Метазнание объектов окружающего мира

Решение проблем, охватывающих большие объемы знаний, требует уме­ния обращаться с очень сложными и весьма различными типами данных, как по содержанию, так и по взаимосвязи с другими элементами системы. Требуемая информация должна не только присутствовать в программных комментариях и в мыслях разработчика, но и быть доступной самой сис­теме. Таким образом, с каждым элементарным объектом может быть связа­но смысловое значение — концепт. Например, в системах МЕСНО и MYCIN каждый из концептов содержит следующую информацию:

а) описательную часть, которая уточняет характеристики и структуру данных;

б) указатель на все известные примеры концепта;

в) связи с другими концептами;

г) указатель в иерархии схем на группу концептов того же семейства.

Когда формулируется новое правило, которое содержит слово или группу слов, неизвестных системе, она их анализирует с помощью имеющихся концептов, используя контекст и последовательность слов пра­вила. Более того, если некоторые свойства известны из других примеров того же концепта, то система в состоянии запросить у пользователя уточ­нения этого свойства для данного случая. При необходимости она также обнаруживает нарушения связи между концептами.

Подобные системы имеют возможность фиксировать все концепты одного и того же иерархического уровня, изменение, внесенное экспертом в, один из них, а также оценивать важность изменений, внесенных в базу данных, ес­ли в определенную структуру добавляется новый пример.

Кроме того, продукционные правила могут характеризоваться моделями правил. Эти модели создаются и управляются системой и учитывают перио­дичность использования правил. Они занимаются проверкой соответствия между новым правилом и базой, кроме того, именно они указывают экспер­ту на главные тенденции множества правил даже в том случае, когда самих правил эксперт не знает. Именно они обогащаются с каждым новым примером по мере роста множества правил. В системе МЕСНО, напри­мер, сами формулировки задач связаны с формой метазнания. Система по­стоянно пытается распознать в формулировке стандартную ситуацию. Ко­гда ей это удается, она дополняет множество фактов всеми физическими ги­потезами, справедливыми для данного случая.

Метазнание стратегий

В продукционных системах стратегии также представлены в форме метаправил, поскольку они затрагивают сами правила. Они являются изо­лированными и доступными для системы. Эвристические законы управления поиском решения используют эти метаправила в качественном и деклара­тивном виде, вместо того чтобы использовать количественные оценки. С применением числовых оценочных функций связан риск ошибки: они плохо читаемы, отражаемый ими частичный порядок приводит с слож­ным вычислениям, любая модификация приводит к возможности появления ошибки.

Стратегии, заданные в форме метаправил, являются более четкими и оп­ределенными. Выводы метаправил указывают на действия, которые необхо­димо предпринять в рассматриваемой ситуации. Таким образом они реа­лизуют полезный потенциал, заключенный в множестве правил, и дают двойной эффект:

1) исключают определенные правила, не подходящие к данной ситуа­ции, и тем самым уменьшают дерево поиска;

2) осуществляют частичную классификацию других правил, частично
упорядочивая ветви дерева поиска.

Конечно же, можно и дальше увеличивать число уровней знания, строя
дополнительные этажи над уже имеющимся и увеличивая это сооружение
по мере роста интеллектуальности самой системы. При этом мы добива­емся большей общности, так как тот же интерпретатор¹ получает воз­можность работать в различных областях, а также большей устойчиво­сти, так как более развитые модели не чувствительны к изменениям базы элементарных знаний.

По этой причине система CRYSALIS (Engelmore, 1979) включает три отдельных уровня правил. Она предназначена для анализа протеинов, и размеры ее пространства поиска очень важны с комбинаторной точки зрения. Классический подход в данном случае неприменим. Правила сначала группируются в подмножества (неразобщенные). Каждое под­множество предназначено для определенной обработки и используется при выполнении соответствующих условий. Соответствие между конечными классами и подмножествами правил устанавливается с помощью правил заданий, которые составляют второй уровень знаний. Эти правила опре­деляют, как следует выполнить данное задание наилучшим образом.

Наконец, третий уровень относится к мета-метаправилам, которые определяют подцели и выражают их в зависимости от правил задания.

