«С. Н. Павлов СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Часть 1 Учебное пособие Томск Эль Контент 2011 УДК 004.89(075.8) ББК 32.813я73 П 12 Рецензенты: Сергеев В. Л., докт. техн. наук, проф. кафедры геологии и разработки ...»

Министерство образования и науки Российской Федерации

ТОМСКИЙ ГОСУДАРСТВЕННЫЙ УНИВЕРСИТЕТ

СИСТЕМ УПРАВЛЕНИЯ И РАДИОЭЛЕКТРОНИКИ (ТУСУР)

С. Н. Павлов

СИСТЕМЫ ИСКУССТВЕННОГО

ИНТЕЛЛЕКТА

Часть 1

Учебное пособие

Томск «Эль Контент»

2011 УДК 004.89(075.8) ББК 32.813я73 П 12 Рецензенты:

Сергеев В. Л., докт. техн. наук, проф. кафедры геологии и разработки нефтяных месторождений Томского политехнического университета;

Кориков А. М., проф., зав. кафедрой автоматизированных систем управления ТУСУРа Павлов С. Н.

П 12 Системы искусственного интеллекта : учеб. пособие. В 2-х частях. / С. Н. Павлов. — Томск: Эль Контент, 2011. — Ч. 1. — 176 c.

ISBN 978-5-4332-0013- В учебном пособии рассматриваются теоретические и организационно-методологические вопросы разработки и применения систем искусственного интеллекта. Изложены базовые принципы, подходы, классификация, методы, модели и стратегии систем различного назначения, традиционно считающиеся интеллектуальными: интеллектуальные информационные системы, понимание естественного языка и изображений, представление знаний и обучение, логический вывод и планирование действий.

Большое внимание уделяется экспертным системам, обработки естественного языка, машинному зрению.

Пособие предназначено для студентов вузов, обучающихся по специальностям «Компьютерная инженерия», «Программное обеспечение вычислительной техники и автоматизированных систем», а также аспирантов и специалистов, интересующихся вопросами систем искусственного интеллекта.

УДК 004.89(075.8) ББК 32.813я © Павлов С. Н., ISBN 978-5-4332-0013- © Оформление.

ООО «Эль Контент», Оглавление Введение 1 Структура исследования в области искусственного интеллекта 1.1 Понятие «искусственный интеллект».................... 1.2 Этапы развития искусственного интеллекта................ 1.3 Классификация искусственного интеллекта................ 1.3.1 Нейробионическое направление.................. 1.3.2 Информационное направление................... 1.3.3 Примеры различных классификаций систем искусственного интеллекта................................ 2 Задачи и методы их решения 2.1 Задачи систем искусственного интеллекта................. 2.2 Общие способы решения задач....................... 2.3 Методы решения задач............................. 2.3.1 Поиск решений в одном пространстве.............. 2.3.2 Поиск в иерархических и альтернативных пространствах.. 3 Основные виды логических выводов 3.1 Дедуктивный вывод и автоматическое доказательство теорем..... 3.1.1 Рассуждения и принципы дедуктивного вывода......... 3.1.2 Методы доказательства в логике.................. 3.1.3 Представление и решение задач в виде теорем......... 3.1.4 Прямой и обратный дедуктивный вывод............. 3.2 Абдуктивный вывод.............................. 3.3 Индуктивный вывод.............................. 3.3.1 Виды индукции............................ 3.3.2 Индукция как вывод и индукция как метод........... 4 Неопределенность знаний и способы их обработки 4.1 Виды неопределенности описания задачи................. 4.2 Особенности данных и знаний........................ 4.3 Нечеткие знания................................. 4.3.1 Нечеткие множества.......................... 4.3.2 Нечеткие отношения......................... 4.3.3 Элементы теории приближенных рассуждений......... 4.3.4 Лингвистическая переменная....................

ВВЕДЕНИЕ

Об искусственном интеллекте, системах искусственного интеллекта, интеллектуальных системах, интеллектуализированных системах пишут и говорят часто.

Много из того, что вчера называли общими и специальными терминами, сегодня называют интеллектуальным. Практически любой созданный, а точнее выпушенный на рынок информационный или технический объект объявляется интеллектуальной системой, правда, в основном в СМИ, рекламных материалах. В действительности это отчасти мода, а отчасти широкое научное и практическое осознание интеллектуальности как одной из важных характеристик окружающего нас мира.

Примерно в 70-е годы прошлого столетия — начале фазы компьютерной революции был совершен концептуальный прорыв в новой области информатики и вычислительной техники, названной искусственным интеллектом. В эти годы была принята новая концепция, которая утверждала, что эффективность программы при решении задачи зависит от знаний, которыми она обладает, а не только от формализмов и методов вывода, которые она использует.

Наиболее значительными работами в области искусственного интеллекта являются разработки мощных компьютерных систем или экспертных систем, т. е.

систем основанных на знаниях. Такие программы решения задач с представлением и применением фактических и эвристических знаний, совместной работой экспертов и инженеров по знаниям, разработчиков систем и логическим выводом позволяют переходить к новым информационным технологиям, к новой технологии программирования.

В настоящее время идет бурное развитие интеллектуальных систем, интеллектуальных концепций и технологий. Дисциплины, связанные с системами искусственного интеллекта, появились в связи с тенденциями образовательного процесса в сферах практической деятельности, связанных с решением задач интерпретации, диагностики, мониторинга, прогнозирования, планирования, проектирования, обучения, управления для плохо формализуемых проблем и зашумленных данных (знаний) при ограниченных ресурсах. Современный подход к решению таких проблем базируется на методах искусственного интеллекта.

Дисциплина «Системы искусственного интеллекта» играет фундаментальную роль в подготовке специалистов в области информатики и вычислительной техники. Различные учебные курсы, относящиеся к проблематике искусственного интеллекта (ИИ), включены в учебные планы многих институтов, университетов по рекомендациям международных ассоциаций ACM, AIS, AITP в 1997 г.

Настоящее учебное пособие «Системы искусственного интеллекта» посвящено вопросам организации, проектирования, разработки и применения систем, предназначенных для обработки информации, базирующихся на применении базовых принципов, подходах, методах и стратегиях разработки систем обычного назначения.

В настоящее время имеется достаточно обширная литература по системам искусственного интеллекта и программам в «демонстрационном варианте», т. е. при относительно небольшой базе знаний. Но для настоящей предметной области требуется весь арсенал средств и методов, накопленных за последние 40 лет. Разработка этого учебного пособия и есть попытка представления методов ИИ для серьезных практических областей: информатики, экономики, машинного перевода, распознавания образов и т. д.

Учебное пособие ставит цель: познакомить читателя с принципами создания и функционирования систем искусственного интеллекта; приобрести студентами и аспирантами знания, умения и навыки по реализации на компьютере таких систем на основе логических рассуждений, механизмов вывода, зашумленных данных.

Для изучения учебного пособия «Системы искусственного интеллекта» предполагаются знания по программированию, ЭВМ, высшей математике, дискретной математике, базам данных, теории информации и математической статистике.

Автор надеется, что предложенное изложение подходов, методов и моделей ИИ привлечет множество различных специалистов по многим приложениям, имеющих отношение к знаниям, логическому выводу, технологиям, что вызвано реальной потребностью практики.

Структурно учебное пособие состоит из десяти разделов. В первом разделе рассмотрена структура исследования в области искусственного интеллекта: понятие искусственного интеллекта, этапы развития ИИ; классификация нейробионического и информационного направлений; примеры различных классификаций СИИ.

Во втором разделе представлены задачи и общие методы решения хорошо определенных задач.

Дедуктивные рассуждения (принципы, методы, стратегии доказательства теорем), абдуктивные и индуктивные рассуждения и методы вывода при поиске решения задач представлены в разделе три.

Четвертый раздел посвящен неопределенностям знаний и способам их обработки: виды неопределенности описания задач; особенности данных и знаний и подходов представления неопределенностей (теорий вероятности, свидетельств, возможности); нечеткие знания (множества, отношения, лингвистические переменные, элементы теории приближенных рассуждений на примерах modus ponens и modus tollens).

В пятом разделе представлены продукционные системы логического вывода и управления выводом: прямая и обратная цепочки рассуждений, стратегии разрешения конфликта, а также эффективность поиска решения задачи.

В шестом разделе рассматривается планирование в интеллектуальных системах. Изложены классификация планирования, методы планирования в пространстве состояний, редукции задачи, ключевых состояний и ключевых операторов, анализа средств и целей, а так же примеры планирования систем.

Раздел семь излагает самое развивающееся направление систем искусственного интеллекта — экспертные системы (ЭС). Предложена классификация ЭС и интегрированных ЭС и примеры. Рассмотрена типовая структура, компоненты, этапы разработки, представления знаний и блок объяснений в ЭС.

Раздел восемь содержит знания и представления знаний в интеллектуальных системах, где решаются задачи, связанные с формализацией и представлением знаний.

В девятом разделе излагаются системы понимания естественного языка и машинного перевода. Представлены связь искусственного интеллекта и компьютерной лингвистики, понимание текста на естественном языке, понятие и процесс машинного перевода: традиционного и статистического.

Десятый раздел знакомит читателя с зрительным восприятием мира. Он содержит основные сведения о распознавании образов, методы распознавания, системы зрения роботов и машинное зрение.

В конце каждой главы учебного пособия приведены список литературы, а также контрольные вопросы и задания.

Учебное пособие в большей степени основано на материалах отечественных и в меньшей — зарубежных работ, являясь обобщением опыта, накопленного в этой области. Из отечественных работ следует отметить огромный вклад следующих специалистов: Д. А. Поспелова, Т. А. Гавриловой, В. Ф. Хорошевского, Ю. Ю. Тельнова, Э. В. Попова, Д. В. Гаскарова, А. В. Андрейчикова, И. П. Норенкова, В. Л. Стефанюка, Г. В. Рыбиной, В. Н. Вагина, В. Н. Аверина и др.

В заключение автор благодарит профессора А. М. Корикова за помощь в издании, критику и полезные замечания.

