Десять задач искусственного интеллекта по Д.А. Поспелову и возможности логических нейронных сетей

Многоагентные системы

Где-то в первой половине 80-х годов стало ясно, что эффективная реализация ряда важных для интеллектуальных систем процедур требует параллельной и асинхронной их организации. Подобные процессы интегрируют в себе активности отдельных центров, решающих свои локальные задачи. Но эти локальные задачи и пути их решения должны быть согласованы в границах некоторых глобальных целей.

Примерами процедур такого рода могут быть процедуры согласования мнений различных экспертов по поиску решения сложной многоцелевой задачи, согласование локальных локомоций при синтезе интегрального движения (например, движение робота, снабжённого зрением и манипуляторами) или процедура коллективного взаимодействия интеллектуальных систем при решении в автономном режиме некоторой общей задачи.

Появление специальных архитектур, призванных поддерживать такую организацию процессов (например, параллельные вычислительные системы, в которых используется принцип "доски объявлений"), ещё более усилило интерес к многоагентным моделям. Наконец, уверенность в том, что в нервных тканях живых организмов реализуется асинхронный и параллельный режим поиска решения, также оказала своё влияние на исследования в области многоагентных систем.

Нужно отметить, что идеология моделей такого рода во многом опирается на методы и результаты, полученные ранее вне сферы интересов собственно искусственного интеллекта. Ещё в конце 50-х годов появились первые работы в области клеточных автоматов и моделей коллективного поведения автоматов. Эти работы заложили основу для появления многоагентных систем. Новое, что внесли в эти исследования специалисты по интеллектуальным системам, - это повышение "уровня интеллекта" агентов. Они стали способны использовать свои локальные знания для достижения своих целей. И задачи согласования, организации их целесообразного взаимодействия трансформировались на верхнем уровне в задачи согласования целей и знаний, т.е. стали напрямую соотноситься с проблематикой искусственного интеллекта.

Возникающие тут проблемы тесно связаны с проблемами динамических баз знаний, с необходимостью оценки конфликтных целей, противоречий в знаниях. Они также предполагают использование упоминавшихся выше процедур оправдания в системах имеющихся знаний и концептуальных моделей.

Существует проблема, отображающая коллективный разум. Это может соответствовать как системам вида "человек – модель ИИ", так и системам взаимодействующих моделей ИИ. Игровые системы и того и другого рода уже используются. Здесь сетевые технологии распределённых вычислений становятся определяющими.

Представим себе парк фантасмагорий, где группа туристов неожиданно встречается с натурными моделями реагирующих объектов. Каждый из них снабжён средствами компьютерного зрения и с помощью логической нейронной сети реагирует на динамически предъявляемую картинку. ("Женщина в красной кофте! Отойдите от крокодила!..")

При компьютерной реализации реагирующих объектов можно проделать следующий эксперимент: образовать круг мониторов (снабжённых средствами видеовхода каждый) рабочих станций локальной вычислительной сети, чтобы реализованные на этих станциях объекты "видели" других членов коллектива. Можно понаблюдать, как они будут реагировать друг на друга – придёт ли система в умиротворённое состояние или, всё более возбуждаясь, потребует постороннего вмешательства?

Согласитесь, что любая реализация сулит хороший бизнес!

Сетевые модели

Интеллектуальные системы, основанные на правилах (продукциях), принесли не только радость решения ряда важных задач, но и породили сомнения в том, что именно они призваны остаться основными моделями представления знаний в интеллектуальных системах. Многочисленные дискуссии 80-х годов, проводившиеся специалистами в области ИИ по этому поводу, привели к укреплению сетевой парадигмы, несколько отодвинутой в сторону триумфальным выходом на сцену продукционных моделей. И хотя исследования в области семантических сетей, каузальных сетей и сетей другого типа продолжались, они были малочисленными и не слишком продуктивными.

Но к концу 80-х годов сетевые модели стали развиваться более быстрыми темпами. Этот процесс совпал с пробуждением интереса к давно забытым нейронным архитектурам, появлением транспьютерных систем и нейрокомпьютеров, а также с возвращением к работам, опирающимся на эволюционные модели и эволюционное программирование. Возник определённый бум, который был даже окрещён неодарвинизмом.

Если к концу первого этапа развития сетевых моделей (в основном в виде нейронных многослойных систем типа персептронов) наступило разочарование в их возможностях и простоте их аппаратной реализации, то в 80-х годах эти сомнения были отброшены. Комплекс исследований в этой области так возрос, что произошло практическое отпочкование специалистов, работающих в области сетевых моделей, от основного ядра тех, кто причисляет себя к искусственному интеллекту. Этот разрыв, по-видимому, приведёт к возникновению двух наук, связанных с построением интеллектуальных систем. Одна из них будет по-прежнему опираться на уровень ментальных (информационных) представлений, а другая – на уровень структурной организации (по типу нервных тканей), порождающей нужные решения.

