Архивы: по дате | по разделам | по авторам

Искусственный интеллект: основные направления и состояние исследований

Архив

автор : Геннадий Осипов 02.08.2002

В качестве полигона для исследований были выбраны различные математические игры, в частности, игра "15" и игра "5", а в качестве инструментальных методов исследования — гностическая динамика и регистрация движения глаз испытуемых с помощью электроокулограммы. Цель игры заключается в переходе от некоторой исходной ситуации к конечной

В качестве полигона для исследований были выбраны различные математические игры, в частности, игра «15» и игра «5», а в качестве инструментальных методов исследования - гностическая динамика и регистрация движения глаз испытуемых с помощью электроокулограммы (на роговицу помещалась специальная присоска).

Цель игры заключается в переходе от некоторой исходной ситуации к конечной. Переходы осуществляются путем последовательного перемещения фишек по горизонталям и вертикалям на свободное поле.

Возьмем, например, игру «5», исходная и конечная ситуации в которой показаны на рисунке.

2	3	5
	1	4

1	2	3
	4	5

Оптимальным образом задача решается за шесть ходов, которые соответствуют перемещениям фишек 1, 4, 5, 3, 2, 1. Решение было бы гораздо сложнее, если бы на первом ходу двигалась, например, фишка 2 или на втором ходу - фишка 3. Понятно, что задача может быть представлена в виде дерева (или лабиринта), корнем которого является исходная ситуация, а перемещение каждой фишки приводит в новую вершину. Все ситуации представлены при таком подходе вершинами графа или точками на дереве игры, и именно они становятся теми элементами, из которых строится «модель мира». Два элемента связывает ход - преобразование одной ситуации в другую.

Такая модель игры приводит, вообще говоря, к полному перебору или «лабиринту» вариантов (лабиринтной гипотезы мышления).

Однако анализ экспериментальных данных, параметров гностической динамики в процессе обучения решению задачи ¹ позволил сделать вывод: основным фактором, влияющим на временные характеристики этого процесса, является момент понимания эквивалентности задач или транспозиции (переноса) отношений, сформированных в ходе решения первых задач.

Можно связать формирование подобной системы отношений со временем решения второй и последующих задач - именно тогда формируется то общее, что связывает первую и вторую задачи. Осознание общности и, следовательно, «открытие» эквивалентности происходит при столкновении с третьей задачей.

Сопоставление экспериментальных данных свидетельствует также о том, что анализ исходной ситуации управляется анализом цели и процессом соотнесения исходной и конечной ситуаций. Модель исходной ситуации рассматривается с точки зрения ситуации конечной.

Эту модель можно также изобразить в виде графа, но его вершинами будут не ситуации, как при использовании «лабиринта» вариантов, а элементы ситуаций. Ребрами, соединяющими вершины, будут не переходы из одной ситуации в другую, а те отношения, которые были выявлены на множестве этих элементов с помощью гностической динамики. Эти соображения, составляющие основу модельной гипотезы мышления, и привели к появлению в 1964 г. языка (и метода) ситуационного управления.

1 (обратно к тексту) - К числу этих параметров относятся время решения задачи, количество осмотров условий, количество осмотров цели, общее количество осмотров, плотность осмотра и отношение числа осмотров условий к числу осмотров цели.

Что такое ИИ

Наука под названием «искусственный интеллект» входит в комплекс компьютерных наук, а создаваемые на ее основе технологии относятся к информационным технологиям. Задачей этой науки является обеспечение разумных рассуждений и действий с помощью вычислительных систем и иных искусственных устройств.

Трудностей на этом пути немало, и главные из них таковы:

в большинстве случаев до получения результата не известен алгоритм решения задачи. Например, точно неизвестно, как происходит понимание текста, поиск доказательства теоремы, узнавание изображения;
искусственные устройства (например, компьютеры) не обладают достаточным уровнем начальной компетентности. Специалист же добивается результата, используя свою компетентность (в частности, знания и опыт).

Это означает, что искусственный интеллект - экспериментальная наука: создавая те или иные компьютерные представления и модели, исследователь сравнивает их поведение между собой и с примерами решения тех же задач специалистом, модифицирует их на основе этого сравнения, пытаясь добиться лучшего соответствия результатов.

