Системы искусственного интеллекта: модели и технологии, основанные на знаниях

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Максимов В. Ю., Клышинский Э. С., Антонов Н. В.

тов. При достижении частичного соответствия СИИ вносила в генетическую сеть случайные изменения и возобновляла процесс оптимизации. В результате множества итераций была получена сеть генетических связей, полностью соответствующая результатам практических исследований.

В статьях Холланда [12, 13] излагаются требования к созданию антропомиметиче-ских роботов, не только повторяющих человеческую форму, но также имитирующих биологические структуры и функции, которые позволяют роботу подробно копировать движения человека на уровне управления конкретными мышцами. В статье дается описание устройства такого робота и его функционирование на начальных стадиях. Сочетание реалистично выполненного скелета, упругих связок, имитирующих мышцы, и ко-

Машинная интерпретация естественного языка наталкивается на серьезную проблему: естественный язык метафоричен. Метафора лежит в самой основе языка, и в силу своей изначальности плохо поддается объяснению. «Тайна метафоры привлекала к себе крупнейших мыслителей — от Аристотеля до Руссо и Гегеля и далее до Э. Кассирера, X. Ортеги-и-Гассета и многих других. О метафоре написано множество работ. О ней высказывались

Еще один подход к изучению возможностей понимания в системе «человек-робот» осуществлен проф. Оуэном Холландом (Owen Holland), создавшим первый в мире антропомиметический робот (робот, разработанный, чтобы подражать человеческому движению). О.Холланд убежден, что исследовать возникновение естественного языка у людей невозможно без привязки языка к телу. С построением антропомиметических роботов стали возможны качественно новые эксперименты в эволюционной лингвистике и выявлении свойств искусственного интеллекта, которые могут быть в каком-то смысле приравнены к когнитивным способностям человека. В частности, в искусственный интеллект робота анализирует не только жесты человека, но и человеческую мимику.

нейронной сети (Recurrent Neural Network, RNN) и свёрточной нейронной сети Convolu-tional Neural Network, CNN) с 32000 выходами на протяжении 2000 часов аудио, а также сетей maxout с исключением разрядов метод имитации отжига (annealed dropout); Достижение повышения точности ожидалось обучением сетей maxout и свёрточных нейронных сетей большего объема. Сети maxout рассматриваются в работе [58].

Based Grammar). В отличие от традиционной порождающей грамматики Хомского, в ней невозможны предложения, невыполнимые с точки зрения смысла, такие как «мысль ест насекомое». Более подробно эта тема разработана в работах Л. Стилса, посвященных Fluid Construction Grammar (FCG) [8]. FCG была разработана для экспериментов по взаимодействию «человек — робот» и «робот-робот». В требованиях грамматики учитываются не только лексические и синтаксические проблемы, но также семантика и «функциональность» (т.е. возможность практического применения) [9]. В системе «робот-робот» грамматика строится автоматами на структурах со спаренными свойствами. В числе параметров — тип, имя и вес. Грамматика возникает эволюционным путем в системе взаимодействующих агентов в результате взаимодействия этих агентов, причем правила используются в обе стороны: как для синтаксического разбора, так и для построения сообщения.