Теория нейронных сетей в действительности также развивается по двум направлениям. Грубо это различие в следующем.

Если на вход нейронной сети подаются сами данные, измеренные в километрах, долларах и т.д., и установившийся режим возбуждения нейронов порождает решение также в явных единицах измерения, то это означает, что решаются нейроподобные задачи на нейронных сетях специальной структуры и топологии. Такие задачи свойственны многочисленным сетям типа Хопфилда, Кохонена, волновых, квадратичных, генетических и т.д.

Если же на вход подаются не сами данные, а их весовые оценки, подобные достоверности, а выходы указывают на логическое следствие (сокращение мышцы, приказ, текст медицинской рекомендации и т.д.), то это – логическая нейронная сеть, работа которой может быть описана в терминах математической логики событий. А таким, в сущности, табличным способом с процедурой ассоциативной выборки, могут быть представлены самые разнообразные модели искусственного интеллекта.

Тип данных на входе нейросети существенен. Именно он определяет похожесть на природное воплощение. Ведь энергетика мозга, как и компьютера, определяется диапазоном возможной величины сигнала, которой оперирует устройство. На этом сигнале и строится вся логика работы. Задачи, решаемые с помощью логической нейронной сети, следует отнести именно к нейросетевым задачам, подразумевая мозг.

В [10] полно отражена история искусственных нейронных сетей приведением основополагающих и значительных работ в этой области.

Необходимо отметить работы Ф. Розенблата, с персептронов которого, в сущности, начались логические нейронные сети, хотя он этого не осознал.

Упомянутый Д.А. Поспеловым кризис возник в связи с оценкой М. Минским предельных возможностей персептрона, моделирующего, как всегда утверждалось авторами и исследователями, сетевые структуры мозга. Представляется, что критика этих возможностей скорее относится к степени адекватности конкретных исследуемых моделей персептрона, чем к принципиальным проблемам моделирования нейросети. Следует предположить, что логические нейронные сети, построенные на базе обобщения теории персептрона, её перевода в область математической логики, в большей степени точно, на логическом уровне функционирования, воспроизводят мозговые процессы и открывают новые возможности моделирования ИИ.

Наконец-то положительно решается спор на тему: "Может ли машина мыслить?" Перефразируя тезис диалектики (Гегеля) "Всё логичное действительно, всё действительное логично (в смысле – выводимо, объяснимо, охватывается разумом), следует снять страх, неуверенность и идеологические путы. Ведь подобно тому, как человек не производит скорость, а производит автомобиль – средство скорости, так человек не производит мысль сверх своих способностей, а производит средство мышления на основе познания принципов мозга. Средство, гораздо лучшее чем то, что могла произвести Природа, находясь в рамках известных "технологических" ограничений и требований жизнеобеспечения.

Достоверность предположения о "всесилии" логических нейронных сетей основана на том, что кроме мозга, т.е. нейронной сети, столь продуктивного средства мышления мы не знаем. Да и здесь мы стоим на позициях сугубо материалистических, напрочь, непреложно и самоуверенно отвергая то, что нам кажется мистикой. Мы уверены лишь в одной части философского тезиса "Мир познаваем…" и стараемся умалить другую его часть "… но всего познать нельзя (ибо, мы догадываемся, - бесконечность!)" Однако на достаточном сегодня логическом уровне всё же представляется возможным "потрогать" и даже слегка попотрошить мозг.

Говоря об аппаратной реализации "мозговых" принципов, следует рассмотреть логический ряд: от проблемы распараллеливания вычислений, через транспьютерные сети к общей проблеме нейрокомпьютеров и их применения. Действительно, вопрос о применении транспьютерных сетей сразу же натолкнул А.И. Галушкина на мысль о реализации моделей нейронов: один транспьютер – один нейрон. Связи между транспьютерами превращаются в синапсические связи. В дальнейшем развитии этой идеи происходит отделение нейронной сети от средства её реализации. В многопроцессорной вычислительной системе целесообразно распределять (поровну) количество нейронов, инвариантное относительно количества процессоров, между процессорами. Так реализуется SPMD-технология, когда каждый процессор циклически выполняет одну и ту же процедуру обработки нейрона (его функцию активации), используя данные других, с учётом их взаимосвязи. Такой способ обработки нейросети, совместимый с известными параллельными алгоритмами обучения, предъявляет основные требования к современному нейрокомпьютеру. Это – просто универсальная, параллельная, симметричная вычислительная система на основе современных достижений в микроэлектронике.

