Мивары: 25 лет создания искусственного интеллекта

Варламов Олег

Вернемся к представлению знаний. Как справедливо отмечает Дж. Люгер, задача любой схемы представления заключается в том, чтобы зафиксировать специфику области определения задачи и сделать эту информацию доступной для механизма решения проблемы. Язык представления должен позволять программисту выражать знания, необходимые для решения задачи. Абстрагирование, т.е. представление только той информации, которая необходима для достижения заданной цели, является необходимым средством управления сложными процессами. Конечные программы должны быть рациональными в вычислительном отношении. Выразительность и эффективность являются взаимосвязанными характеристиками оценки языков представления знаний. Многие достаточно выразительные средства представления в одних классах задачах совсем неэффективны в других. Разумный компромисс между эффективностью и выразительностью – сложная задача для разработчиков интеллектуальных систем. По существу, способ представления знания должен обеспечить естественную структуру выражения знания, позволяющую решить проблему. Способ представления должен сделать это знание доступным компьютеру и помочь программисту

описать его структуру [264, стр. 58-59]. Учитывая наши выводы о неадекватности исчисления предикатов для решения многих задач ИИ, мы считаем, что разработка новых представлений в виде миварного информационного подхода является закономерным развитием теории ИИ в 21 веке.

Семантические сети как альтернатива исчислению предикатов. Особое внимание необходимо уделить передаче сложных семантических значений. У Дж. Люгера подчеркнуто, что во многих областях ИИ решение задачи требует использования высокоструктурированных взаимосвязанных знаний [264, стр. 63]. Для описания предмета реального мира необходимо не только перечислить его составные части, но и указать способ соединения и взаимодействия этих частей. Структурное представление предметов используется во многих задачах. Кроме того, семантические отношения необходимы для описания причинных связей между событиями. Да, в обоих этих случаях взаимосвязи и взаимоотношения могут быть описаны группой предикатов, но для программиста, имеющего дело со сложными понятиями и стремящегося дать устойчивое описание процессов в программе, необходимо некоторое высокоуровневое представление структуры процесса. Предикатное описание можно представить графически, использую для отображения предикатов, определяющих отношения, дуги или связи графа. Такое описание, называемое семантической сетью, является фундаментальной методикой представления семантического значения. Поскольку отношения явно выражены связями графа, алгоритм рассуждений о предметной области может строить соответствующие ассоциации просто следуя по связям, что значительно эффективнее, чем утомительный и исчерпывающий поиск в базе данных, содержащей описания на языке предикатов [264, стр. 64].

Как видим, принцип адекватности представления знаний здесь очень хорошо работает: при одинаковой выразительности семантических сетей и предикатов эффективность поиска явно лучше для семантических сетей с их явным описанием связей. Таким образом, нам остается согласиться с Дж. Люгером в том, что "теория графов эффективно и естественно выражает сложные семантические знания. Кроме того, она позволяет описывать структурную организацию базы знаний. Семантические сети – это достойная альтернатива исчислению предикатов" [264, стр. 64].

Интеллектуальная система должна знать не только сам предмет, но и знать, что она знает этот предмет. Следовательно, рассуждения на метауровне также играют огромное значение в области ИИ. У Дж. Люгера отмечено, что эта "…осведомленность о своих знаниях…" составляет более высокий уровень знаний, называемых метазнаниями и необходимых для проектирования и адекватного описания интеллектуальных систем. Метазнания важны для способности обучаться на примерах, опыте или понимать инструкции высокого уровня, что и отличает их от "жесткого" программирования. Методы представления знаний, разработанные для программирования задач ИИ, обеспечивают возможность адаптации и модификации, так необходимую для обучающихся систем, а также формируют основу для других исследований с символьными вычислениями [264, стр. 65].

2.4. Преимущества миварного подхода перед семантическими сетями и продукциями

Кроме того, с точки зрения обоснования преимуществ и перспективности миварного подхода важно следующее замечание Дж. Люгера: "Решение задачи искусственного интеллекта можно свести к выбору представления среди возможных альтернатив. Выбор подходящего представления весьма важен для разработчиков компьютерных программ, обеспечивающих решение задач искусственного интеллекта. Несмотря на большое разнообразие языков представления, используемых в искусственном интеллекте, все они должны удовлетворять общим требованиям выразительности, эффективности и правильности дедуктивных выводов. Выбор и оценка языков представлений – весьма важная задача как для исследователей, так и для программистов [264, стр. 65]. Как показано в наших работах, выразительность миварного подхода ни в чем не уступает ни исчислениям предикатов, ни семантическим сетям, ни другим известным формализмам в области ИИ. Более того, изменяющееся многомерное миварное информационное пространство позволяет в едином формализме описать и совместить все указанные формализмы, включая исчисление предикатов и семантические сети с онтологиями. С точки зрения семантических сетей, миварное пространство позволяет отобразить такую сеть в многомерном пространстве, что только увеличивает выразительность и позволяет добавить новые связи за счет многомерности. С онтологиями происходит аналогично семантическим сетям. Даже наиболее общую модель данных "сущность-связь" можно легко представить в миварном пространстве, примеры которого подробно описаны в первой монографии Варламова О.О. [72]. Про то, что исчисление предикатов имеет равные выразительные способности с семантическими сетями, было сказано ранее, в том числе и у Дж. Люгера. Следовательно, по выразительности миварный подход превосходит возможности всех традиционных формализмов, включая семантические сети и модель данных "сущность-связь".