Автор осознает, что объем и качество учебного пособия не могут соответствовать общему стандарту представления о системах искусственного интеллекта и будет благодарен читателям за замеченные недостатки.

Соглашения, принятые в книге Для улучшения восприятия материала в данной книге используются пиктограммы и специальное выделение важной информации.

Эта пиктограмма означает определение или новое понятие.

Эта пиктограмма означает внимание. Здесь выделена важная информация, требующая акцента на ней. Автор здесь может поделиться с читателем опытом, чтобы помочь избежать некоторых

Эта пиктограмма означает теорему. Данный блок состоит из Названия теоремы (Слова Теорема и Номера теоремы) и Текста теоремы.

В блоке «На заметку» автор может указать дополнительные сведения или другой взгляд на изучаемый предмет, чтобы помочь читателю лучше понять основные идеи.

Эта пиктограмма означает пример. В данном блоке автор может привести практический пример для пояснения и разбора основных моментов, отраженных в теоретическом материале.

...

Эта пиктограмма означает выводы. Здесь автор подводит итоги, обобщает изложенный материал или проводит анализ.

...

СТРУКТУРА ИССЛЕДОВАНИЯ В ОБЛАСТИ

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Исследование и создание машин, обнаруживающих поведение, которое у людей называют интеллектуальным, назовем искусственным интеллектом. Самыми распространенными и современными машинами являются компьютерная техника и средства коммуникации, следовательно, направление искусственного интеллекта относится к области компьютеров и вычислительных систем.

Слово «интеллект» происходит от латинского слова «intelligentie», которое, в свою очередь, образовалось от глагола «intellgere», означающего способность понимать, определять смысл.

1.1 Понятие «искусственный интеллект»

Несмотря на все попытки дать точное определение понятию «искусственный интеллект» (ИИ), строгого определения до сих пор не существует, да и при появлении новых научных идей оно изменяется. Обозначим хотя бы границы этого понятия. И. Рич определяет ИИ как область исследования, направленную на создание компьютеров, которые выполняют такие функции, которые в настоящий момент человек выполняет лучше [16]. К таким функциям, которые проявляются у человека, относят восприятие, анализ, рассуждение, использование знаний, планирование действий, логический вывод и т. д. Очень близкое определение ИИ дает Дж. Ален: «ИИ — это наука о создании машин, решающих задачи, которые могут решать люди... » [15]. Здесь в фокусе ИИ оказываются те задачи, которые успешно решаются человеком и плохо — компьютерами. Эти два определения сопоставляют возможности человека и машин. Еще в 1950 году был предложен эмпирический тест А. Тьюринга для определения уровня интеллектуальности машин. В соответствии с тестом эксперт мог вступать в диалог либо с компьютером, либо с человеком. Тьюринг считал поведение компьютера интеллектуальным, если в диалоге участвовал компьютер, а эксперт был не в состоянии определить, с кем он ведет диалог. В дальнейшем стали считать, что машинный интеллект отличается от человеческого интеллекта и, вероятно, попытка уподобления его естественному интеллекту ошибочна. Важность теста Тьюринга очевидна для оценивания качества современных программ ИИ, но он отвлекал научные силы от решения основной задачи ИИ — разработки общей теории машинного интеллекта, и использования этой теории для разработки интеллектуальных систем, решающих практические задачи.

Хотя каждый из нас имеет достаточно определенное субъективное представление о том, что следует понимать под человеческим интеллектом, имеется множество определений искусственного интеллекта, предложенных в последнее время.

1) Способность успешно реагировать на любую, особенно новую ситуацию путем надлежащих корректировок поведения.

2) Способность понимать взаимосвязи между фактами действительности для выработки действий, ведущих к достижению поставленной цели.

3) Разработка новых моделей и методов решения задач, традиционно считавшихся интеллектуальными и не поддававшихся ранее формализации и автоматизации.

4) Разработка новых технологий программирования и переход на новые архитектуры ЭВМ.

5) Способность решать прикладные задачи, для которых ранее создаваемые системы были непригодны.

6) Область компьютерной науки, занимающейся автоматизацией разумного 7) Формализованные методы, позволяющие решать с помощью компьютера задачи управления не хуже, чем естественный интеллект.

8) Новые идеи, подходы решения задач на ЭВМ — новая технология программирования, переход на параллельные машины.

9) Раздел информатики, посвященный моделированию интеллектуальной деятельности человека.

10) Ветвь информатики, которая связана с автоматизацией интеллектуального 11) Наука о вычислениях, которые делают возможными восприятие, логический вывод и действие.

12) Информационная технология, связанная с процессами логического вывода, обучения и восприятия.

13) Одно из направлений информатики, целью которого является разработка компьютерных систем, способных выполнять функции, традиционно считавшиеся интеллектуальными, — понимание языка, логический вывод, использование накопленных знаний, обучение, планирование действий и т. д.

14) Наука, поставившая своей целью изучение и моделирование атрибута человека. Какова природа мышления? Какие процессы происходят в нашем организме, когда мы думаем, чувствуем, видим, понимаем? Возможно ли в принципе понять, как работает наш мозг, и заставить мыслить неживую 15) Наука, ставящая своей целью создание искусственных систем, достаточно хорошо имитирующих интеллектуальную деятельность человеческой личности, способностям которой мы не перестали удивляться.

Известный британский специалист А. Эндрю особое внимание уделил биологическим и биофизическим проблемам и моделям ИИ; Д. Хофштадтер указал на тесную связь ИИ с фундаментальной математикой, живописью и классической музыкой; недавно изданная в Нью-Йорке книга Т. Мунаката представляет нейронные сети и генетические алгоритмы, обычно рассматриваемые в основном направлении ИИ лишь как вспомогательные технические средства.

Итак, на сегодняшний день не существует определения, которое однозначно описывало бы ИИ. Среди многих точек зрения доминируют следующие три [5].

1) Фундаментальные исследования, в процессе которых разрабатываются новые модели и методы для решения задач, считающихся интеллектуальными и не поддававшихся ранее формализации и автоматизации.

2) Исследования, связанные с новыми идеями решения задач на ЭВМ, с разработкой новых технологий программирования и переходом к компьютерам не фон-неймановской архитектуры.

3) Исследования, в процессе которых появляется множество прикладных систем, способных решать задачи, для которых ранее создаваемые системы были не пригодны.

Под интеллектом обычно понимается возможность ставить и достигать цели при изменяющихся обстоятельствах, способность выбирать из множества целей те, которые скорее ведут к желаемому состоянию, адаптация к изменениям в среде и внутренним состояниям путем изменения их изменений.

ИИ решает сложные задачи: многофункциональные, интегрированные и интеллектуальные, где интеллектуальность напрямую связана с использованием не только синтаксической, но и семантической и прагматической информации.

Интеллектуальность системы (устройства) в «докреативный» период их развития большинство авторов обычно связывают с осуществлением процедур анализа окружающей обстановки, влияющей на эффективность принимаемых решений.

В настоящее время интеллектуальность уже связывают с возможностью эффективного действия в условиях, «неожиданных» для системы. Такие системы все чаще стали называть креативными, то есть творческими.

А теперь дадим определение системы искусственного интеллекта (СИИ):

СИИ — это компьютерная, креативная система (многофункциональная, интегрированная, интеллектуальная) со сложной структурой, использующая накопление и корректировку знаний (синтаксической, семантической, прагматической информации) для постановки и достижения цели (целенаправленного поведения), адаптации к изменениям среды и внутреннего состояния путем изменения среды или внутреннего состояния.

Сегодня практически любой созданный, а точнее выпущенный на рынок, информационный или технический объект объявляется интеллектуальной системой, правда, в основном в СМИ и рекламных материалах. Иногда в ведущих научных организациях представляются интеллектуальные системы (объекты) с усложнением структуры обычных систем, то есть систем с большими функциональными возможностями. Например: интеллектуальный датчик или измерительный датчик принято считать интеллектуальным, если в месте расположения измерительного преобразователя имеется микропроцессорное устройство, осуществляющее фильтрацию и другие простые операции по предварительной обработке данных непосредственно там, где установлен датчик. То же самое наблюдается в нанотехнологии. Здесь термином интеллектуальный материал называется любой материал, который можно отнести к классу динамических — он может менять свои базовые свойства или структуру, основываясь на анализе внешней обстановки.

Такие интеллектуальные материалы применяются, например в технологии Steals, поскольку они меняют свой цвет, рассеивающиеи и поглощающие свойства и т. п.

в ответ на внешние условия и команды летчика.

Д. В. Гаскаров вводит три определения для интеллектуальных систем.

Интеллектуальная система — это информационно-вычислительная система с интеллектуальной поддержкой при решении задач

Интеллектуализированная система — это информационно-вычислительная система с интеллектуальной поддержкой при решении

Система с интеллектуальной поддержкой — система, способная

Другими словами: способность системы получать и анализировать информацию, понимать ее и делать новые выводы, формулировать заключения, то есть «мыслить», помогая естественному интеллекту — человеку, который, корректируя, улучшает принятое интегрированное решение.

Под системой искусственного интеллекта (СИИ) будем понимать аппаратнопрограммный комплекс, обладающий способностью [1, 6]:

• к накоплению и корректировке знаний на основе активного восприятия информации о мире и обобщенного опыта;

• к целенаправленному поведению на основе логического вывода и алгоритмов различной степени неопределенности представления и управления Д. В. Гаскаров определяет интеллектуальную систему, как — информационновычислительную с интеллектуальной поддержкой при решении задач без участия лица, принимающего решения (ЛПР), а интеллектуализированную систему как информационно-вычислительную систему с интеллектуальной поддержкой при решении задач с участием оператора (ЛПР).

Итак, интеллектуальная поддержка — это способность системы принимать самостоятельное решение на основе имеющихся математического, алгоритмического, программного и интеллектуального обеспечений для сложных целенаправленных, динамических, слабо формализуемых, адаптированных систем с самообучением и самоорганизацией.