Метазнания

Метазнания или знания о знаниях - непременный атрибут познавательных процессов. В искусственных системах они в том или ином виде присутствовали всегда (например, в виде схем баз данных в базах данных или в виде стратегий управления в продукционных системах).

Но только с полным осознанием глобальной цели искусственного интеллекта, которую можно сформулировать, как создание метасистемы, способной порождать все необходимые конкретные программы деятельности, стало ясно, что уровень метазнаний сам по себе представляет немалый интерес для изучения. Метазнания тесно связаны с теми основными для человека процедурами, которые позволяют ему учиться новым видам деятельности. Именно поэтому интерес к метазнаниям тесно связан с глубоким вниманием к процессу обучения, которое характерно для начала 90-х годов.

Интеллектуальные обучающие системы, использующие метазнания для организации учебного процесса, ориентированного на конкретного обучаемого, стали первым объектом, в котором метазнания "овеществились", приобрели все необходимые конкретные качества.

Говоря об обучающих системах, основанных на метазнаниях, необходимо подчеркнуть, что любая методика обучения базируется на алгоритмизации выполнения последовательностей (с возможными обратными связями) отношений вида "если – то". Значит, формализация процесса обучения сулит широкое применение аппарата логических нейронных сетей.

Эффективность применения этих сетей в самообучающихся системах управления обсуждалась ранее.

Необходимо помнить тот же тезис диалектики: "Мир познаваем, но всего познать нельзя". Следовательно, знания о знаниях должны быть развиваемыми. База знаний должна постоянно пополняться, желательно, сама. Это возможно на основе моделирования индуктивного мышления. Индуктивное мышление возможно на основе анализа пополняемых фактов (отображённых в фактографической логической нейронной сети), установления повторяющихся связей или логических цепочек, их обобщения и формирования гипотез, дополняющих понятийную логическую нейронную сеть. Высокая достоверность гипотезы устанавливается только в результате её многократного успешного (следовательно, в соответствии с критериальной функцией) применения в процессе дедукции, т.е. на основе фактов. Так может быть воплощена философская теория познания.

Краткие итоги

1. Методы искусственного интеллекта должны опираться на использование неполных, нечётких, правдоподобных данных, характеризующихся степенью достоверности. Основной операцией при поиске решения должна быть правдоподобная аргументация. Это предусмотрено при использовании логических нейронных сетей.
2. При объединении нескольких баз знаний возникает эффект противоречивости знаний. Должна быть решена проблема оправдания данных на основе выбора общего критерия для составляющих БЗ.
3. Выводы интеллектуальной системы должны сопровождаться объяснениями типа "как" и "почему", что вполне доступно логическим нейронным сетям.
4. Принцип ассоциативного мышления, применяемый в логических нейронных сетях, обеспечивает релевантность знаний, извлекаемых из БЗ по запросу.
5. Понимание текста неразрывно связано с адекватной реакцией на него. Обеспечение такого ассоциативного понимания – главная задача логической нейронной сети.
6. Процедуры порождения текстов на заданную тему основаны на многоуровневом подходе от когнитивного (мысленно-графического) представления до линейного лингвистического. Здесь много нерешённых задач. Гипертекстовые технологии способствуют решению многих задач. Эти технологии могут использовать логические нейронные сети.
7. Проблемы когнитивной графики проявляются пока ещё недостатком исследований в области адекватного восприятия зрительных и акустических сцен, образных представлений, а также "живого" моделирования.
8. Многоагентные системы, как системы коллективного взаимодействия интеллектуальных подсистем при совместном решении задач, связаны с необходимостью решения проблем динамических баз знаний, проблем оценки конфликтных целей, противоречивых знаний и других проблем коллективного разума.
9. Усиливается тенденция к симбиозу компьютерных и нейронных сетевых технологий, определяющая путь как удовлетворения требований к сверхвысокой производительности, так и построения сверхбольших нейронных сетей, сравнимых по объёму с мозгом.
10. Метазнания как "знания о знаниях" являются основным инструментом искусственного интеллекта, порождающим новые знания. Интерес к метазнаниям тесно связан с процессом обучения человека на базе интеллектуальных обучающих систем.

Вопросы

1. Что представляет собой проблема правдоподобной аргументации?
2. Охарактеризуйте проблему оправдания.
3. Прокомментируйте использование объяснений "как" и "почему".
4. Как в интеллектуальной системе обеспечивается релевантность знаний?
5. В чём заключается проблема понимания текста?
6. Охарактеризуйте проблему понимания текстов.
7. Объясните проблемы когнитивной графики.
8. Что представляют собой многоагентные системы?
9. Какая связь между компьютерными и сетевыми технологиями?
10. Как применяются метазнания в искусственном интеллекте?