1. Основные определения: искусственный интеллект и интеллектуальные системы




Название1. Основные определения: искусственный интеллект и интеллектуальные системы
страница1/8
Дата публикации25.02.2013
Размер0.94 Mb.
ТипДокументы
skachate.ru > Информатика > Документы
  1   2   3   4   5   6   7   8

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

Принципы конструирования
интеллектуальных систем


Ю.М. Арский, В.К. Финн

Аннотация. В статье сформулированы принципы интеллектуального анализа данных и рассмотрен ДСМ-метод автоматического порождения гипотез, содержащий КПЭ-рассуждения. Практика применения КПЭ-рассуждений (в виде ДСМ-рассуждений) дает основание сформулировать тезис о наименьшем «шуме» при порождении гипотез о зависимостях причинно-следственного типа. Кроме того, предложена идея интеллектуализации информационно-вычислительных систем, связанных с имитацией интеллектуальной деятельности.
^

1. Основные определения: искусственный интеллект и интеллектуальные системы


Стратегия развития информационного
общества в России, проект которой был одобрен на заседании Совета Безопасности РФ в июле 2007 года, предусматривает, в частности, совершенствование информационной инфраструктуры, расширение и использование информационных и телекоммуникационных технологий в жизни общества. Технологии же рождаются в результате взаимодействия науки и промышленности, поэтому наука, как один из «родителей» технологий, ответственна за их высокие качества и эффективность применения. Информационные системы, информационно-вычислительные системы и интеллектуальные системы являются инструментами информационных технологий, широко применяемыми для решения задач управления,
обороны, медицины, образования и поддержки научных исследований. В процессе информатизации общества особую роль играют интеллектуальные системы – основной продукт направления исследований «искусственный интеллект». Целью «искусственного интеллекта» является имитация и усиление рационального поведения человека, основанного на анализе данных, порождении гипотез и поддержки принимаемых решений.

В научно-популярной литературе «искусственный интеллект» часто понимается метафорически как устройство равносильное разуму человека, способное порождать поведение подобное рациональному поведению людей. Однако научные задачи направления исследований «искусственный интеллект» (ИИ) в настоящее время являются более скромными и реалистичными.

Для понимания задач ИИ прежде всего следует уточнить феномен естественного интеллекта. ИИ как направление исследований является аппроксимацией интеллекта естественного, точнее, совокупности способностей, образующих его реальный феномен. Таковыми являются:

  1. способность выделять существенное в наличных знаниях, т.е. упорядочивать их (она – необходимый аспект интуиции);

  2. способность к целеполаганию и планированию поведения – порождение последовательностей «цель  план  действие»;

  3. способность к отбору знаний (посылок выводов, релевантных цели рассуждения);

  4. способность извлекать следствия из имеющихся знаний, т.е. способность к рассуждению, которое может содержать как правдоподобные выводы, используемые для выдвижения гипотез, так и достоверные выводы (следовательно, под рассуждением понимается последовательность правдоподобных и достоверных выводов);

  5. способность к аргументированному принятию решений, использующему упорядоченные знания (представление знаний) и результаты рассуждений, соответствующие поставленной цели;

  6. способность к рефлексии – оценке знаний и действий;

  7. наличие познавательного любопытства: познающий субъект должен быть способен задавать вопрос «что такое» и искать на него ответ;

  8. способность и потребность находить объяснение (не обязательно дедуктивное!), как ответ на вопрос «почему?»;

  9. способность к синтезу познавательных процедур, образующих эвристику решения задач и рассмотрения проблем, например, таковой является взаимодействие индукции, аналогии и абдукции (с учетом фальсификации выдвигаемых гипотез посредством поиска контрпримеров) с последующим применением дедукции;

  10. способность к обучению и использованию памяти;

  11. способность к рационализации идей: стремление уточнить их как понятия;

  12. способность к созданию целостной картины относительно предмета мышления, объединяющей знания, релевантные поставленной цели (т.е. формирование, по крайней мере, приближенной «теории» предметной области);

  13. способность к адаптации в условиях изменения жизненных ситуаций и знаний, что означает коррекцию «теорий» и поведения.

