а не на физиологическом) уровне и, кроме того, основным математическим аппаратом, лежащим в основе систем этого типа, является аппарат ма­тематической логики.

К системам искусственного интеллекта, полностью осно­ванным на знаниях, относятся два класса систем: эксперт­ные системы и интеллектуальные пакеты прикладных про­грамм (ИППП). Основные идеи этого направления частично (или даже в значительной части) реализуются и в других си­стемах искусственного интеллекта, в частности, робототехнических, системах распознавания и др. (см. рис. 7).

Под ИППП понимаются инструментальные пакеты при­кладных программ, в которых механизм сборки отдельных подпрограмм (решения частных задач) в общую программу

решения требуемой задачи осуществляется автоматичес­ки, на основе механизма логического вывода.

В самоорганизующихся системах реализуется попытка осуществить моделирование интеллектуальной деятельности человека (или более простых живых существ) не на логичес­ком, а на физиологическом уровне работы головного мозга. В данном случае мозг человека моделируется сетью идеаль­ных нейронов. В соответствии с доказанной фон Нейманом [37] теоремой при воздействии на такую сеть некоторых раз­дражителей она начинает вырабатывать адекватную реакцию, т. е. способна к самообучению путем самоорганизации. Несмотря на значительную теоретическую перспективность этого (ис­торически первого) направления в области искусственного интеллекта, практически значимых результатов этот путь пока не дал. Последнее объясняется технической нереализуемостью на современном уровне достаточного числа взаимосвя­занных нейронов в искусственно создаваемой сети.

В то же время данное направление позволило получить весомые результаты в области исследования возможностей создания компьютеров сверхвысокого быстродействия. Тем самым повышаются возможности систем искусственного ин­теллекта, создаваемых на других принципах. Кроме того, реальные результаты получены в создании нейросистем рас­познавания образов.

Основная идея, лежащая в основе создания нейросетей, базируется на теореме Мак-Каллока и Питтса [37], которая утверждает, что любую вычислимую функцию можно реали­зовать с помощью сети идеальных нейронов. Эксперименты показывают, что реализация этих функций таким путем мо­жет осуществляться значительно быстрее, чем на традицион­ном компьютере. Компьютеры новой архитектуры, воплощаю­щие данную идею, получили название нейрокомпъюторы.

Третье направление разработки систем искусственного интеллекта связано с реализацией эвристического подхода к построению таких систем. Главной особенностью, характер­ной для данного направления, является полный отказ от следования принципу аналогии при моделировании механиз­ма интеллектуальной деятельности (ни на логическом, ни на физиологическом уровнях). Методологической основой си­стем эвристического поиска служит то утверждение, что любая интеллектуальная деятельность начинается с некото­рых данных и завершается получением определенных резуль­татов также в виде данных. Если техническое устройство позволяет по аналогичным исходным данным получить экви­валентные результаты, то оно может быть отнесено к клас­су интеллектуальных (см. первое определение искусственно­го интеллекта). При этом механизм переработки исходных данных в результаты не оговаривается и, вообще говоря, может быть совершенно иным по сравнению с реальным. Си­стемы этого типа выполняют функции, которые тради­ционно производятся человеком, однако реализуют их дру­гими способами.

Широкое распространение данное направление получи­ло при решении различных игровых задач (шахматы, шашки и т. д.). Однако подходы, присущие этому направлению, на­шли применение и в других системах искусственного интел­лекта, в частности, системах общения (особенно в части ре­чевого общения), системах распознавания, робототехничес-ких системах и других. В то же время следует заметить: специфика эвристического подхода такова, что рецепты со­здания . программ для решения интеллектуальных задач в одной области практики, как правило, неприменимы в дру­гой области, а возникающая необходимость изменения ха­рактера учета факторов при решении прикладных задач вы­зывает существенную перестройку программы в целом.

При разработке интеллектуальных робототехнических систем основная задача состоит в решении теоретических и практических вопросов организации целесообразного поведе­ния подвижных роботов, снабженных сенсорными и эффекторными (исполнительными) механизмами [54]. Принципи­альное отличие робототехнических систем от систем искус­ственного интеллекта других типов заключается в том, чтоэти системы не только воспринимают информацию из окру­жающего мира и вырабатывают на ее основе определенные оценочные выводы, но и, сообразуясь с этими выводами, вносят изменения в окружающий (анализируемый ими) мир.

К настоящему времени в практике находят применение робототехнические системы с относительно простыми сен­сорными и эффекторными механизмами, которые способны выполнять действия только в простых средах с заранее за­фиксированными свойствами.

Основа проблемы распознавания образов, или в более широком контексте — машинное зрение, заключается в при­дании системе способности разрешения задач преобразова­ния огромного количества сенсорных данных (например, при­сутствующих в телевизионном изображении) к относитель­но краткому и осмысленному описанию наблюдаемой про­блемной ситуации. Содержанием такого описания, как пра­вило, является тот минимальный (самый характерный) набор данных, которые отличают изучаемую ситуацию от стандар­тной. Основная сложность такого описания связана с ответом на следующие вопросы: какие объекты имеют место в на­блюдаемом кадре; какие из них являются ключевыми для выявленной ситуации; что надо принять за стандартную си­туацию для выявленных ключевых объектов; в чем отличие рассматриваемой ситуации от стандартной; откуда первона­чально получать наборы стандартных ситуаций. Трудности, с которыми сталкивается практика при решении каждой из пе­речисленных задач, указывают на то, что, как и в случае робототехнических систем, данное направление находит ре­ализацию только в самых простых случаях.

В дальнейшем будем рассматривать системы, основан­ные на знаниях, как получившие наибольшее практическое развитие и распространение в различных отраслях профес­сиональной деятельности, в том числе и в экономике, что обусловливает необходимость более подробного рассмотре­ния методов представления знаний в памяти ЭВМ.