Основные направления исследований в области ИИ

Среди множества направлений ИИ можно выделит несколько ведущих, которые в настоящее время вызывают наибольший интерес у исследователей и практиков (рис. 3.1).

В связи с развитием экспертных систем на настоящий момент основным направлением ИИ стало представление знаний. Оно связано с разработкой моделей представления знаний и созданием баз знаний, образующих ядро экспертных систем. В последнее время данное направление включает в себя методы и модели извлечения и структурирования знаний и сливается с инженерией знаний.

В рамках направления, связанного с созданием программного обеспечения систем ИИ, разрабатываются специальные языки для решения интеллектуальных задач. В таких языках упор традиционно делается на преобладание логической и символьной обработки над вычислительными процедурами. Например, языки LISP, PROLOG, SMALLTALK, РЕФАЛ и др. Помимо этого создаются пакеты прикладных программ, ориентированные на промышленную разработку интеллектуальных систем, например, KEE, ART, G2. Также достаточно популярно создание так называемых пустых экспертных систем или «оболочек» - KAPPA, EXSYS, M1, ЭКО и др. Базы знаний таких систем можно наполнять конкретными знаниями, создавая различные прикладные системы.

Компьютерная лингвистика является одной из популярных тем исследований в области ИИ, начиная с 50-х гг. Но уже первая программа в области естественно-языковых интерфейсов – переводчик с английского языка на русский – показала, что идея машинного перевода не так проста, как казалось первым исследователям и разработчикам. Так, первоначальный подход, основанный на пословном переводе, оказался неэффективным. Неплодотворность такого подхода связана с тем фактом, что человек может перевести текст только на основе понимания его смысла или контекста. Тем не менее, еще в течение длительного времени разработчики пытались создать программы на основе морфологического анализа. В настоящее время системы машинного перевода усложнились и используют другие модели. Например, использование так называемых «языков-посредников» (языков смысла), в результате чего происходит дополнительная трансляция текста: язык оригинала – язык смысла – язык перевода. К другим методам, используемым при создании естественно-языковых интерфейсов, относятся: ассоциативный поиск (поиск аналогичных фрагментов текста и их переводах в специальных базах данных) и структурный подход. Структурный подход включает последовательный анализ и синтез естественно-языковых сообщений, при этом совместно используются морфологический, синтаксический, семантический и прагматический виды анализа.

Одним из быстро развивающихся направлений систем ИИ является робототехника. Роботы – это электромеханические устройства, предназначенные для автоматизации человеческого труда. Идея создания роботов очень древняя. Автор самого слова «робот» – чешский писатель Карел Чапек (20-е гг. XX в.), описавший роботов в своем рассказе «Р.У.Р.».

Первых роботов трудно назвать интеллектуальными, это были роботы с жесткой схемой управления – программируемые манипуляторы. К первому поколению роботов принадлежат практически все современные промышленные роботы. Только в 1960-х годах появились «роботы с элементами чувствительности», которые управлялись универсальными компьютерами. Постепенно характеристики роботов все улучшались, но до сих пор они еще очень далеки по своим «способностям» от человека. Сегодня в мире изготавливается более 60 тыс. роботов в год. Существуют адаптивные роботы с сенсорными устройствами (роботы «второго поколения»), но в промышленности они пока используются мало. Конечной целью развития робототехники является создание интеллектуальных (самоорганизующихся) роботов. При этом основной проблемой при создании интеллектуальных роботов стала проблема машинного зрения и адекватной обработки и хранения трехмерной визуальной информации.

Распознавание образов и обучение – это те направления в области ИИ, которым сегодня уделяется наибольшее внимание исследователей. Распознавание образов – направление традиционное, берущее начало у самых истоков ИИ, а в настоящее время практически выделившееся в самостоятельную науку. Ее основной подход заключается в описании классов объектов посредством определенных значений значимых признаков, а именно, каждому объекту ставится в соответствие матрица признаков, по которой происходит его распознавание. Процедура распознавания чаще всего основана на специальных математических методах, разделяющих объекты на классы. Это направление близко к машинному обучению и тесно связано с нейрокибернетикой.

