|
|
А.А. Хромин
ЭВОЛЮЦИЯ МОДЕЛИРОВАНИЯ ЗНАНИЙ:
НА ПУТИ К ИНТЕГРАЦИИ
Реферат аспиранта кафедры технологии электронных средств,
микроэлектроники и материалов Хромина А.А.
Ключевые слова: эволюция моделирования
знаний, интегративная модель, имитационная модель, математическая модель,
мультиагентная система, приобретение, представление знаний, продукционная,
логическая модель, фрейм, сеть, отличие знаний от данных, «Государство»
Платона.
Введение
В настоящее время сложно назвать область деятельности человека, в которой
в той или иной степени не использовались бы методы моделирования. Особенно
это относится к сфере управления различными системами, где основными
являются процессы принятия решений на основе получаемой информации.
Метод моделирования широко применяют в таких областях, как автоматизация
проектирования и организации в автоматизированных системах научных исследований,
в системах исследования и проектирования, в системах массового обслуживания,
анализ различных сторон деятельности человека, автоматизированное управление
производственными и другими процессами. Важно подчеркнуть, что моделирование
используется при проектировании, создании, внедрении, эксплуатации систем,
а также на различных уровнях их изучения, начиная от анализа работы
элементов и кончая исследованием системы в целом при их взаимодействии
с окружающей средой.
Но каким образом можно смоделировать знание, и что вообще мы понимаем
под знанием? Можно сказать, что знание - проверенный практикой и удостоверенный
логикой результат познания действительности, отраженный в сознании человека
в виде представлений, понятий, суждений и теорий. Научное знание - система
знаний о законах природы, общества, мышления. Научное знание составляет
основу научной картины мира и отражает законы его развития. Научное
знание является результатом постижения действительности и когнитивной
основой человеческой деятельности, социально обусловлено и обладает
различной степенью достоверности.
Вопросы о знании, возникающие в связи с компьютеризацией, развитием
искусственного интеллекта (ИИ) и созданием систем, основанных на знаниях
– это, конечно же, далеко не первые из вопросов о знании, которыми задавались
люди на протяжении своей истории, и отнюдь не исчерпывающие всего разнообразия
вопросов о знании, занимающих человека сегодня. Многие из современных
эпистемологических проблем, в том числе связанных с компьютеризацией
и искусственным интеллектом, на самом деле имеют древнюю родословную,
восходящую к античной эпистемологии. Вопросы об отличии знания от квазизнания
(т.е. от того, что знанием не является, но может претендовать на его
статус и быть принятым за него), о структуре знания и его видах, о способах
его достижения были поставлены еще Платоном. В его трудах мы находим
и их первое систематическое исследование.
Рассмотрим, как ставится вопрос о знании в диалоге «Государство».
В ходе обсуждения с Сократом и его собеседниками устройства идеального
государства возникает вопрос, как отличить среди людей, имеющих тягу
к познанию и учению, тех, кто любит усматривать истину и познает в подлинном
смысле этого слова (а именно такие люди должны стать правителями в идеальном
государстве), от тех, кто радуется знакомству с чем-либо новым, однако
не может достичь подлинного знания – не может пойти дальше мнения. В
связи с этим ставится задача провести различие между знанием с одной
стороны, и с другой стороны – тем, что знанием не является, однако может
в определенных условиях претендовать на его статус и выдаваться за таковое.
Знание и мнение понимаются как способности, различающиеся по своей
направленности: знание направлено на чистое бытие, а мнение – на область,
промежуточную между бытием и небытием. В данном примере мы сталкиваемся
с таким рассмотрением знания, которое достаточно характерно для философской
классики. Это наличие ситуации, когда возникает задача отличить знание
от того, что иногда может быть принятым за знание, однако на самом деле
таковым не является.
Однако более ранние попытки Платона исследовать феномен знания не становятся
от этого менее интересными. Мы можем увидеть, что в случаях, когда Платон
рассматривал знание, не прибегая к тем примерам, которые используются
в «Государстве», ему удалось выявить такие аспекты и наметить такие
вопросы, разработке которых было посвящено немало усилий в последующие
века и которые оказываются актуальными даже сегодня в связи с возрастающими
масштабами компьютерной переработки информации.
Один из такого рода вопросов – о роли личного опыта в получении знания
и о познавательной ценности и надежности информации, полученной от других
субъектов познания. Эта проблема, лишь намеченная Платоном в «Теэтете»,
становится одной из центральных в средневековой философии (где она обсуждается
как проблема знания, веры и авторитета), а сегодня трансформируется
в проблему доверия к результатам переработки информации человеком и
компьютером.
Наряду с уже упоминавшимися вопросами о знании, древнюю родословную
имеет популярный сегодня вопрос о видах знания. Собеседник Сократа Теэетет
в одноименном диалоге говорит о двух видах знания: к первому относится
геометрия, астрономия, счет и музыка, а ко второму – ремесло сапожника
и другие ремесла, - ведь они есть ни что иное, как знания того, как
изготовлять обувь, утварь или иные предметы. То обстоятельство, что
упомянутые виды знания разводятся в два различных класса, правомерно
растолковать с одной стороны как различение знания-выражения истины
(«know what»), а с другой – знания как умения («know how»). Стоит отметить,
что к «знанию как» Платон относил не только ремесло и искусство как
художественное творчество, но также умение поступать справедливо, быть
добродетельным (этот подход позднее развивался Аристотелем).