Предисловие
Список принятых сокращений
Введение
Глава 1. Основные понятия ИИ
1.1. Классификация задач, решаемых человеком
1.2. Основные понятия и определения
1.3. Знание как система
1.4. Свойства знаний
1.5. Знание как знаковая система
1.6. Модель предметной области как знаковая система
1.7. Процедура решения задачи
1.8. Примеры решения задач
Вопросы для самопроверки
Глава 2. Методы поиска решений в пространстве состояний
2.1. Пространство состояний
2.2. Метод полного перебора в ширину
2.3. Метод полного перебора в глубину
2.4. Эвристические методы поиска в пространстве состояний
Вопросы для самопроверки
Глава 3. Решение задач методом разбиения на подзадачи
3.1. Представление задачи в виде И/ИЛИ графа
3.2. Механизм сведения задачи к подзадачам
3.3. Пример решения задачи
3.4. Достоинства и недостатки методов поиска в пространстве состояний
Вопросы для самопроверки и упражнения
Глава 4. Модели представления знаний
4.1. Классификация моделей представления знаний
4.2. Формальные модели представления знаний
Вопросы для самопроверки и упражнения
Глава 5. Модель представления знаний в исчислении высказываний
5.1. Понятие «высказывание»
5.2. Алфавит ИВ
5.3. Синтаксис ИВ
5.4. Аксиомы ИВ
5.5. Правила вывода
5.6. Логический вывод в ИВ
5.7. Свойства ИВ как аксиоматической системы
5.8. Алгоритмическая проблема разрешения в ИВ
5.9. Теорема дедукции
5.10. Принцип дедукции
5.11. Принцип резолюций
5.12. Свойства метода резолюций
5.13. Пример построения модели предметной области в ИВ
Упражнения
Глава 6. Исчисление предикатов как метод представления знаний
6.1. Понятие предиката
6.2. Алфавит ИП
6.3. Синтаксис ИП
6.4. Базовые аксиомы ИП
6.5. Правила вывода в ИП
6.6. Примеры предикатов
6.7. Преобразование формул в ИП
6.8. Стандартизация переменных
6.9. Исключение квантора существования
6.10. Предваренная форма
6.11. Исключение кванторов общности
6.12. Приведение матрицы к КНФ
6.13. Подстановки и унификация
6.14. Логический вывод в ИП
6.15. Примеры применения метода резолюций в ИП
6.16. Стратегии резолюции
6.17. Дерево опровержения
6.18. Пример построения модели предметной области в ИП
Упражнения
Глава 7. Продукционная модель представления знаний
7.1. Форма представления знаний
7.2. Продукционная модель знаний
7.3. Механизм вывода в продукционной системе знаний
7.4. Стратегии управления выводом решения
7.5. Взаимодействие правил в процессе рассуждений
7.6. Эвристические принципы управления правилами
7.7. Достоинства и недостатки продукционной модели
7.8. Пример работы механизма продукционной модели
Вопросы для самопроверки и упражнения
Глава 8. Представление знаний в виде семантической сети
8.1. Общие понятия и определения
8.2. Роль отношений в СС
8.3. Свойства отношений
8.4. Предикатные семантические сети
8.5. Атрибутивные семантические сети
8.6. Вывод на семантических сетях
8.7. Исторические примеры СС
8.8. Методика построения предикатной СС
8.9. Достоинства и недостатки семантических сетей
Вопросы для самопроверки и упражнения
Глава 9. Представление знаний в виде фреймов
9.1. Фрейм, его структура и свойства
9.2. Вывод на фреймах
9.3. Методика построения модели предметной области в виде сети фреймов
9.4. Достоинства и недостатки фреймового представления
9.5. Гибридные модели представления знаний
Вопросы для самопроверки и упражнения
Глава 10. Представление нечетких знаний
10.1. Общие понятия
10.2. Нечеткие множества
10.3. Операции над нечеткими множествами
10.4. Отношения и операции над ними
10.5. Нечеткие отношения
10.6. Лингвистическая переменная
10.7. Нечеткий вывод
10.8. Нечеткая импликация
Вопросы для самопроверки и упражнения
Глава 11. Псевдофизическая логика времени
11.1. Свойства времени
11.2. Модель времени
11.3. Пример реализации ПЛВ
Вопросы для самопроверки и упражнения
Глава 12. Неточные рассуждения на основе фактора уверенности
12.1. Стэндфордская модель фактора уверенности
12.2. Байесовская модель субъективной вероятности
12.3. Байесовская сеть представления и вывода вероятностных знаний
Вопросы для самопроверки и упражнения
Глава 13. Экспертные системы
13.1. Архитектура
13.2. Эволюция ЭС
13.3. Стадии разработки ЭС
13.4. Фазы разработки ЭС
Вопросы для самопроверки
Глава 14. Нечёткие экспертные системы
14.1. Архитектура нечетких систем
14.2. Пример работы нечеткой ЭС
14.3. Пакеты нечеткой логики
Вопросы для самопроверки
Глава 15. Инженерия знаний в интеллектуальных системах
15.1. Методы инженерии знаний
15.2. Проблемы структурирования знаний
15.3. Проблема сборки знаний в единую модель предметной области
Вопросы для самопроверки и упражнения
Глава 16. Методологические и теоретические основы ситуационного анализа и проектирования модели предметной области
16.1. Базовые идеи
16.2. Ситуационная абстракция и ее свойства
16.3. Семиотический подход к описанию объектов управления и моделирования
16.4. Метод ситуационного управления
16.5. Методология концептуального анализа и проектирования
Вопросы для самопроверки
Глава 17. Метод ситуационного анализа и проектирования модели предметной области
17.1. Концептуальная структура единичного решения
17.2. Концептуальная модель предметной области
17.3. Концептуальная модель предметной области
17.4. Особенности элементов знания КМПрО
17.5. Схема технологии проектирования КМПрО
17.6. Система приобретения знаний «Помощник Эксперта»
17.7. Инструментальная система «Малый Решатель Проблем»
Вопросы для самопроверки и упражнения
Глава 18. Онтологии и онтологические системы
18.1. Понятие онтологии
18.2. Формальная модель онтологии
18.3. Формальная модель онтологической системы
18.4. Технология проектирования онтологий
18.5. Виды онтологий
18.6. Операции над онтологиями
18.7. Основные задачи, решаемые с помощью онтологии
18.8. Инструменты инженерии онтологий
18.9. Методология инженерии знаний в онтологических системах
18.10. Проектирование онтологий в среде Protege
Вопросы для самопроверки и упражнения
Глава 19. Введение в многоагентные системы
19.1. Понятие агента
19.2. Окружение агентов
19.3. Архитектуры агентов
19.4. Языки программирования агентов
19.5. Многоагентные системы
19.6. Коммуникации между агентами
19.7. Архитектура многоагентных систем
19.8. Проблемы построения многоагентных систем
19.9. Пример разработки МАС
19.10. Советы
Вопросы для самопроверки
Глава 20. Системы когнитивного моделирования
20.1. Сущность когнитивного моделирования
20.2. Когнитивная модель: определение и структура
20.3. Пример системы когнитивного моделирования
20.4. Программная реализация когнитивной модели
20.5. Применение когнитивных технологий
Глава 21. Машинное обучение и интеллектуальный анализ данных
21.1. Проблемы обучения КС
21.2. Обучение с учителем и без учителя
21.3. Типы закономерностей
21.4. Типы моделей обучения
21.5. Методы извлечения знаний из данных
21.6. Интеллектуальный анализ данных — Data Mining
21.7. Правдоподобные рассуждения
21.8. Метод ДСМ
Вопросы для самопроверки и упражнения
Литература
Приложения
Приложение А
Приложение B
Приложение C
Приложение D
Приложение Е

