Современное состояние и перспективы развития искусственного интеллекта
Жданов В.С.

Рассматривается ряд современных и перспективных направлений фундаментальных и прикладных исследований в области искусственного интеллекта (ИИ). Излагаются подходы к решению проблем ИИ: машинная лингвистика, модели представления знаний, экспертные системы, интеллектуальные обучающие системы.

Научная дисциплина "Искусственный интеллект" объединяет в настоящее время ряд направлений исследований, имеющих важное теоретическое и практическое значение. В основе всех этих исследований лежит идея моделирования процессов человеческого мышления с помощью компьютера. Фундаментальные исследования сосредоточены в основном на разработке проблемы понимания естественного языка (машинная лингвистика), а также на разработке моделей представления знаний. На базе этих исследований в настоящее время активно развиваются программные, программно-аппаратные и чисто аппаратные средства, реализующие идеи теоретиков и обогащающие ученых новыми идеями. Среди этих прикладных разработок в первую очередь следует упомянуть экспертные и интеллектуальные обучающие системы. В данной работе дается обзор современных и перспективных разработок отечественных и зарубежных ученых и практиков в некоторых направлениях ИИ.

Одним из важнейших направлений исследований, проводимых в области ИИ, является проблема моделирования человеческих рассуждений на ЭВМ, т. е. воспроизведение мыслительного процесса на машине. Основная трудность при решении данной проблемы состоит в том, что человеческие рассуждения часто базируются на неполных, недостаточно четко сформулированных и противоречивых знаниях, и при этих условиях люди приходят к правильным выводам. В связи с этим возникают задачи представления в машине подобных знаний и построения процедуры логического вывода, основанного на таких знаниях, причем качество получаемого результата не должно быть ниже, чем у человека — эксперта в данной предметной области [1], Основные части современных систем ИИ - база знаний и механизм (машина) логического вывода.

Теоретической основой для построения баз знаний является теория нечетких множеств. В настоящее время проводятся интенсивные исследования по дальнейшему развитию данной теории и разработке на ее основе как программных, так и аппаратных средств построения систем ИИ. Исследования отечественных ученых посвящены в основном созданию эффективных языковых средств и разработке программных продуктов [2]. Более высокая современная технология, имеющаяся в распоряжении зарубежных ученых, позволяет им сосредоточиться на разработке аппаратуры, в частности СБИС, предназначенных для реализации механизмов логического вывода [З],

База знаний в системе ИИ строится на основе одной из моделей представления знаний, среди которых следует в первую очередь упомянуть сетевые, продукционные и фреймовые модели [ 1 ]. Наибольшее распространение получили базы знаний, построенные на системе продукций (правил). Правило базы знаний обычно описывается как предложение вида if А then В, где А - антецедент, В - заключение правила. Обе указанные части правил содержат лингвистические переменные, т. е. такие, значениями которых являются понятия, характерные для человеческих рассуждений, например, "очень тепло", "старый", "дальний родственник". Разработан математический аппарат для манипулирования подобными понятиями. Современные исследования посвящены поиску эффективных методов построения баз знаний и механизмов вывода.

Механизм вывода — это система манипулирования знаниями, решающая некоторую специфическую задачу вывода. В настоящее время принята следующая классификация механизмов вывода.

1. Синхронный процессор строк, известный как ПРОЛОГ-машина, реализуемая в рамках проекта ЭВМ 5-го поколения совместными усилиями ряда японских фирм.

2. Машины, основанные на методе резолюции - интерактивная машина для доказательства теорем.

3. Машины нечеткого вывода, разрабатываемые фирмой АТ & Т.

4. Машины вывода, использующие принцип парамодуляции, сформулированный и используемый в разработках Университета в Южной Калифорнии.

5. Машины, использующие различные стратегии отсечения.

Важное место в современных и перспективных исследованиях занимает разработка архитектуры систем ИИ на специализированных аппаратных средствах, использующих принципы параллельной организации [4]. На основе анализа возможностей параллельной организации интерпретирующих систем делается вывод, что при распараллеливании существенно снижаются затраты времени на каждом цикле вывода, связанные с выбором из базы знаний тех правил, у которых антецеденты соответствуют накопленным в данный момент в системе фактам. Исследования показывают, что на поиск таких правил затрачивается примерно 90 % всех временных затрат. Исследуется также возможность распараллеливания самой процедуры логического вывода,

Значительные исследования выполняются с целью создания языковых средств поддержки проектов систем ИИ. До настоящего времени наиболее популярными среди разработчиков являются специализированные языки ЛИСП и ПРОЛОГ. Языковые средства нового поколения обеспечивают более эффективные способы вывода на основе использования - более современных моделей представления знаний./Наряду с универсальными языками программирования все большее распространений получают инструментальные программные средства разработчиков систем, обеспечивающие высокую степень автоматизации труда программистов. Среди новых лингвистических средств заслуживают упоминания ПИЛОТ-2 [2],в котором объединены три компоненты:

декларативная, продукционная и технологическая, ФОРЛОГ, предназначенный для решения задач автоматизации производства, а также ряд расширений языка ПРОЛОГ, например, GCLA и Hilog.

