Анализ методов искусственного интеллекта САПР технологических процессов производства электронной аппаратуры. Журнал моделирование искусственного интеллекта

ОСНОВЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА - PDF

Транскрипт

1

2 Е. В. Боровская Н. А. Давыдова ОСНОВЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Учебное пособие 3-е издание (электронное) Москва Лаборатория знаний 2016

3 УДК ББК Б83 С е р и я о с н о в а н а в 2007 г. Боровская Е. В. Б83 Основы искусственного интеллекта [Электронный ресурс] : учебное пособие / Е. В. Боровская, Н. А. Давыдова. 3-е изд. (эл.). Электрон. текстовые дан. (1 файл pdf : 130 с.). М. : Лаборатория знаний, (Педагогическое образование). Систем. требования: Adobe Reader XI ; экран 10". ISBN Учебное пособие знакомит читателей с историей искусственного интеллекта, моделями представления знаний, экспертными системами и нейронными сетями. Описаны основные направления и методы, применяемые при анализе, разработке и реализации интеллектуальных систем. Рассмотрены модели представления знаний и методы работы с ними, методы разработки и создания экспертных систем. Книга поможет читателю овладеть навыками логического проектирования баз данных предметной области и программирования на языке ProLog. Для студентов и преподавателей педагогических вузов, учителей общеобразовательных школ, гимназий, лицеев. УДК ББК Деривативное электронное издание на основе печатного аналога: Основы искусственного интеллекта : учебное пособие / Е. В. Боровская, Н. А. Давыдова. М. : БИНОМ. Лаборатория знаний, с. : ил. (Педагогическое образование). ISBN В соответствии со ст и 1301 ГК РФ при устранении ограничений, установленных техническими средствами защиты авторских прав, правообладатель вправе требовать от нарушителя возмещения убытков или выплаты компенсации ISBN c Лаборатория знаний, 2015

4 ОГЛАВЛЕНИЕ Глава 1. Искусственный интеллект Введение в системы искусственного интеллекта Понятие об искусственном интеллекте Искусственный интеллект в России Функциональная структура системы искусственного интеллекта Направления развития искусственного интеллекта Данные и знания. Представление знаний в интеллектуальныхсистемах Данные и знания. Основные определения Модели представления знаний Экспертные системы Структура экспертной системы Разработка и использование экспертныхсистем Классификация экспертныхсистем Представление знаний в экспертныхсистемах Инструментальные средства построения экспертныхсистем Технология разработки экспертной системы Контрольные вопросы и задания к главе Литература к главе Глава 2. Логическое программирование Методологии программирования Методология императивного программирования Методология объектно-ориентированного программирования Методология функционального программирования Методология логического программирования Методология программирования в ограничениях Методология нейросетевого программирования Краткое введение в исчисление предикатов и доказательство теорем Процесс логического вывода в языке Prolog... 58

5 4 Оглавление 2.4. Структура программы на языке Prolog Использование составных объектов Использование альтернативных доменов Организация повторений в языке Prolog Метод отката после неудачи Метод отсечения и отката Простая рекурсия Метод обобщенного правила рекурсии (ОПР) Списки в языке Prolog Операции над списками Строки в языке Prolog Операции над строками Файлы в языке Prolog Предикаты Prolog для работы с файлами Описание файлового домена Запись в файл Чтение из файла Модификация существующего файла Дозапись в конец уже существующего файла Создание динамических баз данных в языке Prolog Базы данных на Prolog Предикаты динамической базы данных в языке Prolog Создание экспертных систем Структура экспертной системы Представление знаний Методы вывода Система пользовательского интерфейса Экспертная система, базирующаяся на правилах Контрольные вопросы и задания к главе Литература к главе Глава 3. Нейронные сети Введение в нейронные сети Искусственная модель нейрона Применение нейронных сетей Обучение нейросети Контрольные вопросы и задания к главе Литература к главе

6 ГЛАВА 1 ИСКУССТВЕННЫЙИНТЕЛЛЕКТ 1.1. Введение в системы искусственного интеллекта Понятие об искусственном интеллекте Система искусственного интеллекта (ИИ) это программная система, имитирующая на компьютере процесс мышления человека. Для создания такой системы необходимо изучить сам процесс мышления человека, решающего определенные задачи или принимающего решения в конкретной области, выделить основные шаги этого процесса и разработать программные средства, воспроизводящие их на компьютере. Следовательно, методы ИИ предполагают простой структурный подход к разработке сложных программных систем принятия решений [5]. Искусственный интеллект это направление информатики, целью которого является разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои традиционно считающиеся интеллектуальными задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка. Идея создания искусственного подобия человека для решения сложных задач и моделирования человеческого разума, что называется, «витала в воздухе» еще в древнейшие времена. Родоначальником искусственного интеллекта считается средневековый испанский философ, математик и поэт Раймонд Луллий, который еще в XIII в. пытался создать механическое устройство для решения различных задач на основе разработанной им всеобщей классификации понятий.

7 6 Глава 1 Позже Лейбниц и Декарт независимо друг от друга продолжили эту идею, предложив универсальные языки классификации для всех наук. Эти работы можно считать первыми теоретическими работами в области искусственного интеллекта. Однако окончательное рождение искусственного интеллекта как научного направления произошло только после создания ЭВМ в 1940-х гг., когда Норберт Винер создал свои основополагающие работы по новой науке кибернетике. Термин «искусственный интеллект» (ИИ; англ. AI «Artificial Intelligence») был предложен в 1956 г. на семинаре с аналогичным названием в Дартмутском колледже (США). Этот семинар был посвящен разработке методов решения логических (а не вычислительных) задач. Заметим, что в английском языке данное словосочетание не имеет той слегка фантастической антропоморфной окраски, которую оно приобрело в довольно неудачном русском переводе. Слово «intelligence» означает всего лишь «умение рассуждать разумно», а вовсе не «интеллект» (для которого есть отдельный английский аналог «intellect»). Вскоре после признания искусственного интеллекта особой областью науки произошло его разделение на два направления: нейрокибернетику и кибернетику «черного ящика». Эти направления развивались практически независимо, существенно различаясь как в методологии, так и технологически. И только в настоящее время стали заметны тенденции к объединению этих частей вновь в единое целое. Нейрокибернетика Основную идею этого направления можно сформулировать следующим образом: «Единственный объект, способный мыслить, это человеческий мозг, поэтому любое мыслящее устройство должно так или иначе воспроизводить его структуру». Таким образом, нейрокибернетика ориентирована на программно-аппаратное моделирование структур, подобных структуре мозга. Усилия нейрокибернетики были сосредоточены на создании элементов, аналогичных нейронам, и на их объединении в функционирующие системы нейронные сети [2].