1.2 Этапы развития искусственного интеллекта Еще в 1200-х годах появились попытки создания искусственного человека и его разума. Изобретатель Раймонд Луллий сконструировал машину, состоящую из кругов, размеченных буквами и раскрашенных в разные цвета, которые символизировали различные понятия, элементы стихии, субъекты и объекты знания.

Разнообразное их сочетание, приводили с помощью логических операций к выводу «формул знаний».

В 40-х годах 20 в. с появлением электронно-вычислительных машин искусственный интеллект обрел второе рождение.

Исследования в области искусственного интеллекта имеют две цели:

• выяснение сущности естественного интеллекта (человеческого интеллекта);

• использование машинного интеллекта для преобразования новых знаний и для решения интеллектуальных задач.

Первую цель выполняют психологи. Они контролируют модель поведения человека при решении задач и затем ее корректируют.

Вторую цель выполняет исследователь. Он синтезирует интеллектуальное поведение системы независимо от методов, которыми пользуются люди.

В соответствии с этими целями искусственный интеллект разделился на два основных направления: нейрокибернетику и кибернетику «черного ящика».

Первое направление утверждает, что мыслить может только человеческий мозг и, соответственно, любая машина должна быть выполнена как человеческий мозг, то есть воспроизвести его структуру, принцип действия.

В конце 1950-х годов начали разрабатываться и создаваться первые нейросети и нейрокомпьютеры американскими учеными У. МакКалоком, У. Питтсом, Ф. Розенблаттом, представляющие и в настоящее время нейрокомпьютерное направление СИИ.

Второе направление говорит не о принципе действия мыслящего устройства, а об адекватном моделировании его функционирования, то есть поисков алгоритмов решения интеллектуальных задач, другими словами, собственных моделей мышления, а не человеческих.

Становление искусственного интеллекта. Работы в области искусственного интеллекта начались с зарождения нейрокибернетики. Так как мозг человека состоит из множества нервных клеток — нейронов, то исследователи пытались строить разумные машины, имитируя поведение коллектива нейронов. Основную идею нейрокибернетики можно сформулировать следующим образом. Единственный объект, способный мыслить, — это человеческий мозг. Поэтому любое мыслящее устройство должно быть обязательно выполнено по образу и подобию человеческого мозга, воспроизводить его структуру, его принцип действия. Таким образом, нейрокибернетика занимается аппаратным моделированием структуры мозга и его деятельности.

В 1943 году У. МакКолак и У. Питтс предложили модель формального логического нейрона который мог находится в двух устойчивых состояниях. Д. Хебб в 1949 году разработал простое правило, позволяющее изменять веса связей между нейронами с целью их обучения. В 1951 году М. Минского и Д. Эдмондс разработали нейрокомпьютер, который содержал 40 нейронов.

Термин «искусственный интеллект» был предложен на семинаре Дартсмутского колледжа (США) в 1956 году. Первые работы по ИИ проводились в Массачусетстком технологическом институте под руководством М. Минский и Дж. Маккарти, в университете Карнеги-Меллона под руководством Г. Саймона и А. Ньюэлла. Они и считаются «отцами» ИИ.

Эвристический поиск и доказательство теорем (1956–1969). Работы Г. Саймона и А. Ньюэлла по разработке программы «Логик-теоретик» были предназначены для доказательства теорем в исчислении высказываний. С помощью ее были доказаны ряд теорем, но поиск решений был не эффективен.

А. Ньюэл и Г. Саймон после анализа методов решения приступили к синтезу общих методов поиска решений, разработав следующую программу «Универсальный решатель задач» или GPS (General Problem Solver). Она разрабатывалась с целью имитации процесса решения задач человеком и базировалась на идеях эвристического поиска. GPS основывалась на модели лабиринтного поиска. Согласно этому подходу решение интеллектуальной задачи выполнялось путем перебора огромного количества вариантов, который представлялся в виде движения по лабиринту. Программа GPS могла настраиваться на предметную область. Для этого необходимо было задать структуру состояний задачи и операторы, преобразующие эти состояния. Решение задачи осуществлялось на основе поисковых алгоритмов в пространстве возможных решений по эвристическим правилам, которые направляли поиск к искомой цели. В настоящее время такая модель признается тупиковой и имеет ограниченное использование.

В этот период развития ИИ основные исследования и разработки были представлены Дж. Маккарти, Дж. Робинсоном, К. Грином, Д. Хеббом, Ф. Розенблаттом, М. Минским:

• разработка языка Лисп (Дж. Маккарти);

• идея представления знаний и логического вывода в системах искусственного интеллекта (Дж. Маккарти);

• разработка метода резолюции (Дж Робинсон);

• разработка вопрос-ответной системы на основе логического представления знаний (К. Грин);

• создание персептрона для распознавания образов (Ф. Розенблат);

• написание книги об ограниченных возможностях персептрона (М. Минский, Таким образом, к концу 60-х годов основное внимание в области ИИ стало уделяться методам представления задач и поиску решений, в частности представлению задач в логической форме и автоматическому доказательству теорем на основе метода резолюций.

Представление знаний (1969–1979). 70-е годы прошлого столетия характеризуются следующими исследованиями.

1) Отказ от поиска универсального алгоритма мышления, а моделирование конкретных знаний экспертов. К концу 60-х годов было обнаружено, что для решения практически важных задач недостаточно одних знаний общего характера (общих стратегий поиска решений). Успешное решение прикладных задач возможно только при наличии хорошо структурированных специальных знаний.

2) Решаются задачи понимания естественного языка и обработки изображений.

3) Предложено эволюционное программирование (моделирование) Дж. Голландом, то есть процесс моделирования человека заменялся моделированием процесса его эволюции. Впервые предложено решение сложных задач моделированием эволюции с помощью компьютерных алгоритмов (генетических алгоритмов).

Программа DENDRAL, разработанная в 1969 году Э. Фейгенбаумом, Б. Букхененом, Э. Лидербергом, содержала детальные сведения об области органиченной химии и помогала специалистам определять молекулярную структуру органических соединений по данным, полученным с помощью масс-спектрометра. Массспектометр, разделяя молекулы на фрагменты, измеряет массу и электрический заряд каждого из фрагментов. Чтобы определять множество форм молекул, которые могут состоять из таких фрагментов, в программе использовались эмпирические знания химиков, представленные в форме правил «если-то». Это позволило резко сократить число предлагаемых вариантов решений.

DENDRAL была первой успешно реализованной программой, аккумулирующей знания экспертов. Такие программы получили название «экспертные системы». Они содержат большой объем практических знаний, что позволяет получать ответы (решения).

Далее Э. Фейгенбаум, Б. Букхенен, Э. Шортлифф разрабатывают экспертную систему MYCIN. Она содержит около 450 правил, позволяющих диагностировать инфекционные заболевания крови. MYCIN уже позволяет обрабатывать и получать правдоподобные заключения на основе неопределенных (ненадежных) знаний. С этой целью факты и сами правила в системе характеризовались числовой функцией принадлежности — коэффициентом уверенности (степени достоверности).

После удаления из системы MYCIN базы знаний была представлена оболочка EMYCIN (оставлена только логика управления правилами), которую можно было наполнять знаниями.

С этого момента искусственный интеллект перестал быть наукой и стал приносить практическую пользу. Огромный успех имела экспертная система PROSPECTOR (1979 г.), используемая в геологоразведке месторождений. С появлением экспертных систем бизнес в сфере интеллектуальных информационных технологий впервые становится рентабельным. В системе PROSPECTOR база знаний представлялась в виде семантической сети и система обеспечивала взаимодействие с пользователем на естественном языке.

Семантические сети были предложены в 1967 г. М. Куиллианом. Существенный шаг при решении задачи понимания естественного языка, сделал Виноград, который разработал программу SHRDLU (1968 г.) (перемещение с помощью естественно-языковых команд кубиков и пирамид). Дальнейшее совершенствование систем понимания естественного языка связано с именами Р. Шенка и В. Вудса.

Шенк разработал программу, преобразующую входные естественно-языковые высказывания к элементарным концептам, которые можно было представить в памяти ЭВМ. Далее он разработал модель представления знаний: скрипты или сценарии.

Наконец, в 1973 году В. Вудс создал систему LUNAR, которая позволяла геологам задавать вопросы на естественном языке относительно образцов пород, доставленных с Луны.

Расширение приложений систем ИИ требовало развития моделей представления знаний. В 1973 году А. Колмероэ создает язык логического программирования Пролог, ставший популярным в США, Европе, России. В США создается язык PLANNER, поддерживающий предикатный уровень представления знаний. Теорию фреймов в 1975 году предложил М. Минский. Затем были разработаны языки для работы с фрэймовыми моделями: FRL, KRL, GUS и т. д.

Коммерческий успех компьютерной индустрии 1979–1986. Первой интеллектуальной системой, нашедшей применение в промышленности, стала экспертная система К1, разработанная Мак-Дермотом в 1982 году. Система K1 применялась для конфигурации компьютерных систем семейства VAX. Коммерческая версия системы, разработанная корпорацией Digital Equipment совместно с университетом Карнегги-Меллона (США), получила название XCON. К 1986 году эта система позволяла корпорации экономить 70 млн долларов ежегодно. Кроме этого, применение системы сократило число ошибок с 30 % до 1 %.

В 1981 году Япония объявляет о начале проекта машин 5-го поколения, базирующихся на принципах ИИ. Этот проект способствовал активизации исследований в области ИИ во многих странах.

Начиная с 1985 года, экспертные системы, а затем и системы, воспринимающие естественный язык (EЯ-системы), а затем и нейронные сети (НС) стали активно использоваться в коммерческих приложениях.

Коммерческие успехи к фирмам-разработчикам систем искусственного интеллекта пришли не сразу. На протяжении 1960–1985 гг. успехи ИИ касались в основном исследовательских разработок, которые демонстрировали пригодность СИИ для практического использования.

Этап разработки и становления интеллектуальных систем 1-го поколения (1986–1996). В рамках исследований по ИИ сформировалось самостоятельное направление — экспертная система, или инженерия знаний. В задачу этого направления входят исследования и разработка программ (устройств), использующих знания и процедуры вывода для решения задач, кажущихся трудными для людейэкспертов.

