Что такое искусственный интеллект (ИИ) (стр. 4 )

Марвин Минский (Массачусетсский технологический институт) руководил работой задач ограниченных масштабов, для решения которых, как в то время казалось, требовалась интеллектуальность. Эти ограниченные проблемные области получили название микромиров.

Наиболее известным примером микромира был мир блоков, состоящий из множества цельных блоков, размещенных на поверхности стола (или, что более часто, на имитации стола), как показано на рис. ниже. Типичной задачей в этом мире является изменение расположения блоков определенным образом с использованием манипулятора робота, который может захватывать по одному блоку одновременно. Мир блоков стал основой для проекта системы технического зрения Дэвида Хаффмена, работы по изучению зрения и распространения (удовлетворения) ограничений Дэвида Уолтса, теории обучения Патрика Уинстона, программы понимания естественного языка Тэрри Винограда и планировщика в мире блоков Скотта Фалмана.

Система SH RDLL, разработанная Терри Виноградом в 1972 г., понимала представительное множество фраз английского языка и делала определенные выводы в ограниченной области: «Какого цвета блок, на котором стоит красная пирамида?» или «Поставь синюю пирамиду на зеленый куб» (если, конечно, можно поставить). Разумность такого рода была названа «процедурной семантикой».

Рис. Сцена из мира блоков. Программа Shrdlu только что завершила выполнение команды "Найти блок, более высокий по сравнению с тем, который находится в манипуляторе, и поместить его в ящик"

Другое направление исследований – воспроизведение механизма понимания в реальном контексте. Был разработан механизм сценариев. Сценарий должен содержать базовые компоненты: цель, предварительные условия, заключительные условия, поведение. Нюансы в сценарии позволяют сформировать поведение, адекватное в конкретной ситуации (например, робот в комнате). Исследователи пришли к выводу, что зависимость от контекста является главным препятствием в решении проблемы.

Первые системы искусственного интеллекта демонстрировали многообещающую производительность, хотя и на простых примерах. Но почти во всех случаях эти ранние системы терпели сокрушительное поражение, сталкиваясь с более широким кругом проблем или с более трудными проблемами.

Сложности первого рода были связаны с тем, что основная часть ранних программ не содержала знаний или имела лишь небольшой объем знаний о своей предметной области; их временные успехи достигались за счет простых синтаксических манипуляций. Типичная для этого периода история произошла при проведении первых работ по машинному переводу текста на естественном языке, которые щедро финансировались Национальным научно-исследовательским советом США. Вначале считалось, что для сохранения точного смысла предложений достаточно провести простые синтаксические преобразования, основанные на грамматиках русского и английского языков, и замену слов с использованием электронного словаря. Но дело в том, что для устранения неоднозначности и определения смысла предложения в процессе перевода необходимо обладать общими знаниями о предметной области. Возникающие при этом сложности иллюстрируются знаменитым обратным переводом фразы "the spirit is willing but the flesh is weak" (дух полон желаний, но плоть слаба), в результате которого получилось следующее: "the vodka is good but the meat is rotten" (водка хороша, но мясо испорчено).

Сложности второго рода были связаны с неразрешимостью многих проблем, решение которых пытались найти с помощью искусственного интеллекта. В большинстве ранних программ искусственного интеллекта решение задач осуществлялось по принципу проверки различных комбинаций возможных шагов, которая проводилась до тех пор, пока не будет найдено решение. На первых порах такая стратегия приводила к успеху, поскольку микромиры содержали очень небольшое количество объектов, поэтому предусматривали лишь незначительный перечень возможных действий и позволяли находить очень короткие последовательности решения. До того как была разработана теория вычислительной сложности, было широко распространено такое мнение, что для "масштабирования" задач до уровня более крупных проблем достаточно просто применить более быстродействующие аппаратные средства с большим объемом памяти. Например, оптимизм, с которым были встречены сообщения о разработке метода доказательства теорем с помощью резолюции, быстро угас, когда исследователи не смогли доказать таким образом теоремы, которые включали чуть больше нескольких десятков фактов. Как оказалось, то, что программа может найти решение в принципе, не означает, что эта программа действительно содержит все механизмы, позволяющие найти данное решение на практике.

В это период появилось множество формализмов, схем представления знаний, которые актуальны в наши дни (семантические сети, фреймы, правила продукций).

Были выдвинуты три положения, представляющих фундамент машинного понимания:

1) Способность представлять знания об окружающем мире и формулировать суждения, основываясь на таких представлениях;

2) Способность находить аналогию между разными представлениями в одинаковых ситуациях и одинаковые представления в разных ситуациях;

3) Способность обучаться. Новая информация должна интегрироваться в уже имеющееся знание.