8 Искусственный интеллект 7 Первые нейросети были созданы в х гг. Это были не очень удачные попытки создать системы, моделирующие человеческий глаз и его взаимодействие с мозгом. Постепенно в х гг. количество работ по этому направлению искусственного интеллекта стало снижаться, слишком уж неутешительными были первые результаты. Обычно авторы разработок объясняли свои неудачи малой памятью и низким быстродействием существующих в то время компьютеров. Первый нейрокомпьютер был создан в Японии в рамках проекта «ЭВМ пятого поколения». К этому времени ограничения по памяти и быстродействию ЭВМ были практически сняты. Появились транспьютеры компьютеры с большим количеством процессоров, реализующих параллельные вычисления. Транспьютерная технология это один из десятка новых подходов к аппаратной реализации нейросетей, которые моделируют иерархическую структуру мозга человека. В целом сегодня можно выделить три основных разновидности подходов к созданию нейросетей: аппаратный (создание специальных компьютеров, нейрочипов, плат расширения, наборов микросхем), программный (создание программ и программных инструментариев, рассчитанных на высокопроизводительные компьютеры; такие сети создаются «виртуально», в памяти компьютера, тогда как всю работу выполняют его собственные процессоры) и гибридный (комбинация первых двух способов). Кибернетика «черного ящика» и искусственный интеллект В основу этого подхода заложен принцип, противоположный нейрокибернетике. Здесь уже не имеет значения, как именно устроено «мыслящее» устройство, главное, чтобы на заданные входные воздействия оно реагировало так же, как и человеческий мозг. Сторонники этого направления мотивировали свой подход тем, что человек не должен слепо следовать природе в своих научных и технологических поисках. К тому же пограничные науки о человеке не смогли внести существенно-

9 8 Глава 1 го теоретического вклада, объясняющего (хотя бы приблизительно), как протекают интеллектуальные процессы у человека, как устроена его память и как человек познает окружающий мир [2]. Это направление искусственного интеллекта было ориентировано на поиск алгоритмов решения интеллектуальных задач на существующих моделях компьютеров. Существенный вклад в становление новой науки внесли такие ее пионеры, как Маккарти, Минский, Ньюэлл, Саймон, Шоу, Хант и др. В х гг. велись интенсивные поиски моделей и алгоритмов человеческого мышления и разработка первых программ на их основе. Представители гуманитарных наук философы, психологи, лингвисты ни тогда, ни сейчас не смогли предложить такие алгоритмы, тогда кибернетики начали создавать собственные модели. Так последовательно были созданы и опробованы различные подходы. В конце 1950-х гг. появилась модель лабиринтного поиска. Этот подход представляет задачу как некоторое пространство состояний в форме графа, после чего в этом графе производится поиск оптимального пути от входных данных к результирующим. Была проделана большая работа по созданию такой модели, но для решения практических задач эта идея все же не нашла широкого применения. Начало 1960-х гг. стало эпохой эвристического программирования. Эвристика это некоторое правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска. Эвристическое программирование это разработка стратегии действий на основе известных, заранее заданных эвристик. В х гг. к решению задач стали подключать методы математической логики. Робинсон разработал метод резолюций, который позволяет автоматически доказывать теоремы при наличии набора исходных аксиом. Примерно в это же время выдающийся отечественный математик Ю. С. Маслов предложил так называемый обратный вывод (впоследствии названный его именем), решающий аналогичную задачу другим способом. На основе метода резолюций

10 Искусственный интеллект 9 француз Альбер Кольмероэ в 1973 г. создал язык логического программирования Prolog. Большой резонанс в научном сообществе вызвала программа «Логик-теоретик», созданная Ньюэллом, Саймоном и Шоу, которая доказывала школьные теоремы. Однако большинство реальных задач не сводится к набору аксиом, а человек, решая производственные задачи, далеко не всегда использует классическую логику, поэтому логические модели при всех своих преимуществах имеют существенные ограничения по классам решаемых задач. История искусственного интеллекта полна драматических событий, одним из которых стал в 1973 г. так называемый «доклад Лайтхилла», который был подготовлен в Великобритании по заказу Британского совета научных исследований. Известный математик Лайтхилл, никак с искусственным интеллектом профессионально не связанный, подготовил обзор состояния дел в этой области. В докладе были признаны определенные достижения, однако их уровень определялся как «разочаровывающий», а общая оценка была отрицательной с позиций практической значимости. Этот отчет отбросил европейских исследователей примерно на пять лет назад, так как финансирование работ существенно сократилось. Примерно в это же время существенный прорыв в развитии практических приложений искусственного интеллекта произошел в США, когда в середине 1970-х гг. на смену поиску универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, или экспертные системы (ЭС). Стал применяться и новый подход к решению задач искусственного интеллекта представление знаний. Были созданы две первые экспертные системы для медицины и химии Mycin и Dendral, ставшие классическими. Существенный финансовый вклад внес и Пентагон, предлагая базировать новую программу министерства обороны США на принципах искусственного интеллекта. Уже вдогонку упущенных возможностей Европейский союз в начале 1980-х гг. объявил о глобальной программе развития новых технологий ESPRIT,