Чтобы модификация программ улучшала результаты, надо иметь разумные исходные представления и модели. Их доставляют психологические исследования сознания, в частности когнитивная психология.

Важно, что методы искусственного интеллекта имеют дело только с теми механизмами компетентности, которые носят вербальный характер (допускают символьное представление). Далеко не все механизмы, используемые человеком для решения задач, таковы.

Здесь уместно подчеркнуть, что термин «искусственный интеллект» следует понимать исключительно как обозначение области исследований, а не некоторого искусственно созданного агрегата. Иные толкования основаны на спекулятивной интерпретации термина.

Истоки

Первые исследования, относящиеся к искусственному интеллекту, были предприняты почти сразу же после появления вычислительных машин.

В 1954 году А. Ньюэлл (A. Newell) решил написать программу для игры в шахматы. Этой идеей он поделился с аналитиками корпорации «Рэнд» (RAND Corporation, www.rand.org) Дж. Шоу (J. Shaw) и Г. Саймоном (H. Simon), которые предложили Ньюэллу свою помощь. В качестве теоретической основы программы было решено использовать метод, предложенный в 1950 году Клодом Шенноном (C. E. Shannon), основоположником теории информации.Формализация этого метода была выполнена Аланом Тьюрингом (Alan Turing). Он же промоделировал его вручную.

К работе была привлечена группа голландских психологов под руководством А. де Гроота (A. de Groot), изучавших стили игры выдающихся шахматистов. Через два года совместной работы этим коллективом был создан язык программирования ИПЛ1 (IPL1), по-видимому первый символьный язык обработки списков. Вскоре была написана и первая программа, которую можно отнести к достижениям в области искусственного интеллекта. Это была программа «Логик-Теоретик» (1956), предназначенная для автоматического доказательства теорем в исчислении высказываний.

Собственно же программа для игры в шахматы, NSS, была завершена в 1957 г. В основе ее работы лежали так называемые эвристики (правила, которые позволяют сделать выбор при отсутствии точных теоретических оснований) и описания целей. Управляющий алгоритм пытался уменьшить различия между оценками текущей ситуации и оценками цели или одной из подцелей.

В 1960 г. той же группой на основе принципов, использованных в NSS, была написана программа, которую ее создатели назвали GPS (General Problem Solver) - универсальный решатель задач. GPS могла справляться с рядом головоломок, вычислять неопределенные интегралы, решать некоторые другие задачи. Эти результаты привлекли внимание специалистов в области вычислений. Появились программы автоматического доказательства теорем планиметрии и решения алгебраических задач.

Джона Маккарти (J. McCarthy) из Стэнфорда заинтересовали математические основы этих результатов и вообще символьных вычислений. В 1963 г. им был разработан язык ЛИСП (LISP, от List Processing), в основу которого легло использование единого спискового представления для программ и данных, применение выражений для определения функций, скобочный синтаксис.

В это же время в СССР (в МГУ и Академии наук) был выполнен ряд пионерских экспериментальных исследований (под руководством Вениамина Пушкина и Дмитрия Поспелова), целью которых было выяснить: как же решает переборные задачи человек? (см. врезку на стр. 17)

К исследованиям в области искусственного интеллекта стали проявлять интерес и логики. В том же 1964 г. была опубликована работа ленинградца Сергея Маслова «Обратный метод установления выводимости в классическом исчислении предикатов», в которой впервые предлагался метод автоматического поиска доказательства теорем в исчислении предикатов.

Годом позже в США появляется работа Дж. А. Робинсона (J. A. Robinson), посвященная несколько иному методу автоматического поиска доказательства теорем в исчислении предикатов первого порядка, который был назван методом резолюций и послужил отправной точкой для создания в 1971 г. Пролога (PROLOG) - нового языка программирования со встроенной процедурой логического вывода.

В 1966 году Валентином Турчиным (СССР) был разработан язык рекурсивных функций Рефал, предназначенный для описания языков и разных видов их обработки. Хотя он и был задуман как алгоритмический метаязык, но для пользователя это был, подобно ЛИСПу и Прологу, язык обработки символьной информации.