Несмотря на все неясности. Связанные с замечаниями Платона о структуре
знания, трудно переоценить важность проблематики, обозначенной здесь
античным философом. Платон не только попытался выявить то, что мы можем
сегодня назвать структурной организацией знания, но и обратил внимание
на практическую ценность структурированности знания. Именно связанность
знаний, утверждает он, дает возможность хранить их и пользоваться ими.
Наряду с экзистенциальными, с не менее давних времен исследуются и
такие разновидности вопросов о знании, которые могут быть названы технологическими.
В общем виде технологический подход в исследовании знания предполагает
попытку ответить на вопрос типа «каким образом следует иметь дело со
знанием, имея в виду достижение определенной цели?». При самом широком
истолковании технологический подход к знанию является неотъемлимым элементом
жизни любого человека. В этом смысле и первобытный человек, использующий
для передачи информации примитивные сигналы и изображения, и наш современник,
выбирающий между почтой, телеграфом и телефоном, могут считаться людьми,
решающими технологические вопросы относительно знания.
До второй половины прошлого столетия экзистенциальный подход в исследовании
знания был преобладающим. Это не означает, что не развивалась сама технология
передачи, получения, обработки и хранения знаний. Достаточно вспомнить
о развитии книгопечатания и других технических устройств для передачи
информации, о методах обучения и педагогических исследованиях, посвященных
технике передачи знаний и воспитания способности к самостоятельному
приобретению и использованию знаний. Что касается технологического подхода
к знанию в компьютерных науках, то здесь необходимо обратить внимание
на различие между действиями, осуществляемыми для получения, передачи,
обработки и хранения информации, и пониманием этих действий именно как
осуществляемых в отношении знаний в качестве некоторого особого феномена,
а также разработку соответствующих технологий в данной сфере. Вообще
говоря, любые компьютеры, даже те, которые называются «большие арифмометры»,
всегда имели дело со знанием, ведь любые данные, закладываемые в ЭВМ,
представляют собой результат чьей-либо познавательной деятельности,
имеющей целью постижение реальности и обеспечение на этой основе адекватного
поведения. С точки зрения самой широкой трактовки знания этого достаточно
для присвоения некоторому результату познавательной деятельности статуса
знания и интеллекта. Между тем в течение довольно длительного времени
само слово «знание» не получало в разнообразных научных направлениях,
связанных с разработкой и применением компьютерных систем, какой-либо
специфической смысловой нагрузки: о компьютерах и интеллектуальных системах
(ИС) говорили обычно как об устройствах, перерабатывающих информацию.
Ситуация изменилась с появлением слова «знание» в составляющих элементах
компьютерных систем: «банки знаний», «базы знаний» и т.п. Понятие знания
потеснило и встало в один ряд с понятием мышления и интеллекта, и стала
иногда охарактеризовываться как «наука о знаниях и о том, как их добывать,
представлять в искусственных системах, перерабатывать внутри системы
и использовать для решения задач».
Знания. Отличие знаний от данных
Информация, с которой имеют дело ЭВМ, разделяется на процедурную и
декларативную. Процедурная информация овеществлена в программах, которые
выполняются в процессе решения задач, декларативная информация - в данных,
с которыми эти программы работают. Стандартной формой представления
информации в ЭВМ является машинное слово, состоящее из определенного
для данного типа ЭВМ числа двоичных разрядов - битов. Машинное слово
для представления данных и машинное слово для представления команд,
образующих программу, могут иметь одинаковое или разное число разрядов.
Параллельно с развитием структуры ЭВМ происходило развитие информационных
структур для представления данных. Появились способы описания данных
в виде векторов и матриц, возникли списочные структуры, иерархические
структуры. В настоящее время в языках программирования высокого уровня
используются абстрактные типы данных, структура которых задается программистом.
Появление баз данных (БД) знаменовало собой еще один шаг на пути организации
работы с декларативной информацией. В базах данных могут одновременно
храниться большие объемы информации, а специальные средства, образующие
систему управления базами данных (СУБД), позволяют эффективно манипулировать
с данными, при необходимости извлекать их из базы данных и записывать
их в нужном порядке в базу.
По мере развития исследований в области интеллектуальных систем возникла
концепция знаний, которые объединили в себе многие черты процедурной
и декларативной информации.
В ЭВМ знания так же, как и данные, отображаются в знаковой форме -
в виде формул, текста, файлов, информационных массивов и т.п. Поэтому
можно сказать, что знания - это особым образом организованные данные.
Но это было бы слишком узкое понимание. А между тем, например, в системах
искусственного интеллекта знания являются основным объектом формирования,
обработки и исследования. Где база знаний, наравне с базой данных, -
необходимая составляющая программного комплекса. Машины, реализующие
алгоритмы искусственного интеллекта, называются машинами, основанными
на знаниях, а подраздел теории искусственного интеллекта, связанный
с построением экспертных систем, - инженерией знаний.
В интеллектуальных системах термин «знание» приобрел специфический
смысл. И под знаниями понимается форма представления информации в ЭВМ,
которой присущи такие особенности, как:
- Внутренняя интерпретируемость (когда каждая информационная единица
должна иметь уникальное имя, по которому система находит ее, а также
отвечает на запросы, в которых это имя упомянуто).
- Структурированность (включенность одних информационных единиц в
состав других).