11 10 Глава 1 в которую была включена проблематика искусственного интеллекта. В конце 1970-х гг. в гонку включается Япония, объявив о начале проекта машин пятого поколения, основанных на знаниях. Проект был рассчитан на десять лет и объединял лучших молодых специалистов крупнейших японских компьютерных корпораций. Для этих специалистов был специально создан новый институт ICOT и предоставлена полная свобода действий (правда, без права публикации предварительных результатов). В результате они создали достаточно громоздкий и дорогой символьный процессор, программно реализующий пролого-подобный язык, но не получивший широкого признания. Однако положительный эффект от этого проекта был очевиден. В Японии появилась значительная группа высококвалифицированных специалистов в области искусственного интеллекта, которая добилась существенных результатов в различных прикладных задачах. К середине 1990-х гг. японская ассоциация искусственного интеллекта насчитывала уже 40 тыс. человек. Начиная с середины 1980-х гг. повсеместно происходила коммерциализация искусственного интеллекта. Росли ежегодные капиталовложения, создавались промышленные экспертные системы. Рос интерес к самообучающимся системам. Издавались десятки научных журналов, ежегодно собирались международные и национальные конференции по различным направлениям искусственного интеллекта, который становился одной из наиболее перспективных и престижных областей информатики. В настоящее время различают два основных подхода к моделированию искусственного интеллекта: машинный интеллект, заключающийся в строгом задании результата функционирования, и искусственный разум, направленный на моделирование внутренней структуры системы. Моделирование систем первой группы достигается за счет использования законов формальной логики, теории множеств, графов, семантических сетей и других достижений науки в области дискретных вычислений, а основные результаты заключаются в создании экспертных систем, систем разбора

12 Искусственный интеллект 11 естественного языка и простейших систем управления вида «стимул реакция». Системы же второй группы базируются на математической интерпретации деятельности нервной системы (прежде всего мозга человека) и реализуются в виде нейроподобных сетей на базе нейроподобного элемента аналога нейрона [1] Искусственный интеллект в России В 1954 г. в МГУ начал работу семинар «Автоматы и мышление» под руководством академика А. А. Ляпунова ( ), одного из основателей российской кибернетики. В этом семинаре принимали участие физиологи, лингвисты, психологи, математики. Принято считать, что именно в это время родился искусственный интеллект в России. Как и за рубежом, в нем выделились два основных направления нейрокибернетика и кибернетика «черного ящика». В х гг. создавались отдельные программы и проводились исследования в области поиска решения логических задач. В ЛОМИ (Ленинградском отделении Математического института им. Стеклова) была создана программа АЛПЕВ ЛОМИ, автоматически доказывающая теоремы, которая основана на оригинальном обратном выводе Маслова, аналогичном методу резолюций Робинсона. Среди наиболее значимых результатов, полученных отечественными учеными в 1960-е гг., следует отметить алгоритм «Кора» М. М. Бонгарда, моделирующий деятельность человеческого мозга при распознавании образов. Большой вклад в становление российской школы искусственного интеллекта внесли и такие выдающиеся ученые, как М. Л. Цетлин, В. Н. Пушкин, М. А. Гаврилов, чьи ученики стали пионерами этой науки в России. В х гг. родилось новое направление ИИ ситуационное (соответствующее представлению знаний в западной терминологии). Основателем этой научной школы стал профессор Д. А. Поспелов. Были разработаны и специальные модели представления ситуаций (представления знаний). При том, что отношение к новым наукам в советской России всегда было настороженным, наука с таким «вызы-

13 12 Глава 1 вающим» названием тоже не избежала этой участи и была встречена в Академии наук «в штыки». К счастью, среди членов Академии наук СССР нашлись люди, не испугавшиеся столь необычного словосочетания в качестве названия нового научного направления. Однако только в 1974 г. при Комитете по системному анализу при президиуме АН СССР был создан научный совет по проблеме «Искусственный интеллект», его возглавил Д. А. Поспелов. По инициативе этого совета было организовано пять комплексных научных проектов, возглавляемых ведущими специалистами в данной области: «Диалог» (работы по пониманию естественного языка), «Ситуация» (ситуационное управление), «Банк» (банки данных), «Конструктор» (поисковое конструирование) и «Интеллект робота». В х гг. в нашей стране проводились активные исследования в области представления знаний, разрабатывались языки представления знаний и экспертные системы; в МГУ был создан язык Рефал. В 1988 г. была сформирована Ассоциация искусственного интеллекта (АИИ), президентом которой единогласно был избран Д. А. Поспелов. В рамках этой ассоциации проводилось большое количество исследований, были организованы школы для молодых специалистов, семинары, симпозиумы, раз в два года проводились объединенные конференции, издавался научный журнал. Следует отметить, что уровень теоретических исследований по искусственному интеллекту в России всегда был ничуть не ниже общемирового. Однако, к сожалению, начиная с 1980-х гг. на прикладных работах начинало сказываться постепенное отставание в технологии. На данный момент отставание в области разработки промышленных интеллектуальных систем составляет примерно 3 5 лет. Основные области применения систем ИИ: доказательство теорем, игры, распознавание образов, принятие решений, адаптивное программирование, сочинение машинной музыки, обработка данных на естественном языке, обучающиеся сети (нейросети), вербальное концептуальное обучение.

14 Искусственный интеллект Функциональная структура системы искусственного интеллекта Функциональная структура системы ИИ (рис. 1.1) состоит из трех комплексов вычислительных средств. Первый из них представляет собой исполнительную систему (ИС) совокупность средств, выполняющих программы и спроектированных с позиций эффективного решения задач; этот комплекс имеет в ряде случаев проблемную ориентацию. Второй комплекс это совокупность средств интеллектуального интерфейса, имеющих гибкую структуру, которая обеспечивает возможность адаптации в широком спектре интересов конечных пользователей. Третьим комплексом средств, с помощью которых организуется взаимодействие первых двух комплексов, является база знаний, обеспечивающая использование вычислительными средствами первых Рис Функциональная структура системы ИИ

15 [...]