Огромный интерес к ЭС со стороны пользователей вызван по крайней мере тремя причинами:

• ЭС ориентированы на задачи, для которых отсутствуют или неизвестны алгоритмы их решения;

• ЭС позволяют пользователям, не знающим программирования, самостоятельно разрабатывать задачи, используя свой опыт и знания;

• ЭС позволяет получать результаты, не уступающие, а иногда и превосходящие возможности людей-экспертов.

Этот период охватывает технологии разработки традиционных (простых) ЭС и начала разработки интегрированных ЭС. И те и другие в настоящее время объединяются в ЭС первого поколения.

Работы Дж. Хопфилда, Д. Румельхарте и Г. Хинтона по моделям нейронных сетей послужили толчком к лавинообразному росту применений таких моделей для решения практических задач. Помимо теоретических разработок, этому способствовало и появление мощных аппаратно-программных средств, позволяющих моделировать нейронные сети достаточного уровня сложности.

В этот период источником знаний являются эксперт с эмпирическими знаниями, а базы знаний составляли отдельные формы (модели): продукционные (в основном), фреймовые, семантические сети, решающие деревья. Логический вывод представлялся детерминированным и дедуктивным, а язык общения с пользователем — фразами и терминами жесткой конструкции прикладной области.

Этап разработки интеллектуальных систем II поколения (1996–2000). Этот этап характеризуется интегрированными и гибридными принципами построения систем, где основой являются БЗ с любыми функциями знаний (библиотек) и автоматическим извлечением их; дедуктивным, абдуктивным, индуктивным, нечетким логическим выводом; проблемно-ориентированным языком общения, и обработкой не только статической, но и динамической информации (см. часть 2 главу 7).

Предыдущие этапы развития ИИ характеризуются разрозненными подходами, основанными на выделении частного свойства понятия «интеллект».

Например:

1) принцип знаниецентризма обусловил развитие и господство в течение определенного периода когностивистских моделей ИИ, в частности логических.

В соответствии с такими моделями на первый план выдвигается способность интеллектуальной системы рассуждать, а действия (поведение) рассматриваются как нечто вторичное. Основное внимание при этом уделяется логическому выводу;

2) выделение в определении ИИ функции обучения (адаптации) способствовало развитию коннекционистских (нейронные сети) и эволюционных моделей (генетические алгоритмы);

3) трактовка ИИ с позиций способности к восприятию и коммуникации привела к развитию моделей понимания изображений и естественного языка.

...

Начиная с начала 90-х годов в ИИ стали преобладать две основные тенденции:

интеграция и децентрализация [13,16].

Интеграционные процессы проявились в разработке интегрированных и гибридных систем искусственного интеллекта, объединяющих в себе преимущества разнородных моделей, например нечеткие экспертные системы и нейронные сети. В таких интегрированных системах могут поддерживаться различные модели представления знаний, разные типы рассуждений, модели восприятия и распознавания образов.

Процессы децентрализации связаны с рассмотрением ИИ с позиций коллективного поведения большого числа взаимодействующих между собой интеллектуальных агентов. При этом интеллект агента рассматривается как подсистема управления деятельностью в процессе взаимодействия с другими агентами.

В основе распределенного (децентрализованного) интеллекта лежит функционально-структурная единица — агент, способная [13]:

• воздействовать на других агентов и самих себя;

• образовывать свои собственные цели;

• общаться с другими агентами;

• функционировать без прямого вмешательства со стороны любых средств и осуществлять самоконтроль (автономность);

• воспринимать часть среды своего функционирования;

• строить локальное представление среды;

• выполнять обязанности и оказывать услуги;

• самовоспроизводиться.

Важно отметить, что при решении конкретной задачи агенты образуют структурное сообщество, в котором наблюдается определенная кооперация между агентами.

Например, можно говорить об агентах, выполняющих простую передачу сообщений, о координирующх агентах, которые организуют взаимодействие в сообществе (группе) агентов, о поисковых агентах и т. д.

Таким образом, согласно коллективистской модели, основным объектом исследований ИИ является сообщество неоднородных, взаимодействующих агентов, а основное содержание разработок связано с созданием интеллектуальных агентов, обладающих заданными свойствами, и вычислительных структур, поддерживающих взаимодействие агентов.

Начало XXI века характеризуется началом исследований и разработкой систем с интеллектуальным интерфейсом: самообучающиеся, адаптивные, а затем и гибридные системы искусственного интеллекта, объединяющие в себе возможности, представленные нейронными сетями и моделями представления знаний. Объединение нейронных сетей и баз знаний может выполняться различными способами.

В простейших случаях нейронная сеть выполняет предварительную или завершающую обработку информации в системах, основанных на знаниях. В более интересных случаях осуществляется встраивание нейронных сетей в базы знаний, и наоборот.

В настоящее время ведутся исследования и разработки систем гибридного интеллекта на основе адаптивного информационного взаимодействия коллективов людей и ЭВМ, т. е. взаимодействие естественных интеллектов в природе, обществе, технике, которые включают в себя системы искусственного интеллекта.

Например, процесс совместной интеллектуальной деятельности студентов и ЭВМ как компонентов системы гибридного интеллекта есть процесс формирования абстрактного алгоритма решения управления данным объектом.

...

Такой процесс может осуществляться как переход коллектива операторов от индивидуальных по языку и субъективных по соотношению с объективной реальностью и между собой (интуитивных) отражений с использованием ассоциативных информационных моделей к психическим моделям, адекватным оперативной структуре задачи, и к возможности построения информационных моделей. Это и есть путь к гибридизации участвующих интеллектов или создания системы человек — машина — среда.

1.3 Классификация искусственного интеллекта Среди специалистов ИИ нет единой точки зрения на область искусственного интеллекта и даже на цели исследования. В настоящее время различают две точки зрения (направления) к моделированию искусственного интеллекта (AI — artifical intelligence): искусственный разум, направленный на моделирование внутренней структуры системы, и машинный интеллект, заключающийся в строгом задании результата функционирования.

Разделение работ по искусственному интеллекту на два направления связано с существованием двух точек зрения на вопрос, каким образом строить системы искусственного интеллекта [4–10].

Сторонники нейробионики моделируют искусственным образом процессы, происходящие в мозгу человека. Этот путь ИИ исследует понимание механизмов восприятия, выявление способов работы мозга, создание технических средств для моделирования биологических структур и протекающих в них процессах. Эта точка зрения состоит в том, что именно изучение механизмов естественного мышления и анализ данных о способах формирования разумного поведения человека могут создать основу для построения систем искусственного интеллекта, причем построение это должно осуществляться, прежде всего, как моделирование, воспроизведение техниескими средствами принципов и конкретных особенностей функционирования биологических объектов.

Практически это разработка элементов, подобных нейронам, объединение их в системы — нейросети, нейрокомпьютеры. В настоящее время эти технологии являются очень перспективными и быстро развивающимися.

Сторонники второй точки зрения убеждены, что «важнее всего результат», т. е.

хорошее совпадение поведения искусственно созданных и естественных интеллектуальных систем, а что касается внутренних механизмов формирования поведения, то разработчик искусственного интеллекта вовсе не должен копировать или даже учитывать особенности естественных, живых аналогов.

Вторая, но доминирующая точка зрения на искусственный интеллект называется информационной, где основной целью является не построение технического аналога биологической системы, а адекватное моделирование функционирования системы, т. е. создания средств решения задач, традиционно считающихся интеллектуальными.

Первое направление искусственного интеллекта рассматривает данные о нейрофизиологических и психологических механизмах интеллектуальной деятельности и, в более широком плане, разумного поведения человека. Оно стремится воспроизвести эти механизмы с помощью тех или иных технических устройств, с тем чтобы «поведение» таких устройств хорошо совпадало с поведением человека в определенных, заранее задаваемых пределах. Развитие этого направления тесно связано с успехами наук о человеке. Для него характерно стремление к воспроизведению более широкого, чем в машинном интеллекте, спектра проявлений разумной деятельности человека. Системы искусственного разума базируются на математической интерпретации деятельности нервной системы во главе с мозгом человека и реализуются в виде нейроподобных сетей на базе нейроподобного элемента — аналога нейрона.

Нейроподобные сети в последнее время являются одним из самых перспективных направлений в области искусственного интеллекта и постепенно входят в бытность людей в широком спектре деятельности.

Сети первой группы, такие, как сети обратного распространения ошибки, сети Хопфилда и др., используются для распознавания образов, анализа и синтеза речи, перевода с одного языка на другой и прогнозирования. Это вызвано такими особенностями сетей, как восстановление изображения по его части, устойчивость к зашумлению входного сигнала, прогнозирование изменения входов и параллельность вычислений. Также немаловажной характеристикой является способность функционировать даже при потере некоторой части сети.

Сети второй группы используются как системы управления в реальном времени несложных объектов. Это управление популярными в последнее время интеллектуальными агентами, исполняющими роль виртуальных секретарей. Особенностями данной группы является появление некоторых внутренних стимулов, возможность к самообучению и функционированию в реальном времени.

И, наконец, сети третьей группы, являющиеся дальнейшим развитием предыдущих, представляют собой уже нейроподобные системы, и нацелены они на создание экзотических в настоящее время виртуальных личностей, информационных копий человека, средой обитания которых является глобальная сеть Интернет. Данное направление только зарождается, но есть немалый шанс, что мы станем свидетелями ситуации рождения виртуальных людей, подробно описанной фантастами и режиссерами.

Сейчас в Интернете повсеместно можно встретить признаки зарождения подобных проектов, призывы объединиться всем научным потенциалом способного думать человечества в целях очеловечивания Интернета, преобразования его в разумную систему или среду обитания разумных систем. Раз существуют подобные предпосылки, значит, ничто не остановит полет человеческой мысли на пути достижения поставленной цели.

На основании вышеизложенного можно сделать вывод о том, что основные направления искусственного интеллекта связаны с моделированием, но в случае машинного интеллекта мы имеем дело с моделированием феноменологическим, имитационным, а в случае искусственного разума — с моделированием структурным.

...

