6.1. Основные понятия искусственного интеллекта

В научной литературе нет однозначного определения по­нятия «искусственный интеллект». Наиболее часто пользу­ются следующими определениями.

Искусственный интеллект (ИИ) (artificial intelligence) — область научного знания, объединяющая различные направ­ления, занимающиеся исследованиями принципов и законо­мерностей мыслительной деятельности и моделированием задач, которые традиционно относят к интеллектуальным.

Искусственный интеллект — свойство автоматизиро­ванных систем брать на себя отдельные функции интеллекта человека (например, выбирать и принимать оптимальные ре­шения на основе ранее полученного опыта и рационального анализа внешних воздействий).

Интеллект и мышление органически связаны с решением следующих задач: распознавание ситуаций, логический ана­лиз, планирование поведения, игры и управление в условиях неопределенности. В процессе их решения проявляются та­кие характерные черты интеллекта, как способность к обу­чению, обобщению, накоплению опыта и адаптации к изме­няющимся условиям.

Развитие методов искусственного интеллекта привело к разработке и созданию практически действующих интел­лектуальных систем, которые используют для решения сложных задач методы искусственного интеллекта, основан­ные на использовании знаний. Интеллектуальная информационная система (ИИС) — это один из видов автоматизированных информационных систем, которая представляет собой комплекс программных, лингвистических и логико-математических средств для реализации основной задачи: осуществление поддержки деятельности человека и поиска информации в режиме продвинутого диалога на естествен­ном языке.

Такие системы имеют многокомпонентную и многосвяз­ную структуру, компонентами которой являются базы знаний (БЗ) и подсистемы извлечения знаний, формирования цели, вывода на знаниях, диалогового общения, обработки внеш­ней и внутренней информации, обучения и самообучения, контроля и диагностики. Пользователь может формировать или корректировать основные и вспомогательные БЗ систе­мы. Взаимодействие компонентов представлено на рис. 6.1.

Система может функционировать как автономно по зало­женному при настройке критерию цели, так и по заданию пользователя. В последнем случае задание формируется в ес­тественной форме (речь, текст, графика), предварительно обрабатывается подсистемой диалогового общения, взаимодействие с пользователем осуществляется в интерактив­ном режиме, который предполагает не только ввод задания, но и выдачу подтверждений о понимании задания или запро­сов на уточнение непонятных моментов. Подсистема диало­гового общения использует собственную БЗ, содержащую правила анализа и синтеза естественно-языковой или гра­фической информации из проблемной области, средство преобразования неформализованного задания в формали­зованное.

Подсистема формирования цели обрабатывает формали­зованное задание и определяет возможность или невозмож­ность его выполнения при существующих в данный момент ресурсах системы и состояний ее компонентов. Если система не может выполнить задание, то она формирует сообщение с объяснениями отказа и предложением скорректировать задание.

Основная БЗ должна содержать формализованное описа­ние среды, которую должна изменить система, чтобы выпол­нить задание. Знания о среде формируются подсистемой извлечения знаний, дополнительные знания о проблеме — подсистемой обучения и самообучения. Таким образом, в ос­новной БЗ создается полная модель среды.

Обработка цели, знаний о среде и проблеме осуществляет­ся подсистемой вывода на знаниях (машина логического вывода), которая выполняет поиск решения, для чего ис­пользует собственную БЗ, содержащую правила интерпрета­ции знаний. Процесс поиска решения является итерацион­ным, и каждый шаг сопровождается коррекцией модели сре­ды с целью проверки правильности решений.

Подсистемы обработки внешней и внутренней инфор­мации выполняют анализ текущих изменений информации, для получения которой могут быть использованы различные устройства, связывающие систему со средой. Их набор опре­деляется проблемной ориентацией системы. Интегрирован­ная информация используется в подсистеме извлечения зна­ний, контроля и диагностики.

Рассмотренная обобщенная структура интеллектуаль­ной системы является универсальной. Реализация пере­численных подсистем зависит от методов представления знаний в БЗ и проблемной ориентации системы. Источ­никами знаний являются описания сущностей, представленные с использованием определенной формальной моде­ли знаний, приемлемой для аппаратно-программных реа­лизаций.

Модель знании является представлением системы зна­ний с помощью определенного математического аппарата (формализма) для корректного формального описания и по­строения процедуры решения задачи.

При построении интеллектуальных систем используются семантическая, фреймовая и формально-логическая модели знаний.

В моделях знаний принятие решений осуществляется путем вывода заключений с использованием определенным образом формализованных знаний о проблемной области.

6.2. Методы и модели искусственного интеллекта

Искусственный интеллект реализуется на базе четырех подходов: логического, эволюционного, имитационного и структурного.

Основой логического подхода служит булева алгебра и ее логические операторы, в первую очередь оператор IF (если). При этом исходные данные хранятся в базе знаний в виде ак­сиом, а правила логического вывода — как отношения меж­ду ними.

