Процесс мышления

Процесс мышления, протекающий в человеческом сознании, чрезвычайно сложен. Одна ячейка человеческого глаза способна выполнять за 10 мс обработку, эквивалентную решению системы из 500 нелинейных дифференциальных уравнений. Компьютеру Cray-1 потребовалось бы несколько минут для решения этих уравнений. Поскольку глаз человека насчитывает не менее ячеек и каждая из них взаимодействует с другими, то компьютеру Cray-1 необходимо затратить по меньшей мере 100 лет, чтобы воспроизвести процессы, происходящие ежесекундно в человеческом глазу [4].

Данные из внешнего мира воспринимаются человеком с помощью одного из пяти органов чувств и затем помещаются в буфер кратковременной памяти для анализа. В другой области памяти (долговременной) хранятся символы и смысловые связи между ними, которые используются для объяснения новой информации, поступающей из кратковременной памяти. В долговременной памяти хранятся не столько факты и данные, сколько объекты и связи между ними, т.е. символьные образы. Большие объемы данных постоянно записываются в кратковременную память, и мы непрерывно анализируем и фильтруем получаемую информацию для того, чтобы определить степень ее важности и то, как она соотносится с образами, хранящимися в долговременной памяти (рис. 1.1).

Рис. 1.1. Система обработки информации у человека

Учеными установлено местоположение всех областей памяти в человеческом мозге. Логично предположить, что имеющиеся в мозге области памяти объединяются в единую структуру, в которой и происходит обработка поступающей информации.

Доступ к информации в долговременной памяти осуществляется достаточно эффективно. Практически любой элемент данных может быть извлечен в течение цикла обработки продолжительностью не более 70 мс и затем преобразован. Например, мы инстинктивно отдергиваем руку от горячей печки или резко поворачиваем руль автомобиля при возникновении препятствия на дороге, используя образы, ранее запомненные в долговременной памяти.

Механизм запоминания информации в долговременной памяти представляет собой самостоятельную и обширную тему для исследований. Требуется приблизительно 7 секунд для записи одного образа в долговременную память и установления всех связей, необходимых для извлечения этого образа в будущем. Перемещение данных из кратковременной памяти в долговременную память занимает приблизительно 15–20 минут. Если человек в автокатастрофе получил мозговую травму, то долговременная память может восстановиться почти полностью. Однако вся информация, поступившая в течение 15–20 минут до катастрофы, будет потеряна и никогда не восстановится [4].

Можно провести аналогию между кратковременной памятью человека и оперативной памятью ЭВМ, для которой отключение электропитания означает полное уничтожение всех данных. Долговременная память человека похожа на дисковую память ЭВМ. В долговременной памяти образы существуют в виде циркулирующих электрохимических импульсов и физических нейронных взаимодействий. Человек часто полностью выздоравливает после повреждения мозга и уничтожения нейронов в автокатастрофе, если у него не разрушены речевые центры или нейроны, управляющие двигательной системой. Нейроны других типов, даже если они частично повреждаются при травме, могут сохранять работоспособность благодаря зафиксированной ранее информации.

Целесообразно остановиться на организации хранения информации в человеческой памяти. Эта тема представляет наибольший интерес для разработчиков интеллектуальных систем. Способ хранения символьных образов в долговременной памяти во многом схож со способом хранения числовой информации в базах данных сетевого типа. Человеческая память хранит не числовые данные, как, например, номера элементов некоторой совокупности, а образы или символы. В памяти существует система указателей, позволяющая нам быстро извлечь любой нужный символ и все данные, которые с ним связаны. Мозг человека организован более совершенно, чем компьютерные базы данных, так как символьные образы в нем объединены в чанки – наборы фактов и связей между ними, запомненные и извлекаемые как единое целое. Чанки хранятся совместно с взаимосвязями между ними. В каждый момент времени человек может обрабатывать и интерпретировать не более четырех-семи чанков.

Чтобы убедиться в этом, прочтите следующую строку, закройте книгу и попытайтесь написать на листе бумаги то, что вы прочли:

Нлонмйкртс зрззйнк внбнм гвссмзл.

