Приобретение знаний, машинное обучение
и автоматическое порождение гипотез

Работы в области приобретения знаний интеллектуальными системами были и остаются важнейшим направлением теории и практики ИИ. Целью этих работ является создание методологий, технологий и программных средств переноса знаний (или, как иногда говорят, компетентности) в базу знаний системы. При этом в качестве источников знаний выступают эксперты (высококвалифицированные специалисты предметных областей), тексты и данные, например хранимые в базах данных. Соответственно различию источников развиваются и различные методы приобретения знаний

Машинному обучению в мире уделяется большое внимание. Существует множество алгоритмов машинного обучения, среди самых распространенных - так называемые алгоритмы класса C4. Пример алгоритма этого класса - алгоритм декомпозиции, который строит дерево решений. Исходной информацией для построения этого дерева является множество примеров. На каждом шаге с каждой вершиной дерева ассоциируется наиболее часто встречающийся класс примеров. На следующем шаге этот принцип рекурсивно применяется к текущей вершине, то есть множество примеров, связанных с текущей вершиной, тоже разбивается на подклассы. Алгоритм завершает работу либо при удовлетворении некоторого критерия, либо при исчерпании подклассов (если они заданы).

Активно исследуются методы обучения причинам действий. Иногда говорят о так называемой теории действий, имея в виду ситуационное исчисление в духе Джона Маккарти. В этой теории причины действий и сами действия описываются в виде клаузальных структур, важным примером которых служит логическое выражение вида: A&B&C&…&D Ю X.

Методы индуктивного логического программирования модифицируются для поиска клаузальных структур. Когда такие структуры найдены, их можно использовать в языках логического программирования для рассуждений о действиях и их причинах.

Многие работы этого направления посвящены нейронной парадигме. Нейросетевой подход используется в огромном количестве задач. Для примера назовем кластеризацию информации из Интернета, автоматическую генерацию локальных каталогов, представление образов (в рекурсивных нейронных сетях).

Среди активно изучаемых в последнее время тем упомянем неоднородные нейронные модели с отношениями сходства (heterogeneous neural networks with similarity relation). Отношение сходства определяется на множестве входов и множестве состояний сети. Мерой сходства является скалярное произведение двух векторов либо евклидово расстояние между ними (первый - вектор входов, второй - распределение весов нейронов, описывающее текущую ситуацию).

Работы по автоматическому порождению гипотез связаны, главным образом, с формализацией правдоподобных рассуждений, поиском зависимостей причинно-следственного типа между некоторыми сущностями. В качестве примеров можно привести порождение гипотез о свойствах химических соединений (прогноз биологических активностей), о возможных причинах дефектов (диагностика) и т. п.

Интеллектуальный анализ данных и обработка образной информации

Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исходной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора информативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям других характеристик, и т. п.

Значительную часть этого направления составляют исследования различных аспектов распознавания изображений, в частности с помощью нейросетей (включая псевдооптические нейросети). Изучаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.

Многоагентные системы, динамические интеллектуальные системы и планирование

Это новое (впрочем, в теоретических, поведенческих аспектах - скорее хорошо забытое старое) направление, изучающее интеллектуальные программные агенты и их коллективы.

Интеллектуальный агент - это программная система, обладающая

• автономностью: агенты действуют без непосредственного участия человека и могут в некоторых пределах сами управлять своими действиями;
• социальными чертами: агенты взаимодействуют с другими агентами (и, возможно, человеком) посредством некоторого языка коммуникации;
• реактивностью: агенты воспринимают окружающую среду, которая может быть физическим миром, множеством других агентов, сетью Интернет или комбинацией всего этого, и реагируют на ее изменения;
• активностью: агенты могут демонстрировать целенаправленное поведение, проявляя при этом инициативу.

Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, координация поведения агентов, разработка архитектуры языка программирования агентов.