- Связность (возможность задания временных, каузальных пространственных
или иного рода отношений).
- Семантическая метрика (возможность задания отношений, характеризующих
ситуационную близость).
- Активность (выполнение программ инициируется текущим состоянием
информационной базы).
Именно эти характеристики отличают знания в интеллектуальных системах
от данных - определяют ту грань, за которой данные превращаются в знания,
а базы данных перерастают в базы знаний. Однако, в настоящее время не
существует баз знаний, в которых в полной мере были бы реализованы внутренняя
интерпретируемость, структуризация, связность, введена семантическая
мера и обеспечена активность знаний.
Проблема приобретения и представления знаний
Под приобретением знаний можно понимать передачу потенциального опыта
решения проблемы от некоторого источника знаний и преобразование его
в вид, который позволяет использовать эти знания в программе. Источниками
знаний могут быть книги, архивные документы, содержимое других баз знаний,
т. е. некоторые объективизированные знания, переведенные в форму, которая
делает их доступными для потребителя. Другим типом знаний являются экспертные
знания, которые имеются у специалистов, но не зафиксированы во внешних
по отношению к нему хранилищах. Экспертные знания являются субъективными.
Еще одним видом субъективных знаний являются эмпирические знания. Такие
знания могут добываться интеллектуальной системой путем наблюдения за
окружающей средой (если у ИС есть средства наблюдения).
Ввод в базу знаний объективизированных знаний не представляет особой
проблемы, а вот выявление и ввод субъективных и особенно экспертных
знаний достаточно трудны. Передача знаний выполняется в процессе достаточно
длительных и пространных собеседований между инженером по знаниям и
экспертом в определенной предметной области, способным достаточно четко
сформулировать имеющийся у него опыт.
Возможны три режима взаимодействия инженера по знаниям с экспертом-специалистом:
протокольный анализ, интервью и игровая имитация профессиональной деятельности.
Протокольный анализ заключается в фиксации (например, путем записи на
магнитную ленту "мыслей вслух" эксперта во время решения проблемы
и в последующем анализе полученной информации. В режиме интервью инженер
по знаниям ведет с экспертом активный диалог, направляя его в нужную
сторону. При игровой имитации эксперт помещается в ситуации, похожие
на те в которых протекает его профессиональная деятельность. Наблюдая
за его действиями в различных ситуациях, инженер по знаниям, формирует
свои соображения об экспертных знаниях, которые впоследствии могут быть
уточнены с экспертом в режиме интервью. Принципы игровой имитации нашли
применение в разнообразных деловых играх, специальных тренажерах.
Каждый из упомянутых способов извлечения знаний имеет свои преимущества
и недостатки. Так, при анализе протоколов инженеру по знаниям нелегко
отделить понятия, важные для включения в словарь предметной области,
от тех, которые при "мыслях вслух" появляются случайно. Кроме
того, в протоколах обнаруживаются пробелы, когда рассуждение эксперта
как бы прерывается и продолжается уже на основе пропущенных шагов вывода.
Заполнение подобных лакун возможно лишь в режиме интервью. Таким образом,
во всех трех подходах к извлечению знаний из экспертов необходим этап
интервью, что делает его одним из важнейших методов приобретения знаний.
В рамках направления "Представление знаний" решаются задачи,
связанные с формализацией и представлением знаний в памяти интеллектуальной
системы. Для этого разрабатываются специальные модели представления
знаний и языки для описания знаний, выделяются различные типы знаний.
Изучаются источники, из которых ИС может черпать знания, и создаются
процедуры и приемы, с помощью которых возможно приобретение знаний для
ИС.
Период от середины 60-х до середины 70-х, тот период в истории исследований
искусственного интеллекта, когда время внимание исследователей сосредоточилось
в основном на проблеме машинного "понимания", т.е. способности
воспринимать естественный язык человека, в частности вести осмысленный
диалог. Эти попытки были встречены философами с определенным скепсисом.
Они сомневались в том, что по отношению к компьютерной программе вообще
можно употреблять слово "понимание".
В этот период было предпринято множество исследований, целью которых
было выяснить, каким образом и многообразие сведений об отдельных фактах,
и общие принципы построения окружающего нас мира можно использовать
в компьютерной программе.
Следует отметить, что большинство созданных в этот период программ
носили только исследовательский характер. Лишь немногие работы получили
продолжение и воплотились в нечто, возможное для применения к реальным
задачам.
В 70-х годах исследования в области представления знаний развивались
в направлениях раскрытия принципов работы памяти человека, создания
теорий извлечения сведений из памяти, распознавания и восстановления.
Некоторые из достигнутых в теории результатов привели к созданию компьютерных
программ, которые моделировали различные способы связывания понятий
(концептов). Появились компьютерные приложения, которые могли некоторым
образом отыскивать нужные "элементы" знания на определенном
этапе решения некоторой проблемы. Со временем психологическая достоверность
этих теорий отошла на второй план, а основное место, по крайней мере
с точки зрения проблематики искусственного интеллекта, заняла их способность
служить инструментом для работы с новыми информационными и управляющими
структурами.
В общем, вопрос представления знания был и скорее всего останется вопросом
противоречивым. Философы и психологи зачастую бывают шокированы бесцеремонностью
специалистов по искусственному интеллекту, которые бойко болтают о человеческом
знании на жаргоне, представляющем дикую смесь терминологии, взятой из
логики, логистики, философии, психологии и информатики. С другой стороны,
компьютерный формализм оказался новаторским средством постановки, а
иногда и поиска ответов на трудные вопросы, над которыми столетиями
бились метафизики.
