Методологические основы и основные парадигмы и направления развития искусственного интеллекта

Применение и перспективы развития [ ]

Так, в частности, под ИИ понимается распознавание образов, распознавание речи, и т. д. в этом ключе. В своё время Ф. Джордж [5] также показал, что создание ИИ, подобное человеческому мышлению, невозможно в полной мере (на тот момент развития ИИ). Он обосновал такой вывод отсутствием и невозможностью создания некоторой части системы, которая бы позволяла восстанавливать систему в случае ее уничтожения и была бы сама неуничтожима (по аналогии, можно сказать – имела бы бессмертную «Душу» или «идею» по Платону). Однако на сегодня развитие глобальных сетей, вирусных и многоагентных технологий позволяет практически реализовать программы, теоретически существующие, пока существует глобальная сеть. Следовательно, ограничения Ф. Джорджа могут быть сняты.

В раздел формализации знаний и формализации образа следует, конечно, добавить упоминание об абстракции. Потому что модели создаются у нас в голове… но следует разобраться: абстрактны ли они сами по себе? И что такое в этом смысле абстракция? Абстрактные модели надо понимать такими, которые реально не существуют. Они не существуют на этом описательном уровне представлений, вообще не существуют. Является ли абстракцией понятие «стул»? Формально. В формальном представлении. Это раз. И, во-вторых ‒ обратим внимание: во всех этих моделях, что сейчас существуют, абсолютно не используется и не учитывается понятие времени, а ведь время ‒ это один из феноменов нашего восприятия ‒ ведь мы же всё воспринимаем в динамике, а динамика в моделях практически не используется и не учитывается. Поэтому здесь следует исследовать описание объектов в динамике и проанализировать: что понимается под динамикой? Понятно, что здесь присутствует время… Но как оно здесь присутствует? Нам представляется, что здесь, скорее всего, речь идёт о динамическом изменении параметров объекта и какой- то оценке этого изменения, причём совокупное. Приведём пример: едешь на автомобиле, смотришь в зеркало заднего обзора и видишь какую-то точку на горизонте, которая тебя догоняет. Ты ещё пока не знаешь, что это. Но ты знаешь, что это движущийся объект. Потом ты всё-таки выясняешь, что это не мотоцикл, а машина. Потом выясняешь, что это легковая машина. Потом ты даже можешь определить её марку или хотя бы вид кузова. А получается, во-первых, что идёт постоянное уточнение расширения параметров описания объекта, но оно идёт динамично и на каком-то уровне динамики ‒ спустя некоторое время мы распознаём объект, т. е. идентифицируем его. И вообще-то по жизни мы так и поступаем: мы смотрим ‒ вроде знакомый. Потом мы к нему присматриваемся. Сначала мы ловим общий образ, а потом мы его уточняем (конкретизируем) в динамике. Т. е. мы и сами динамичны в опознавании, и сами объекты тоже динамичны: они меняются. Они постоянно меняются, меняются и их параметры. И именно такие модели, мы считаем, сейчас должны быть востребованы в задачах ИИ. В задачах распознавания, в том числе текста. Иногда так происходит при беглом прочтении текста: быстро пробежали глазами ‒ и решили, что в тексте речь идёт о… но при внимательном прочтении оказывается, что текст посвящён вообще другой теме или об этом, но в абсолютно другом ключе. Т. е. после того как мы его более точно идентифицировали, то получили на выходе совсем другой результат. Получается, что здесь, во-первых, иерархия получается идентификацией с точки зрения описания модели ‒ от общего к частному ‒ это понятный подход, но тогда следует определиться с этими иерархиями ‒ каким образом? Понятно, что здесь лучше всего действительно подходят деревья, и именно даже не сети, а деревья. Этот вопрос тоже следует сюда включить и тоже его проанализировать.

Для методологии характерно изучение не только методов, но и прочих средств, обеспечивающих исследование, к которым можно отнести принципы, регулятивы, ориентации, а также понятия. Весьма актуально на современном этапе развития науки, который именуют постнеклассикой, выделение ориентации как средств методологического освоения действительности в условиях неравномерности, нестабильного мира, когда о жестких нормативах и детерминациях вряд ли правомерно вести речь. Можно сказать, что на смену детерминации приходят ориентации.