Главным продуктом научных исследований являются компьютерные системы, осуществляющие конструктивное приближение и имитацию способностей (1) – (13), представляющих феноменологию познавательной деятельности человека (она охарактеризована как «идеальный тип интеллекта»). «Ядром» приближенного отображения познавательных способностей человека, охарактеризованных в перечне (1) – (13), являются способности, необходимые для реализации рассуждений и представления знаний, к которым они применимы. Таковыми являются способности (1), (3), (4), (5), (6), (8), (9) и (10), которые конструктивно имитируются в современных системах ИИ в автоматическом режиме работы, способности же (2), (7), (12) и (13) могут имитироваться лишь в интерактивном режиме с участием человека.

Однако следует отметить, что приведенная выше характеризация феномена естественного интеллекта является лишь идеальным типом в смысле Макса Вебера, выражающим существенные черты феномена рационалистического интеллекта (разумеется, не всегда присущего конкретному индивиду).

Термин «интеллектуальный» стал весьма употребляемым словом, но, к сожалению, его употребление далеко не всегда имеет определенный смысл, выразимый в соответствующей понятийной системе компьютерной науки.

Процедуры, имитирующие способности идеального типа интеллекта, которые реализованы в компьютерных программах, будем называть интеллектуальными. Заметим, что не каждая вычислительная процедура может в этом смысле считаться интеллектуальной. Таковой будет процедура, реализующая познавательные способности из перечня (1) – (13).1

Познавательная деятельность, осуществляемая компьютерными средствами, имеет три необходимых аспекта: представление данных и знаний, рассуждения и вычисления, комфорт для пользователя, обеспечивающий доступное и удобное общение с компьютером.

Два первых упомянутых аспекта существенным образом определяют «интеллектуальность» компьютерной системы – возможность получения нового знания посредством использования наличного знания в качестве посылок рассуждения (это предполагает реализацию способностей (1) – (6) и (8) – (10)). Дедуктивное рассуждение подчинено принципу переноса истинности посылок на заключение, а также переносу ложности заключения на посылки: если посылки истинны, то результатом дедуктивного вывода будет истинное заключение; если же заключение ложно, то результатом дедуктивного вывода будет ложность посылок. Такова природа дедукции, а адекватным способом представления знаний для дедукции являются аксиоматические системы (системы аксиом и правил вывода, выраженные в логических языках [1], [2]).

Автоматическое выведение следствий из посылок и автоматическое доказательство теорем является разработанной областью прикладной логики и искусственного интеллекта [3, 4].

Аксиоматические системы и автоматизация дедукции используют представление знаний 0 «замкнутых мирах»: предполагается, что предметная область охарактеризована аксиомами (правда, допускается добавление посылок в качестве гипотез и выводимость из них следствий посредством аксиом и правил вывода). Однако имеются многочисленные проблемы и задачи такие, что знания о соответствующих предметных областях открыты (т.е. постоянно пополняются), а для них требуется выдвинуть гипотезы, допускающие проверку и фальсификацию. В свою очередь выдвижение гипотез (как рациональных догадок) требует создания формализованных методов их порождения из множеств эмпирических фактов с использованием имеющегося
знания. Следовательно, возникает потребность разработки формализованных эвристик, допускающих автоматизацию в компьютерных системах, таких, что они содержат различные познавательные процедуры для извлечения нового знания из имеющихся фактов (баз фактов) с использованием наличных знаний (баз знаний). Таким образом, мы приходим к заключению, что имеется необходимость разрабатывать компьютерные системы, содержащие как средства извлечения знаний из баз фактов (knowledge discovery), так и средства порождения гипотез и способы объяснения имеющихся фактов с использованием порожденных гипотез. Это означает, что имеется необходимость в реализации способностей (8) – (10), упомянутых выше как обязательных черт идеального типа интеллекта.

Итак, анализ данных посредством автоматизированных познавательных процедур с использованием баз фактов и баз знаний, автоматическое порождение гипотез, процедуры объяснения исходного состояния баз фактов с целью оправдания и принятия гипотезы, наконец, дедуктивный вывод из имеющихся ранее знаний и знаний, полученных в результате индуктивного обобщения сходных фактов из баз фактов (т.е. машинного обучения), реализованные в компьютерной системе, дают основание охарактеризовать ее как интеллектуальную.