спектр, скорость произнесения слов передают их эмоциональное состояние, которое распознается человеком без усилий. Звук речи несет в себе огромное количество информации, которую искусственный интеллект должен научиться распознавать. Без учета эмоций понимание речи не может быть полным, к тому же эмоции часто кодируют вполне конкретную информацию, которая может передаваться порой вообще без семантически значимых конструкций.

Аннотация научной статьи по компьютерным и информационным наукам, автор научной работы — Максимов В. Ю., Клышинский Э. С., Антонов Н. В.

Reasoning about Actions — обоснование действий и процессов. Это направление имеет уже богатую историю в разработке методов искусственного интеллекта. Ситуационное исчисление (situation calculus) было введено Джоном Маккарти в 1963 как способ логичного определения динамических систем. В 1998 году Alessandro Artale и Enrico Franconi предложили темпоральную дескрипционную (описательную) логику для обоснования действий и планирования [51]. Ими был введен класс темпоральных языков, основанных на интервалах времени, для формирования рассуждений по поводу действий и планирования. Действия были представлены с помощью описания, что именно является истинным в то время, когда возникают сами эти действия. Планы создавались временными действиями, привязанными к конкретному временному отрезку, а также к состоянию мира. Темпоральные языки были разработаны в рамках семьи дескрипционных логик. Дальнейшее развитие направления изложено в работе [52].

Поиск различий устройства человеческого разума и машины продолжается. Можно разглядеть в проблемах привлечения искусственного интеллекта к творчеству все ту же проблему метафоры. В метафоре всегда присутствует сравнение. Уэйтли пишет: «Сравнение можно рассматривать как отличное от Метафоры только по форме: в случае Сравнения сходство утверждается, а в случае Метафоры — подразумевается» [39]. Машину можно научить находить общее, а значит, она может предлагать для сравнения какие-то варианты точно так же, как она предлагает распознанные формы деревьев или животных в экспериментах Google, или варианты изменения музыкальной темы. Отличие человека проявляется там, где начинается «подразумевание».

Холланд отмечает, что для большинства человекоподобных роботов их человекопо-добность весьма условна. Для роботов, которые призваны помогать в понимании образа мыслей человека и его действий, требуется несравненно большая степень взаимопроникновения (inspiration) и подобия. Его робот, также как и «Мюон» Стилса, ориентирован на распознавание и подражание движениям, но если роботы Стилса анализировали свое собственное отражение в зеркале или движения другого робота, имеющего аналогичную наружность, то интеллект антропомиметиче-ского робота настроен на распознавание движений человека и выявление аналогий между движениями человека и управлением собственным «телом». В частности, рука робота имеет кисть, которая позволяет воспроизвести ответное пожатие руки. Усилия «мышц» откалиброваны в соответствии с человеческими, и искусственный интеллект робота уже обучен осуществлять ответное рукопожатие.

Те же соображения относятся и к художественному творчеству. Творчество также можно имитировать, внося элемент случайности в создание форм, и картина будет восприниматься как художественная не потому, что она является продуктом творчества, а потому что ее оценивает творческая личность. Картины, полученные в экспериментах с обработкой изображений с помощью нейронных сетей и обнародованные Google летом 1915 года [34], вполне могут претендовать на роль произведений искусства.