Наиболее горячие споры в философии искусственного интеллекта вызывает вопрос возможности мышления творения человеческих рук. Вопрос «Может ли машина мыслить?», который подтолкнул исследователей к созданию науки о моделировании человеческого разума, был поставлен 1950 году . Две основных точки зрения на этот вопрос носят названия гипотез сильного и слабого искусственного интеллекта.

Но такой подход только поднимает уровень абстрагирования и позволяет осуществлять более компактное хранение информации, однако, с точки зрения методологии, не решает с нашей точки зрения проблему. Потому что в этом случае мы остаёмся в рамках тех же методов и методик, которые существуют для СУБД – системы управления базами данных. Мы получаем СУБЗ ‒ систему управления базами знаний, но максимум, чего мы тут добиваемся, так это связываем так или иначе понятие с некоторым действием, необходимым нам в рамках конкретного контекста. Однако знания человека являются субъективными и опираются преимущественно на его ассоциативный ряд, на какие-то его рефлекторные действия, и с этой точки зрения подход данных или метаданных представляется не очень перспективным. Необходимо всё-таки связать понятие знаний, выделить в понятии знания человека и его место и действие в окружающем мире ‒ и над такими моделями, которые позволят это сделать, и необходимо работать. На сегодня следует уходить от термина ИИ, потому что интеллект это не ум и уж тем более не разум, это не разумное поведение (в смысле – не реализуется разумное поведение), а разум ‒ это нечто большее. Под интеллектом чаще всего понимаются накопленные знания и наборы шаблонов действий и крайне редко – генерация нового знания, а уж тем более с точки зрения разумной генерации нового знания или хотя бы практической точки зрения и практической полезности генерации нового знания. Генерация нового знания в конкретном контексте, ситуации, в реакции на явление, на взаимодействие объектов, и поэтому, в этом случае, следует говорить об искусственном разуме.

Довольно часто даётся определение: знание ‒ это хорошо структурированные данные или метаданные, или данные о данных. Но ‒ это технологически хорошие определения, они позволяют технарям работать в этом плане, но с точки зрения методологии именно развития ‒ это определение довольно узковато. Второе нам представляется несколько больше, поскольку оно ориентировано на объекты ‒ это начиная с фреймов, это Минский, это Дейт, это и вопрос формализации информации об объектах и явлениях и попытки работать с ними. Первое мы бы так и назвали: фрейм. Но сейчас уже понятно, что ОБЪЕКТ ‒ это достаточно низко абстрагированная категория, и она становится недостаточной для решения некоторых задач ИИ, и поэтому переходят к понятию ОБРАЗА, как мы об этом уже сказали выше. Но пока перехода такого явного нет, а есть попытки работать с образом. И нет хорошей формализации понятия образа, образа как отображения, или вернее ‒ как некой модели явлений, в том числе природы, социальных явлений и т. д. [и здесь стоит предложить какие-то идеи ‒ возможно, что основное внимание следует обратить на то, как мыслит человек ‒ это тоже в общем-то категория проблематичная]. На то, что тесты Тьюринга, которые когда-то были предложены: «интеллектуальна ли машина?» ‒ они уже сейчас практически не работают… то, что компьютерная программа может реагировать так же, как человек ‒ то тут ещё следует посмотреть: «Какой человек?», а то программа…

ИИ и религия [ ]

Попытки уйти от неоправдавших себя универсальных эвристик при решении интеллектуальных задач привели к заключению о том, что главное, чем располагает специалист, — это накопленный им в процессе своей профессиональной деятельности некоторый набор разнообразных приемов и неформальных правил. Впоследствии была разработана ЭС Dendral, базирующаяся на знаниях, которая явилась прототипом всех последующих ЭС.

По-разному дается и определение искусственного интеллекта. Полагают, что о реализации искусственного интеллекта можно будет говорить лишь тогда, когда автомат начнет решать задачи, непосильные для человека, причем сделает это не в результате высокого быстродействия, а в результате применения нового найденного метода. Однако не все с этим согласны. Большинство случаев исследований по искусственному интеллекту лишь соизмеримы с результатами, полученными человеком, и не столь оригинальны» [9, с. 8-9].