Сложность проблемы ИИ породила некоторый пессимизм. Основной вывод этого периода: интеллектуальная система – это система, основанная на знаниях.

Период технологий и приложений

Начался от середины 70-х годов.

Альтернативным по сравнению со слабыми методами стал подход, предусматривающий использование более содержательных знаний, относящихся к проблемной области, который позволяет создавать более длинные цепочки шагов логического вывода и дает возможность проще справиться с теми проблемными ситуациями, которые обычно возникают в специализированных областях знаний.

Одним из первых примеров реализации такого подхода была программа Dendral. Она была разработана в Станфордском университете группой ученых, которая занималась решением проблемы определения структуры молекул на основе информации, полученной от масс-спектрометра. Значение программы Dendral состояло в том, что это была первая успешно созданная экспертная система, основанная на широком использовании знаний: ее способность справляться с поставленными задачами была обусловлена применением большого количества правил специального назначения. В более поздних системах также широко применялся основной принцип подхода, реализованного Маккарти в программе Advice Taker, — четкое отделение знаний (в форме правил) от компонента, обеспечивающего проведение рассуждений.

Руководствуясь этим опытом, Фейгенбаум и другие специалисты из Станфордского университета приступили к разработке проекта эвристического программирования, целью которого было исследование того, в какой степени созданная ими новая методология экспертных систем может быть применена в других областях интеллектуальной деятельности человека. На очередном этапе основные усилия были сосредоточены в области медицинской диагностики. Ученые разработали программу Mycin для диагностики инфекционных заболеваний кровеносной системы. После ввода в нее примерно 450 правил программа Mycin приобрела способность работать на уровне некоторых экспертов, а также показала значительно более лучшие результаты по сравнению с врачами, имеющими не такой большой стаж.

Стало понятно, что в каждой конкретной области знаний, будь то медицина или геология, при управлении космическим аппаратом или атомной электростанцией существуют конкретные, не формализуемые математически, знания, навыки, умения специалистов, от которых и зависит успешное решение той или иной задачи. Важность использования знаний в проблемной области стала также очевидной и для специалистов, которые занимались проблемами понимания естественного языка.

Поэтому период характеризуется значительным прогрессом в области экспертных систем (ЭС) и «зимней спячкой» в области «чистого» ИИ. Программирование ЭС представляет собой раздел задач ИИ. ЭС – это компьютерная программа, которая оперирует со знаниями об определенной предметной области с целью выработки рекомендаций или решения проблем. Цель исследований по ЭС – в разработке программ, которые при решении трудных для человека задач получают результаты, не уступающие по качеству и эффективности решениям, получаемым экспертом. ЭС может полностью взять на себя функции, выполнение которых требует привлечения опыта человека-эксперта. Эта область ИИ оказалась вполне по силам современным ЭВМ и давала ощутимую отдачу (экономический и прочий эффект). Особенности ЭС:

-  «разумность» Некоторые задачи решают лучше, чем люди-эксперты;

-  развитый интерфейс пользователя;

-  способность обосновывать действия;

-  эвристики и работа с нечеткими данными;

-  постепенное накопление знаний. Знания наиболее старых ЭС собраны в течение примерно 20 лет.

В связи с широким ростом количества приложений, предназначенных для решения проблем реального мира, столь же широко возрастали потребности в создании работоспособных схем представления знаний. Было разработано большое количество различных языков для представления знаний и проведения рассуждений. Некоторые из них были основаны на логике, например, в Европе получил распространение язык Prolog, а в Соединенных Штатах широко применялось семейство языков Planner. В других языках, основанных на выдвинутой Минским идее фреймов, был принят более структурированный подход, предусматривающий сбор фактов о конкретных типах объектов и событий, а также упорядочение этих типов в виде крупной таксономической иерархии, аналогичной биологической таксономии.

Период информационного взрыва

Однако интерес к «чистому» интеллекту стал возрастать с появление Всемирной паутины и развитием Интернет-приложений, в частности, интеллектуальных агентов и электронных советчиков, облегчающих и упрощающих поиск и воспроизведение информации (семантический Веб). Возрождение интереса к исследованиям в области ИИ связано также с информационным взрывом. Требуются методы обработки текстов, изображений, их анализ, классификация, обобщение, индексирование и др. Усилия направлены на разработку методов разбиения знаний, присущих человеку, на модули, которые можно было бы активизировать по заданной схеме (современная архитектура ИИ). Формируется направление – системы распределенного искусственного интеллекта.