Рассуждения, применяемые для формализации эвристик решения задач в компьютерной системе таких, что необходимо выдвижение гипотез (рациональных догадок), согласующихся с базой фактов, будем называть правдоподобными рассуждениями.2

Правдоподобные выводы, содержащиеся в правдоподобных рассуждениях, не подчиняются принципу дедукции, ибо из истинных посылок в правдоподобных выводах могут следовать неистинные заключения. Таковыми, например, являются индуктивные обобщения сходных фактов (результат процедуры индукции), а также выводы по аналогии, применяемые при решении творческих задач. Заключения правдоподобных выводов имеют оценку некоторой степени правдоподобия. Задачей формализации правдоподобных выводов является построение средств конструктивного порождения степени правдоподобия выводов и формулирование критериев принятия гипотез, являющихся результатом правдоподобного рассуждения.

Формализованные эвристики, применяемые в современных компьютерных системах для решения различных классов задач (соответствующих «целям» рассуждения, представляющих способность к целеполаганию идеального типа интеллекта (2)), формулируются как взаимодействие некоторых познавательных процедур. Примером такой формализованной эвристики является взаимодействие индукции, аналогии и абдукции (принятия гипотез посредством объяснения исходного множества фактов) [6,7].3

Подчеркнем еще раз, что общей характеристикой правдоподобных выводов является их не дедуктивный характер: из истинности посылок не вытекает истинность следствия, следствие является лишь правдоподобным высказыванием. Следовательно, рассуждения, содержащие правдоподобные выводы, имеют лишь правдоподобные следствия. Правдоподобные выводы, следствия которых есть результат догадки, оформленной в виде некоторого правила, называют амплиативными выводами (этот термин использовал автор идеи абдукции американский математик и философ Ч.С. Пирс).

Охарактеризуем теперь класс правдоподобных рассуждений, называемых когнитивными правдоподобными рассуждениями (КП-рассуждениями).

КП-рассуждения подразделяются на три подкласса: вероятностные (например, использующие байесовские правила); приближенные (например, использующие аппарат нечетких множеств [8]); правдоподобные рассуждения, являющиеся организацией различных взаимодействующих познавательных процедур.

Сформулируем некоторый подкласс КП-рассуждений, который будем называть когнитивными правдоподобными эмпирическими рассуждениями (КПЭ-рассуждениями), характеризуемыми утверждениями А1 – А9. КПЭ - рассуждения являются эффективным инструментом для компьютерной имитации интеллектуальных способностей (1) – (13). Заметим, что в современных компьютерных системах, реализующих методы искусственного интеллекта, используются все указанные выше подклассы правдоподобных рассуждений, а также автоматизированные дедуктивные выводы.

Применение рассуждений в компьютерных системах не является делом произвольного выбора, ибо их эффективность зависит от соответствия приведенных выше подклассов правдоподобных рассуждений типам предметных областей W («миров»). Можно выделить три типа предметных областей W, знания о которых используются в компьютерных системах, имитирующих интеллектуальную активность человека, охарактеризованную посредством способностей (1) – (13):

(а) предметные области W («миры», «универсумы») такие, что факты, принадлежащие им, являются случайными событиями; соответственно, правила вывода, применяемые в рассуждениях о W, используют аппарат теории вероятностей (в том числе различные статистические методы анализа данных);

(в) предметные области W такие, что факты, принадлежащие W, причинно обусловлены; соответственно, правила вывода, применяемые в рассуждениях о W, порождают гипотезы о причинно-следственных зависимостях и основанные на них обобщения;

(с) предметные области W такие, что факты, принадлежащие W, могут быть как причинно обусловленными, так и случайными событиями. Это означает, что W является объединением «миров» (а) и (в); а рассуждения, применяемые к знаниям о W, должны использовать правила, порождающие гипотезы о зависимостях причинно-следственного типа с учетом вероятностных соображений (например, частоты появления причинно-следственного эффекта).

Приведем ниже утверждения А1 – А9, характеризующие КПЭ-рассуждения.