Второе направление, таким образом, рассматривает продукт интеллектуальной деятельности человека, изучает его структуру, и стремится воспроизвести этот продукт средствами современной техники. Моделирование систем машинного интеллекта достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений. Основные результаты заключаются в создании экспертных систем, систем разбора естественного языка и простейших систем управления вида «стимул-реакция». Ясно, что успехи этого направления искусственного интеллекта оказываются тесно связанны с развитием возможностей ЭВМ и искусства программирования, то есть с тем комплексом научно-технических исследований, которые часто называют компьютерными науками.

1.3.1 Нейробионическое направление Нейронные модели не только повторяют функции мозга, но и способны выполнять функции, имеющие свою собственную ценность. Поэтому возникли и остаются в настоящее время две взаимно обогащающие друг друга цели нейронного моделирования: первая — понять функционирование нервной системы человека на уровне физиологии и психологии и вторая — создать вычислительные системы (искусственные нейронные сети), выполняющие функции, сходные с функциями мозга.

Именно эта последняя цель и находится в центре внимания для нас.

Еще в 1949 г. была создана модель человеческого обучения — модель Д. Хэбба.

Он предложил закон обучения, явившийся стартовой точкой для алгоритмов обучения искусственных нейронных сетей.

В пятидесятые и шестидесятые годы группа исследователей создала первые искусственные нейронные сети. Выполненные первоначально как электронные сети, они были позднее перенесены в более гибкую среду компьютерного моделирования.

Идея нейрокомпьютера появилась практически одновременно с зарождением последовательных фоннейманских ЭВМ. Ключевая работа МакКаллока и Питтса по нейро-вычислениями (McCulloch and Pitts,1943) появилась в 1943 году на два года раньше знаменитой докладной записки фон Неймана о принципах организации вычислений в последовательных универсальных ЭВМ. Они предложили схему компьютера, основанного на аналогии с работой человеческого мозга, и создали упрощенную модель нервной клетки — нейрон.

Но нейрокомпьютер предъявляет жесткие требования к вычислительной мощности аппарата, и только в семидесятые годы нейросетевые методы решения прикладных задач стали приобретать популярность.

Первый экспериментальный нейрокомпьютер Snark был построен Марвином Минским в 1951 году, но первый успех нейрокомпьютинга связывают с разработкой персептрона (от английского perception — восприятие) американцем Френком Розенблаттом. Это была одна из первых моделей нейронных сетей, которая вызвала большой интерес из-за своей способности обучаться распознаванию простых образов. Персептрон состоял из бинарных нейроподобных элементов и имел простую топологию, что позволило достаточно полно проанализировать ее работу и создать многочисленные физические реализации.

Работы Минского и Пейперта, доказавшие ограниченные возможности простейшего персентрона, погасили энтузиазм большинства исследователей на два десятилетия.

Широкий интерес научной общественности к нейросетям начался в начале восмидесятых годов после теоретических работ физика Хопфилда (Hopfield, 1982,1984).

Он и его последователи обогатили теорию параллельных вычислений многими идеями: коллективное взаимодействие нейронов, энергия сети, температура обучения и т. д.

Практическое применение нейросетей началось после публикации Румельхартом метода обучения многослойного персептрона, названного ими методом обратного распространения ошибки. Таким образом, ограничения персептронов, доказательства которых представили Минский и Пейперт, оказались преодолимыми.

Удельная стоимость современных нейровычислений на порядок ниже, чем у традиционных компьютеров, а быстродействие — в сотни раз выше. Системы нейронной обработки можно классифицировать следующим образом (рис. 1.1).

Рис. 1.1 – Классификация систем нейронной обработки.

Реально нейрокомпьютеры используются в специализированных системах, где требуется обучать и постоянно переобучать сотни нейросетей, объединенные в единые информационные комплексы, или в системах реального времени, где скорость обработки данных критична (например, при обработке экспериментов на современных ускорителях элементарных частиц используют нейрокомпьютер CNAPS с производительностью 1010 и каждый процессор состоит из 512 нейронов).

Доступность и возросшие вычислительные возможности современных компьютеров привели к широкому распространению программ, использующих принципы нейросетевой обработки данных, но исполняемых на последовательных компьютерах. Этот подход не использует параллелизм, но ориентируется исключительно на способность нейросетей решать неформализованные задачи и реализуется нейроэмуляторами.

Нейропакеты общего назначения — законченные независимые программные продукты, предназначенные для широкого класса задач (например, статистической обработке данных).

Множество их можно найти в Internet как shareware или freeware. Это обычные многослойные персептроны с одним или несколькими правилами обучения.

Коммерческие пакеты (BrainMaker Professional, NeuroForecaster, Jopa — IQ300) имеют собственный встроенный блок предобработки данных, хотя иногда для этой цели удобнее использовать стандартные электронные таблицы. Так, нейропродукты группы ФИАН встраиваются непосредственно в Microsoft Exel в качестве специализированной функции обработки данных.

Системы разработки нейроприложений — это программное обеспечение, способное генерировать программный код, использующий обученные нейросети для обработки данных.

Удобным инструментом разработки сложных нейросетей является MATLAB с прилагающимся к нему нейросетевым лассментариием, ограниченно вписавшимся в матричную идеологию этой системы. MATLAB предоставляет удобную среду для синтеза нейросетевых методик с прочими методами обработки (wavelet — анализ, статистика, финансовый анализ и т. п.).

Системы готовых решений на основе нейросетей — это конечный

Здесь нейросети спрятаны от пользователя в недрах готовых автоматизированных комплексов, предназначенных для решения конкретных производственных задач (управление предприятием, организационно-техническими системами, реакторами и т. д.). Например, продукт Falcon встраивается в банковскую автоматизированную систему обслуживания платежей по пластиковым карточкам.

Таким образом, нейропакеты не требуют самостоятельного программирования, легко осваиваются, это инструмент быстрого и дешевого решения прикладных задач; нейроприложения могут использоваться для создания сложных систем обработки данных в реальном времени; системы готовых решений не предполагают знакомства пользователя с нейросетями, представляют комплексное решение проблемы.

Также можно представить возможные классификации систем по типу входных и выходных сигналов на бинарные и аналоговые сети. Первые оперируют с двоичными сигналами, и выход каждого нейрона может принимать только два значения:

логический ноль («заторможенное» состояние) и логическая единица («возбужденное» состояние). В аналоговых сетях выходные значения нейронов способны принимать непрерывные значения.

Еще одна классификация делит нейросети на синхронные и асинхронные.

В первом случае в каждый момент времени свое состояние меняет лишь один нейрон, во втором — состояние меняется сразу у целой группы нейронов, как правило, у всего слоя.

Далее представим классификацию по типу связей и типу обучения (Encoding — Decoding), т. е. классификацию базовых нейроархитектур, впервые предложенную Бартом Коско, в табл. 1.1.

Тип связей (Decoding) Рекуррентные аппрок- Сеть Хопфилда (ассоциасиматоры (предсказание тивная память, кластериС обратными связями Приложения нейронных сетей охватывают разнообразные области применений: распознавание образов, обработка зашумленных данных, дополнение образов, ассоциативный поиск, ласссификация, оптимизация, прогноз, диагностика, обработка сигналов, абстрагирование, управление процессами, сегментация данных, сжатие информации, моделирование сложных процессов, машинное зрение, распознавание речи и т. д.

В настоящее время в каждой предметной области можно найти постановки нейросетевых задач.

Экономика и бизнес. Предсказание рынков, автоматический дилинг, оценка риска невозврата кредитов, предсказание банкротства, оценка стоимости недвижимости, автоматическое рейтингование, оптимизация портфелей, оптимизация товарных и денежных потоков, автоматическое считывание чеков и форм, безопасность транзакций по пластиковым карточкам. Пример: средства нейросетевого анализа больших потоков данных для крупной розничной торговли (http://www.retek.com).

Медицина. Обработка медицинских изображений, мониторинг состояния пациентов, диагностика, факторный анализ эффективности лечения, очистка показаний приборов от шума. Пример: система ранней диагностики меланомы сосудистой оболочки глаза (http://www.chat.ru/ neurocon).

Авионика. Обучаемые автоматы, распознавание сигналов радаров, адаптивное пилотирование сильно поврежденного самолета. Пример: автоматический переключатель режимов полета в реальном масштабе времени в зависимости от вида повреждения самолета.

Связь. Сжатие видеоинформации, быстрое кодирование-декодирование, оптимизация сотовых сетей и схем маршрутизации пакетов. Пример: специальная схема кодирования цветов (http://www.ee.duke.edu/ cec/JPL/paper.html), допускающая степень сжатия 240:1.

Интернет. Ассоциативный поиск информации, электронные секретари и агенты пользователя в сети, фильтрация информации в pusk-системах, коллаборативная фильтрация, рубрикация новостных лент, адресная реклама, адресный маркетинг для электронной торговли. Например, семейство AGENTWARE, создающих и использующих профили интересов пользователей в виде персональных автономных нейроагентов (нейросекретарей) (http://www.agentware.com).

Автоматизация производства. Оптимизация режимов производственного процесса, комплексная диагностика качества продукции, предупреждение аварийных ситуаций, робототехника. Например, нейросистема диагностики двигателей компанией Ford Motors.

Политические технологии. Анализ и обобщение социологических опросов, предсказание диагностики рейтингов, выявление значимых факторов, объективная кластеризация электората, визуализация социальной динамики населения.

Безопасность и охранные системы. Системы идентификации личности, распознавание голоса, лиц в толпе, распознавание автомобильных номеров, анализ аэрокосмических снимков, мониторинг информационных потоков, обнаружение подделок. Например, система обнаружения подделок чеков (Tearing up the Rules, Banking Technology, ноябрь 1993).

Ввод и обработка информации. Обработка рукописных чеков, распознавание подписей, отпечатков пальцев и голоса. Ввод в компьютер финансовых и налоговых документов. Пример: пакеты серии FlexRead для распознавания и автоматического ввода рукописных платежных документов и налоговых деклараций.