Представление знаний интересует нас как средство отыскания методов
формального описания массивов полезной информации с целью их последующей
обработки с помощью символических вычислений. Формальное описание означает
упорядочение в рамках какого-либо языка, обладающего достаточно четко
формализованным синтаксисом построения выражений и такого же уровня
семантикой, увязывающей смысл выражения с его формой.
И наконец, представление предполагает определенную организованность
знаний. Представление знаний должно позволить извлекать их в нужной
ситуации с помощью относительно несложного и более-менее естественного
механизма. Простого перевода информации (знаний) в форму, пригодную
для хранения на машинных носителях, здесь явно недостаточно. Для того
чтобы можно было достаточно быстро извлекать те элементы знаний, которые
наиболее пригодны в конкретной ситуации, база знаний должна обладать
достаточно развитыми средствами индексирования и контекстной адресации.
Тогда программа, использующая знания, сможет управлять последовательностью
применения определенных "элементов" знания, даже не обладая
точной информацией о том, как они хранятся.
Математические и имитационные модели
Вначале нужно понять, что будет пониматься под моделью. Модель – это
материальный или мысленно представленный объект, который в процессе
познания (изучения) замещает оригинал, сохраняя некоторые важные для
данного исследования типичные свойства. Хорошо построенная модель доступнее
для исследования – нежели реальный объект. Например, недопустимы эксперименты
с экономикой страны в познавательных целях, здесь без модели не обойтись.
Модель сформулированная на языке математики с использованием математических
методов называется математической моделью.
Типичным примером, иллюстрирующим характерные этапы в построении математической
модели, является модель Солнечной системы. Наблюдения звездного неба
начались в глубокой древности. Первичный анализ этих наблюдений позволил
выделить планеты из всего многообразия небесных светил. Таким образом,
первым шагом было выделение объектов изучения. Вторым шагом явилось
определение закономерностей их движений. (Вообще определения объектов
и их взаимосвязей являются исходными положениями - "аксиомами"
- гипотетической модели.) Модели Солнечной системы в процессе своего
развития прошли через ряд последовательных усовершенствований. Первой
была модель Птолемея (2 век н. э.), исходившая из положения, что планеты
и Солнце совершают движения вокруг Земли (геоцентрическая модель), и
описывавшая эти движения с помощью правил (формул), многократно усложнявшихся
по накоплении наблюдений.
Развитие мореплавания поставило перед астрономией новые требования
к точности наблюдений. Н. Коперником в 1543 году была предложена принципиально
новая основа законов движения планет, полагавшая, что планеты вращаются
вокруг Солнца по окружностям (гелиоцентрическая система). Это была качественно
новая (но не математическая) модель Солнечной системы. Однако не существовало
параметров системы (радиусов окружностей и угловых скоростей движения),
приводящих количеств, выводы теории в должное соответствие с наблюдениями,
так что Коперник был вынужден вводить поправки в движения планет по
окружностям (эпициклы).
Следующим шагом в развитии модели Солнечной системы были исследования
И. Кеплера (начало XVII века), который сформулировал законы движения
планет. Положения Коперника и Кеплера давали кинематическое описание
движения каждой планеты обособленно, не затрагивая еще причин, обусловливающих
эти движения.
Принципиально новым шагом были работы И. Ньютона, предложившего во
2-й половине XVII века динамическую модель Солнечной системы, основанную
на законе всемирного тяготения. Динамическая модель согласуется с кинематической
моделью, предложенной Кеплером, так как из динамической системы двух
тел "Солнце - планета" следуют законы Кеплера.
К 40-м годам XIX века выводы динамической модели, объектами которой
были видимые планеты, вошли в противоречие с накопленными к тому времени
наблюдениями. Именно наблюдаемое движение Урана уклонялось от теоретически
вычисляемого движения. У. Леверье в 1846 расширил систему наблюдаемых
планет новой гипотетической планетой, названной им Нептуном, и, пользуясь
новой моделью Солнечной системы, определил массу и закон движения новой
планеты так, что в новой системе противоречие в движении Урана было
снято. Планета Нептун была открыта в месте, указанном Леверье. Аналогичным
методом, используя расхождения в теоретической и наблюдаемой траектории
Нептуна, в 1930 была открыта планета Плутон.
Метод математического моделирования, сводящий исследование явлений
внешнего мира к математическим задачам, можно сказать был первым методом
моделирования. Он позволяет проектировать новые технические средства,
работающие в оптимальных режимах, для решения сложных задач науки и
техники; проектировать новые явления. Математические модели проявили
себя как важное средство управления. Они применяются в самых различных
областях знания, стали необходимым аппаратом в области экономического
планирования и являются важным элементом автоматизированных систем управления.
Каким же образом происходит построение математической модели?
- формулируется цель и предмет исследования;
- выделяются наиболее важные характеристики, соответствующие данной
цели;
- словесно описываются взаимосвязи между элементами модели;
- взаимосвязь формализуется;
- производится расчет по математической модели и анализ полученного
решения.
Используя данный алгоритм можно решить любую оптимизационную задачу,
в том числе и многокритериальную, т.е. ту, в которой преследуется не
одна, а несколько целей, в том числе противоречивых.
