Искусственный интеллект и интеллектуальные информационные системы: современное состояние

УДК 681.3.07 Г.А. Сырецкий НГТУ, Новосибирск А.И. Радионов СГГ А, Новосибирск

ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ И ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ: СОВРЕМЕННОЕ СОСТОЯНИЕ

Современные достижения в микроэлектронике, микроэлектромеханике, наноэлектронике, молекулярной биологии и нарождающейся фотонике придают новый мощный стимул для интенсивного развития разнообразных направлений искусственного интеллекта, разработке и широкому использованию интеллектуальных информационных систем для решения трудноформализуемых и неформализуемых задач [5-12]. Существующие методы решения большинства прикладных задач (например, связанных с управлением производственными комплексами, принятием ответственных административных решений, синтезом сложных человеко-машинных систем, организацией оптимального управления отраслью, оптимизацией процессов управления воздушным движением, прогнозированием социальных последствий от принятых правительством решений) либо очень сложны, либо неизвестны. Обычно это обусловлено большой размерностью исходных данных, громоздкостью описания, неполнотой имеющихся данных, частичной истинностью информации, различными физическими и информационными неопределенностями, касающимися как объектов изучения и их групповых образований, так и внешних сред, в которых они располагаются. Поэтому необходимость решения трудноформализуемых и неформализуемых задач диктует создание новых вычислительных и информационных технологий. Обычно они ориентированы на особенности оперирования имеющейся информацией.

Термин «искусственный интеллект» (ИИ, Artificial Intelligence, AI) был предложен Джоном Маккарти (J.McCarthy) в 1956 году для обозначения в то время области знаний, связанной с выявлением, исследованием и построением средств, приведенных в поведенческом тесте интеллектуальности А. Тьюринга (A. Turing) [19]. По мнению этого британского математика успешное прохождение теста любой искусственной системой позволяет именовать ее системой искусственного интеллекта. Согласно тесту система интеллектуальна тогда, когда она обладает средствами

- Обработки текстов на естественном языке (вычислительной лингвистики). Благодаря таким средствам возможно естественное для человека общение с системой;

- Зрительного восприятия объектов (машинного зрения);

- Представления знаний. С их помощью воспринятые знания преобразуются в форму, доступную в системе для оперирования и записи в ее память;

- автоматического формирования логических выводов. Они могут обеспечить на поступивший запрос решение поисковых задач и получение новых заключений на основе хранимой информации;

- Машинного обучения. Они нужны для выявления и прогнозирования признаков стандартных ситуаций и адаптации к изменяющимся условиям;

- Перемещения в пространстве и манипулирования объектами (робототехники).

В настоящее время тематика искусственного интеллекта охватывает существенно больший перечень научных направлений. Поэтому стали часто различать

- Сильный ИИ (Stroning AI). Это направление связано с созданием программного обеспечения, которое наделяет компьютер способностями рассуждать и сознанием разумного существа;

- Слабый KH(Weak AI). Это направление ориентировано на построение встраиваемых в существующие системы средств, которые придают им «разумные» свойства. Такими средствами оснащены, например, программы-переводчики ООО «ПРОМТ».

Одним из возможных путей решения указанных выше классов задач является заимствование механизмов извлечения, передачи, обработки и хранения информации, встречающихся и появляющихся в природе на различных уровнях организации материи, в их числе на уровне групп живых существ, клеточном, молекулярном и квантовом уровнях [1-4, 16-18].

Ныне особенно перспективны для использования молекулярные и эволюционные вычисления, возникшие вследствие потрясающих открытий, прежде всего в молекулярной биологии, в частности принципы кодирования генетической информации, функционирования молекулярно-генетических самовоспроизводящихся систем клеток и эволюционирующих структур. Примером служит знаменитый опыт Элдмана, проведенный в 1994 году с молекулами ДНК (ДезоксирибоНуклеиновой Кислоты). Он показал возможность решения с их помощью задач, которые сложны для традиционных компьютеров. В связи с этим появилась такая парадигма молекулярных вычислений, как ДНК-вычисления [8]. В общем случае их практическое воплощение базируется на совместном использовании в различных сочетаниях методологий жестких (Hard Computing) и мягких (Soft Computing) вычислений. Мягкие вычисления - это методологическое объединение основ нечеткой логики Л. А. Заде, нейровычислений, генетических вычислений, вероятностных выводов, рассуждений на базе свидетельств, сетей доверия, теории хаоса и теории машинного обучения. Ныне на основе теории нечетких множеств развита методология вычислений