В примере, приведенном ниже, показан порядок выполнения системой одного из правил задания, в посылках которого содержится задание ПРОВЕСТИ-МЕЖДУ-ТОЧКАМИ, а также указывается, какому пра­вилу должно быть отдано предпочтение при выполнении задания:

ЕСЛИ два гипотетических элемента протеина аи b

уже размещены с коэффициентом правдоподобия

для каждого из них не менее 0,4

И ЕСЛИ число остаточных элементов в последовательности

ab   не более 5

ТО          использовать правила, предназначенные для задания

ПРОВЕСТИ-МЕЖДУ-ТОЧКАМИ

Такой способ группировки правил обладает преимуществами и недос­татками. Преимущество заключается в том, что управление осуществля­ется в самом правиле, каждое правило содержит собственные соображения по применению (см. систему AM Лената (1977)). Такая же руководящая идея может быть легко обнаружена и в семействе правил. Недостаток за­ключается в том, что посылки правил могут оказаться очень громоздкими.

Однако существует и альтернативный путь решения этой проблемы, важ­ной с точки зрения эффективности и ясности систем. Он состоит в разреше­нии все более и более сложных структур посылок в правилах. Эти вопросы затрагиваются при рассмотрении внутреннего представления наборов правил.

Работа Виленски (1981) «Метапланирование» посвящена управлению планами действий, независимо от области применения. Он предложил мета-стратегии для разрешения конфликтов между планами, а также рассматрива­ет рекуррентные и конкурентные планы. Одно и то же знание представлено в декларативной форме в двух различных программах РАМ и PANDORA. Одна из них составляет планы для решения задач, другая долж­на его понять и составить планы для участвующих в действии объектов.

Заключение

Итак, системы, использующие декларативные базы данных, а также продукционные правила, отношения, прототипы, схемы и семантические сети для представления и использования содержащихся в них знаний, от­крывают действительно новый подход к программированию, который за­ключается в возможности передачи от человека к программе наиболее про­стым образом знаний неупорядоченной структуры в. произвольных облас­тях. Взаимодействие с экспертными системами происходит на декларатив­ном языке, который по сути предназначен для выражения знаний. Подоб­ный подход представляется совершенно необходимым в области искусст­венного интеллекта, и на этой основе уже созданы эффективные систе­мы.

Крайняя простота представления знаний не ставит ограничений перед программистом или специалистом, скорее наоборот, она требует от нас мыслить наиболее естественным образом. Среди многих преимуществ по­добного представления знаний, как мы рассмотрели в разд. 1 и 2, нахо­дится и обсуждаемое в современных работах одновременное решение за­дач и понимание естественного языка.

Кроме того, экспертные системы предоставляют в наше распоряжение специализированные базы знаний: система PROSPECTOR охватывает зна­ния в области геологии, MYCIN используется для обучения в медицине, а PECOS оказывает помощь в программировании.

Наконец, при изучении этих систем становится очевидным, что суще­ственной особенностью нашего интеллекта является способность управлять большим объемом элементарных составляющих информации. Поэтому од­ним из предметов исследований в области искусственного интеллекта еще долгое время будут три фундаментальные проблемы, уже встречавшиеся при рассмотрении продукционных систем. Они имеют отношение к при­митивным действиям, связанным с обработкой любой ин формации:

сформулировать — запомнить — использовать

• Сформулировать

Мы постоянно оказываемся в новых ситуациях. Приходящий к нам опыт заключается прежде всего в способности абстрагироваться от этих ситуаций и описать их с помощью общих представлений, которые могут быть элементами обычного языка. Однако во многих областях этого недостаточно, t так как обычно имеется много неточностей или делается слишком много ссылок на обстоятельства, не связанные с данной конкретной ситуацией. Каждый специалист постоянно совершенствуется в своей области и вырабатывает собственный жаргон.

В некоторых книгах часто встречаются советы описывать ситуацию и предпринимаемые действия с очень высокой степенью детализации, одна­ко в этом случае трудно достигнуть нужного эффекта обобщения. Стано­вится сложно использовать всю накопленную информацию.

Автоматический поиск концептов, полезных в примитивных ситуациях, безусловно, возможен (как это возможно и для одаренных личностей), одна­ко, с нашей точки зрения, в области искусственного интеллекта в ближай­шем будущем этого ожидать не следует.

• Запомнить

Запоминание информации технологически ограничено и связано преж­де всего с эффективностью используемой информационной системы. Если для удобства работы требуется, чтобы элементы знания вводились в про­дукционные системы независимым образом, как это делается в словарях, то храниться они должны в упорядоченном виде. Правила, сгруппиро­ванные в древовидные структуры, представляют собой сеть, узлы кото­рой являются моделями, содержащими описание правил.

