Искусственный интилект

Очень большим направлением систем ИИ является роботехника. В чем основное отличие интеллекта робота от интеллекта универсальных вычислительных машин?

        Для ответа на этот вопрос уместно вспомнить принадлежащее великому русскому физиологу И. М. Сеченову высказывание: "… все бесконечное разнообразие внешних проявлений мозговой деятельности сводится окончательно лишь к одному явлению — мышечному движению". Другими словами, вся интеллектуальная деятельность человека направлена в конечном счете на активное взаимодействие с внешним миром посредством движений. Точно так же элементы интеллекта робота служат прежде всего для организации его целенаправленных движений. В то же время основное назначение чисто компьютерных систем ИИ состоит в решении интеллектуальных задач, носящих абстрактный или вспомогательный характер, которые обычно не связаны ни с восприятием окружающей среды с помощью искусственных органов чувств, ни с организацией движений исполнительных механизмов.

         Первых роботов трудно назвать интеллектуальными. Только в 60-х годах появились очуствленные роботы, которые управлялись универсальными компьютерами. К примеру в 1969 г. в Электротехнической лаборатории (Япония) началась разработка проекта "промышленный интеллектуальный робот". Цель этой разработки — создание очуствленного манипуляционного робота с элементами искусственного интеллекта для выполнения сборочно-монтажных работ с визуальным контролем.

        Манипулятор робота имеет шесть степеней свободы и управляется мини-ЭВМ NEAC-3100 (объем оперативной памяти 32000 слов, объем внешней памяти на магнитных дисках 273000 слов), формирующей требуемое программное движение, которое отрабатывается следящей электрогидравлической системой. Схват манипулятора оснащен тактильными датчиками.

          В качестве системы зрительного восприятия используются две телевизионные камеры, снабженные красно-зелено-синими фильтрами для распознавания цвета предметов. Поле зрения телевизионной камеры разбито на 64*64 ячеек. В результате обработки полученной информации грубо определяется область, занимаемая интересующим робота предметом. Далее, с целью детального изучения этого предмета выявленная область вновь делится на 4096 ячеек. В том случае, когда предмет не помещается в выбранное "окошко ", оно автоматически перемещается, подобно тому, как человек скользит взглядом по предмету. Робот Электротехнической лаборатории был способен распознавать простые предметы, ограниченные плоскостями и цилиндрическими поверхностями при специальном освещении. Стоимость данного экспериментального образца составляла примерно 400000 долларов.

         Постепенно характеристики роботов монотонно улучшались, Но до сих пор они еще далеки по понятливости от человека, хотя некоторые операции уже выполняют на уровне лучших жонглеров. К примеру удерживают на лезвии ножа шарик от настольного тенниса.

        Еще пожалуй здесь можно выделить работы киевского Института кибернетики, где под руководством Н. М. Амосова и В. М. Глушкова (ныне покойного) ведется комплекс исследований, направленных на разработку элементов интеллекта роботов. Особо е внимание в этих исследованиях уделяется проблемам распознавания изображений и речи, логического вывода (автоматического доказательства теорем) и управления с помощью нейроподобных сетей.

         К примеру можно рассмотреть созданный еще в 70-х годах макет транспортного автономного интегрального робота (ТАИР). Конструктивно ТАИР представляет собой трехколесное шасси, на котором смонтирована сенсорная система и блок управления. Сенсорная система включает в себя следующие средства очуствления: оптический дальномер, навигационная система с двумя радиомаяками и компасом, контактные датчики, датчики углов наклона тележки, таймер и др. И особенность, которая отличает ТАИР от многих других систем, созданных у нас и за рубежом, это то, что в его составе нет компьютера в том виде, к которому мы привыкли. Основу системы управления составляет бортовая нейроподобная сеть, на которой реализуются различные алгоритмы обработки сенсорной информации, планирования поведения и управления движением робота.

       В конце данного очень краткого обзора рассмотрим примеры крупномасштабных экспертных систем.