Оптимизационные модели, в том числе многокритериальные, имеют общее
свойство – известна цель (или несколько целей), для достижения которой
часто приходится иметь дело со сложными системами, где речь идет не
столько о решении оптимизационных задач, сколько об исследовании и прогнозировании
состояний в зависимости от избираемых стратегий управления. И здесь
мы сталкиваемся с трудностями реализации прежнего плана. Они состоят
в следующем:
- сложная система содержит много связей между элементам;
- реальная система подвергается влиянию случайных факторов, учет их
аналитическим путем невозможен;
- возможность сопоставления оригинала с моделью существует лишь в
начале и после применения математического аппарата, т.к. промежуточные
результаты могут не иметь аналогов в реальной системе.
В связи с перечисленными трудностями, возникающими при изучении сложных
систем, практика потребовала более гибкий метод – имитационное моделирование.
Таким образом, под имитационной моделью будем понимать математическую
компьютерную модель, с введенными в нее динамическими элементами.
Имитационные модели представляют собой класс моделей, реализованных
в виде алгоритмов и программ для ЭВМ и отражающих относительно сложные
зависимости, не поддающиеся аналитическому анализу. Имитационные модели
– это средство машинного эксперимента, который может использоваться
и для практической, и для теоретической целей. Этот способ моделирования
широко применяется для исследования проблем развития городов, регионов,
экологических и других сложных систем.
Инженерия знаний. Модели знаний
Во многих случаях для принятия решений в той или иной области человеческой
деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность
действий, заведомо приводящих к необходимому результату.
При принятии решения в таких случаях необходимо иметь некоторую сумму
знаний о самой этой области. Например, при выборе наилучшего хода в
конкретной шахматной позиции необходимы знания о правилах игры, силе
шахматных фигур, стратегии и тактике и многое другое. Под знаниями понимается
то, что стало известно после изучения. Совокупность знаний, нужных для
принятия решений, принято называть предметной областью или знаниями
о предметной области.
В любой предметной области есть свои понятия и связи между ними, своя
терминология, свои законы, связывающие между собой объекты данных предметной
области, свои процессы и события. Кроме того, каждая предметная область
имеет свои методы решения задач.
Решая задачи такого вида, на ЭВМ используют ИС, ядром которых являются
базы знаний, содержащие основные характеристики предметных областей.
При построении баз знаний традиционные языки, основанные на численном
представлении данных, являются неэффективными. Для этого используются
специальные языки представления знаний, основанные на символьном представлении
данных. Они делятся на типы по формальным моделям представления знаний.
Различные авторы по-разному эти модели классифицируют. Вообще их четыре:
- продукционные модели;
- логические модели;
- сетевые модели;
- фреймовые модели;
Кто-то объединяет продукционные и логические, а кто-то сетевые и фреймовые.
Так же возможны комбинации моделей.
Каждая из этих моделей, будучи инструментом, используемым в технологическом
подходе к знанию, связана с определенными взглядами на структуру знания
как такового.
Логическая модель, использующая язык логики предикатов, предполагает
в общем случае пропозициональный взгляд на знание, когда в качестве
элемента знания рассматривается суждение, и, соответственно, элементарным
знанием может быть названа атомарная формула языка логики предикатов.
Фреймовая модель, напротив, предполагает в качестве основной структурной
единицы понятие или некоторый его аналог. Таким образом, давний философский
спор о характере элементарного знания и о соотношении понятия с суждением,
неожиданным образом преломляется в способах моделирования знания в компьютерной
системе.
Сначала вкратце рассмотрим продукционные и логические модели.
Знания в таких моделях представляются в следующей форме: «Если А, то
В». Вместо А и В могут стоять некоторые утверждения, факты, приказы
и т.д. Например: «Если диагонали четырехугольника пересекаются под прямым
углом, то этот четырехугольник ромб», «Если сделаешь работу то получишь
зарплату» и т.д.
Из примеров видно что правило состоит из двух частей: посылки (условия)
и следствия (заключения). Если А (посылка) имеет место, то В(следствие)
также реализуется или может быть реализовано. Посылка может состоять
и из нескольких частей т.е: «Если А1,А2,..,АN то В».
Запись правила означает, что «Если все посылки от А1 до АN истинны,
то следствие В также истинно». Посылки А1..АN есть простые посылки,
они соединяются с помощью союзов: и/или и могут содержать отрицание
«не». При реализации правил такого вида из одной или нескольких посылок
(знаний) могут быть получены новые знания, поэтому они называются продукционными.
Примером может служить следующее правило:
Если человек Х является сыном человека У, и
человек У является сыном человека Z, и
человек Z является мужчиной,
то человек Х является внуком человека Z.
Далее рассмотрим сетевые модели.
В основе сетевых моделей представления знаний лежит идея о том, что
любые знания можно представить в виде совокупности объектов (понятий)
и связей (отношений) между ними. В отличие от продукционных эти модели
более наглядны, поскольку любой пример можно представить в виде ориентированного
(направленного) графа.
В основе моделей этого типа лежит конструкция, названная семантической
сетью. Сетевые модели формально можно задать в виде Н=[I,C1,C2,..,CN,G].
Здесь I множество информационных единиц; С1,..,СN – множество типов
связей между информационными единицами. Отображение G задает между информационными
единицами, входящими в I связи из заданного набора типов связей.