Теперь об эффективности обработки информации в миварных сетях, которые отвечают за обработку информации в миварном подходе. У Дж. Люгера, как и у многих других исследователей, неоднократно указано, что обработка информации в семантических сетях и исчислениях предикатов носит явно выраженный NP-полный характер. Это обусловлено тем, что вся обработка ведется на основе теории графов, путем применения "графа пространства состояний" [264, стр. 66]. Но далее у Дж. Люгера идет важное обобщение: "Несмотря на эту

очевидную универсальность, поиска в пространстве состояний не достаточно для автоматизации интеллектуального поведения, обеспечивающего (автоматическое) решение проблем" [264, стр. 69]. Далее показано, что если бы поиска в пространстве состояний было достаточно, то нужно было бы осуществлять полный поиск по всему пространству состояний. Этот метод известен как "исчерпывающий поиск" или "поиск методом полного перебора". "Хотя полный перебор может применяться в любом пространстве состояний, огромный размер пространства для интересных задач делает этот подход практически неприемлемым… поиск в пространстве состояний можно использовать для практического подхода к любой проблеме. Поиск обеспечивает структуру для автоматизации решения задач, но эта структура лишена интеллекта. Такой подход не дает возможности формально описать задачу. Кроме того, простой полный перебор большого пространства вообще практически неосуществим и непригоден для описания сущности разумной деятельности" [264, стр. 69]. Подчеркнем, что это не наш вывод, но мы его полностью поддерживаем.

Получается, что графовое представление семантических сетей не позволяет эффективно и разумно осуществлять обработку информации и поиск решений в непростых задачах, т.е. в любых более-менее сложных и реальных задачах. Как было отмечено и подчеркнуто, миварный подход создавался для решения реальных задач в максимально сложных условиях, поэтому мы искали альтернативу графовому подходу с полным перебором. Такое решение было найдено для очень многих задач, хотя, возможно, что не для всех. Миварные сети позволяют находить решение с линейной вычислительной сложностью, хотя некоторые ученые и не согласны с тем, что такой подход осуществляет логический вывод. В этих случаях для подобных формалистов мы применяем другой термин: "автоматический конструктор алгоритмов решения задач". Этот подход основан на представлении информации в виде специальной миварной матрицы и отличается от традиционного логического вывода только тем, что не используется исчисление предикатов и не рассматриваются в явном виде вопросы истинности или ложности высказываний. Для решений реальных задач достаточно построить алгоритм решения из модулей (сервисов, отношений и т.п.), где на основе входных данных можно вычислить или определить требуемые выходные данные. С точки зрения познающе-диагностических систем вопросы ложности высказываний в исчислениях предикатов вообще не имеют никакого практического смысла; для выполнения задач познания и диагностирования требуется только алгоритм вывода от входа к выходу, который на миварной матрице ищется за один проход и без циклов. В настоящее время мы исследуем проблемы ограничений описаний предметных областей для "интересных" реальных задач с точки зрения возможности применения миварных матриц. Пока не выявлено каких-либо существенных ограничений, если условия задач возможно сформулировать в терминах продукций при выделении условий и действий в основном формате продукций "если… то…". Далее более подробно это описано в сравнении и анализе работ Д.А. Поспелова, отмечавшего, что продукции в общем виде позволяю представить любые причинно-следственные зависимости. У Дж. Люгера по поводу продукционных систем написано, что они основаны на представлении знаний в виде продукционных правил и представляют собой обобщенную и мощную модель решения задач на основе поиска. Там же описана методология "классной доски" – стратегия решения сложных системных задач с привлечением разнородных источников знаний, взаимодействующих через общее информационное поле [264, стр. 70]. Отметим, что эти же методологии используются и в миварном подходе для решения самого разного класса задач.

При описании экспертных систем Дж. Люгер так же говорит о продукциях следующее: "В чисто продукционной системе, например, модификация одного правила не имеет глобальных синтаксических побочных эффектов. Правила могут добавляться или удаляться без необходимости дальнейших изменений всей программы. Разработчики экспертной системы часто объясняют, что легкость модификации базы знаний является главным фактором производства успешных программ. Следующей особенностью экспертных систем является использование эвристических методов решения проблем" [264, стр. 274].

В экспертной системе, основанной на правилах, знание представляется в форме правил "если… то…". База знаний содержит как общие знания, так и информацию о частных случаях. "Механизм вывода применяет знания при решении реальных задач. По существу, он является интерпретатором базы знаний. В продукционной системе механизм вывода совершает цикл распознавание-действие. Процедуры, которые выполняют этот управляющий цикл, отделены от самих продукционных правил" [264, стр. 275]. Далее у Дж. Люгера есть интерпретация понятия "истинность" для продукций: "В системе, основанной на правилах, пары "условие-действие" представляются правилами "если… то…", в которых посылка (часть "если") соответствует условию, а заключение (часть "то") – действию. Если условие удовлетворяется, экспертная система осуществляет действие, предусмотренное при истинности заключения. Данные частных случаев можно хранить в рабочей памяти. Механизм вывода осуществляет цикл продукционной системы распознавание-действие. При этом управление может осуществляться либо на основе данных, либо на основе цели" [264, стр. 282]. Таким образом, говоря о продукционных системах и миварных сетях, можно употреблять термин "логический вывод", но в контексте цикла распознавание-действие.

С точки зрения нашего исследования очень важно, что "экспертные системы строятся методом последовательных приближений. Выявляемые ошибки приводят к коррекции и наращиванию базы знаний. … программа никогда не должна рассматриваться как законченная. Эвристическая база знаний всегда будет иметь ограниченные возможности. Модульность модели продукционной системы позволяет естественным образом добавить новые правила или в любое время подкорректировать существующую базу правил" [264, стр. 278]. Все вышесказанное относится и к миварным сетям. А вот когда дело переходит от представления знаний к обработке, то начинаются важные отличия.