Для большинства логических методов характерна боль­шая трудоемкость, поскольку во время поиска доказатель­ства возможен полный перебор вариантов. Поэтому данный подход требует эффективной реализации вычислительного процесса, и хорошие результаты достигаются при сравни­тельно небольшом размере базы знаний. Примерами практи­ческой реализации логических методов являются деревья решений и нечеткая логика. В отличие от традиционной математики, требующей моделирования точных и однознач­ных формулировок закономерностей, нечеткая логика пред­полагает, что функция принадлежности элемента к множе­ству может принимать любые значения на отрезке [0, 1], а не только 0 или 1. Этот подход более точно отражает функционирование мышления человека, который редко отвечает на поставленные вопросы только «да» или «нет».

Самоорганизация — процесс самопроизвольного (спон­танного) увеличения порядка, или организации, в системе, происходящий под действием внешней среды. Для возник­новения самоорганизации необходимо иметь исходную струк­туру, механизм случайных ее мутаций и критерии отбора. Мутация оценивается с точки зрения полезности для улуч­шения качества системы. При построении таких систем ИИ задается только исходная организация, список переменных и критерии качества, формализующие цель оптимизации и правила, по которым модель может изменяться (самооргани­зовываться или эволюционировать).

Самоорганизующиеся модели служат в основном для прог­нозирования поведения и структуры систем различной при­роды. В процессе построения моделей участие человека све­дено к минимуму.

Понятие эволюции связано с возможностью изменения собственной структуры (количества элементов, направлен­ности и интенсивности связей между ними) путем настраи­вания ее оптимальным образом в каждый конкретный мо­мент времени в зависимости от поставленных задач. В про­цессе эволюции в условиях сложной и меняющейся среды приобретаются принципиально новые качества, позволя­ющие переходить на следующую ступень развития.

Эволюционное моделирование представляет собой уни­версальный способ построения прогнозов состояний системы в условиях задания их предыстории. Общая схема алгоритма эволюции включает: задание исходной организации систе­мы, случайные мутации, отбор для дальнейшего развития той организации, которая является лучшей в рамках некото­рого критерия.

Поиск оптимальной структуры происходит в большей степени случайно и не целенаправленно, что затягивает про­цесс, но обеспечивает наилучшее приспособление к изменя­ющимся условиям.

В последнее время наблюдается повышенный интерес к «биологизированным» моделям эволюции с использованием генетического алгоритма, который можно считать интеллектуальной формой метода проб и ошибок. Генетические алго­ритмы (ГА) — это стохастические, эвристические оптими­зационные методы (рис. 6.2), предложенные Дж. Холландом (1975) и основанные на идее эволюции путем естест­венного отбора, выдвинутой Ч. Дарвином (1857).

Генетический алгоритм представляет собой мощное поиско­вое средство, эффективное в различных проблемных областях.

При построении систем ИИ широко используется ими­тационный подход с базовым понятием «черный ящик» (сис­тема, в которой внешнему наблюдателю доступны лишь входные и выходные величины, а структура и внутренние процессы неизвестны).

Под структурным подходом подразумевается построе­ние систем ИИ путем моделирования структуры человечес­кого мозга. Нейросетевое моделирование применяется в раз­личных областях — бизнесе, медицине, технике, геологии, физике, где нужно решать задачи прогнозирования, класси­фикации или управления. В основе лежит идея построения вычислительного устройства из большого числа параллельно работающих простых элементов — формальных нейронов (рис. 6.3а), которые функционируют независимо друг от дру­га и связаны между собой однонаправленными каналами пе­редачи информации.

Искусственные нейронные сети (ИНС) — это математи­ческие модели и их программные или аппаратные реализа­ции, построенные по принципу организации и функционирования биологических нейронных сетей. Ядром нейросетевых представлений является идея о том, что каждый отдельный нейрон можно моделировать простыми функциями, вся слож­ность мозга, гибкость его функционирования и другие важ­нейшие качества определяются связями между нейронами. ИНС позволяет воспроизводить сложные нелинейные по сво­ей природе зависимости.

Как правило, искусственная нейронная сеть использует­ся, когда неизвестны виды связей между входами и выхода­ми. Для того чтобы сеть можно было применять в дальней­шем, ее надо «натренировать» на полученных ранее данных, для которых известны и значения входных параметров, и правильные ответы на них.

На практике строятся ИНС различной структуры. Струк­туры однослойной и двухслойной нейросетей представлены на рис. 6.36, е.

Входной слой служит для ввода значений исходных пере­менных, нейроны промежуточных и выходного слоев отра­батываются последовательно. Каждый из скрытых и выход­ных нейронов, как правило, соединен со всеми элементами предыдущего слоя. После того как вся сеть отработает, вы­ходные значения элементов последнего слоя принимаются за выход всей сети в целом.

Наряду с моделью многослойного персептрона позднее возникли и другие модели нейронных сетей, различающиеся по строению отдельных нейронов, топологии связей между ними и алгоритмам обучения.

Для моделей, построенных по аналогии с мозгом челове­ка, характерны простое распараллеливание алгоритмов и свя­занная с этим высокая производительность, не слишком высокая выразительность представленных результатов, не спо­собствующая извлечению новых знаний о моделируемой среде. Основное использование этих моделей — прогнозирование.