Понятия, входящие в сеть, описываются в виде фреймов. А что такое фрейм?
Фрейм – это минимально возможное описание сущности какого-либо события,
ситуации, процесса или объекта. Существует и другое понимание фрейма
– это ассоциативный список атрибутов. Понятие «минимально возможное»
означает, что при дальнейшем упрощении описания теряется его полнота,
и оно перестает определять ту единицу знаний, для которой было предназначено.
Представление знаний с помощью фреймов понимается как один из способов
представления знаний о ситуациях. Фрейм имеет имя (название) и состоит
из слотов. Слоты – это незаполненные (нулевые) позиции фрейма. Если
у фрейма все слоты заполнены – это описание конкретной ситуации. В переводе
с английского слово «фрейм» означает «рамка», а слово «слот» – «щель».
В отличие от моделей других типов во фреймовых моделях фиксируется жесткая
структура информационных единиц, которая называется протофреймом. В
общем виде структура информационных единиц выглядит следующим образом:
(Имя фрейма:
имя слота1 (значение слота 1);
имя слота 2 (значение слота 2);
. . . . . . . . . . . . . . . . . . . . . . . . . .
имя слота К (значение слота К))
Значением слота может быть практически что угодно (числа, математические
соотношения, тексты на естественном языке или на языке программ, ссылки
на другие слоты данного фрейма). Значением слота может выступать и отдельный
фрейм, что является очень удобным для упорядочивания знаний по степени
общности. Исключение из фрейма любого слота делает его неполным, а иногда
и бессмысленным.
В своей повседневной жизни человек все время сталкивается с задачами
легкими для него, но с трудом решаемыми машинами. Тяжело создать программу,
которая предусматривала бы все. Поэтому в условиях недостаточности или
сложности информации человек практически незаменим. Преодолеть же пропасть
между машиной и человеком, понять, как он принимает решения, пытается
наука, называемая эвристикой.
Эвристические приемы послужили основой для создания эвристически –
интуитивно - ассоциативных методов активизации творческого мышления.
Такие методы можно рассматривать как общие предписания по выполнению
тех или иных эвристических приемов, а с точки зрения их использования
для развития задатков и способностей творческой личности - как готовые
упражнения для тренировок.
И действительно, в отличие от привычных нам строгих методов нахождения
решения, эвристические работают в условиях полного отсутствия соответствующего
алгоритма и сведений о существовании решения и его единственности. Хорошие
эвристические программы способны проводить дополнительный сбор информации
во время работы, а также возможность самообучения. Созданием таких программ
занимается эвристическое программирование. Оно основано, главным образом,
на двух моментах: на воссоздании некоторых интеллектуальных человеческих
действий и анализе специфических свойств и особенностей решаемой проблемы.
Эвристическая программа - это программа для ЭВМ, использующая эвристику
(правила, стратегии, методы или приемы, повышающие эффективность системы,
которая пытается найти решения сложных задач).
Интегративные модели
Одним из важнейших направлений инженерии знаний является разработка
интегративных моделей, в частности, четырехуровневых интегративных моделей,
которые являются наиболее полными моделями предметной области знаний.
В интегративных моделях используются различные способы представлений
знаний, откуда и происходит их название. Так, при представлении знаний
о классе технических объектов приходится представлять различные виды
знаний: функциональные (математические и имитационные модели), структурные
(модели морфологического множества), эвристики проектирования (синтеза)
объектов, задания на синтез и т.д.
Интегративная модель – это наиболее полная системологическая модель
класса объектов, содержащая знания как об анализе, так и о синтезе объектов,
принадлежащих рассматриваемым классам.
4-уровневая интегративная модель, содержит различные виды знаний, относящиеся
к структурно-параметрическому синтезу объектов, и является частным случаем
интегративных моделей. Особенностью таких моделей является распределение
различных видов знаний по уровням (слоям). Рассмотрим четыре уровня
(слоя), о которых идет речь. Первый уровень (модель M1) – уровень идентификации,
примерно соответствует морфологическим И/ИЛИ-деревьям и таблицам. Такая
модель содержит все идентификаторы структурных решений (например, деревья
решений, в случае морфологических деревьев). Второй уровень (модель
M2) - уровень спецификации и представляет собой модель M1, дополненную
средствами восстановления структур (спецификации) объекта по ее идентификатору.
M2 содержит полную информацию обо всех структурных решениях рассматриваемого
класса объектов и потому является полной моделью морфологического множества.
Третий уровень (модель М3) модель уровня симуляции представляет собой
модель M2, дополненную системой компьютерного моделирования. Модель
M3 является обобщенной моделью класса объектов и потому представляет
собой универсальную модель. Четвертый уровень – уровень интеграции,
представляет собой универсальную модель M3, дополненную знаниями о синтезе
объектов (формализованное задание на синтез, эвристики синтеза и т.д.).
Предложенные 4 класса моделей: М1 – М4 представляют собой иерархическую
систем. Особенностью такой системы является то, что модели верхних уровней
иерархии включают в себя модели нижних уровней и представляют разные
виды знаний, для формализации которых требуются различные способы представления.
Эти знания можно заключить в отдельные модули, что ведет к разделению
знаний по слоям и является положительным с точки зрения современных
методологий инженерии знаний.