В конце 1960-х годов появились первые игровые программы, системы для элементарного анализа текста и решения некоторых математических задач (геометрии, интегрального исчисления). В возникавших при этом сложных переборных проблемах количество перебираемых вариантов резко снижалось благодаря применению всевозможных эвристик и «здравого смысла». Такой подход стали называть эвристическим программированием. Дальнейшее развитие эвристического программирования шло по пути усложнения алгоритмов и улучшения эвристик. Однако вскоре стало ясно, что существует некоторый предел, за которым никакое улучшение эвристик и усложнение алгоритма не повысит качества работы системы и, главное, не расширит ее возможностей. Программа, которая играет в шахматы, никогда не будет играть в шашки или карты.

Постепенно исследователи стали понимать, что всем ранее созданным программам недостает самого важного - знаний в соответствующей области. Специалисты, решая задачи, достигают высоких результатов благодаря знаниям и опыту; если программы смогут обращаться к знаниям и применять их, то они тоже будут работать несравненно лучше.

Это понимание, возникшее в начале 70-х годов, по существу, означало качественный скачок в работах по искусственному интеллекту.

Основополагающие соображения на этот счет высказал в 1977 году на 5-й Объединенной конференции по искусственному интеллекту американский ученый Э. Фейгенбаум (E. Feigenbaum).

Уже к середине 70-х годов появляются первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач - экспертные системы. Одной из первых была экспертная система DENDRAL, разработанная в Стэнфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. Система MYCIN предназначена для диагностики и лечения инфекционных заболеваний крови. Система PROSPECTOR прогнозирует места залегания полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты месторождения молибдена, ценность которых превосходит сто миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR, несколько лет назад помогла локализовать источник загрязнения Москвы-реки в районе Серебряного Бора, где были превышены предельно допустимые концентрации загрязняющих веществ. Система CASNET предназначена для диагностики и выбора стратегии лечения глаукомы.

В настоящее время разработка и реализация экспертных систем выделилась в самостоятельную инженерную область. Научные же исследования сосредоточены в ряде направлений, часть которых перечислена ниже.

Представление знаний и моделирование рассуждений

Представление знаний (knowledge representation) - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур ¹. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.

Пространственные логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; с их помощью изучаются также семейства пространственных отношений. В последнее время эта область, из-за тесной связи с прикладными задачами, становится доминирующей в исследованиях по представлению знаний. Например, для задач роботики важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, дабы использовать его, например, для планирования действий робота.

Объектами дескриптивной логики являются так называемые концепты (базовые структуры для описания объектов в экспертных системах) и связанные в единое целое множества концептов (агрегированные объекты). Дескриптивная логика вырабатывает методы работы с такими сложными концептами, технику рассуждений об их свойствах и выводимости на них. Дескриптивная логика может быть использована, кроме того, для построения объяснительной компоненты базы знаний.

Наконец, онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.

Различные способы представления знаний лежат в основе моделирования рассуждений, куда входят: моделирование рассуждений на основе прецедентов (case-based reasoning, CBR), аргументации или ограничений; моделирование рассуждений с неопределенностью, рассуждения о действиях и изменениях, немонотонные модели рассуждений и др. Остановимся на некоторых из них.

CBR

Здесь главные проблемы - поиск алгоритмов адаптации, «фокусировка поиска» на использовании прошлого опыта, вывод, основанный на оценке сходства и технологии визуализации.

Пусть заданы прецеденты как множество пар <СЛУЧАЙ, РЕШЕНИЕ>, множество зависимостей между различными атрибутами СЛУЧАЕВ и РЕШЕНИЙ, а также целевая проблема ЦЕЛЬ. Для возникающего нового случая требуется найти пару <НОВЫЙ СЛУЧАЙ, ИСКОМОЕ РЕШЕНИЕ>, которая решает целевую проблему.

Алгоритмы для таких задач обычно основаны на сравнении прецедентов с новым случаем (в какой-либо метрике) с использованием зависимостей между атрибутами случаев и атрибутами решения. Такие зависимости могут задаваться человеком при построении базы случаев или обнаруживаться в базе случаев автоматически. При поиске решения для целевой проблемы выполняется адаптация уже имеющегося в базе прецедентов решения. Для этой адаптации и используются означенные зависимости.