Теперь проверьте написанный вами текст и подсчитайте, сколько символов вам удалось воспроизвести правильно. Вероятно, их окажется от четырех до семи.

Повторите эксперимент со следующим предложением:

Экспертные системы почти разумны.

На этот раз вы, видимо, написали все буквы правильно. При этом оба предложения состоят из одинакового количества букв и слов. Почему же так отличаются результаты? Во втором случае вы объединили все объекты (буквы) в четыре чанка и в действительности запомнили только их и связи между ними, что соответствует допустимому для человеческого мозга диапазону. В первом же примере вы должны были запомнить 30 чанков, т.е. выйти за пределы допустимого числа чанков.

Используя ту же стратегию, опытный шахматист может, бегло взглянув на доску, запомнить положение всех фигур. При этом он запоминает не положение каждой фигуры, а их комбинации (чанки), и поэтому безошибочно восстанавливает расположение фигур на доске.

Способность формировать чанки отличает эксперта в данной конкретной области от неэксперта. Эксперт развивает свою способность объединять в чанки большие объемы данных и устанавливать иерархические связи между ними для того, чтобы быстро извлекать эти данные из памяти и с их помощью распознавать новые ситуации по мере поступления информации о них в мозг. Средний специалист в конкретной предметной области помнит от 50 000 до 100 000 чанков, которые могут быть использованы для решения той или иной проблемы. Их накопление в памяти человека и построение указателей для такого объема данных требуют от 10 до 20 лет [4].

1.3. Основные понятия и классификация систем,
основанных на знаниях

Искусственный интеллект ориентирован на создание методов дублирования функций живых интеллектуальных систем искусственными системами. Технология разработки интеллектуальных программных средств основана на том, что знания о решении задач отделяются от программ и реализуются в виде базы знаний, а в программах реализуется алгоритм манипулирования этими знаниями. Этот алгоритм называют механизмом логического вывода. Знания являются явными и доступными, что отличает интеллектуальные системы от большинства традиционных программных средств.

К знаниям относят информацию о логике решения задач, а к данным – информацию, которая должна быть проанализирована в соответствии с этой логикой. Поэтому имеются специфические признаки, отличающие знания от данных:

· внутренняя интерпретируемость, означающая, что в знаниях находится информация, раскрывающая смысл элементов знаний;

· структурированность знаний, заключающаяся в возможности декомпозиции сложных объектов на более простые и установлении соответствующих связей между ними;

· связность знаний отражает причинно-следственные и временные отношения между фактами, процессами и явлениями;

· активность знаний, так как они могут содержать планы действий и управляющие процедуры.

Знания, которыми обладает специалист в какой-либо области (дисциплине), можно разделить на формализованные (точные) и неформализованные (неточные) знания.

Формализованные знания формулируются в виде общих и строгих суждений (законов, формул, моделей и алгоритмов), отражающих универсальные знания.

Неформализованные знания отличаются конкретностью, субъективностью и приблизительностью. Обычно они являются результатом обобщения многолетнего опыта работы и интуиции специалистов и представляют собой многообразие эмпирических приемов и правил.

В зависимости от того, какие знания преобладают в той или иной предметной области, ее относят к формализованной (если преобладают точные знания) или к неформализованной (если преобладают неточные знания) предметной области. Задачи, решаемые на основе точных знаний, называют формализованными, а задачи, решаемые с помощью неточных знаний, – неформализованными [5].

Традиционное программирование в качестве основы для разработки программ использует алгоритм, то есть формализованное знание. Поэтому до недавнего времени считалось, что ЭВМ не приспособлены для решения неформализованных задач. Расширение сферы использования ЭВМ показало, что неформализованные задачи составляют очень важный класс задач, по-видимому, значительно больший, чем класс формализованных задач. Неумение решать неформализованные задачи сдерживает внедрение ЭВМ в описательные науки. Поэтому исследования в области ЭС имеют большое значение и занимают важное место в информатике.

К неформализованным задачам относятся те, которые обладают одной или несколькими из следующих особенностей [5]:

· алгоритмическое решение задачи неизвестно (хотя, возможно, и существует) или не может быть использовано из-за ограниченности ресурсов ЭВМ (времени, памяти);

· задача не может быть представлена в числовой форме (требуется символьное представление);

· цели задачи не могут быть выражены в терминах точно определенной целевой функции.