16 Минимальные системные требования определяются соответствующими требованиями программы Adobe Reader версии не ниже 11-й для платформ Windows, Mac OS, Android, ios, Windows Phone и BlackBerry; экран 10" Учебное электронное издание Серия: «Педагогическое образование» ОСНОВЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА Учебное пособие Ведущий редактор Д. Усенков Художники Н. Новак, С. Инфантэ Технический редактор Е. Денюкова Корректор Л. Макарова Компьютерная верстка: С. Янковая Подписано к использованию Формат мм Издательство «Лаборатория знаний» , Москва, проезд Аэропорта, д. 3 Телефон: (499)

17 БОРОВСКАЯ ЕЛЕНА ВЛАДИМИРОВНА Старший преподаватель кафедры информатики и методики преподавания информатики Челябинского государственного педагогического университета. Область интересов: проблемы модульно-рейтинговой системы контроля и оценки учебных достижений студентов в условиях управления качеством в вузе. ДАВЫДОВА НАДЕЖДА АЛЕКСЕЕВНА Кандидат педагогических наук по специальности «Теория и методика обучения и воспитания (информатика, уровень общего образования)», доцент кафедры информатики и методики преподавания информатики Челябинского государственного педагогического университета. Области интересов: технология формирования содержания образования по информатике в профильных классах общеобразовательных школ, интеллектуальные обучающие системы. Учебное пособие знакомит читателей с историей искусственного интеллекта, моделями представления знаний, экспертными системами и нейронными сетями. Описаны основные направления и методы, применяемые при анализе, разработке и реализации интеллектуальных систем. Рассмотрены модели представления знаний и методы работы с ними, методы разработки и создания экспертных систем. Книга поможет читателю овладеть навыками логического проектирования баз данных предметной области и программирования на языке Prolog. Книга предназначена для студентов и преподавателей педагогических вузов, учителей общеобразовательных школ, гимназий и лицеев.

docplayer.ru

Основные этапы развития искусственного интеллекта



В статье описываются основные этапы развития области искусственного интеллекта. Несмотря на недолгую историю своего существования, она насыщена событиями и оказала огромное влияние на культуру двадцатого века.

В статье рассматривается история развития искусственного интеллекта начиная со времён Спинозы и до наших дней. Описаны основные периоды взлета и падания интереса к данной области.

Начало искусственного интеллекта

Предпосылки для создания искусственного интеллекта были заложены классическими философами — Лейбницем, Спинозой и Декартом, основателями рационализма, которые полагали, что в мышлении существуют основные принципы, подобные аксиомам геометрии, и из них знание можно выводить чисто логически дедуктивным методом. Эти философы начали формулировать гипотезу о физической символьной системе, которая станет основой для исследований в области искусственного интеллекта.

Технологическими предпосылками к возникновению отрасли знания об искусственном интеллекте послужила первая механическая вычислительная машина — считающие часы Вильгельма Шикарда, сконструированные им в 1623 г., а также созданные впоследствии суммирующая машина Блеза Паскаля (1643 г), и арифмометр Лейбница (1671 г).

В 1832 году коллежский советник С. Н. Корсаков предложил новый принцип разработки научных методов и устройств для усиления возможностей человеческого разума и представил серию «умных машин», в конструкции которых впервые были применены перфорированные карты.

В 1928 году немецкий математик Давид Гильберт формулирует так называемую «Проблему разрешения» [1, с. 45]: найти алгоритм, который бы принимал в качестве входных данных описание любой проблемы разрешимости (формального языка и математического утверждения «S» на этом языке) — и, после конечного числа шагов, останавливался бы и выдавал один из двух ответов: «Истина» или «Ложь», — в зависимости от того, истинно или ложно утверждение «S».

1936 году Алан Тьюринг, считающийся отцом интуитивного подхода к изучению искусственного интеллекта, и Алонзо Чёрч независимо друг от друга публикуют работы, опровергающие возможность существования алгоритма решающего проблему разрешения. Это утверждение известно как «теорема Чёрча-Тьюринга».

В этой же статье «On computable numbers, with an application to the entscheidungsproblem» [2] Алан Тьюринг также впервые употребляет понятие «А-машина», сейчас известная как «Машина Тьюринга». Машина Тьюринга — это абстрактная вычислительная машина, созданная для формализации понятия алгоритма. Машина Тьюринга является расширением конечного автомата и, согласно тезису Чёрча-Тьюринга [3], способна имитировать всех исполнителей (с помощью задания правил перехода), каким-либо образом реализующих процесс пошагового вычисления, в котором каждый шаг вычисления достаточно прост.

В состав машины Тьюринга входит неограниченная в обе стороны лента (возможны машины Тьюринга, которые имеют несколько бесконечных лент), разделённая на ячейки, и управляющее устройство, способное находиться в одном из множества состояний. Число возможных состояний управляющего устройства конечно и точно задано. Управляющее устройство может перемещаться влево и вправо по ленте, читать и записывать в ячейки символы некоторого конечного алфавита. Выделяется особый пустой символ, заполняющий все клетки ленты, кроме тех из них (конечного числа), на которых записаны входные данные. Управляющее устройство работает согласно правилам перехода, которые представляют алгоритм, реализуемый данной машиной Тьюринга. Каждое правило перехода предписывает машине, в зависимости от текущего состояния и наблюдаемого в текущей клетке символа, записать в эту клетку новый символ, перейти в новое состояние и переместиться на одну клетку влево или вправо. Некоторые состояния машины Тьюринга могут быть помечены как терминальные, и переход в любое из них означает конец работы, остановку алгоритма.

То есть, всякий интуитивный алгоритм может быть реализован с помощью некоторой машины Тьюринга. Машина Тьюринга была первой попыткой автоматизировать логические и математические вычисления, которые на том момент мог выполнять только человек.

В своей следующей статье «Computing machinery and intelligence» [4] (1950) Тьюринг задаётся вопросом «А может ли машина мыслить?». Эта абстрактная формулировка заменяется на «может ли машина, путем общения с человеком посредством письма, обмануть его и заставить человека думать, что он также имеет дело с человеком?». Отсюда берет свое начало знаменитый тест Тьюринга. Принято считать, что именно в этой работе впервые освещается вопрос искусственного интеллекта. Работу критикуют, так как до сегодняшнего дня ни одна машина не прошла Тест Тьюринга.

1943 году Уорен Мак-Каллох и Уолтер Питтс публикуют статью «A Logical Calculus of the Ideas Immanent in Nervous Activity» [5], в которой нейроны упрощенно рассматриваются как устройство, оперирующее двоичными числами. Так они основали новое направление в науке об искусственном интеллекте — нейронные сети.

В 1954 году Нильсом Ааном Баричелли был основан еще один подход в области искусственного интеллекта — эволюционное моделирование. При этом подходе решение задач оптимизации и моделирования осуществляется путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе (генетический алгоритм).