со словами (Computing with Words), являющаяся в свою очередь базисом вычислительной теории восприятия (Computational Theory of Perceptions). Методология вычислений со словами ориентирована на моделирование процессов мышления и принятия решений в определённой предметной области. Описание предметной области даётся на так называемом уточнённом естественном языке (Precisiated Natural Language). В вычислительной теории восприятия оперируют не результатами измерений, а перцептивными оценками (впечатлениями).

В настоящее время эволюционные вычисления организуют на основе эволюционных моделей изучаемых биологических систем, их объединений и виртуального мира не только с функциональной либо структурной точки зрения, но и поведения. Важной стороной поведения является когнитивная (познавательная) способность биологических систем и ход её эволюции от условного рефлекса к логике человеческого мышления. Это послужило толчком к появлению двух взаимосвязанных научно-практических направлений в эволюционных вычислениях: Искусственная Жизнь

(Artificial ljfe или A-life) и Адаптивное Поведение (Adaptive Behaviour). Первое направление в большей степени связано с принципами формальной организации жизни, а второе - с принципами интеллектуального поведения.

Искусственная жизнь - раздел искусственного интеллекта, ориентированный на выработку методов воссоздания компьютером биологических феноменов в различных их проявлениях.

В основе современной теории искусственной жизни, возникшей в конце 80-х годов, лежит понятие автономного агента-объекта, наделённого:

- Сенсорной моторной способностью;

- Памятью;

- Средствами переработки информации, нужной для выполнения определённой реакции.

Сенсоры обеспечивают агента информацией, возникающей во внешнем мире. Исполнительная система способна изменять состояние агента и воздействовать на окружающую среду. Агенты могут действовать автономно и/или в группах. Собственно A-life трактуется как компьютерное моделирование разных вариантов жизни и эволюции живых существ (http://alife.santafe.edu,

http://www.scs.carleton.ca/~csgs/resources/gaal.html).

Теперь к A-life относят компьютерные системные модели, обладающие:

- Способностью адаптироваться к условиям внешнего мира путём приобретения знаний в ходе взаимодействия с другими объектами и средой;

- Механизмом порождения новых компонентов системы (потомства) в процессе её эволюции, с наследованием или дублированием свойств существующих объектов;

- Механизмом порождения новых форм объектов;

- Свойствами естественного отбора и выживания в условиях внешнего мира и присутствия разнородных объектов.

Составной частью A-life моделей служат генетические алгоритмы (Genetic Algo-rithms, ГА) (http://www.aic.nrl.navy.mil/galist, http://www.genetic-program-ming.org,http://www.cs. gmu.edu/research/gag/), которые впервые отражены в монографии Джона Холланда [17]. С математической точки зрения ГА считаются одной из разновидностей методов оптимизации, вобравших в себя черты вероятностных и детерминированных оптимизационных алгоритмов, ориентированных на обеспечение «выживаемости» искомых решений (параметрических, функциональных, алгоритмических и структурных). Обычно ГА не требует создания сложной модели внешнего мира. Реакция внешнего мира заменяется наперёд заданной целевой функцией. С её помощью оценивается качество получаемых решений и выбираются приемлемые.