Важной проблемой CBR является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем. Но как определить, какие именно решения считать сходными? Во врезке слева приведен пример, поясняющий применяемые подходы.

Методы CBR уже применяются во множестве прикладных задач - в медицине, управлении проектами, для анализа и реорганизации среды, разработки товаров массового спроса с учетом предпочтений разных групп потребителей и т. д. Следует ожидать приложений методов CBR к задачам интеллектуального поиска информации, электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах, компоновки, конструирования, синтеза программ.

Немонотонные модели рассуждений

Сюда относятся исследования по автоэпистемическим логикам, логикам Мак-Дермота (D. McDermott), логике умолчаний (default logic), логике «отменяемых» (defeasible) рассуждений, логике программ, теоретико-аргументационой характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием (circumscription) и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, в задачах машинного обучения и ряде других.

Типичная ситуация, в которой говорят о немонотонности, возникает в задачах моделирования рассуждений на основе индукции. Пусть некоторая гипотеза Н возникла на основе N положительных примеров (допустим, экспериментов). Однако никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется N+1-й пример, опровергающий гипотезу (или меняющий степень ее истинности). Если же это происходит, то ревизии должна быть подвергнута не только сама гипотеза Н, но и все ее следствия.

Рассуждения с неопределенностью

Сюда относится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети (bayesian networks) - это статистический метод обнаружения закономерностей в данных. Для этого используется первичная информация, содержащаяся либо в сетевых структурах, либо в базах данных. Под сетевыми структурами в этом случае понимается множество вершин и отношений на них, задаваемое с помощью ребер. Ребра интерпретируются как причинные связи. Всякое множество вершин Z, представляющее все пути между двумя заданными вершинами X и Y, соответствует условной зависимости между ними.

Далее задается распределение вероятностей на множестве переменных, соответствующих вершинам графа, и проводится некая процедура «минимизации» сети, на которой мы останавливаться не будем. Полученная сеть называется байесовской. На таких сетях можно использовать так называемый байесовский вывод, то есть вычислять (с некоторой натяжкой) вероятности следствий событий по формулам теории вероятностей.

Иногда рассматриваются так называемые гибридные байесовские сети, с вершинами которых связаны как дискретные, так и непрерывные переменные. Байесовские сети часто применяются для моделирования технических систем.

1 (обратно к тексту) - Структур человеческого сознания, отражающих представление личности о действительности.

Приобретение знаний, машинное обучение
и автоматическое порождение гипотез

Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики ИИ. Целью этих работ является создание методологий, технологий и программных средств переноса знаний (или, как иногда говорят, компетентности) в базу знаний системы. При этом в качестве источников знаний выступают эксперты (высококвалифицированные специалисты предметных областей), тексты и данные, например хранимые в базах данных. Соответственно различию источников развиваются и различные методы приобретения знаний

Машинному обучению в мире уделяется большое внимание. Существует множество алгоритмов машинного обучения, среди самых распространенных - так называемые алгоритмы класса C4. Пример алгоритма этого класса - алгоритм декомпозиции, который строит дерево решений. Исходной информацией для построения этого дерева является множество примеров. На каждом шаге с каждой вершиной дерева ассоциируется наиболее часто встречающийся класс примеров. На следующем шаге этот принцип рекурсивно применяется к текущей вершине, то есть множество примеров, связанных с текущей вершиной, тоже разбивается на подклассы. Алгоритм завершает работу либо при удовлетворении некоторого критерия, либо при исчерпании подклассов (если они заданы).

Активно исследуются методы обучения причинам действий. Иногда говорят о так называемой теории действий, имея в виду ситуационное исчисление в духе Джона Маккарти. В этой теории причины действий и сами действия описываются в виде клаузальных структур, важным примером которых служит логическое выражение вида: A&B&C&…&D Ю X.

Методы индуктивного логического программирования модифицируются для поиска клаузальных структур. Когда такие структуры найдены, их можно использовать в языках логического программирования для рассуждений о действиях и их причинах.

Многие работы этого направления посвящены нейронной парадигме. Нейросетевой подход используется в огромном количестве задач. Для примера назовем кластеризацию информации из Интернета, автоматическую генерацию локальных каталогов, представление образов (в рекурсивных нейронных сетях).