А1. Знания, используемые в КПЭ-рас­суждениях, должны некоторым образом соответствовать типам предметных областей (в) и (с), содержащих зависимости причинно-следственного типа (т.е. детерминациям изучаемых эффектов)4.

А2. Знания, используемые в КПЭ-рассуждениях, являются открытым множеством высказываний. Это знание пополняется в соответствии с некоторым критерием, контролирующим принятие гипотез, полученных посредством амплиативных выводов.

А3. КПЭ-рассуждения являются синтезом некоторых познавательных процедур, включающих индукцию. Индукция используется для сравнения фактов установления их сходства и порождения гипотез о причинно-следственных зависимостях. Примером такого синтеза может служить взаимодействие индукции, аналогии и абдукции [7].

А4. Индуктивные процедуры, реализующие идею индукции (порождение обобщения сходства рассматриваемых фактов), представимы в виде специальных правил амплиативного вывода, отличных от перечислительной индукции.

А5. При формализации КПЭ-рассуждений используется неклассическая концепция истины такая, что:

  1. различаются оценки фактов, гипотез и металогических утверждений о них [9];

  2. оценки гипотез есть некоторые степени правдоподобия, эффективно порождаемые посредством амплиативных правил;

  3. используемые металогические утверждения имеют истинностные значения «истина» или «ложь» двузначной логики.

А6. Правила амплиативных выводов формулируются в аргументативном языке [10] так, что порождаемые гипотезы проверяются на наличие аргументов за их принятие и аргументов против их принятия (контраргументов).

А7. Утверждение А6 предполагает, что в «мирах» W типа (в) или (с) существуют как положительные примеры (факты) исследуемого эффекта ((+)-примеры), так и отрицательные примеры (факты) (()-примеры), а порожденные гипотезы о зависимостях причинно-следственного типа являются аргументами или контраргументами для предсказания наличия или отсутствия изучаемого эффекта у соответствующих объектов из имеющегося массива фактов. Это означает, что в процессе реализации КПЭ-рассуждений автоматически порождаются фальсификаторы гипотез.

А8. Исходными данными КПЭ-рассуждений (в компьютерной системе они образуют базу фактов (БФ)) являются множества высказываний, представляющих факты, т.е. результаты эмпирического исследования (например, описание экспериментов или наблюдений). Эти факты содержат объекты со сложной структурой (множества, кортежи, графы, системы отношений и т.п.), характеризуемые как качественными, так и количественными параметрами. Отсюда следует невозможность манипулирования (в том числе – установление сходства) массивами этих фактов в реальное время без применения компьютерных систем.

А9. Исходные данные КПЭ-рассуждений (т.е. начальные состояния БФ компьютерных систем) расширяются в зависимости от полученных результатов и выполнимости критерия принятия гипотез (в соответствии с А2). Это расширение является динамическим формированием БФ достаточно информативной для того, чтобы порожденные гипотезы объясняли начальное состояние БФ и были приняты.

Утверждения А1-А9 характеризуют класс формализованных эвристик, реализуемых в компьютерных системах посредством КПЭ-рассуждений, которые содержат индуктивные процедуры. Эти процедуры основаны на установлении сходства фактов, имеющего осмысленную интерпретацию. При этом осуществляется принцип качественного анализа данных: сходство фактов влечет наличие (отсутствие) изучаемого эффекта и его повторяемость.

Компьютерные системы, которые являются средством автоматизации способностей (1) – (13), представляющих явную характеризацию феномена естественного интеллекта (они образуют идею интеллекта как идеального типа) будем называть интеллектуальными системами (ИС), если они имеют специфическую архитектуру, допускающую определенные вариации. Схематически эта архитектура может быть представлена следующим образом:

ИС = Решатель задач + Информационная среда + Интеллектуальный интерфейс. Решатель задач = Рассуждатель + Вычислитель + Синтезатор. Информационная среда = База фактов (БФ) + База знаний (БЗ). Интеллектуальный интерфейс состоит из средств представления результатов (в том числе графического), диалога на естественном языке и научения работе с компьютерной системой. Существенной особенностью ИС является реализация в Рассуждателе КПЭ-рассуждений в интерактивном режиме с целью соответствующего пополнения БФ для формирования информативности представлений изучаемых эффектов и подбора посылок, релевантных цели рассуждения. Обратим внимание на соответствие этого подбора посылок КПЭ-рассуждений способностям (1) – (13) в характеризации интеллекта как идеального типа.