4-уровневая интегративная модель может быть положена в архитектуру
агента интеллектуальных систем автоматизированного проектирования (САПР),
ориентированных на структурно-параметрический синтез сложных объектов.
Такой агент будет содержать всесторонние знания об объектах рассматриваемого
класса. Сама же САПР должна строиться на основе мультиагентных технологий.
Распределенные модели знаний
Почему же люди пришли к концепции мультиагентных систем (МАС)? Если
далее рассматривать структурно параметрический синтез, то именно его
автоматизация является одной из ключевых проблем при создании перспективных
систем поддержки принятия проектных решений. Однако ее решение наталкивается
на ряд трудностей, часть из которых состоит в необходимости привлечения
знаний из различных областей. Поэтому система автоматизированного структурно-параметрического
синтеза должна быть построена по распределенной технологии. Ключевая
идея, положенная в основание данной модели, состоит в следующем. В реальном
мире в проектировании сложных систем участвует множество специалистов
из разных областей знаний. Эти специалисты объединяются в лаборатории,
а те, в свою очередь, могут объединяться в институты. При создании системы
структурно-параметрического синтеза следует придерживаться такой же
схемы, когда каждый агент распределенной мультиагентной модели интегрирует
различные виды знаний о классе объектов, который он представляет. Тогда
мультиагентная система в целом, может представлять практически неограниченное
число областей знаний, что было бы невозможно, оставаясь в рамках традиционных
(не мультиагентных) технологий инженерии знаний.
И именно мультиагентные системы концентрируют все необходимые свойства
с наибольшей выразительностью и полнотой. Результаты от внедрения агентных
технологий подтвердили предсказанную перспективность этому направлению.
Технология и теория агентов продолжают развиваться в рамках исследовательских
и коммерческих проектов. Особое внимание уделяется интеграции методов
искусственного интеллекта, которые до настоящего времени находили применение
преимущественно в исследовательских работах, в реальные коммерческие
приложения.
Концепция агентов, разработанная в рамках мультиагентных технологий
и мультиагентных систем, предполагает наличие активности, то есть способности
программы самостоятельно реагировать на внешние события и выбирать соответствующие
действия. Сегодня агентные технологии предлагают различные типы агентов,
модели их поведения и свойства, семейство архитектур и библиотеки компонентов,
ориентированные на современные требования, такие, например, как распределенность
и автономность.
Так что же понимается под агентом? Практически во всех работах, где
дается определение, что такое агент и каковы его базисные свойства,
общим местом стало замечание об отсутствии единого мнения по этому поводу.
Фактически, используя понятие "агент", каждый автор определяет
своего агента с конкретным набором свойств. Понятие агента используется
в разных областях, например, на производстве агентом может называться
робот, а в области телекоммуникаций - программа и т. п. Как следствие,
в зависимости от среды обитания агенты обладают разными свойствами.
Поэтому в процессе разработки и реализации систем в рамках данного направления
появилось множество типов агентов, например: автономные агенты, мобильные
агенты, персональные ассистенты, интеллектуальные агенты, социальные
агенты и т.д.
Таким образом, вместо единственного определения базового агента имеется
множество определений производных типов. Учитывая вышесказанное, понятие
агента целесообразно трактовать как мета-имя или класс, который включает
множество подклассов. Но остановится на следующей концепции: агент -
это аппаратная или программная сущность, способная действовать в интересах
достижения целей, поставленных пользователем. Агенты описываются так
же рядом свойств, которые характеризуют понятие агента. Обычно агент
обладает набором из следующих свойств:
- адаптивность: агент обладает способностью обучаться;
- автономномть: агент работает как самостоятельная программа, ставя
себе цели и выполняя действия для достижения этих целей;
- коллаборативность: агент может взаимодействовать с другими агентами
несколькими способами, например, играя роль поставщика/потребителя
информации или одновременно обе эти роли;
- способность к рассуждениям: агенты могут обладать частичными знаниями
или механизмами вывода, например, знаниями, как приводить данные из
различных источников к одному виду. Агенты могут специализироваться
на конкретной предметной области;
- коммуникативность: агенты могут общаються с другими агентами;
- мобильность: способность к передачи кода агента с одного сервера
на другой.
Таким образом, под мультиагентной системой понимается система состоящая
из множества автономных модулей – агентов.
Одним из факторов интереса к мультиагентным системам стало развитие
сети Интернет, которая является подходящей средой исполнения для распределенных
автономных программной систем. Для успешного функционирования в такой
среде агенты должны быть способны решить две основные задачи: агенты
должны уметь находить друг друга и уметь взаимодействовать.
Так же принято выделять три основные класса архитектур: делиберативную,
реактивную и гибридную. Под делиберативной понимается архитектура, где
агент использует только точное представление картины мира в символьной
форме, а решения (например, о действиях) принимаются на основе формальных
рассуждений и использования методов сравнения по образцу. Принципы реактивной
архитектуры возникли как альтернативный подход к делиберативной архитектуре.
Была выдвинута идея, что интеллектуальное поведение может быть реализовано
без символьного представления принятого в классическом ИИ. Реактивные
агенты не имеют какой-либо символьной внутренней модели мира. Реактивные
агенты работают по правилам типа ситуация-действие, выбирая из них наиболее
подходящие действия к конкретной ситуации. При этом под ситуацией понимается
потенциально сложная комбинация внутренних и внешних состояний. Многие
исследователи считают, что ни классический, ни другие подходы не дают
оптимального результата при разработке агентов и МАС. Попытки соединить
классический делиберативный и реактивный подходы привели к появления
разнообразных гибридных архитектур.