При всем разнообразии трактовок понятия искусственного интеллекта общим для большинства из них является признание того, что системы искусственного интеллекта направлены на моделирование или имитацию человеческого мышления, в частности способности к рефлексии и ассоциации [9].

Отметим, что объектно-ориентированный подход к моделированию мира в последнее время сталкивается с проблемами ограниченности, и, как следствие, неадекватности объектных моделей. Очевидно, что существует настоятельная потребность перехода на более высокие уровни абстракции моделей. Такими моделями, с точки зрения авторов, могли бы стать модели образов объектов, явлений, ситуаций окружающего мира. Под образом, в этом случае, авторы понимают [8, с. 242] некоторое ассоциативное представление, взятое в динамике и с учетом контекста. Авторам представляется, что именное такой подход к моделированию может быть положен в основу концепции новой методологии представления знаний об окружающем мире.

— обработка высокоскоростных цифровых потоков;
— автоматизированная система быстрого поиска информации;
— классификация информации в реальном масштабе времени;
-планирование применения сил и средств в больших масштабах;
— решение трудоемких задач оптимизации;
— адаптивное управление и предсказание.
— обработка и анализ изображений;
— распознавание речи независимо от диктора, перевод;

Сюда следовало бы также добавить, что с точки зрения синергетики накопление знаний ‒ это процесс нелинейный, система знаний представляет сложную самоорганизующуюся систему, в которой один новый факт может вызвать радикальные подвижки в привычной структуре представлений.

Современные цифровые вычислительные машины способны с высоким быстродействием и точностью решать формализованные задачи с вполне определенными данными по заранее известным алгоритмам. Однако в тех случаях, когда задача не поддается формализации, а входные данные неполны, зашумлены или противоречивы, применение традиционных компьютеров становится неэффективным. Альтернативой им становятся специализированные компьютеры, реализующие нетрадиционные нейросетевые технологии. Сильной стороной этих комплексов является нестандартный характер обработки информации. Она кодируется и запоминается не в отдельных ячейках памяти, а в распределении связей между нейронами и в их силе, поэтому состояние каждого отдельного нейрона определяется состоянием многих других нейронов, связанных с ним. Следовательно, потеря одной или нескольких связей не оказывает существенного влияния на результат работы системы в целом, что обеспечивает ее высокую надежность.

Считается, что каждый из уровней обладает относительной автономией и не дедуцируется из других уровней. Однако более общий уровень выступает в качестве возможной предпосылки развития более низшего уровня. В основе подобной классификации лежит диалектика единичного и всеобщего, где на уровне единичного фиксируются многообразные методы частных наук и отдельных дисциплин. На уровне особенного располагаются междисциплинарные и общенаучные методы. Уровень всеобщего занимают философские методы [7].

Литература [ ]

Методология как орудие познания, как искусство открытий совершенствуется вместе с ростом естественнонаучных открытий, с одной стороны, а с другой – на основе философских обобщений естественных, технических и общественных наук, то есть в результате философских идей эпохи.

Существуют разные точки зрения на этот вопрос. Аналитический подход предполагает анализ высшей нервной деятельности человека до низшего, неделимого уровня (функция высшей нервной деятельности, элементарная реакция на внешние раздражители (стимулы), раздражение синапсов совокупности связанных функцией нейронов) и последующее воспроизведение этих функций.