Как правило, неформализованные задачи обладают неполнотой, ошибочностью, неоднозначностью и (или) противоречивостью знаний (как данных, так и используемых правил преобразования). Экспертные системы отличаются от традиционных программ тем, что ориентированы на решение неформализованных задач. Основными особенностями ЭС являются:

· алгоритм решения неизвестен заранее, а строится самой системой с помощью символических рассуждений, базирующихся на эвристических приемах;

· способность анализа и объяснений своих действий и знаний;

· способность приобретения новых знаний от пользователя – эксперта, не знающего программирования, и изменения в соответствии с ними своего поведения;

· обеспечение “дружественного”, как правило естественно-языкового, интерфейса с пользователем.

С точки зрения пользователя, наиболее важными свойствами ЭС являются:

· возможность предоставления подробных объяснений полученных решений;

· возможность постепенного наращивания баз знаний без перепрограммирования;

· знания из баз знаний обладают самостоятельной ценностью и могут распространяться.

Перечислим основные виды интеллектуальных систем, отличающиеся целью и реализацией знаний:

· интеллектуальные информационные поисковые системы, обеспечивающие в процессе диалога взаимодействие конечных пользователей с базами знаний на профессиональных языках пользователей;

· интеллектуальные пакеты прикладных программ, в которых, в отличие от обычных пакетов, реализуются знания о процессе решения задач предметной области;

· экспертные системы, обеспечивающие возможность решения задач в полностью неформализованных областях, причем вся информация о решении задач предметной области реализуется в виде баз знаний.

Экспертные системы представляют собой класс компьютерных программ, которые выдают советы, проводят анализ, выполняют классификацию и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующих процедурный анализ, ЭС решают задачи в узкой предметной области на основе дедуктивных суждений.

Классификация ЭС по решаемой задаче [1]:

1. Интерпретация. Это анализ исходных данных с целью определения их смысла.

2. Диагностика. Это процесс поиска неисправности в системе, который основан на интерпретации данных

3. Мониторинг (наблюдение). Это задача непрерывной интерпретации сигналов и выдачи оповещений в тех случаях, когда контролируемые параметры выходят за допустимые пределы. Мониторинг является частью диагностической системы, которая работает в реальном масштабе времени.

4. Прогнозирование. Это предсказание хода развития системы в будущем на основании ее поведения в прошлом и настоящем. Эти системы содержат блоки обработки статистики, блоки принятия решения на основе неполной информации, блоки генерации альтернативных путей развития системы.

5. Планирование. Под планированием понимается определение планов действий, относящихся к объектам, способным выполнять некоторые функции.

6. Проектирование. Цель: помочь человеку при нахождении им эвристических решений в процессе творчества или автоматизировать рутинную работу. Проектирование состоит в подготовке спецификаций на создание “объектов” c заранее определенными свойствами.

7. Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ. Система получает информацию о деятельности некоторого объекта (например студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером такого обучения может служить компьютерная игра, сложность которой автоматически увеличивается.

8. Контроль и управление. Системы, основанные на знаниях, могут применяться в качестве интеллектуальных систем контроля и управления. Они способны принимать решения, анализируя данные, поступающие из разных источников. Такие ЭС уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль.

9. Поддержка принятия решений. Поддержка принятия решений – это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс принятия решения. Эти ЭС помогают специалистам выбрать и сформировать оптимальное решение в конкретной ситуации.

1.4. Экспертные системы
как элемент искусственного интеллекта

Искусственный интеллект (ИИ), как наука, появился более 50 лет назад. Задачей этой науки является воссоздание с помощью искусственных устройств (в основном с помощью ЭВМ) разумных рассуждений и действий.

При этом возникают трудности двух типов:

1. В большинстве случаев, выполняя какие-то действия, мы сами не осознаем, как мы это делаем. Нам неизвестен точный способ (или алгоритм), как именно происходит понимание текста, узнавание лица, доказательство теоремы, выработка плана действий, решение задач и т.д.