Следует подчеркнуть, что агентские технологии появились лишь шесть-семь лет назад, но и за такое короткое время интерес к ним уже переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий быстро мигрировали из ИИ в практику разработки программного обеспечения.

Планирование поведения, или ИИ-планирование, - это способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных методов такого синтеза ведутся уже около тридцати лет. Планирование является основой интеллектуального управления, то есть автоматического управления автономным целенаправленным поведением программно-технических систем.

Среди методов ИИ-планирования выделяют классическое, то есть планирование в условиях статической среды; динамическое, то есть планирование в условиях изменения среды (с учетом этого изменения); иерархическое, когда действия абстрактного плана высокого уровня конкретизируются более детальными планами нижнего уровня, частично упорядоченное (или монотонное), когда план строится на основе частично упорядоченного множества подпланов. При этом общий план (элементами которого являются подпланы) обязан быть монотонным, а каждый из подпланов может быть немонотонным (монотонность предполагает, что каждое действие по плану уменьшает различия между текущим состоянием и целью). Например, план движения робота, при котором каждый шаг приближает его к цели, монотонен. Если робот наткнулся на препятствие и вынужден его обойти, то монотонность плана нарушится. Однако если план обхода препятствия выделить в отдельный подплан и рассматривать оный как элемент исходного плана, то монотонность последнего восстановится.

Активно ведутся работы и в области распознавания планов, построения планировщиков и расширения их возможностей, эвристического планирования с ресурсными ограничениями, управления планированием посредством временной логики, планирования с использованием графов.

Рассматриваются подходы к планированию, при которых построение текущих планов выполняется непрерывно для каждого состояния системы в реальном времени. Для этого предусмотрен непрерывный мониторинг объекта управления.

Задачи планирования относятся к наиболее важным и перспективным направлениям в ИИ.

Динамические интеллектуальные системы - результат интеграции экспертных систем с системами имитационного моделирования. Это двухкомпонентные динамические модели, где один из компонентов - база знаний, а другой компонент имеет континуальный характер. Разрабатываются методы выбора логик для описания временных зависимостей при построении динамических интеллектуальных систем.

Работы в области систем поддержки принятия решений посвящены моделированию сложных технологических и технических систем, поиску решений в условиях чрезвычайных ситуаций, задачам проектирования систем управления техническими объектами, использованию вероятностных подходов и сценариев при принятии решений, ряду других проблем.

Обработка естественного языка, пользовательский интерфейс и модели пользователя

Это направление связано с:

• разработкой систем поддержки речевого общения
• решением проблем уточнения запроса в информационных системах
• задачами сегментации текстов по тематике
• задачами управления диалогом
• задачами анализа естественного языка с использованием различных эвристик.

Сюда же включаются проблемы дискурса (иногда под дискурсом понимают совокупность речевых актов и их результатов).

По-прежнему актуальны задачи обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов.

Важнейшей проблемой в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта - участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, «социальный заказ» на поиск релевантной информации в Интернете, на анализ текстовой информации, на извлечение данных из текстов.

Предметом исследований является также динамическое моделирование пользователя, в частности в системах электронной коммерции, развитие фреймового подхода для представления запросов пользователя, адаптивный интерфейс, мониторинг и анализ покупательского поведения в Интернете.

Нечеткие модели и мягкие вычисления

Это направление представлено нечеткими схемами «вывода по аналогии», взглядом на теорию нечетких мер с вероятностных позиций, нечеткими аналитическими моделями геометрических объектов, алгоритмами эволюционного моделирования с динамическими параметрами, такими как время жизни и размер популяции, методами решения оптимизационных задач с использованием технологий генетического поиска, гомеостатических и синергетических принципов и элементов самоорганизации.