Этот период становления науки о искусственном интеллекте завершает Дартмутский семинар, ставший катализатором для научных исследований в этой области, т. к. именно на нём познакомились многие учёные. На этом же семинаре было утверждено появление новой отрасли науки, окрещённой «Artificial Intelligence» — «Искусственный интеллект».

Золотой век искусственного интеллекта

1956–1976 годы считаются золотым веком искусственного интеллекта, так как на тот момент не было накоплено никакой научной базы, что делало каждое открытие особенно важным. Искусственный интеллект развивался по двум основным направлениям: математическая логика и нейронные сети.

Американский ученый Фрэнк Розенблатт в 1962 году предложил принцип обучения нейронных сетей — обучение на примерах [6]. Также он создал первый нейрокомпьютер, с помощью которого ему удалось распознать рукописный текст.

1965 году Джон Алан Робинсон сформулировал правило резолюций [7] — правило вывода, восходящее к методу доказательства теорем через поиск противоречий. Его работы были решающими в развитии языка логического программирования Пролог, который был создан в 1972 году Аленом Колмероэ и Филиппом Русселем. С помощью этого языка стало возможным описывать различные задачи на языке логики с последующим решением на ЭВМ путем перебора всех возможных вариантов.

В это же время появилось понятие нечёткого множества, которое сформулировал Лютфи Заде в своей работе «Fuzzy sets» [8] (1965). Заде расширил классическое понятие множества, допустив, что характеристическая функция множества может принимать любые значения в интервале от «0» до «1», а не только значения «0» или «1». Вместе с понятием нечёткого множества возникла нечёткая логика, которая применяется в нейронных сетях (нейро-нечёткие системы).

Первая зима искусственного интеллекта

С 1969 по 1980 годы изучение нейронных сетей приостановилось. Это связано с публикацией книги Мартина Лии Мински и Сэймура Паперта «Perceptrons: an introduction to computational geometry» [9]. В данной книге авторы подвергли нейронные сети жесткой критике. Одной из самых известных претензий является то, что в процессе исследования вычислительных способностей персептрона они пришли к выводу, что персептрон не может реализовать простейшую логическую функцию XOR (либо-либо). Что, в свою очередь, заставило усомниться в нейросетевом подходе в целом.

Период с 1975 по 1980 годы называют первой зимой искусственного интеллекта. Кризис нейронных сетей оказался лишь предвестником грядущих неудач. Причин кризиса было несколько: громко заявленный американским правительством полностью автономный военный вездеход так и не увидел свет; японский проект по созданию супер-компьютера пятого поколения, который, как обещалось, был бы способен вести с человеком полноценный разговор, был закрыт без всяких объяснений. Неудачи постигли множество проектов, связанных с автоматическими переводчиками и системами работы с текстом.

Также в это время был открыт комбинаторный взрыв. В 1972 г. Ричард Карп доказал, что при увеличении числа входных данных время решения задачи должно расти экспоненциально. Это значит, что сложные задачи со множеством входных данных на сегодняшний день решить невозможно. Открытие комбинаторного взрыва очень сильно ударило по всему комбинаторно-логическому подходу к искусственному интеллекту, на который в то время возлагали самые большие надежды.

Возвращение интереса кискусственному интеллекту

В результате развития экспертных систем в 1980–1984 годы наблюдается возвращение интереса к искусственному интеллекту. Экспертная система — это программа, использующая базу знаний для решения задач в некоторой предметной области. В 80-е экспертные системы начали внедряться в медицине, юриспруденции и других областях, и они стали первым коммерчески успешным направлением искусственного интеллекта.

Вторым фактором увеличения интереса к искусственному интеллекту стало развитие нейронных сетей. Были разработаны многослойные нейронные сети, которые, в частности, позволяли реализовать логическую функцию XOR. Благодаря Полу Уэрбосу появились средства обучения многослойных нейронных сетей [10].

Вторая зима искусственного интеллекта

Затем наступает вторая зима искусственного интеллекта (1984–1993 годы). Она была вызвана завышенными ожиданиями по отношению к экспертным системам, которые, в конце концов, заняли все возможные для их применения области и их распространение остановилось. Инвестирование этой области снизилось.

Но основной причиной начала второй зимы считается появление персональных компьютеров, ставшее причиной возникновения потребности в большом количестве программных продуктов. Возникло новое направление развития — компьютерные науки. Компьютерные науки включают большое количество различных направлений, которые ранее изучались в рамках искусственного интеллекта, таких как: теория графов, символьные вычисления, комбинаторика и прочие. В результате множество ученых из области искусственного интеллекта интеллектом перешли работать в новую область.

Новая эра

С 1993 года и по наше время длится новая эра искусственного интеллекта. Искусственный интеллект в том виде, в котором он существовал до текущего периода, прекратил свое существование. Если раньше целью ученых, работавших в этой области, было воссоздание человеческого мышления техническими методами, то сейчас цели стали менее амбициозными и более реалистичными. Сегодня термин искусственный интеллект практически не используется, существуют более конкретные термины, такие как: машинное обучение, интеллектуальные системы, конечные автоматы, эволюционные алгоритмы и многие другие. Направления, ранее входившие в область искусственного интеллекта: искусственные нейронные сети, эволюционные вычисления и системы логического вывода, теперь являются самостоятельными направлениями, больше нет той объединявшей их сверхцели — построения искусственного разума.

На сегодняшний день наибольший ажиотаж вызывает технология нейронных сетей, лежащая в основе современных беспилотных автомобилей, систем автоматического распознавания голоса и перевода, систем идентификации личности, систем прогнозирования, систем фильтрации и многих других. Оправдают ли они ожидания учёных или мы на пороге очередной зимы искусственного интеллекта покажет время.