MICIN — экспертная система  для медицинской диагностики.  Разработана группой по инфекционным  заболеваниям Стенфордского университета. Ставит соответствующий диагноз, исходя из представленных ей симптомов, и рекомендует курс медикаментозного лечения любой из диагностированных инфекций. База данных состоит из 450 правил.

PUFF — анализ нарушения  дыхания. Данная система представляет  собой MICIN, из которой удалили  данные по инфекциям и вставили  данные о легочных заболеваниях.

DENDRAL — распознавание  химических структур. Данная система  старейшая, из имеющих звание  экспертных. Первые версии данной  системы появились еще в 1965 году во все том же Стенфордском университете. По пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры.

PROSPECTOR — экспертная система,  созданная для содействия поиску  коммерчески оправданных месторождений  полезных ископаемых.

2. ИСКУССТВЕННЫЙ  ИНТЕЛЛЕКТ И СИСТЕМЫ ИИ

          2.1 Проблема представления знаний в ИИ

Основной особенностью интеллектуальных систем является то, что они основаны на знаниях, а вернее, на некотором  их представлении. Знания здесь понимаются как хранимая (с помощью ЭВМ) информация, формализованная в соответствии с некоторыми правилами, которую  ЭВМ может использовать при логическом выводе по определенным алгоритмам.

Наиболее фундаментальной  и важной проблемой является описание смыслового содержания проблем самого широкого диапазона, т.е. должна использоваться такая форма описания знаний, которая  гарантировала бы правильную обработку  их содержимого по некоторым формальным правилам. Эта проблема называется проблемой представления знаний.

В настоящее время наиболее известны четыре подхода к представлению  знаний в обсуждаемых системах: продукционная  модель; логическая модель; семантические  сети; фреймы. Продукционные правила  – наиболее простой способ представления  знаний. Он основан на представлении  знаний в форме правил, структурированных  в соответствии с образцом "Если - То". Часть правила "Если" называется посылкой, а "То" – выводом или  действием. Правило в общем виде записывается так: Если А1,А2,...,А" То В. Такая запись означает, что "если все условия от Ai до А" являются истинными, то В также истинно" или "когда все условия от Ai до А" выполняются, то следует выполнить действие В". Например, рассмотрим правило: Если у является отцом х, z является братом у, то z является дядей x. В данном случае описано универсальное правило для трех переменных: x, y, z. Подставляя конкретные значения (Вася, Федя, Петя) вместо переменных можно получить конкретные различные знания. Конечно, при решении задач в искусственном интеллекте, используются куда более сложные постановки вопроса.

Знания, представленные в  интеллектуальной системе, образуют базу знаний. В интеллектуальную систему  входит также механизм выводов, который  позволяет на основе знаний, имеющихся  в базе знаний, получить новые знания. Простота и наглядность представления  такой модели знаний обусловила применения данной системы во многих системах. Кроме того, данная модель может  служить основой языка программирования, ориентированного на знания.

2.2 Различные  подходы к построению систем  ИИ

Существуют различные  подходы к построению систем ИИ. Это разделение не является историческим, когда одно мнение постепенно сменяет  другое, и различные подходы существуют и сейчас. Кроме того, поскольку  по-настоящему полных систем ИИ в настоящее  время нет, то нельзя сказать, что  какой-то подход является правильным, а какой-то ошибочным.

Для начала кратко рассмотрим логический подход. Почему он возник? Ведь человек занимается отнюдь не только логическими измышлениями. Это высказывание конечно верно, но именно способность  к логическому мышлению очень  сильно отличает человека от животных.