2. ЭВМ априори далеки от человеческого уровня компетентности: до начала любой их работы необходимо составить соответствующие программы. Однако в действительности языки программирования дают возможность выражать только элементарные понятия.

Следовательно, методы ИИ представляют собой экспериментальную научную дисциплину. Под экспериментом в данном случае понимается проверка и уточнение моделей (представляющих собой программы для ЭВМ) на многочисленных примерах-наблюдениях над человеком с целью раскрыть эти модели и лучше понять функционирование человеческого разума.

В течение последних пятнадцати лет в рамках исследований по ИИ сформировалось самостоятельное направление – экспертные системы или инженерия знаний.

Отличительной чертой компьютерных программ, называемых ЭС, является их способность накапливать знания и опыт наиболее квалифицированных специалистов (экспертов) в какой-либо узкой предметной области. Затем с помощью этих знаний пользователи ЭС, имеющие обычную квалификацию, могут решать свои текущие задачи столь же успешно, как это сделали бы сами эксперты. Такой эффект достигается благодаря тому, что ЭС в своей работе воспроизводит примерно ту же систему рассуждений, которую обычно применяет человек-эксперт при анализе проблемы. Тем самым ЭС позволяет копировать и распространять знания, делая уникальный опыт нескольких высококлассных профессионалов доступным широким кругам рядовых специалистов.

Большой интерес со стороны пользователей к ЭС вызван по крайней мере тремя причинами. Во-первых, они ориентированы на решение широкого круга задач в неформализованных областях, на приложения, которые до недавнего времени считались малодоступными для вычислительной техники. Во-вторых, с помощью ЭС специалисты, не знающие программирования, могут самостоятельно разрабатывать интересующие их приложения, что позволяет расширить сферу использования вычислительной техники. В-третьих, ЭС при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности людей-экспертов, не оснащенных ЭС.

В настоящее время технология ЭС получила широкое распространение. Так, на американском и западноевропейском рынке систем искусственного интеллекта организациям, желающим создать ЭС, фирмы разработчики предлагают сотни инструментальных средств для их построения. Тысячи прикладных ЭС способны успешно решать специализированные задачи. Это позволяет говорить о том, что ЭС сейчас составляют мощную ветвь в индустрии программных средств.

Вместе с тем следует отметить, что на пути к тому прочному положению, которое ЭС теперь занимают в качестве важного компонента новой информационной технологии, были и спады и подъемы. ЭС довелось пережить и период безграничной веры во всемогущество, и период, когда высказывались сомнения в их полезности вообще. Неэффективность ЭС проявлялась, как правило, лишь в случаях их некорректного применения, или на низко производительной аппаратуре, не соответствующей сложности предметной области, или в задачах, для решения которых они не предназначались.

Разочарование постигало разработчиков ЭС, как правило, тогда, когда они пытались их использовать в качестве инструмента для решения задач, требующих привлечения чисто человеческих приемов мышления, – аналогий, ассоциаций и интуиции. Следует отметить, что перечисленные выше приемы мышления вначале отсутствовали в ЭС даже в зачаточном состоянии.

Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к ЭС первого поколения.

Однако специалисту, решающему интеллектуально сложную задачу, нужно, чтобы ЭС выступала в роли полноценного помощника и советника. ЭС должна быть способна проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения. Экспертные системы, относящиеся ко второму поколению, называют партнерскими системами или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т.е. эволюционировать.

В настоящее время ЭС применяются в различных областях человеческой деятельности: химии, геологии, медицине и т.д. Наибольшее распространение ЭС получили в проектировании интегральных микросхем, в поиске неисправностей, в военных приложениях и автоматизации программирования.

Применение ЭС позволяет [5]:

· при проектировании интегральных микросхем повысить (по данным фирмы NEC) производительность труда в 3–6 раз, при этом выполнение некоторых операций ускоряется в 10–15 раз;

· ускорить поиск неисправностей в 5–10 раз;

· повысить производительность труда программистов (по данным фирмы Toshiba) в 5 раз;

· при профессиональной подготовке сократить (без потери качества) в 8–12 раз время на индивидуальную работу с обучаемым персоналом.