Одна из задач ИИ ‒ это игровая: шахматы, шашки ‒ здесь продвижение очень мощное: программа обыграла чемпиона мира Г. Каспарова, не говоря уже о шахматных юзерах, и поэтому здесь следует проанализировать ‒ ещё раз: а что ж такое разумность с точки зрения её моделирования. А что такое «разумное поведение». Много здесь было исследований, их следует проанализировать, обобщить, выделить какие-то моменты, например, всё те же поведенческие… А это и синергетика, и множество всяких других направлений… Но до сих пор осталось два основных подхода к ИИ: первый подход ‒ это подход нейронных сетей ‒ то, что мы моделируем именно работу мозга человека, и тогда мы получаем некие разумные программы. Второй подход ‒ это подход «черного ящика» ‒ кибернетический подход, когда некая программно-аппаратная вещь делает то же самое, что и человек в тех же самых условиях, а каким способом ‒ не важно. Вот два основных направления. На самом деле сегодня такое чёткое разделение провести уже нельзя, поскольку мы имеем, по крайней мере, гибриды этих подходов ‒ именно гибриды этих двух подходов следует проанализировать: может быть, мы тут на чем-то зациклились? А вдруг здесь есть или может быть есть третий подход? Вот именно здесь. Авторы, например, над этим очень много размышляли, и им представляется, что здесь очень внимательно следует проанализировать понятие ассоциативного мышления. Именно ассоциативной реакции. Начиная, может быть, с условных и безусловных рефлексов и их моделирования ‒ именно обратить внимание: что является безусловным рефлексом ‒ генетически переданным и т. д. ‒ и, собственно, условным рефлексом и его закрепление (работы Павлова), обучение и т. д. В этом случае, скорее, больше всего подходят нейронные сети ‒ сетевые модели, которые каким-то образом как-то закрепляют эти реакции. Может быть, это онтологии и т. д. Вот этот уровень. Здесь идея в ИИ, как нам представляется ‒ это переход на более высокие уровни абстрагирования представлений данных, знаний и т. д. Это первое. Но оно же требует ‒ этот переход туда требует и формализации новых абстракций. Выделения формализаций. И некоего математического аппарата для работы с ними ‒ с этими абстракциями. Вот, скорее всего, здесь как раз очень хороши нечеткие системы, нечеткие логики, многомерные и многозначные логики и т. д. В этом ключе следует поработать. А теперь, когда всё это сформулировано в виде поставленных целей, можно посмотреть уже на те модели ‒ математические модели, логико-математические модели, которые сейчас используются в подобных задачах ‒ и здесь следует сделать их аналитический обзор. Это и логики ‒ т. е. логические рассуждения, моделирование логических рассуждений с учётом того, как это всё продвинуто ‒ в многозначных логиках, небулевых логиках, нечётких, вероятностных и т. д. Это онтологии и это сети ‒ семантические сети, нейронные сети, гибридные сети, а также ситуационное моделирование, те же работы Пушкина, Поспелова, Клыкова. Это синергетика, синергетический подход, синергетические модели ‒ и ряд других. Опять же, возвращаясь, здесь можно уже сейчас применять довольно хорошо наработанный математический аппарат. Но проблема именно в том: что формализуется? Сейчас всё идёт пока на уровне объектного моделирования. Объектное моделирование есть разное ‒ есть и объектно-ориентированное и целый ряд других ориентаций в построении объектов, но там всё более-менее наработано. И надо все эти модельные представления ‒ их математические основы ‒ проанализировать их достоинства и их недостатки ‒ и рассмотреть: в каких задачах они применяются? Провести их анализ и сделать соответствующие выводы: чего не хватает прежде всего? Какие проблемы в этих моделях? Вот объектная модель ‒ весьма вроде бы хороша, если рассматривать именно объект как совокупность неких признаков, параметров и совокупность некоторых методов, которые можно на основе этих признаков осуществлять при работе с этим объектом. Весьма хороша. Но здесь, может быть, следует поработать над вопросом: а какие должны быть признаки? Т. е. не вообще, как сейчас выделяются (признаки) под конкретную задачу, а может быть ‒ попытаться провести некую обобщенную формализацию ‒ типа того, что мы в своё время создавали семимерную модель объектов на основе их полезности ‒ что-то подобное следует посмотреть, потому что формально человек, как нам представляется, должен быть устроен проще ‒ и, возможно, здесь ещё необходимо учитывать, что ведь недаром же у нас правое и левое полушария мозга имеют свои сферы ответственности: правая ответственна за ассоциативные реакции, интуицию, а левое ‒ за логические реакции, которые жестко формализованы. А ведь есть ещё и мозжечок, и вообще это всё как-то складывается в единое целое, в систему собирается. А может быть, там есть ещё что-то? Вот, например, на основе нейроисследований удалось бы заполнить существующую неполноту, пробел в знаниях ‒ посмотреть: чего здесь не хватает? В описательном смысле и, может быть, здесь же опять стоит исследовать ‒ как мы об этом говорили ‒ о семимерии [8], что мы семимерно воспринимаем мир на основе наличия чувств и т. д. ‒ посмотреть: здесь, может быть, эти параметры каким-то образом надо формализовать ‒ это должен быть минимум, которым можно достаточно адекватно описывать объект, а потом уже с ним и работать ‒ тогда можно было бы формализовать процедуры, которые могут быть. Вот как реализованы для объекта такие понятия, как наследование, инкапсуляция, свойства классов объектов, полиморфизм. (Возможный аналог как для файлов: создание, переименование, перемещение, копирование, слияние). Наверное, это всё возможно и для образов. Там у нас бывают ошибки при ассоциативности. Но надо разобраться, чем они объясняются? Почему они бывают? То ли в силу недостатка знаний, то ли искажаются при неправильном восприятии. Вот над этим стоило бы поработать.