Организация МАС по принципу делиберативной архитектуры имеет преимущество
с точки зрения удобства символьного представления знаний. Но в то же
время создание точной и полной модели представления мира, процессов
и механизмов рассуждения в нем представляют здесь определенные трудности.
Реактивный подход позволяет наилучшим образом использовать множество
образцов поведения для реакции агента на определенные стимулы для конкретной
предметной области. Применение этого подхода ограничивается необходимостью
полного ситуационного определения всех возможных активностей агентов.
Реактивные агенты довольны просты и они взаимодействуют с другими агентами
несложным образом.
Недостатком гибридной архитектуры является непринципиальное проектирование
со всеми вытекающими отсюда проблемами.
Многие гибридные архитектуры слишком специфичны для приложений, под
которые они разрабатывались. Несмотря на указанные недостатки, гибридные
архитектуры позволяют гибко комбинировать возможности делиберативного
и реактивного подходов и являются наиболее перспективными.
Рассмотренные агенты могут быть размещены как на одном компьютере,
так и на разных серверах, объединенных посредством Internet/Intranet.
Для взаимодействия агентов необходимо выработать единый язык. Это дает
возможность создание агентов независимыми производителями, которые специализируются
на разработке тех или иных классов устройств и систем.
Заключение
Целью работы было показать эволюцию представления знаний от математических
и имитационных моделей, представляющих функциональные знания об отдельно
взятых объектах, к распределенным моделям, содержащим всесторонние знания
о классах объектов.
И действительно, традиционные математические модели меньше всего подходят
для компьютерной поддержки, так как ориентированы на моделирование одного
конкретно взятого объекта, структуру которого не предполагается часто
изменять в рамках одного сеанса. При необходимости проанализировать
объект, имеющий другое структурное решение, создается новая математическая
модель, на что могут потребоваться значительные временные затраты.
Аналогичный недостаток имеют и системы компьютерного моделирования,
в которых пользователю каждый раз приходится задавать заново структуру
исследуемого объекта. Ситуация несколько улучшилась с появлением всевозможных
«мастеров» и параметризованных моделей, которые представляют собой модели
целых классов устройств, а не конкретно взятых объектов. Но широкое
внедрение таких моделей сдерживается тем, что в каждом пакете имеются
свои собственные, причем, не всегда удобные средства их создания. Так
«мастера» обычно создаются на специальных сценарных языках, требующих
от пользователя высокой квалификации, или путем создания серверов автоматизации
с использование интерфейса прикладного программирования, уникального
для каждой компьютерной системы.
Однако, мультиагентная модель распределенной системы образует единое
информационное пространство для исследования и проектирования различных
систем. Агенты имеют слабую связанность, в виду чего система может легко
расширяться за счет добавления новых агентов. Такая мультиагентная модель
может быть положена в основу архитектуры перспективных САПР, ориентированных
на автоматизированный и автоматический структурно-параметрический синтез.
Агенты могут размещаться не только на отдельных персональных компьютерах
или рабочих станциях, но так же и на серверах, подключенных к Internet/Intranet,
что обеспечит поддержку работы групп разработчиков, находящихся в различных
частях света.
Распределенные модели знаний - это путь создания глобальных когнитивных
моделей.
Литература
- Алексеева И. Ю. Человеческое знание и его компьютерный образ. Москва,
«Наука», 1992 г.
- Джексон П. Введение в экспертные системы, 3-е издание, Москва, «Вильямс»,
2001 г.
- Морозов М. Н., Курс лекций по дисциплине "Системы искусственного
интеллекта", Марийский государственный технический университет,
г. Йошкар-Ола, http://www.marstu.mari.ru:8101/mmlab/home/AI/index.html
- Большая советская энциклопедия
- Бурмистрова Н. А., Математическое моделирование и всеобщая компьютеризация
или имитационные модели. Конференция «Информационные технологии в
образовании, ИТО-98/99»
- Джордж Ф. Люггер, Искусственный интеллект. Стратегии и методы решения
сложных проблем. Москва, «Вильямс», 2003 г.
- Гаврилец Ю.Н., Миркин Б.Г., Моделирование математическое / Федеральный
образовательный портал Экономика. Социология. Менеджмент, http://ecsocman.edu.ru/db/msg/54341.html
- Акимов С.В. Четырехуровневая интегративная модель для автоматизации
структурно-параметрического синтеза / Труды учебных заведений связи,
СПбГУТ. СПб, 2004 г., № 171, с. 165-173.
- Акимов С.В. Введение в морфологические методы исследования и моделирование
знаний предметной области. Сайт проекта Структуралист: http://www.structuralist.narod.ru/articles/morphmethod/morphmethod.htm
- Акимов С.В. Модель морфологического множества уровня идентификации
/ Труды учебных заведений связи, СПбГУТ, СПб, 2005 г., № 172, с. 120-135.
- Майкевич Н. Мультиагентные поисковые системы / Группа искусственного
интеллекта, МАИ, Москва, http://www.mailabs.ru/ai/nut
- Акимов С.В., Мультиагентная модель автоматизации структурно-параметрического
синтеза / Системы управления и информационные технологии, 2005 г.,
№ 3 (20), с. 45-48.
|
|