Среди активно изучаемых в последнее время тем упомянем неоднородные нейронные модели с отношениями сходства (heterogeneous neural networks with similarity relation). Отношение сходства определяется на множестве входов и множестве состояний сети. Мерой сходства является скалярное произведение двух векторов либо евклидово расстояние между ними (первый - вектор входов, второй - распределение весов нейронов, описывающее текущую ситуацию).

Работы по автоматическому порождению гипотез связаны, главным образом, с формализацией правдоподобных рассуждений, поиском зависимостей причинно-следственного типа между некоторыми сущностями. В качестве примеров можно привести порождение гипотез о свойствах химических соединений (прогноз биологических активностей), о возможных причинах дефектов (диагностика) и т. п.

Интеллектуальный анализ данных и обработка образной информации

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т. п.

Значительную часть этого направления составляют исследования различных аспектов распознавания изображений, в частности с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

Многоагентные системы, динамические интеллектуальные системы и планирование

Это новое (впрочем, в теоретических, поведенческих аспектах - скорее хорошо забытое старое) направление, изучающее интеллектуальные программные агенты и их коллективы.

Интеллектуальный агент - это программная система, обладающая

автономностью: агенты действуют без непосредственного участия человека и могут в некоторых пределах сами управлять своими действиями;
социальными чертами: агенты взаимодействуют с другими агентами (и, возможно, человеком) посредством некоторого языка коммуникации;
реактивностью: агенты воспринимают окружающую среду, которая может быть физическим миром, множеством других агентов, сетью Интернет или комбинацией всего этого, и реагируют на ее изменения;
активностью: агенты могут демонстрировать целенаправленное поведение, проявляя при этом инициативу.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Следует подчеркнуть, что агентские технологии появились лишь шесть-семь лет назад, но и за такое короткое время интерес к ним уже переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий быстро мигрировали из ИИ в практику разработки программного обеспечения.

Планирование поведения, или ИИ-планирование, - это способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов такого синтеза ведутся уже около тридцати лет. Планирование является основой интеллектуального управления, то есть автоматического управления автономным целенаправленным поведением программно-технических систем.

Среди методов ИИ-планирования выделяют классическое, то есть планирование в условиях статической среды; динамическое, то есть планирование в условиях изменения среды (с учетом этого изменения); иерархическое, когда действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня, частично упорядоченное (или монотонное), когда план строится на основе частично упорядоченного множества подпланов. При этом общий план (элементами которого являются подпланы) обязан быть монотонным, а каждый из подпланов может быть немонотонным (монотонность предполагает, что каждое действие по плану уменьшает различия между текущим состоянием и целью). Например, план движения робота, при котором каждый шаг приближает его к цели, монотонен. Если робот наткнулся на препятствие и вынужден его обойти, то монотонность плана нарушится. Однако если план обхода препятствия выделить в отдельный подплан и рассматривать оный как элемент исходного плана, то монотонность последнего восстановится.

Активно ведутся работы и в области распознавания планов, построения планировщиков и расширения их возможностей, эвристического планирования с ресурсными ограничениями, управления планированием посредством временной логики, планирования с использованием графов.

Рассматриваются подходы к планированию, при которых построение текущих планов выполняется непрерывно для каждого состояния системы в реальном времени. Для этого предусмотрен непрерывный мониторинг объекта управления.

Задачи планирования относятся к наиболее важным и перспективным направлениям в ИИ.

Динамические интеллектуальные системы - результат интеграции экспертных систем с системами имитационного моделирования. Это двухкомпонентные динамические модели, где один из компонентов - база знаний, а другой компонент имеет континуальный характер. Разрабатываются методы выбора логик для описания временных зависимостей при построении динамических интеллектуальных систем.

Работы в области систем поддержки принятия решений посвящены моделированию сложных технологических и технических систем, поиску решений в условиях чрезвычайных ситуаций, задачам проектирования систем управления техническими объектами, использованию вероятностных подходов и сценариев при принятии решений, ряду других проблем.

Обработка естественного языка, пользовательский интерфейс и модели пользователя

Это направление связано с:

разработкой систем поддержки речевого общения
решением проблем уточнения запроса в информационных системах
задачами сегментации текстов по тематике
задачами управления диалогом
задачами анализа естественного языка с использованием различных эвристик.

Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов и их результатов).

По-прежнему актуальны задачи обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов.

Важнейшей проблемой в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта - участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, «социальный заказ» на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов.

Предметом исследований является также динамическое моделирование пользователя, в частности в системах электронной коммерции, развитие фреймового подхода для представления запросов пользователя, адаптивный интерфейс, мониторинг и анализ покупательского поведения в Интернете.

Нечеткие модели и мягкие вычисления

Это направление представлено нечеткими схемами «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечеткими аналитическими моделями геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.

Разработка инструментальных средств

Это обширная сфера деятельности внутри ИИ, ставящая перед собой задачи:

создания программных средств приобретения знаний для автоматизированного переноса компетентности в базы знаний. При этом в качестве источников такой компетентности могут выступать не только ее «прямые» носители - эксперты различных областей, но и текстовые материалы - от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний). Вербализация, то есть перевод таких источников в эксплицитную форму, составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения на примерах (включая предобработку больших массивов данных для дальнейшего анализа);
реализации программных средств поддержки баз знаний;
реализации программных средств поддержки проектирования интеллектуальных систем. Набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.

Перспективные направления искусственного интеллекта

Сегодня можно выделить ряд направлений в ИИ, которые в обозримом будущем могут привести к качественным изменениям в технике и технологиях. Здесь я намерен изложить свой взгляд на некоторые из них.

Рассуждения, основанные на прецедентах, - один из наиболее перспективных подходов в искусственном интеллекте, внедрение которого приведет к значительному прогрессу в ряде областей, а прорыва в этом направлении следует ожидать в ближайшие три-пять лет.

Рассуждения о пространстве - не новая, но бурно развивающаяся область искусственного интеллекта, имеет все возрастающее прикладное значение в связи с разработкой автономных мобильных устройств, необходимостью анализа изображений (в частности, аэрофотоснимков) и решения задач синтеза текстовых описаний по изображениям.

По-видимому, с помощью методов машинного обучения и автоматического формирования гипотез можно будет решить ряд практических задач - от обнаружения закономерностей в данных до повышения степени адаптивности и «уровня интеллекта» различных технических устройств.

Подходы, основанные на технологии интеллектуальных агентов, надо признать одними из самых перспективных при разработке больших программных продуктов, в том числе средств управления крупными и сложными системами (к таковым относятся телекоммуникационные системы, распределенные производства, системы управления войсками, транспортом, сетями, распределенный поиск информации).

Следует ожидать все большего влияния идей и методов ИИ на машинный анализ текстов (АТ) на естественном языке. Это влияние, скорее всего, коснется семантического анализа и связанных с ним методов синтаксического анализа: в этой области оно проявится в учете модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов на более ранних стадиях (например, при построении деревьев синтаксического разбора).

Второй «канал связи» ИИ и АТ - использование методов машинного обучения в АТ. Третий «канал» - использование рассуждений на основе прецедентов и рассуждений на основе аргументации для решения некоторых задач АТ, например задач уменьшения шума и повышения степени релевантности поиска.

К одному из важнейших и перспективнейших направлений в искусственном интеллекте следует отнести задачи автоматического планирования поведения. Область применения методов автоматического планирования - самые разные устройства с высокой степенью автономности и целенаправленным поведением, от бытовой техники до беспилотных космических кораблей.

Литература

Н.Нильсон. Принципы искусственного интеллекта. М.: Радио и связь, 1985.
Д.А.Поспелов. Ситуационное управление: Теория и практика. М.: Наука, 1986.
О.И.Ларичев, А.И.Мечитов, Е.И.Мошкович, Е.М.Фуремс. Выявление экспертных знаний. М.: Наука, 1989.
Э.В.Попов, И.Б.Фоминых, Е.Б. Кисель, М.Д. Шапот. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996.
Г.С.Осипов. Приобретение знаний интеллектуальными системами. М.: Наука. Физматлит, 1997.
Т.А.Гаврилова, В.Ф.Хорошевский. Базы знаний интеллектуальных систем. С.-П.: Питер, 2000.