Кроме того, необходимо, чтобы система умела инвертировать правила, т. е. умела определять, в каких ситуациях данное правило окажется полез­ным. Инверсия — непростая операция, связанная с обобщением, и с ее по­мощью осуществляется узнавание концептов, кратких дескрипторов всех возможных ситуаций в процессе обработки информации. Для того чтобы уменьшить издержки, связанные с инверсией, иногда допускается излиш­ний расход памяти. Ясно, что в интеллектуальных, эффективно работающих системах одна и та же информация может быть представлена в нескольких различных форматах.

• Использовать

При доступе к информации возникают проблемы распознавания форм, которые использовались на предыдущем этапе для образования древовид­ных структур, прямых и инверсных элементарных правил. Управление по­иском идет с помощью метаправил и в более общем виде с помощью моде­лей знаний высоких уровней, которые позволяют проводить распознавание в зависимости от стратегии, связанной с контекстом, и задерживать выбор на возможно более долгое время.

Многие экспертные системы, основанные на продукционных правилах, в
частности CRYSALIS, ARGOS II, POLITICS, OPS, TANGO, SNARK, уже
содержат элементы ответов на поставленные три вопроса. Этому способст­вует прежде всего четкое разделение между самим знанием и обработкой с
помощью итерационной интерпретации, которая позволяет четко разделить..
и анализировать эти три проблемы.

Таким образом, экспертные системы предлагают качественно новьй под­ход к программированию. Из двух главных управляющих структур — про­верки и цикла — они оставляют только первую, которая позволяет довольно легко формулировать элементарные факты для интерпретатора, а также по­вторять циклы наполнения проверок и обработку. Таким образом устраня­ются два неизбежных недостатка классического программирования: после­довательный порядок выполнения операций и приказной характер элемен­тарных инструкций. Вместо инструкций — неупорядоченные отдельные данные, порядок использования которых заранее нельзя предвидеть.

Но в еще большей степени экспертные системы позволяют обойтись без всех средств произвольных языков программирования. Действительно, пользователь, эксперт по мере потребностей определяют собственные кон­цепты, специальную терминологию, выбирая подходящий для себя уровень детализации, пригодный для решения поставленных задач.

В отличие от этого и к большому неудобству исследователей в области искусственного интеллекта современные языки программирования являют­ся языками слишком низкого уровня. Простое действие, элементарный факт чаще всего оказываются растворенными в большом числе инструкций, и каждая их модификация оказывается трудоемкой и опасной. Таким обра­зом, основной целью исследователей в области искусственного интеллекта является создание форм представления и интерпретации знаний типа экс­пертных систем, которые, можно назвать языками будущего. Им присущи абсолютная модульность, четкость, полное разделение между данными и управлением, большие возможности по обработке информации, эффектив­ное взаимодействие между человеком и программой, возможность со­ставления программного обеспечения очень больших объемов, имеющего не обязательно алгоритмическую природу.

Для того чтобы подобные системы были полезны и за пределами разработавших их лабораторий, осталось выполнить определенный объем работ. В частности, необходимо решить две проблемы. Во-первых, исследовать формальные законы языков, на которых выражаются правила и метапра­вила, их синтаксис и семантику, типы логических связей, основные прими­тивы. Необходимо выполнить работу, аналогичную той, которая уже про­делана для классических языков программирования, но с учетом интер­претаторов и современных ЭВМ.

Во-вторых, вывести работы в области искусственного интеллекта за пре­делы университетских лабораторий, в частности для экспертных систем разработку эффективных интерпретаторов и механизмов вывода, которые должны найти новых пользователей, как это было при разработке компиляторов.

Экспертные системы доказали возможность совершенно нового подхода к развитию информатики. Он заключается в формализации нашего знания с помощью декларативных независимых понятий, в организации четко определенных структур, таких, как продукционные правила, фреймы,скрип­ты и семантические сети, с помощью которых можно получить изящное решение поставленных задач.

Литература

1. Лорьер, Жан-Луи. Системы искусственного интеллекта - М.: 1991;

2. К. Нейлор. Как построить свою экспертную систему. - М.: Энерго-
АтомИздат, 1991;

3. Глушков В.М. Основы безбумажной информатики – М.: Наука, 1982

4. Каймин В.А. Информатика и дистанционное образование – М.: 1998

5. Каймин В.А. Информатика: Учебник-2е изд., переработанное и дополненное – М.: ИНФРА-М, 2002.