Представители разных наук считают, что перевод известных методов на новый язык нейросетевых схем ничего принципиально нового не дает. Статистики говорят, что нейросети — это всего лишь частный способ статистической обработки данных, специалисты по оптимизации — что методы обучения нейросетей давно известны в их области, теория аппроксимации функций рассматривает нейросети наряду с другими методами многомерной аппроксимации. Нам же представляется, что именно синтез различных методов и идей в едином нейросетевом подходе и является неоценимым достоинством нейрокомпьютеринга. Единая терминология для широкого круга задач ускоряет и удешевляет разработку приложений. Но самое главное заключается в том, что нейросетевые алгоритмы заведомо параллельны и в будущем это даст огромный экономический эффект.

1.3.2 Информационное направление Информационное направление разделяется на три.

1. Эвристическое программирование — это разработка оригинальных методов, алгоритмов решения задач, подобных человеческим, а в некоторых случаях даже и лучших. Под эвристикой понимается правило, стратегия, метод или прием, используемые для повышения эффективности системы, которая пытается найти решения сложных задач. Эвристическая программа — это программа для компьютера, использующая эвристики. В соответствии со словарем Вебстера «эвристический»

означает «способствующий открытию».

Рис. 1.2 – Программы решения интеллектуальных задач.

Эвристические программы могут играть в шахматы, шашки, карточные игры, находить ответы на вопросы, находить решения из области математических исчислений; доказывать теоремы в математической логике и геометрии; способны обучаться на основе своего опыта; решать различные классы задач. Здесь исследователь воспроизводит в компьютере методы, используемые людьми, т.к.

интеллект человека выше интеллекта компьютера.

Структура программ решения интеллектуальных задач, предложенная Д. А. Поспеловым, представлена на рисунке 1.2 [5].

2. Системы, основанные на знаниях. Второе, основное, направление в искусственном интеллекте образует его фундамент. Именно здесь создается теория данного научного направления, решаются основные проблемы, связанные с центральным объектом изучения искусственного интеллекта Системы, основанные на знаниях знаниями.

На рис. 1.3 показана структура этого направления. Всякая предметная (проблемная) область деятельности может быть описана в виде некоторой совокупности сведений о структуре этой области, основных ее характеристиках, процессах, протекающих в ней, а также о способах решения возникающих в ней задач. Все эти сведения образуют знания о предметной области. При использовании интеллектуальных систем для решения задач в данной предметной области необходимо собрать о ней сведения и создать концептуальную модель этой области. Источниками знаний могут быть документы, статьи, книги, фотографии, киносъемка и многое другое. Из этих источников надо извлечь содержащиеся в них знания. Этот процесс может оказаться достаточно трудным, ибо надо заранее оценить важность тех или иных знаний для работы интеллектуальной системы. Специалисты, которые занимаются всеми вопросами, связанными со знаниями, теперь называются инженерами по знаниям или инженерами знаний. Эта новая профессия порождена развитием искусственного интеллекта.

В области извлечения знаний можно выделить два основных направления:

формализация качественных знаний и интеграция знаний. Первое направление связано с созданием разнообразных методов, позволяющих переходить от знаний, выраженных в текстовой форме, к их аналогам, пригодным для ввода в память интеллектуальной системы. В связи с этой проблемой развивались не только традиционные методы обработки экспериментальных данных, но и совершенно новое направление, получившее название нечеткой математики. Возникновение этого направления связано с именем американского специалиста Л. Заде. Нечеткая математика и ее методы оказали существенное влияние на многие области искусственного интеллекта и, в частности, на весь комплекс проблем, связанных с представлением и переработкой качественной информации.

Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Проблема интеграции знаний пока еще не стоит столь остро, но уже ясно, что без ее решения вряд ли будет возможно создавать представления о предметной области, обладающие теми же богатыми нюансами, которыми она обладает для специалиста. Знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно.

Значительная часть профессионального опыта остается вне этих источников, в головах профессионалов, не могущих словесно их выразить. Такие знания часто называют профессиональным умением или интуицией. Для того, чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых — одна из современных задач инженерии знаний.

Полученные от экспертов знания нужно оценить с точки зрения их соответствия ранее накопленным знаниям и формализовать их для ввода в память интеллектуальной системы. Кроме того, знания, полученные от различных экспертов, надо еще согласовать между собой. Нередки случаи, когда эти знания оказываются внешне несовместимыми и даже противоречивыми. Инженер по знаниям должен путем опроса экспертов устранить эти противоречия. Следующая большая проблема, изучаемая в искусственном интеллекте, — это представление знаний в памяти системы. Для этого разрабатываются разнообразные модели представления знаний. В настоящее время в интеллектуальных системах используются четыре основные модели знаний. Первая модель, возможно, наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек вида: (a R b), где a и b два объекта или понятия, а R — двоичное отношение между ними. Такая модель графически может представляться в виде сети, в которой вершинам соответствуют объекты или понятия, а дугам — отношения между ними. Дуги помечены именами соответствующих отношений. Такая модель носит название семантической сети. Впервые такое представление знаний под названием «язык синтагматических цепей» было, по-видимому, использовано в работах по ситуационному управлению, получивших развитие в СССР в середине шестидесятых годов.

Семантические сети, в зависимости от характера отношений, допустимых в них, имеют различную природу. В ситуационном управлении эти отношения, в основном, описывали временные, пространственные и каузальные связи между объектами, а также результаты воздействия на объекты со стороны управляющей системы. В системах планирования и автоматического синтеза программ эти отношения являются связями типа «цель-средство» или «цель-подцель». В классифицирующих системах отношения передают связи по включению объемов понятий (типа «род-вид», «класс-элемент» и т. п.). Распространены так называемые функциональные семантические сети, в которых дуги характеризуют связи вида «аргументфункция». Такие сети используются в качестве моделей вычислительных процессов или моделей функционирования дискретных устройств.

Таким образом, семантические сети — модель весьма широкого назначения.

Теория семантических сетей еще не завершена, что привлекает к ней внимание многих специалистов, работающих в искусственном интеллекте. При различных синтаксических ограничениях на структуру семантической сети возникают более жесткие типы представления. Например, реляционные представления, характерные для реляционных баз данных, или каузальные представления в логике, получившие широкое распространение в машинных методах логического вывода или в языках логического программирования типа языка Пролог. В некотором смысле, фреймовые представления знаний, широко распространенные в искусственном интеллекте, также являются видом семантических сетей, для перехода к которому надо удовлетворить ряд ограничений синтаксического характера. С понятием «фрейм» в искусственном интеллекте произошла некоторая трансформация смысла. Это понятие было введено в научный оборот М. Минским, который под фреймом некоторого объекта или явления понимал то его минимальное описание, которое содержит всю существенную информацию об этом объекте или явлении и обладает тем свойством, что удаление из описания любой его части приводит к потере существенной информации, без которой описание объекта или явления не может быть достаточным для их идентификации. Однако позже в работах по представлению знаний [11, 12] требование по минимальности описания перестали соблюдать и под фреймами стали понимать структуры вида:. Каждый слот есть пара вида: (имя слота, значение слота). Допускается, чтобы слот сам был фреймом. Тогда в качестве значений слота выступает множество слотов. Другими возможностями для заполнения слотов могут быть константы, переменные, любые допустимые выражения в выбранной модели знаний, ссылки на другие слоты и фреймы и т. п. Таким образом, фрейм представляет собой достаточно гибкую конструкцию, позволяющую отображать в памяти интеллектуальной системы разнообразные знания.

Две другие распространенные модели знаний опираются на классическую логическую модель вывода. Это либо логические исчисления, типа исчисления предикатов и его расширения, либо системы продукций, т. е. правила вида: «Если А, то Б», задающих элементарные шаги преобразований и умозаключений. Эти две модели знаний отличаются явно выраженной процедурной формой. Поэтому часто говорят, что они описывают процедурные знания, а модели знаний, опирающиеся на семантические сети, описывают декларативные знания. Оба вида знаний могут сосуществовать друг с другом. Например, в качестве значений некоторых слотов во фрейме могут выступать продукции.

Именно такие смешанные представления оказываются сейчас в центре внимания исследователей, так как они сулят наиболее хорошие перспективы по представлению знаний.

Перечисленные модели знаний возникли в искусственном интеллекте как бы насильственно. Они не опираются на аналоги структур для представления знаний, которыми пользуются люди. Это связано с плохой изученностью форм представления знаний у человека.

В интеллектуальных системах для хранения и использования знаний создаются специальные представления знаний, включающие в свой состав всю совокупность процедур, необходимых для записи знаний, извлечения их из памяти и поддержки хранилища знаний в рабочем состоянии. Системы представления знаний часто оформляются как базы знаний, являющиеся естественным развитием баз данных.

Теория баз знаний составляет заметную часть современного искусственного интеллекта.

Именно в них сосредотачиваются сейчас все основные процедуры

Среди этих процедур можно, прежде всего, отметить процедуры пополнения знаний. Все человеческие знания, содержащиеся в текстах, таковы, что они принципиально не полны. Воспринимая тексты, мы как бы пополняем их за счет той информации, которая нам известна и которая имеет отношение к данному тексту.

Аналогичные процедуры должны происходить в базах знаний. Новые знания, поступающие в них, должны вместе с теми сведениями, которые уже были ранее записаны в базу, сформировать расширение поступивших знаний. Среди этих процедур особое место занимают псевдофизические логики (времени, пространства, действий и т. п.), которые, опираясь на законы внешнего мира, пополняют поступающую в базу знаний информацию.

Знания, как и у человека, в интеллектуальных системах хранятся не бессистемно. Они образуют некоторые упорядоченные структуры, что облегчает поиск нужных знаний и поддержание работоспособности баз знаний. Для этого используются различные классифицирующие процедуры. Типы классификаций могут быть весьма различными. Это могут быть родовидовые классификации, классификации типа «часть-целое» или ситуативные классификации, когда в одно множество объединяются все те знания, которые релевантны некоторой типовой ситуации. В этой области исследования по искусственному интеллекту тесно соприкасаются с теорией классификации, давно существующей, как некоторая самостоятельная ветвь науки.