В настоящее время ведутся разработки ЭС для следующих приложений: раннее предупреждение национальных и международных конфликтов и поиск компромиссных решений; принятие решений в кризисных ситуациях; охрана правопорядка; законодательство; образование; планирование распределения ресурсов; системы организационного управления (кабинет министров, муниципалитет, учреждения) и т.д.

Рассмотрим наиболее популярные ЭС. Система PROSPECTOR предназначена для выдачи геологам следующей информации: о наличии в анализируемой местности залежей полезных ископаемых; об оценке геологических ресурсов района, о выборе мест, благоприятных для бурения. Система создана фирмой SRI International. Работы над системой начаты в 1974 г. и продолжались до 1983 г. Трудозатраты на создание системы оцениваются в 30 человеко-лет, система достигла промышленной стадии. При этом БЗ системы содержат свыше 1000 правил и включают классификацию более 1000 геологических понятий.

Система PROSPECTOR решает задачи, не вникая в суть происходящих в проблемной области процессов. Состояние проблемной области описывается в виде утверждений о проблемной области, например: “условия района благоприятны”. В системе реализованы объяснительные возможности, выявляющие причины задания вопроса или состояние решения задачи. Во время решения задач не вводится новых утверждений о проблемной области. Все утверждения должны быть априорно перечислены экспертом.

Система MYCIN разработана в Стэндфордском университете и достигла стадии действующего прототипа. Назначение системы – оказание помощи лечащим врачам в постановке диагноза и назначение лечения в сложных случаях инфекционных заболеваний крови. Цель системы – определить организмы, являющиеся причиной заболевания, и назначить антибиотики избирательного действия. Система способна давать объяснения, ПОЧЕМУ потребовалась запрашиваемая информация и КАК получен результат. Система содержит около 800 правил.

Система R1 предназначена для определения конфигурации компонентов ЭВМ VAX 11/780, удовлетворяющей требованиям заказчика. В состав ЭВМ VAX 11/780 входит 420 компонентов, каждый из которых может иметь до 8–10 характеристик. Естественно, что число возможных конфигураций, построенных из этих компонентов, достаточно велико. Система выполняет следующие функции: определяет, не содержит ли заказ пользователя несовместимых компонентов, и выявляет недостающие; выдает конфигурацию ЭВМ VAX 11/780, которая используется при установке системы, заказчику; учитывает обусловленные заказчиком ограничения. До создания системы решением этих задач на фирме занимались квалифицированные специалисты, тем не менее, часто допускающие ошибки. Система достигла коммерческой стадии существования, объём ее БЗ 3000 правил языка OPS-5. Система работает в интерактивном режиме. Средства объяснения реализованы в виде заранее записанных текстов. Эффективность решения задач вызвана тем, что каждый шаг выполняется тогда, когда для этого имеется достаточно информации, чтобы его можно было сделать точно и в дальнейшем никогда не пересматривать. Поэтому процесс проектирования сводится к постоянному расширению частичной конфигурации. Усовершенствованная со временем система R1 получила название XCON.

К отечественным ЭС на ПЭВМ относится МОДИС-2, предназначенная для диагностики различных форм симптоматической гипертонии. Гипертонией страдают 10 % населения Земли. Причины повышения артериального давления очень разнообразны – более 30 основных заболеваний. Сложность диагностики этих заболеваний состоит в том, что они могут относиться к компетенции специалистов из различных областей медицины: нефрологии, ангиологии, урологии и т.п.

ЭС МОДИС-2 имеет важную особенность. Ее использование предполагается как в поликлиниках общего профиля, так и в специализированных учреждениях. Уровень доступной информации о больном в этих заведениях может быть разным. В поликлинике доступна информация общего характера: жалобы пациента, данные внешнего осмотра, история болезни и результаты общих анализов. В этом случае ЭС должна дать рекомендации, к каким специалистам следует обратиться, направить на специальные исследования. Таким образом, на основе имеющейся информации общего характера ЭС должна сузить круг подозреваемых заболеваний, выбрать наиболее вероятные. При использовании ЭС в специализированном учреждении может быть доступна более детальная информация о больном – данные специальных исследований. В этом случае ЭС должна ставить по возможности точный диагноз.