Основой для данного логического  подхода служит Булева алгебра. Каждый программист знаком с нею и  с логическими операторами с  тех пор, когда он осваивал оператор IF. Свое дальнейшее развитие Булева алгебра  получила в виде исчисления предикатов — в котором она расширена  за счет введения предметных символов, отношений между ними, кванторов  существования и всеобщности. Практически  каждая система ИИ, построенная на логическом принципе, представляет собой  машину доказательства теорем. При  этом исходные данные хранятся в базе данных в виде аксиом, правила логического  вывода как отношения между ними. Кроме того, каждая такая машина имеет блок генерации цели, и система  вывода пытается доказать данную цель как теорему. Если цель доказана, то трассировка примененных правил позволяет получить цепочку действий, необходимых для реализации поставленной цели. Мощность такой системы определяется возможностями генератора целей и машиной доказательства теорем.

Конечно можно сказать, что  выразительности алгебры высказываний не хватит для полноценной реализации ИИ, но стоит вспомнить, что основой  всех существующих ЭВМ является бит  — ячейка памяти, которая может  принимать значения только 0 и 1. Таким  образом было бы логично предположить, что все, что возможно реализовать  на ЭВМ, можно было бы реализовать  и в виде логики предикатов. Хотя здесь ничего не говорится о том, за какое время.

Добиться большей выразительности  логическому подходу позволяет  такое сравнительно новое направление, как нечеткая логика. Основным ее отличием является то, что правдивость высказывания может принимать в ней кроме  да/нет (1/0) еще и про межуточные значения — не знаю (0.5), пациент скорее жив, чем мертв (0.75), пациент скорее мертв, чем жив (0.25). Данный подход больше похож на мышление человека, поскольку  он на вопросы редко отвечает только да или нет.

Для большинства логических методов характерна большая трудоемкость, поскольку во время поиска доказательства возможен полный перебор вариантов. Поэтому данный подход требует эффективной  реализации вычислительного процесса, и хорошая работа обычно гарантируется  при сравнительно небольшом размере  базы данных.

Под структурным подходом мы подразумеваем здесь попытки  построения ИИ путем моделирования  структуры человеческого мозга. Одной из первых таких попыток  был перцептрон Френка Розенблатта. Основной моделируемой структурной единицей в перцептронах (как и в большинстве других вариантов моделирования мозга) является нейрон.

Позднее возникли и другие модели, которые в простонародье  обычно известны под термином "нейронные  сети" (НС). Эти модели различаются  по строению отдельных нейронов, по топологии связей между ними и  по алгоритмам обучения. Среди наиболее известных сейчас вариантов НС можно  назвать НС с обратным распространением ошибки, сети Хопфилда, стохастические нейронные сети.

НС наиболее успешно применяются  в задачах распознавания образов, в том числе сильно зашумленных, однако имеются и примеры успешного  применения их для построения собственно систем ИИ.

Для моделей, построенных  по мотивам человеческого мозга  характерна не слишком большая выразительность, легкое распараллеливание алгоритмов, и связанная с этим высокая  производительность параллельно реализованных  НС. Также для таких сетей характерно одно свойство, которое очень сближает их с человеческим мозгом — нейронные  сети работают даже при условии неполной информации об окружающей среде, то есть как и человек, они на вопросы  могут отвечать не только "да" и "нет" но и "не знаю точно, но скорее да".

Довольно большое распространение  получил и эволюционный подход. При  построении систем ИИ по данному подходу  основное внимание уделяется построению начальной модели, и правилам, по которым она может изменяться (эволюционировать). Причем модель может  быть составлена по самым различным  методам, это может быть и НС и  набор логических правил и любая  другая модель. После этого мы включаем компьютер и он, на основании проверки моделей отбирает самые лучшие из них, на основании которых по самым  различным правилам генерируются новые  модели, из которых опять выбираются самые лучшие и т. д.

В принципе можно сказать, что эволюционных моделей как  таковых не существует, существует только эволюционные алгоритмы обучения, но модели, полученные при эволюционном подходе, имеют некоторые характерные  особенности, что позволяет выделить их в отдельный класс.

Такими особенностями  являются перенесение основной работы разработчика с построения модели на алгоритм ее модификации и то, что  полученные модели практически не сопутствуют  извлечению новых знаний о среде, окружающей систему ИИ, то есть она  становится как бы вещью в себе.