Литература:

1. С. Л. Эдельман, Математическая логика. — Москва, Высшая школа, 1975. — стр. 45
2. A. M. Turing, On computable numbers, with an application to the entscheidungsproblem, 1936
3. [Электронный ресурс] // https:// ru.wikipedia.org/wiki/Тезис_Чёрча_—_Тьюринга (Дата обращения: 30.11.2017)
4. A. M. Turing, Computing Machinery and Intelligence, 1950
5. Warren S. Mcculloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biology Vol. 52, No. l/2. стр. 99–115.
6. F. Rosenblatt: Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Brain Theory 1962. P. 245–248
7. John Alan Robinson, A Machine-Oriented Logic Based on the Resolution Principle, Journal of the ACM № 12, — стр.23–41
8. L. A. Zadeh. Fuzzy Sets. Information and control № 8, 1965, — стр.338–353
9. M. Minsky., Seymour A. Papert, Perceptrons: An Introduction to Computational Geometry, Expanded Edition
10. Paul J. Werbos, Beyond regression: new tools for prediction and analysis in the behavioral sciences, 1974.

moluch.ru

Искусственный интеллект и проблема моделирования его самосознания

В статье осуществляется философский анализ проблемы моделирования самосознания в системах с искусственным интеллектом. Автор статьи оценивает современное состояние данной области исследований и констатирует, что способностью к актам самосознания и рефлексии машины, созданные человеком, пока не обладают. Вместе с тем, разработки в области искусственного интеллекта выделяют ключевые проблемные аспекты соотношения естественного и искусственного интеллекта, подчеркивают уникальную фундаментальность свойств сознания человека. Отмечается, что в настоящее время моделирование интеллектуальных систем, обладающих рефлексией и самосознанием, требует серьезных междисциплинарных усилий в области их построения.

Ключевые слова:искусственный интеллект, зомби, сознание, самосознание, рефлексия.

Искусственный интеллект не является чем-то, существующим независимо от человека, а служит техническим и инструментальным продолжением последнего, усилителем его физических и ментальных возможностей. В настоящее время системы с искусственным интеллектом обеспечивают функционирование интерактивной среды виртуального мира, являются органичным звеном в его структуре [1; 2]. Создание искусственного интеллекта обусловлено не столько с развитием инженерно-технической базы, а сколько имеющимися у человечества знаниями о сознании и естественном интеллекте.

Для исследования сознания и естественного интеллекта эффективным является информационный подход. «Информация», будучи метанаучной категорией по своему содержанию, допускает не только формальное, но также семантическое и прагматическое описание. В связи с этим явления сознания и мозговые процессы получают свое представление и объяснение в рамках информационного процесса в единой и уже довольно хорошо разработанной концептуальной структуре [3, С. 96]. Однако информационный подход указывает на неизменную специфичность естественного и искусственного и значительную трудность моделирования искусственного интеллекта по образцу естественного. С позиций данного подхода сознание является взаимодополнением разнообразных знаково-языковых средств, некоторые из которых имеют априорный характер. Да, кибернетические машины взяли на себя значительную часть преобразовательных знаковых операций, выполнявшихся до этого исключительно человеческим мозгом. Равносильно тому, когда изобретение механических машин позволило передать технике типовые операции физической деятельности человека, так и появление компьютеров позволило переложить на технику формализированные мыслительные операции сознания, при этом совершенно очевидно, что машина способна производить эти операции быстрее и совершеннее, нежели сам человек. Между тем, сознанию человека соответствует множественность знаково-языковых средств. Так, знаково-языковые средства помимо рефлексируемого образного языка включают в себя и бессознательно-образный язык, машинное воспроизводство которого проблематично.

Сообразно с вышесказанным вполне резонно возникает вопрос о том, каким образом множественность знаково-языковых средств и их взаимодействие может быть смоделировано в искусственном машинном варианте? Очень важным является еще и то, что осуществление взаимосвязи знаково-языковых средств подразумевает наличие у человека способности к актам самосознания и рефлексии. Одной из основных проблем сферы искусственного интеллекта является создание таких систем, которые были бы способны к самосознанию и осознанию окружающего их мира, самопознанию своих внутренних состояний и свойств. По сути, проблема состоит в моделировании такого искусственного «Я», которое обладает рефлексией. Под рефлексией мы полагаем осознанное отображение содержания наличных явлений субъективной реальности. С помощью рефлексии осуществляются операция самоотражения и направленная активность «Я». Само отображение влечет за собой самореализацию личности, человек, решая свои жизненные проблемы, склонен к отказу от жесткого образа своего «Я», стремится к созданию его подвижного и меняющегося эквивалента, развивающегося с каждой новой жизненной ситуацией. Наличествуя в интервале «здесь и сейчас» «Я» не осознает и не обозревает себя полностью. С одной стороны, это обуславливается многомерностью содержания. С другой стороны, немаловажным является и то, что «Я» оказывается направленным в будущее, несет в себе потенции творчества как возможности нового «Я», изменившегося в результате своего развития. «Я» всегда выходит за рамки «текущего настоящего». Сознательную деятельность человека можно охарактеризовать как диалогичную. Человек постоянно контролирует и оценивает сам себя, вступает в спор сам с собой, пытается посмотреть на себя со стороны, прикидывает самые разнообразные проекты развития на себя, что влечет за собой возможность его самосовершенствования. Как совершенно верно замечает Д. И. Дубровский (и с ним нельзя не согласиться): ««Я« есть не только то, чем оно является сейчас, но и то, чем оно может стать» [4, С.93]. Человеческое «Я», являя собой целостность, оказывается единством во множественности, а его содержание многомерным, многоаспектным, разворачивающимся во времени и эксплицирующим самого себя для себя.

В научном дискурсе термин «рефлексия» часто употребляется в значении самосознание, что не совсем верно. Понятия «рефлексия» и «самосознание», конечно, являются близкими, но не тождественными. Если рефлексия обозначает деятельность, направленную на сознание человека, ее объектом является внутренний субъективный мир человека, то самосознание обозначает состояние сознания, отражает целостность человека, в его единстве субъективного и объективного, идеального и материального.