Подбор посылок, релевантных цели рассуждения, возможен в ИС благодаря процедурам КПЭ-рассуждения (индукции и аналогии, использующих сходство фактов в БФ и сходство знаний в БЗ).

БЗ в ИС задана посредством процедур, реализуемых Рассуждателем и Вычислителем, аксиом структур данных (например, аксиом булевой алгебры, если объекты и их свойства, содержащиеся в БФ, представлены множествами элементов), а также дескриптивных аксиом, характеризующих соответствующую предметную область.

Архитектура ИС является структурой, соответствующей следующим основным функциям ИС: представлению данных и знаний в компьютерной системе; осуществлению рассуждений и вычислений для решения класса задач, представляющего цель познавательного процесса, реализуемого в ИС; а также комфортному для пользователя интерфейсу.

ИС, осуществляющие КПЭ-рассуждения, способны анализировать данные, порождать гипотезы о зависимостях между параметрами представленных в БФ фактах посредством выдвинутых гипотез ИС, способны объяснять наличие или отсутствие эффектов, которыми обладают объекты из БФ, имеющей структуру «объект – эффект». Порожденные Решателем задач гипотезы используются для предсказания эффектов, содержащихся в БФ, которая соответствует определенному классу задач.

Анализ данных посредством ИС будем называть интеллектуальным анализом данных (ИАД)5.
  1   2   3   4   5   6   7   8

Похожие:

1. Основные определения: искусственный интеллект и интеллектуальные системы iconПрограмма научной конференции «Четвертые Поспеловские чтения «Искусственный...
Продолжение докладов основной секции. Круглый стол «Искусственный интеллект. Основные понятия, современные проблемы и будущее»
1. Основные определения: искусственный интеллект и интеллектуальные системы iconПримерный перечень вопросов к экзамену
Что такое искусственный интеллект. Какие существуют направления исследований в области искусственный интеллект
1. Основные определения: искусственный интеллект и интеллектуальные системы iconКурс "Искусственный интеллект" 2012/2013 учебный год Коллоквиум №1
Примеры вопросов и задач по разделам курса, включенным в программу Коллоквиума № Основные понятия и определения
1. Основные определения: искусственный интеллект и интеллектуальные системы iconИскусственный интеллект
В данном разделе курса речь идет о проблемах формирования, хранения и использования «знаний» (пока мы считаем, что «знания» – любая...
1. Основные определения: искусственный интеллект и интеллектуальные системы iconИскусственный интеллект вокруг нас Содержание
Какого рода системы искусственного интеллекта мы имеем? Классификация приложений
1. Основные определения: искусственный интеллект и интеллектуальные системы iconОсновной курс для специалистов и бакалавров
В курсе рассмотрены основные понятия, проблемы и перспективы научного направления «Искусственный интеллект (ИИ)»
1. Основные определения: искусственный интеллект и интеллектуальные системы iconОсновной курс для специалистов и бакалавров
В курсе рассмотрены основные понятия, проблемы и перспективы научного направления «Искусственный интеллект (ИИ)»
1. Основные определения: искусственный интеллект и интеллектуальные системы iconТелемедицина и искусственный интеллект
В этих целях могут использоваться разнообразные подходы (мультиагентные системы, методы, основанные на логике аргументации, технологии...
1. Основные определения: искусственный интеллект и интеллектуальные системы iconРезультаты коллоквиума по курсу “Искусственный интеллект”

1. Основные определения: искусственный интеллект и интеллектуальные системы iconИскусственный интеллект – Севастополь – День 09, лекции №
Искусственный интеллект – Севастополь – День 09, лекции №29, №30, №31 и №32

Вы можете разместить ссылку на наш сайт:
Школьные материалы


При копировании материала укажите ссылку © 2014
контакты
skachate.ru
Главная страница