В процессе классификации часто происходит абстрагирование от отдельных элементов описаний, от отдельных фрагментов знаний об объектах и явлениях. Это приводит к появлению обобщенных знаний. Обобщение может идти на несколько шагов, что приводит, в конце концов, к абстрактным знаниям, для которых нет прямого праобраза во внешнем мире. Манипулирование абстрактными знаниями повышает интеллектуальные возможности систем, делая эти манипуляции весьма общими по своим свойствам и результатам. Обобщение знаний и формирование понятий в системах искусственного интеллекта — одно из активно развивающихся направлений, в котором работает немало специалистов.

Особое место занимают процедуры, связанные с выводом на знаниях, получением на основании имеющихся знаний новых знаний. Вывод на знаниях зависит от той модели, которая используется для их представления. Если в качестве представления используются логические системы или продукции, то вывод на знаниях весьма близок к стандартному логическому выводу. Это же происходит при представлении знаний в каузальной форме. Во всех случаях в интеллектуальных системах используются методы вывода, опирающиеся на идею обратного вывода С. Ю. Маслова (как на языке ПРОЛОГ при клаузальной форме представления). Но простое заимствование идей и методов математической логики, под знаком чего происходило развитие работ в искусственном интеллекте в семидесятых годах, не привело к сколько-нибудь значительным результатам. Основное отличие баз знаний и баз данных интеллектуальных систем от тех объектов, с которыми имеет дело формальная логическая система, это их открытость. Возможность появления в памяти интеллектуальной системы новых файлов, новых сведений приводит к тому, что начинает разрушаться принцип монотонности, лежащий в основе функционирования всех систем, изучаемых математической логикой.

Согласно этому принципу если некоторое утверждение выводится в данной системе, то никакие дополнительные сведения не могут изменить этот факт. В открытых системах это не так. Новые сведения могут изменить ситуацию, и сделанный ранее вывод может стать неверным.

Немонотонность вывода в открытых системах вызывает немалые трудности при организации вывода на знаниях. В последнее десятилетие сторонники логических методов в искусственном интеллекте делают попытки построить новые логические системы, в рамках которых можно было бы обеспечить немонотонный вывод. На этом пути больше трудностей, чем результатов. И дело не только в немонотонности вывода. По сути, системы, с помощью которых представляются знания о предметных областях, не являются строго аксиоматическими, как классические логические исчисления. В последних аксиомы описывают извечные истины, верные для любых предметных областей. А в интеллектуальных системах каждая предметная область использует свои, специфические, верные только в ней утверждения. Поэтому и системы, которые возникают при таких условиях, следует называть квазиаксиоматическими. В таких системах вполне возможна смена исходных аксиом в процессе длительного вывода и, как следствие, изменение этого вывода.

И, наконец, еще одна особенность вывода на знаниях, доставляющая немало забот исследователям, занятым формированием решений в интеллектуальных системах. Это неполнота сведений о предметной области и протекающих в ней процессах, неточность входной информации, не совсем полная уверенность в квазиаксиомах. А это означает, что выводы в интеллектуальных системах носят не абсолютно достоверный характер, как в традиционных логических системах, а приближенный, правдоподобный характер. Такие выводы требуют развитого аппарата вычисления оценок правдоподобия и методов оперирования с ними. Подобные исследования сейчас в искусственном интеллекте развиваются широким фронтом.

По сути, рождается новая теория вывода, в которую лишь как небольшая часть входит достоверный вывод, изучавшийся в течение многих десятилетий логиками.

В интеллектуальных системах специалисты стремятся отразить основные особенности человеческих рассуждений, опыт тех специалистов, которые обладают профессиональными умениями, пока не полностью доступными искусственным системам. Поэтому бурно развивается та область, которую в искусственном интеллекте называют моделированием человеческих рассуждений.

К ним относятся аргументации на основе имеющихся знаний, рассуждения по аналогии и ассоциации, оправдание заключения в системе имеющихся прагматических ценностей и многое другое, чем люди пользуются в своей практике. Привнесение всех этих приемов в интеллектуальные системы, без сомнения, сделает их рассуждения более гибкими, успешными и человечными.

Когда некто высказывает свое мнение, то для того чтобы согласиться или не согласиться с ним, необходимо знать те же основания, которые лежат в основе его мнения. Если эти основания неизвестны, то имеется возможность попросить своего оппонента объяснить, как он пришел к своему мнению. Аналогичная функция возникла и в интеллектуальных системах. Поскольку они принимают свои решения, опираясь на знания, которые могут быть неизвестны пользователю, решающему свою задачу с помощью интеллектуальной системы, то он может усомниться в правильности полученного решения. Интеллектуальная система должна обладать средствами, которые могут сформировать пользователю необходимые объяснения.

Объяснения могут быть различного типа. Они могут касаться самого процесса решения оснований, которые были для этого использованы, способов отсечения альтернативных вариантов и т. п. Все это требует развитой теории объяснения, что стимулирует сейчас активность исследований в этом направлении.

3. Интеллектуальное программирование. Это направление в искусственном интеллекте соответствует программистскому взгляду на эту область. Трудоемкость разработки интеллектуальных приложений зависит от использованного языка, инструментальных систем, парадигмы программирования, средств разработки ИИС и приобретения знаний, систем когнитивной графики (рис. 1.4) [2, 4].

Среди огромного количества языков программирования в работах по искусственному интеллекту используется небольшая часть.

1) Традиционные языки программирования типа С, С++, но, как правило, для создания инструментальных средств.

2) Специализированные языки программирования:

• LISP и все его многочисленные версии, ориентированные на обработку списков;

• язык логического программирования PROLOG. В самом начале он был стимулирован к жизни работами в области машинного перевода, но Р. Ковальский понял, что в идее каузальных логических выражений и в процедурах вывода кроется куда более общая идея, соответствующая логическому выводу;

• язык рекурсивных функций РЕФАЛ.

Рис. 1.4 – Инструментальные средства интеллектуальных систем.

3) Особняком стоят языки для представления знаний. Это языки, ориентированные на фреймы KL-1, KRL, FRL или язык ПИЛОТ, ориентированный на модель знаний в виде продукций Инструментальные системы развиваются достаточно быстро и предназначены для быстрого проектирования и разработки самых разнообразных интелектуальных систем. Общая идея состоит в том, чтобы создать некоторую системупрототип, затратив на ее создание достаточно много усилий. Но затем использовать для решения задач в конкретной предметной области.

Если в системе-прототипе заранее зафиксированы средства заполнения базы знаний и манипулирования знаниями в ней, но сама база знаний не заполнена, то такая инструментальная система называется пустой.

Сейчас интерес к пустым системам резко уменьшился. Оказалось, что даже для однотипных предметных областей переход от одной области к другой может потребовать модификации тех или иных средств для манипулирования знаниями, а иногда и формы представления знаний. Поэтому основные усилия разработчиков сейчас направлены на создание систем-оболочек. В таких инструментальных системах имеется возможность при переходе к конкретной системе варьировать в достаточно широких пределах форму представления знаний и способы манипулирования ими. Здесь программисты, специализирующиеся в области интеллектуальных программных систем, ожидают большего прорыва в интеллектуальное программирование завтрашнего дня.

Разработаны ИС или (ЭС) общего назначения, содержащие все программные компоненты, которые не требуют от разработчиков приложений знания программирования и не имеют БЗ, т. е. знаний о конкретных предметных средах. Например, ЭКО, Leonardo, Nexpert Object, Kappa, EXSYS, GURU, APT, KEE и т. д.

В последнее время «оболочка» заменяется термином «среда разработки». Если инструментальная система используется на стадии разработки, использования и сопровождения употребляется термин «полная среда» (complete environment).

Примерами таких интегрированных инструментальных систем типа Work bench являются:

KEATS, Shelly, VITAL. Для ясности перечислим компоненты для первой системы:

• средства фрагментирования текстовых источников знаний;

• язык представления знаний средствами фреймовой модели;

• графический интерфейс для создания гипертекстов и концептуальных моделей;

• интерпретатор правил прямого и обратного выводов;

• инструмент визуализации логического вызова;

• интерфейс манипулирования таблицами в БЗ;

• язык описания и распространения ограничений;

• немонотонная система поддержания истинности.

Средства разработки интеллектуальных систем. Сюда отнесем проблемно/предметно-ориентированные оболочки и среды:

• проблемно-ориентированные средства, которые предназначены для решения задач определенного класса (прогнозирования, планирования, управления и т. д.) и содержит соответствующие функциональные модули;

• предметно-ориентированные средства — это знания о типах предметной области.

К парадигмам программирования отнесем следующие:

• процедурное программирование;

• программирование, ориентированное на данные;

• программирование, ориентированное на правила;

• объектно-ориентированное программирование.

В первой парадигме процедурам отводится активная роль и активизируется она вызовом. Используются для описания детерминированной последовательности действий процесса(ов).

Во второй парадигме данным отводится активная роль, т. е. совершаются действия (процедуры) при обращении к этим активным данным.

В парадигме, ориентированной на правила, задаются правила «условие-действие», и при сопоставлении образа БД и образца БЗ правило выполняется. Поведение системы здесь не задается заранее известной последовательностью правил, а формируется на основе данных в текущий момент.

В объектно-ориентированной парадигме программа организуется вокруг сущностей, называемых объектами, которые включают локальные процедуры и локальные данные (переменные). Поведение (функционирование) здесь осуществляется пересылкой сообщений между объектами. Объект, получив сообщение, осуществляет его локальную интерпретацию, основываясь на локальных процедурах и данных.

Системы когнитивной графики одно из направлений в интеллектуальном программировании. Одна из центральных идей искусственного интеллекта — это идея о том, что суть самого феномена интеллекта состоит в совместной работе двух систем переработки информации: зрительной, создающей образную картину мира, и символической, способной к абстрактному мышлению, к оперированию с понятиями, интегрирующими образы внешнего мира. Возможность перехода от зрительной картины к ее текстовому (символическому) описанию и от текста к некоторой зрительной картине, составляет, по-видимому, основу того, что называется мышлением.