Появились альтернативные подходы к планированию, которые, в частности, получили распространение под именем неклассических систем автоматического планирования (non-classical automated planning). В классической ветви исследований по ситуационному исчислению в последнее время интерес смещается от формирования рассуждений в отношении какого-то одного действия к формирования рассуждений в отношении процессов и программ высокого уровня.

Авторы предлагают реализацию такого гибкого представления знаний, которое удовлетворяет условиям семантической неопределенности. Решение получило название «Основные тезисы» («Talking Points»). В статье показывается, как «основные тезисы» могут добываться из WordNet и из интернета. Авторы показывают, что «основные тезисы» могут объединяться гибкой связью для формирования динамической семантической сети — slipnet.

Стремительное развитие искусственного интеллекта в последние годы заставило по-новому взглянуть на проблемы обработки естественного языка, и особенно — на проблему понимания. В статье дается обзор широкого круга проблем, связанных с пониманием в контексте использования систем искусственного интеллекта. Показано, что искусственному интеллекту стали открываться такие области, которые ранее традиционно исключали всякое вмешательство машины. Раскрытие проблемы понимания на сегодняшний день представляется ключевым для дальнейшего расширения области использования искусственного интеллекта, а также для разграничения двух типов искусственного интеллекта: в слабом и сильном смыслах.

Особую проблему в распознавании речи составляет наличие диалектов. Произношение в разных диалектах может отличаться настолько сильно, что носители разных диалектов с трудом понимают друг друга. Эта проблема остро стоит в Азии. Индонезийский и малайский языки имеют много заимствований из санскрита, тамильского, арабского, португальского, нидерландского и английского языков. Единая система орфографии была введена для индонезийского языка только в 1972 году. Китайцы из разных регионов вообще могут не понимать устную речь другого региона, хотя письменный язык остается одним и тем же.

Отзывы

Модуль анализа дискурса должен выдавать непротиворечивую структуру семантических связей внутри одного текста (или части текста). Границы этой задачи, как и предыдущей, определены нечетко. На данный момент сложно говорить об успешном решении в данной области, несмотря на обилие подходов и моделей.

Итак, мы попытались окинуть взглядом область проблем, которые лежат перед разработчиками систем искусственного интеллекта при попытках моделирования понимания. Часть проблем уже решена на хорошем уровне, где-то системы ИИ работают с большей эффективностью, чем человек, где-то едва делаются первые шаги. Важно то, что на сегодня, в отличие от конца XX столетия, практически невозможно найти области, к которым хотя бы не намечались путей подхода для внедрения систем искусственного ин-

20. Márquez, L. Machine Learning and Natural Language Processing. Technical Report LSI-00-45-R, Departament de Llenguatgesi Sistemes Informátics, Universitat Politécnica de Catalunya, 2000. URL: http://l2r.cs.uiuc.edu/~danr/Teaching/CS546-11/Papers/marquez-LNLP00.pdf (дата обращения 05.02.2016).

Д. Дэвидсон считает, что человек при реализации своего творческого потенциала пользуется несемантическими ресурсами. «Любая коммуникация — это взаимодействие мысли изреченной и мысли, извлеченной из речи. Вопрос лишь в степени разрыва. Метафора его увеличивает тем, что пользуется в дополнение к обычным языковым механизмам несемантическими ресурсами. Для создания метафор не существует инструкций, нет справочников для определения того, что она «означает» или «о чем сообщает» [40].

Вне моделирования не осталась даже такая область, как человеческая этика. С помощью системы ИИ «Scheherazade system» генерировались тексты из краудсорсинговой платформы Amazon Mechanical Turk по признаку семантической схожести. Затем система определяла хронологию событий. Из множества событий создавалось дерево возможных бытовых историй, с какими мы сталкиваемся в жизни. Задачей виртуального агента была реализация заданного действия (получить лекарство в аптеке). Обучение велось так, что наибольший вес давался по наиболее характерным (т.е. наиболее часто наблюдаемым) поступкам людей в той или иной ситуации. В итоге виртуальный агент при выполнении задания выбирал не самый короткий путь, подразумевающий использование действий, противоречащих этике (например, украсть лекарство), а тот, который используется людьми, основывающими свои поступки на этических принципах[4].

получила название AlphaGo. Для ее реализации была предложена схема на нейронных сетях с достаточно сложной архитектурой и алгоритмом, сочетающим в себе разные формы обучения (обучение с учителем и обучение с подкреплением), анализ позиций мастеров игры в го и позиций, полученных в результате автономного моделирования ходов [1].