Перспективным направлением исследований в области представления знаний также является метод FАВА (Functions And Boolean Arrays), основанный на использовании функций и булевых массивов. Согласно данному подходу, знания рассматриваются как функциональные отображения между входными и выходными переменными, причем функции представляются в виде таблиц фактов (базы) или процедурных модулей.

Следует ожидать значительных достижений в области обучения машины естественному языку, что, как известно, является одной из самых труднорешаемых задач ИИ. В настоящее время работы в данном направлении сосредоточены в основном в рамках проекта машин 5-го поколения, однако наряду с этим имеются сообщения о разработке ряда специализированных языковых процессоров, способных поддерживать диалог с пользователем в определенной предметной области.

Повышение эффективности и быстродействия современных методов логического вывода привело к разработке систем ИИ, работающих в реальном времени [5]. Для подобных систем характерно направление исследований, связанное с "процедурализацией" знаний, т. е. с созданием и реализацией методов вывода, использующих трансляцию правил, представляющих знания, в процедуры на языках программирования.

Как и в начальном процессе исследований в области ИИ, одной из центральных остается задача разработки интеллектуальных обучающих систем (ИОС) как эффективного средства индивидуализации образования [ 6]. Ставится задача обеспечения учащегося такими средствами, которые соответствуют его целям и потребностям в обучении. Считается, что, несмотря на достигнутый в данной области прогресс, современные системы далеко не полностью соответствуют данному требованию.

1. Системы, содержащие модель предметной области, построенные подобно традиционным системам ИИ для данной области. Обучаемый, работая с такой системой, имеет возможность в любой момент задавать ей вопросы типа "почему? и "как?" и получать достаточно подробные ответы. Поскольку в системе представлены знания лучших специалистов в данной предметной области, обучаемый получает возможность работать как бы в постоянном контакте с этими специалистами, усваивая их знания и умения и выбирая наиболее приемлемый для себя темп диалога.

2. Системы, построенные на модели обучаемого, т. е. работающие как опытный преподаватель, имеющий индивидуальный подход к каждому обучаемому в зависимости от его личностных качеств.

3. Системы, основанные на постоянном контроле за ходом усвоения знаний обучаемым и представляющие новый материал после достижения определенной степени понимания материала и умения его применить для решения некоторых учебных задач, например, умения составить программу определенного уровня сложности на заданном языке программирования.

Отметим следующие перспективные направления развития ИОС. Прежде всего, это- исследования в области уточненных и адекватных моделей студента и создание на их основе более эффективных обучающих систем. Использование качественных моделей при моделировании сложных процессов, в частности, при обучении менеджеров. Важным и до конца не использованным представляется использование широких возможностей машинной графики для объяснений. Одно из магистральных направлений в ИИ — приближение диалога между человеком и машиной к уровню естественного языка, очевидно, не в последнюю очередь отвечает целям разработки эффективных ИОС. Существенным теоретическим вопросом является определение степени подробности, до которой моделирование обучаемого возможно и необходимо. Для практических работников образования необходимо создание программных инструментальных средств типа оболочек экспертных систем, применимых во многих областях знаний. Необходимо провести исследования по вопросу определения ряда психологических аспектов машинного обучения, в частности, определение последствий представления обучаемому неточных или неверных сведений при контроле его знаний. Необходимо также уточнить эпистимологические предположения о природе экспертизы и различия между новичком и экспертом в определенной области знаний. Наконец, в ближайшей перспективе должны получить развитие ИОС, предназначенные для использования в неформализуемых областях знания, например истории.

ЛИТЕРАТУРА

1. Представление знаний в человеко-машинных и робототехнических системах / Под ред. ;Д. А. Поспелова. Том А. Фундаментальные исследования в области представления знаний. - М.:ВЦ АН СССР, ВИНИТИ, 1984.

3. Хорощевский В.Ф., Щенников С.Ю. Инструментальная поддержка процессов приобретения заний в системе ПиЭС. - Изв. АН СССР, техническая кибернетика, № 4, 1990, с. 206-215.

3. Takefuji Y., M.-H. Lim.Computation scheme for the general purpose VLSI fuzzy inference engine as expert system. - Knowlidge-Based Systems. 2, N 2, 1989, с. 109—116.

4. Basu Fnupam, Nazak Tapas, Mukherjel Sarit. Inflow - a parallel inference machine architecture for rule-based systems.: Comput. and Artif. Intell.

1990, 9, N 4, с. 357—376.

5. 1988, с. 119—138.

6. (1990) N 1, с. 1-6.

________________________________

В. С. Жданов - д-р техн. наук, профессор;

Ю. М. Носков - канд. техн. наук, доцент

---

&copy Информационное общество, 1991, вып. 3, с. 16-18.