Разработка инструментальных средств

Это обширная сфера деятельности внутри ИИ, ставящая перед собой задачи:

• создания программных средств приобретения знаний для автоматизированного переноса компетентности в базы знаний. При этом в качестве источников такой компетентности могут выступать не только ее «прямые» носители - эксперты различных областей, но и текстовые материалы - от учебников до протоколов, а также, разумеется, базы данных (имплицитные источники знаний). Вербализация, то есть перевод таких источников в эксплицитную форму, составляет содержание методов обнаружения знаний в данных, в том числе различных методов обучения на примерах (включая предобработку больших массивов данных для дальнейшего анализа);
• реализации программных средств поддержки баз знаний;
• реализации программных средств поддержки проектирования интеллектуальных систем. Набор таких средств обычно содержит редактор текстов, редактор понятий, редактор концептуальных моделей, библиотеку моделей, систему приобретения знаний от экспертов, средства обучения по примерам и ряд других модулей.

Перспективные направления искусственного интеллекта

Сегодня можно выделить ряд направлений в ИИ, которые в обозримом будущем могут привести к качественным изменениям в технике и технологиях. Здесь я намерен изложить свой взгляд на некоторые из них.

Рассуждения, основанные на прецедентах, - один из наиболее перспективных подходов в искусственном интеллекте, внедрение которого приведет к значительному прогрессу в ряде областей, а прорыва в этом направлении следует ожидать в ближайшие три-пять лет.

Рассуждения о пространстве - не новая, но бурно развивающаяся область искусственного интеллекта, имеет все возрастающее прикладное значение в связи с разработкой автономных мобильных устройств, необходимостью анализа изображений (в частности, аэрофотоснимков) и решения задач синтеза текстовых описаний по изображениям.

По-видимому, с помощью методов машинного обучения и автоматического формирования гипотез можно будет решить ряд практических задач - от обнаружения закономерностей в данных до повышения степени адаптивности и «уровня интеллекта» различных технических устройств.

Подходы, основанные на технологии интеллектуальных агентов, надо признать одними из самых перспективных при разработке больших программных продуктов, в том числе средств управления крупными и сложными системами (к таковым относятся телекоммуникационные системы, распределенные производства, системы управления войсками, транспортом, сетями, распределенный поиск информации).

Следует ожидать все большего влияния идей и методов ИИ на машинный анализ текстов (АТ) на естественном языке. Это влияние, скорее всего, коснется семантического анализа и связанных с ним методов синтаксического анализа: в этой области оно проявится в учете модели мира на заключительных стадиях семантического анализа и использовании знаний о предметной области и ситуативной информации для уменьшения переборов на более ранних стадиях (например, при построении деревьев синтаксического разбора).

Второй «канал связи» ИИ и АТ - использование методов машинного обучения в АТ. Третий «канал» - использование рассуждений на основе прецедентов и рассуждений на основе аргументации для решения некоторых задач АТ, например задач уменьшения шума и повышения степени релевантности поиска.

К одному из важнейших и перспективнейших направлений в искусственном интеллекте следует отнести задачи автоматического планирования поведения. Область применения методов автоматического планирования - самые разные устройства с высокой степенью автономности и целенаправленным поведением, от бытовой техники до беспилотных космических кораблей.

Литература

1. Н.Нильсон. Принципы искусственного интеллекта. М.: Радио и связь, 1985.

2. Д.А.Поспелов. Ситуационное управление: Теория и практика. М.: Наука, 1986.

3. О.И.Ларичев, А.И.Мечитов, Е.И.Мошкович, Е.М.Фуремс. Выявление экспертных знаний. М.: Наука, 1989.

4. Э.В.Попов, И.Б.Фоминых, Е.Б. Кисель, М.Д. Шапот. Статические и динамические экспертные системы. М.: Финансы и статистика, 1996.

5. Г.С.Осипов. Приобретение знаний интеллектуальными системами. М.: Наука. Физматлит, 1997.

6. Т.А.Гаврилова, В.Ф.Хорошевский. Базы знаний интеллектуальных систем. С.-П.: Питер, 2000.