Существующие в настоящее время модели искусственного интеллекта, увы, пока ограничены и несовершенны. Моделирование интеллектуальных систем, обладающих рефлексией и самосознанием, требует серьезных междисциплинарных усилий в области их построения. Хотя в научном дискурсе можно встретить работы, где ментальные свойства приписываются компьютерам и другим техническим устройствам, но об адекватности таких концептуальных построений говорить не приходится. Очевидно, что в проблематике искусственного интеллекта многое неясно, наличествуют белые пятна, которые ждут своего прояснения в будущем. Могут ли машины быть сознательными или системы с искусственным интеллектом лишь претенденты на звание «зомби»? В контексте достижений компьютерных, когнитивных наук и искусственного интеллекта высказывается принцип «несущественности сознания». Суть данного принципа заключается в том, что для реализации поведенческого акта совершенно не существенен опыт осознания этого акта. Иными словами, поведенческий акт может протекать без его осознания. Принцип несущественности осознания распространяется и на интеллектуальную деятельность, которая ранее традиционно считалась неразрывно связанной с осознанием. Из данного принципа вытекает, что поведение и осознание могут существовать как бы независимо друг от друга.

Проблема сознания и самосознания в философии является одной из самых дискуссионных. Философы используют образ «зомби» в качестве иллюстрации своих теорий. Как совершенно верно замечает Дж. Чалмерс, философские «зомби» нашли свою сферу обитания в философских статьях [5]. Философскими «зомби» называют представляемых в мысленных экспериментах существ, поведение которых внешне ничем не отличается от поведения людей. Так, Т. Моуди в статье «Беседы с зомби» задается вопросом о возможности проявления машиной, не обладающей сознанием, признаков сознательного человека. Далее мыслитель пытается выявить критерии, по которым можно отличить «зомби» от человека. Т. Моуди считает не лишенным смысла предположение о возможности существования «зомби» в контексте компьютерных технологий, им проводится мысленный эксперимент, он представляет мир, физически подобный человеческому, который обозначается им как «Земля зомби». В этом мире есть одна существенная деталь: его жители — «зомби» не обладают сознанием, их поведенческие акты не сопровождаются осознанием. Такие «зомби» совсем не хуже человека ориентируются в пространстве и времени, колесят на автомобилях, питаются в ресторанах, «общаются» при помощи языка, рассуждают на любые темы, включая философские. Они образуют «социальные группы», имеют даже что-то похожее на науку, которая во многом подобна человеческой. Однако есть возможность отличить «зомби» от людей, таким критерием является следующий факт − владение словарем ментальных терминов. В силу отсутствия ментального «зомби» данные термины не нужны и они им совершенно не понятны [6].

Продолжая рассуждения Т. Моуди, можно заключить, что поскольку в системах с искусственным интеллектом процессы протекают именно по такому типу (вне осознания), то подобный «компьютерный разум не что иное, как «зомби». Если главным признаком сознательной деятельности является интенциональность, то искусственный разум ею не обладает, он так же, как «зомби» не владеет сознательным опытом и не обладает самосознанием. В этой связи вспоминается популярный мысленный эксперимент Дж. Серля «китайская комната», где отчетливо видно, что машина способна создавать иллюзию диалога, но не обладает сознанием и не способна понимать. В настоящее время искусственный интеллект набирает силу и соперничает с человеком в творческом плане, примером того является комбинаторное машинное творчество в области музыки. Хотя машина уже и сочиняет музыку, но осознавать результаты своих творений, она, увы, не может [7, С. 196].

В заключение отметим, что проблематика «зомби» и дискуссии вокруг нее являются своего рода отрезвляющим средством от эйфории, которая возникает вследствие некритического восприятия достижений в области искусственного интеллекта. Очевидно, что образ «зомби» является одним из способов понимания человека в современной философии, понимания его рациональности и природы сознания. Оценивая современное состояние данной области исследований, можно совершенно определенно констатировать то, что способностью к актам самосознания и рефлексии машины, конечно же, не обладают. Разработки в области искусственного интеллекта, безусловно, выделяют ключевые проблемные аспекты соотношения естественного и искусственного интеллекта, подчеркивают уникальную фундаментальность свойств сознания человека. Перспективы, на наш взгляд, могут быть в применении фрактального подхода к исследованию природы сознания. Фрактальный подход уже показал свою эффективность для описания многих объектов природного мира. В последнее десятилетие зарубежные и отечественные ученые осуществляют попытки применения данного подхода при анализе и создании искусственных объектов [8]. О возможности создания искусственных систем, обладающих самосознанием и рефлексией судить преждевременно. Очевидно, что требуется существенная теоретическая проработка этого вопроса.

Литература:

1.                  Елхова О. И. Онтологическое содержание виртуальной реальности: дис. … д-ра филос. наук. Уфа, 2011. 330 с.

2.                  Елхова О. И. Онтология виртуальной реальности: Монография. Уфа: РИЦ БашГУ, 2011. 228 с.

3.                  Дубровский Д. И. Проблема «сознание и мозг»: информационный подход // Знание. Понимание. Умение. 2013. № 4. С. 92–98.

4.                  Дубровский Д. И. Проблема идеального. Субъективная реальность. М.: Канон+, 2002. 368 с.

5.                  Chalmers D. J. The Conscious Mind: In Search of a Fundamental Theory. Oxford: University Press, 1996. 415 p.

6.                  Moody T. Conversations with zombies // Journal of Consciousness Studies, 1994. P. 196–200.

7.                  Кудряшев А. Ф., Елхова О. И. Творческий процесс в системах с искусственным интеллектом // Proceedings of the 2nd International Conference «Information Technologies for Intelligent Decision Making Support» and Intended Intended International Workshop «Robots and Robotic Systems», Volume 2, May 18–21, Ufa, Russia, 2014. С. 191–196.

8.                  Елхова О. И. Фрактальность виртуальной реальности // Вестник БашГУ, 2014, Т. 19, № 1, С. 210–214.

moluch.ru

Зарождение и золотой век искусственного интеллекта



В статье описываются предпосылки и начальный этап развития области искусственного интеллекта иначе известный как золотой век искусственного интеллекта. Данный период оказал большое влияние на культуру двадцатого века. Отражения этого влияния можно найти в литературе и кинематографе.

Ключевые слова: искусственный интеллект, машина Тьюринга, Дартмутский семинар.

Начало искусственного интеллекта

Предпосылки для создания искусственного интеллекта были заложены классическими философами — Лейбницем, Спинозой и Декартом, основателями рационализма, которые полагали, что в мышлении существуют основные принципы, подобные аксиомам геометрии, и из них знание можно выводить чисто логически дедуктивным методом. Эти философы начали формулировать гипотезу о физической символьной системе, которая станет основой для исследований в области искусственного интеллекта.