Успехи искусственного интеллекта определяются тем, что символьная система достаточно хорошо изучена и промоделирована в искусственных системах. Со зрительной системой дело обстоит хуже. Мы пока еще точно не знаем о том, как хранятся зрительные образы в памяти человека, как они обрабатываются, как они соотносятся с текстами, им соответствующими.

Когнитивная графика и занимается приемами соотнесения текстов и зрительных картин через общее представление знаний, интегрирующих текстовые и зрительные образы. Это направление признается очень перспективным: новые способы решения задач и переход к новой технологии их решения.

Примерами являются программы оживления картин, но не на основе жестких процедур, а в соответствии с некоторыми текстами на ограниченном естественном языке.

Если интерактивная компьютерная графика реализует две связанные между собой функции: иллюстративную и когнитивную, то одновременный вывод ИКГ-изображений в разные окна дисплея создает у пользователя синтетический полиоконный ИКГ-образ. Иллюстративная функция обеспечивает визуальную адекватность графического образа оригиналу, т. е. визуальную «узнаваемость» оригинала. Когнитивная функция позволяет (при определенных условиях) изображать в наглядной графической форме внутреннее содержание оригинала. Функциональное содержание ИКГ представлено на рис. 1.5 [4].

Авторы, конечно, осознают, что дать полную картину исследований систем искусственного интеллекта в одной книге невозможно, поэтому приведем классификации систем искусственного интеллекта (направлений) наиболее значимых, как нам кажется, для цельного представления проблемы.

1.3.3 Примеры различных классификаций систем искусственного интеллекта А. В. Андрейчиков и О. Н. Андрейчикова предлагают следующие классы систем:

1) Интеллектуальная информационная система — одно из главных направлений в искусственном интеллекте. Целью такой системы является исследование и применение знаний высококвалифицированных экспертов для решения задач. Это имитация человеческого искусства анализа неструктурированных проблем, т. е. разработка моделей представления, извлечения и структурирования знаний. Частным случаем таких систем являются экспертные системы.

2) Естественно-языковой интерфейс и машинный перевод. Это исследование методов и разработка систем, обеспечивающих реализацию процесса общения человека с компьютером на естественном языке (системы Е-Я общения). Системы машинного перевода с одного языка на другой больших потоков информаций — это интеллектуальная система, состоящая из базы знаний и сложных моделей, базирующихся на структурно-логическом подходе, включающих анализ и синтез естественно-языковых сообщения.

3) Генерация и распознавание речи. Системы речевого общения создаются в целях повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии.

4) Обработка визуальной информации. В таких системах решаются задачи обработки, анализа и синтеза изображений. Задача обработки изображений — это трансформирование графических образов в новые изображения.

Задача анализа — это преобразование исходных изображений в данные другого типа (например, текст). И наконец, синтез изображений — получение графических объектов по алгоритмам построения изображения (машинная 5) Обучение и самообучение. Это разработка моделей, методов и алгоритмов для систем автоматического накопления и формирования знаний с использование процедур анализа и обобщения данных. Это системы Data-mining, Knowledge, Discovery и другие.

6) Расппознавание образов. Система распознавания объектов осуществляет отнесение объектов к классам, а классы описываются совокупностями определенных значений признаков.

7) Игры и машинное творчество. Машинное творчество — это музыкальные программы, машинные программы живописи и графики, стихов, прозаических произведений, изобретение новых объектов, интеллектуальные компьютерные игры.

8) Программное обеспечение систем искусственного интеллекта. Инструментальные средства для разработки систем искусственного интеллекта включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK), языки логического программирования (PROLOG), языки представления знаний (OPS-5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств (KE, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS, Professional, ЭКСПЕРТ).

9) Новые архитектуры компьютеров. Это создание компьютеров не фон-неймовской архитектуры, ориентированные на обработку символьной информации. Известны параллельные и векторные компьютеры, но весьма высокой стоимости в настоящее время.

10) Интеллектуальные роботы. В настоящее время используются программируемые манипуляторы с жесткой схемой управления.

Гаскаров Д. В. предлагает следующие наиболее распространенные типы классификации интеллектуализированных систем.

1) По степени реализации (стадии существования) рис. 1.6.

Рис. 1.6 – Классификация ИнС по степени реализации.

2) По степени сложности (рис. 1.7).

Рис. 1.7 – Классификация ИнС по степени сложности.

3) По степени интеграции (рис. 1.8).

Рис. 1.8 – Классификация ИнС по степени интеграции.

4) По сложности и типу ЭВМ (рис. 1.9).

5) По типу области экспертизы (типу предметной области, рис. 1.10).

Рис. 1.9 – Классификация ИнС по сложности и типу ЭВМ.

Рис. 1.10 – Классификация ИнС по типу области экспертизы.

6) По эволюции развития (рис. 1.11).

7) По типам решаемых задач (рис. 1.12).

Рис. 1.11 – Классификация ИнС по эволюции развития.

Рис. 1.12 – Классификация ИнС потипам решаемых задач.

Ясницкий Л. Н. классифицирует системы искусственного интеллекта по следующим направлениям:

1) Системы, основанные на знаниях.

2) Нейросетевые и нейрокомпьютерные технологии.

3) Распознавание образов.

4) Игры и творчество.

5) Компьютерная лингвистика.

6) Интеллектуальные роботы.

7) Компьютерные вирусы.

8) Интеллектуальное компьютерное моделирование.

В. Н. Бондарев, Ф. Г. Аде считают основными направлениями исследований в искусственном интеллекте следующие:

1) Представление задач и поиск решений.

2) Доказательство теорем.

3) Представление знаний.

4) Экспертные системы.

5) Обучение и выявление закономерностей.

6) Общение на естественном языке.

7) Распознавание образов.

8) Компьютерное зрение.

9) Языки программирования систем искусственного интеллекта.

Е. В. Луценко предлагает рассматривать следующие классы систем искусственного интеллекта [8]:

Системы с интеллектуальной обратной связью и интеллектуальными интерфейсами. Интеллектуальный интерфейс ( Intelligent interface ) — интерфейс непосредственного взаимодействия ресурсов информационного комплекса и пользователя посредством программ обработки текстовых запросов пользователя.

Примером может служить программа идентификации и аутентификации личности по почерку. Аутентификация — это проверка, действительно ли пользователь является тем, за кого себя выдает. При этом пользователь должен предварительно сообщить о себе идентификационную информацию: свое имя и пароль, соответствующий названному имени. Идентификация — это установление его личности.

И идентификация, и аутентификация являются типичными задачами распознавания образов, которое может проводиться по заранее определенной или произвольной последовательности нажатий клавиш.

Системы с биологической обратной связью (БОС) — системы, поведение которых зависит от психофизического (биологического) состояния пользователя.

• Мониторинг состояния сотрудников на конвейере с целью обеспечения высокого качества продукции.

• Компьютерные тренажеры для обучения больных с функциональными нарушениями управлению своим состоянием.

• Компьютерные игры с БОС.

Системы с семантическим резонансом — системы, поведение которых зависит от состояния сознания пользователя и его психологической реакции на смысловые стимулы.

Системы виртуальной реальности.

1) Виртуальная реальность (ВР) — модельная трехмерная (3D) окружающая среда, создаваемая компьютерными средствами и реалистично реагирующая на взаимодействие с пользователями. Технической базой системы ВР являются современные мощные персональные компьютеры и программное обеспечение высококачественной трехмерной визуализации и анимации. В качестве устройств ввода-вывода в системах ВР применяются виртуальные шлемы с дисплеями, в частности шлемы со стереоскопическими очками, и устройства 3D-ввода, например мышь с пространственно управляемым курсором или «цифровые перчатки», которые обеспечивают тактильную обратную связь с пользователем.

2) Автоматизированные системы распознавания образов. Система распознавания образов — это класс систем искусственного интеллекта, обеспечивающих:

• формирование конкретных образов объектов и обобщенных образов • обучение, т. е. формирование обобщенных образов классов на основе ряда примеров объектов, классифицированных (т. е. отнесенных к тем или иным категориям — классам) учителем и составляющих обучающую выборку;

• самообучение, т. е. формирование кластеров объектов на основе анализа неклассифицированной обучающей выборки;

• распознавание, т. е. идентификацию (и прогнозирование) состояний объектов, описанных признаками, друг с другом и с обобщенными • измерение степени адекватности модели;

• решение обратной задачи идентификации и прогнозирования (обеспечивается не всеми моделями).

3) Автоматизированные системы поддержки принятия решений. Системы поддержки принятия решений (СППР) — это компьютерные системы, почти всегда интерактивные, разработанные, чтобы помочь менеджеру (или руководителю) в принятии решений управления, объединяя данные, сложные аналитические модели и удобное для пользователя программное обеспечение в единую мощную систему, которая может поддерживать слабоструктурированное и неструктурированное принятие решения. СППР находится под управлением пользователя от начала до реализации и используется ежедневно. Предназначена для автоматизации выбора рационального варианта из исходного множества альтернативных в условиях многокритериальности и неопределенности исходной информации.

4) Экспертные системы. Экспертная система (ЭС) — это программа, которая в определенных отношениях заменяет эксперта или группу экспертов в той или иной предметной области. ЭС предназначены для решения практических задач, возникающих в слабоструктурированных и трудно формализуемых предметных областях. Исторически, ЭС были первыми системами искусственного интеллекта, которые привлекли внимание потребителей.

Экспертные системы используются в маркетинге для сегментации рынка и выработки маркетинговых программ, а также в банковском деле для определения тенденции рынка, в трейдинге для программирования котировок акций и валют, в аудите для подготовки заключений о финансовом состоянии предприятий.

5) Генетические алгоритмы и моделирование эволюции. Генетические алгоритмы (ГА) — это адаптивные методы функциональной оптимизации, основанные на компьютерном имитационном моделировании биологической эволюции. Генетический алгоритм — новейший способ решения задач оптимизации.

6) Когнитивное моделирование. Это способ анализа, обеспечивающий определение силы и направления влияния факторов на перевод объекта управления в целевое состояние с учетом сходства и различия в влиянии факторов на объект управления.