Машинное обучение и самообучение представляют собой интересный класс интеллектуальных задач, имеющий огромное прикладное значение. Решением таких задач занимались и продолжают заниматься представители различных наук – физиологи, психологи, математики, инженеры. Такой интерес стимулировался перспективами широкого практического использования результатов теоретических исследований: читающие автоматы, системы ИИ, ставящие медицинские диагнозы, проводящие криминалистическую экспертизу и т. п., а также роботы, способные распознавать и анализировать сложные сенсорные ситуации.

Машинное обучение включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний на основе анализа и обобщения данных. Оно содержит обучение по примерам (или индуктивное обучение), а также традиционные подходы из теории распознавания образов. В последние годы к этому направлению тесно примыкают развивающиеся системы data mining (анализа данных) и knowledge discovery (поиска закономерностей в базах данных).

Самые современные процессоры сегодня основаны на традиционной последовательной архитектуре фон Неймана, используемой еще в компьютерах первых поколений. Для символьной обработки эта архитектура крайне неэффективна, поэтому усилия многих научных коллективов и фирм вот уже десятки лет нацелены на разработку аппаратных архитектур, предназначенных для обработки символьных и логических данных. Создаются Пролог- и Лисп-машины, компьютеры V и VI поколений. Последние разработки посвящены компьютерам баз данных, параллельным и векторным компьютерам. Но на сегодняшний день недостатками промышленных разработок в этой области по-прежнему остаются их высокая стоимость, недостаточное программное оснащение и аппаратная несовместимость с традиционными компьютерами.

Еще одно направление ИИ – игры и машинное творчество. Это скорее дань истории данной науки. Возникновение направления связано с тем, что на заре исследований ИИ традиционно включал в себя игровые интеллектуальные задачи – шахматы, шашки. В основе первых программ, направленных на решение таких задач, лежит один из ранних подходов – лабиринтная модель мышления плюс эвристики. В настоящее время существуют и успешно применяются программы, позволяющие машинам играть в деловые или военные игры, имеющие большое прикладное значение. Здесь также чрезвычайно важно придать программам присущую человеку способность к обучению и адаптации. Ярким примером сложной интеллектуальной игры до недавнего времени являлись шахматы. В 1974 г. состоялся международный шахматный турнир машин, снабженных соответствующими программами. Победу на этом турнире одержала советская машина с шахматной программой «Каисса». Однако, несмотря на довольно большую сложность шахмат, и невозможность в связи с этим произвести полный перебор всех вариантов ходов, перебор их на большую глубину, чем обычно, очень увеличивает шансы на победу. К примеру, компьютер фирмы IBM, победивший чемпиона мира по шахматам Г. Каспарова, имел 256 процессоров, каждый из которых был оснащен 4 Гб дисковой памяти и 128 Мб оперативной. Этот вычислительный комплекс мог просчитывать более 100 000 000 ходов в секунду.

Сегодня направление развития ИИ, связанное с игровыми интеллектуальными задачами, в научном плане считается тупиковым и в основном используется в коммерческих целях.

Кроме игровых задач, данное направление охватывает сочинение компьютером музыки, стихов, сказок и даже афоризмов. Основным методом машинного творчества является метод пермутаций (перестановок) вместе с использованием некоторых баз знаний и данных, содержащих результаты исследований по структурам текстов, рифм, словосочетаний, сценариям и т.п.

ИИ – междисциплинарная наука, и ее направления, перечисленные выше, это далеко не полный список тех областей исследований, где используются идеи ИИ. К числу таких областей относятся: когнитивное моделирование, распознавание и синтез речи, интеллектуальные интерфейсы, дедуктивные модели, менеджмент знаний, логический вывод, формальные модели, мягкие вычисления и многое другое [3.1, 3.15].