Высокая помехоустойчивость и функциональная надежность касаются как искаженных (зашумленных) потоков информации, так и в смысле отказов отдельных процессорных элементов. Этим обеспечиваются высокая оперативность и достоверность обработки информации, а простая дообучаемость и переобучаемость НПС позволяют при изменении внешних факторов своевременно осуществлять переход на новые виды решаемых задач.
Нейроподобные сети в области измерений могут решать следующие задачи:

В среде исследователей распространено мнение, что методологические принципы бывают разной степени общности. Все они, однако, органически связаны с теоретической областью наук: естественных, общественных или технических. Методология всегда имеет общий характер. Теоретическая область естествознания, будь то физика или химия, кибернетика или биология, содержит в себе такие обобщения, которые приобретают общее, мировоззренческое или теоретико-познавательное (гносеологическое) значение. Такие обобщения являются как бы философско-теоретическим завершением данной науки на определённом этапе её развития и одновременно её методологической основой, определяющей главный метод, принципиальный теоретический подход к исследуемым явлениям, дающий обоснование логики её основных идей и понятий. По своему значению, однако, такие обобщения зачастую не укладываются в рамки только своей науки, они выходят в сферу общенаучных философских проблем.

Определение знания в контексте искусственного интеллекта даёт Никитина: «Понятие «знание», наряду с традиционными понятиями «интел­лект», «мышление» как объектами моделирования, начинает приме­няться в исследованиях искусственного интеллекта, начиная с 80-х гг. XX в. Вызвано это было тем, что разработчики информационных сис­тем столкнулись с необходимостью выявления и упорядочивания раз­нообразных данных, сведений эмпирического характера, теоретиче­ских положений и эвристических соображений из соответствующих областей науки или профессиональной деятельности, а также с необ­ходимостью задать такой способ их компьютерной обработки, чтобы информационная система могла успешно использоваться для решения задач, для которых она предназначается (поиск информации, поста­новка диагноза и т. п.). Соответственно, данные, находящиеся в памяти компьютера, стали усложняться и структурироваться, появились списки, документы, фреймы, семантические сети. Стали создаваться интеллек­туальные системы, основанные на знаниях, базы и банки знаний, разрабатывались понятия «представление», «приобретение» и «использо­вание» знаний. Сложился технологический подход к знанию ‒ инженерия знаний. В рамках технологического подхода к знанию, осуществляемого в ис­кусственном интеллекте, рассматриваются вопросы экономичности представления знаний с помощью тех или иных средств, их дедуктив­ных возможностей, эффективности в решении задач. Специалисты отмечают, что совершенствование информационных систем во многом зависит от решения задач и проблем представления знаний, а проблемы представления знания связаны, в свою очередь, с разработкой соответ­ствующих языков и моделей: логических, продукционных, фреймовых, семантических сетей и др. Даже история ИИ стала интерпретироваться как история исследования методов представления знания» [10, с. 97].