На сегодняшний день к перспективным подходам развития методов эволюционных вычислений следует отнести вычисления, ориентированные на:

- Включение ламарковских свойств (то есть приобретённых в течение жизни индивидуума);

- Неслучайное спаривание и видообразование;

- Вовлечение в процессы спаривания и видообразования иммунной системы и запахов здоровых и больных особей;

- Учёт вида и пола индивидуумов при случайном спаривании. Это важно при выработке кооперативного поведения индивидуумов;

- Учёт моделей молекул-циклинов, регулирующих процессы развития (открыты в наше время нобелевскими лауреатами П. Нерсом, Т. Хантом и JI. Харвеллом);

- Использование механизма программируемой гибели клеток, названной апоптозом. Его открытие удостоено Нобелевской премии: Сидни Бреннер (Sydney Brenner) стал нобелевским лауриеатом за результаты исследований процессов, ведущих к развитию многоклеточного организма, Джон Салстон (John E. Sulston) — за идентификацию первого гена, принимающего участие в апоптозе (он установил: а) закономерность деления и гибели клеток не имеет вариаций; б) генерируется фиксированное число клеток, определённая часть которых гибнет); Роберт Хорвиц (H. Robert Horvitz) - выявил два гена апоптоза и ген, защищающий клетку от программируемой гибели;

- Учёт гена старости и инициируемых им веществ старения;

- Использование механизмов существования, развития и самовоспроизведения эмбриональных и взрослых стволовых клеток, обеспечивающих защиту и регенерацию различных типов клеток тканей и органов. Их транспортирование в требуемое место возможно путём инъецирования или направления химическими сигналами;

- Введение в эволюционные алгоритмы механизмов самоадаптации для управления параметрами, включая внутреннее представление, мутации, рекомбинации (взаимообмен) и размер популяции:

- Создание и использование описаний коэволюционных систем. Такие системы представляют собой модель развития индивидуумов в присутствии паразитов;

- Использование механизмов работы иммунной системы во время вирусного заражения организма;

- Использование биологических механизмов существования и эволюции колоний бактерий.

В наши дни, как отмечают С. Рассел (S. Russell) и П. Норвинг (P. Norving), имеет место тенденция к новому взгляду на искусственный интеллект: как на науку проектирования рациональных агентов искусственных агентов, действующих в среде с учетом полезности. Интерес к таким агентам и проектам агентов особенно заметен среди исследователей и разработчиков, занимающихся изучением и созданием интеллектуальных мобильных роботов (роботика), способных распознавать окружающую среду и ориентироваться в пространстве, и программных роботов для сети Интернет, мультиагентных технологий и многоагентных систем различного назначения. По этому поводу следует отметить, что многие принципы построения современных систем искусственного интеллекта на базе агентов перекликаются с результатами, зафиксированными в 30-х годах XX века академиком П.К. Анохиным в его теории функциональной системы [2-4]. Теория была разработана для исследования приспособительной деятельности организма при достижении цели. Обобщенная схема функциональной системы в соответствии с теорией П.К. Анохина:

Важное значение для развития интеллектуальных мобильных роботов приобретают концепции отечественных ученых М.Л. Цетлина по различным

аспектам коллективного поведения автоматов [14] и М.Н. Амосова по робототехническим системам [1].

Во многих областях науки и технике остро ощущается потребность в такой разновидности информационных систем как системы поддержки принятия решений (СППР). В организациях СППР требуются на разных уровнях организационного управления. Они, как правило, поддерживают принятие индивидуальных решений. Так, например, на стратегическом уровне управления используются системы поддержки стратегических решений, а на управленческом уровне - управляющие (исполнительные) информационные системы.

Как известно общая постановка задачи многокритериального принятия решения состоит в выборе наилучшего решения из множества имеющихся вариантов, удовлетворяющего принятым критериям и предпочтениям аналитика или ЛПР (лица, принимающего решение) и, возможно, последствиям от его реализации. Поэтому разрабатываемые ныне многопользовательские интерактивные СППР должны [12, 13]:

- Для формирования конечным пользователем запросов к внешним и внутренним БД и оптимизации;

- Моделирования и визуализации данных конечному пользователю (например, в форме круговых диаграмм, гистограмм и карт);

Ныне базисом построения СППР служит хранилище данных. Обобщенная структурная схема СППР имеет следующий вид:

БИБЛИОГРАФИЧЕСКИМ СПИСОК

университета, 1999.

© Г.А. Сырецкий, А.И. Радионов, 2006