Технологическими предпосылками к возникновению отрасли знания об искусственном интеллекте послужила первая механическая вычислительная машина — считающие часы Вильгельма Шикарда, сконструированные им в 1623 г., а также созданные впоследствии суммирующая машина Блеза Паскаля (1643 г), и арифмометр Лейбница (1671 г).

В 1832 году коллежский советник С. Н. Корсаков предложил новый принцип разработки научных методов и устройств для усиления возможностей человеческого разума и представил серию «умных машин», в конструкции которых впервые были применены перфорированные карты.

В 1928 году немецкий математик Давид Гильберт формулирует так называемую «Проблему разрешения» [1]: найти алгоритм, который бы принимал в качестве входных данных описание любой проблемы разрешимости (формального языка и математического утверждения «S» на этом языке) — и, после конечного числа шагов, останавливался бы и выдавал один из двух ответов: «Истина» или «Ложь», — в зависимости от того, истинно или ложно утверждение «S».

1936 году Алан Тьюринг, считающийся отцом интуитивного подхода к изучению искусственного интеллекта, и Алонзо Чёрч независимо друг от друга публикуют работы, опровергающие возможность существования алгоритма, решающего проблему разрешения. Это утверждение известно как «теорема Чёрча-Тьюринга».

В этой же статье «On computable numbers, with an application to the entscheidungsproblem» [2] Алан Тьюринг также впервые употребляет понятие «А-машина», сейчас известная как «Машина Тьюринга». Машина Тьюринга — это абстрактная вычислительная машина, созданная для формализации понятия алгоритма. Машина Тьюринга является расширением конечного автомата и, согласно тезису Чёрча-Тьюринга [3], способна имитировать всех исполнителей (с помощью задания правил перехода), каким-либо образом реализующих процесс пошагового вычисления, в котором каждый шаг вычисления достаточно прост.

В состав машины Тьюринга входит неограниченная в обе стороны лента (возможны машины Тьюринга, которые имеют несколько бесконечных лент), разделённая на ячейки, и управляющее устройство, способное находиться в одном из множества состояний. Число возможных состояний управляющего устройства конечно и точно задано. Управляющее устройство может перемещаться влево и вправо по ленте, читать и записывать в ячейки символы некоторого конечного алфавита. Выделяется особый пустой символ, заполняющий все клетки ленты, кроме тех из них (конечного числа), на которых записаны входные данные. Управляющее устройство работает согласно правилам перехода, которые представляют алгоритм, реализуемый данной машиной Тьюринга. Каждое правило перехода предписывает машине, в зависимости от текущего состояния и наблюдаемого в текущей клетке символа, записать в эту клетку новый символ, перейти в новое состояние и переместиться на одну клетку влево или вправо. Некоторые состояния машины Тьюринга могут быть помечены как терминальные, и переход в любое из них означает конец работы, остановку алгоритма.

То есть, всякий интуитивный алгоритм может быть реализован с помощью некоторой машины Тьюринга. Машина Тьюринга была первой попыткой автоматизировать логические и математические вычисления, которые на том момент мог выполнять только человек.

В своей следующей статье «Computing machinery and intelligence» [4] (1950) Тьюринг задаётся вопросом «А может ли машина мыслить?». Эта абстрактная формулировка заменяется на «может ли машина, путем общения с человеком посредством письма, обмануть его и заставить человека думать, что он также имеет дело с человеком?». Отсюда берет свое начало знаменитый тест Тьюринга. Принято считать, что именно в этой работе впервые освещается вопрос искусственного интеллекта. Работу критикуют, так как до сегодняшнего дня ни одна машина не прошла Тест Тьюринга.

1943 году Уорен Мак-Каллох и Уолтер Питтс публикуют статью «A Logical Calculus of the Ideas Immanent in Nervous Activity» [5], в которой нейроны упрощенно рассматриваются как устройство, оперирующее двоичными числами. Так они основали новое направление в науке об искусственном интеллекте — нейронные сети.

В 1954 году Нильсом Ааном Баричелли был основан еще один подход в области искусственного интеллекта — эволюционное моделирование. При этом подходе решение задач оптимизации и моделирования осуществляется путём случайного подбора, комбинирования и вариации искомых параметров с использованием механизмов, аналогичных естественному отбору в природе (генетический алгоритм).

Этот период становления науки о искусственном интеллекте завершает Дартмутский семинар, на котором как планировалось, в течении лета будут решены самые большие и волнующие ученых вопросы. Организаторы данного семинара заявляли:

«Мы предлагаем исследование искусственного интеллекта сроком в 2 месяца с участием 10 человек летом 1956 года в Дартмутском колледже, Гановер, Нью–Гемпшир. Исследование основано на предположении, что всякий аспект обучения или любое другое свойство интеллекта может в принципе быть столь точно описано, что машина сможет его симулировать. Мы попытаемся понять, как обучить машины использовать естественные языки, формировать абстракции и концепции, решать задачи, сейчас подвластные только людям, и улучшать самих себя. Мы считаем, что существенное продвижение в одной или более из этих проблем вполне возможно, если специально подобранная группа учёных будет работать над этим в течение лета».

Хоть данным обещаниям не суждено было сбыться, на этом же семинаре было утверждено появление новой отрасли науки, были сформулированы основные направления исследований, а одним из членов данного семинара, Джоном Маккарти, было предложено название данной отрасти — «Artificial Intelligence» — «Искусственный интеллект».

Золотой век искусственного интеллекта

1956–1976 годы считаются золотым веком искусственного интеллекта, так как на тот момент не было накоплено никакой научной базы, что делало каждое открытие особенно важным. В это время искусственный интеллект развивался по двум основным направлениям: математическая логика и нейронные сети. Основные надежды возлагались на системы искусственного интеллекта основанные на комбинаторно логическом подходе. Данные системы были способны самостоятельно доказывать теоремы, играть в простые игры и строить простые последовательности действий в заданных условиях. Но успехи в области нейронных сетей тоже притягивали к себе внимание.

Американский ученый Фрэнк Розенблатт в 1962 году предложил принцип обучения нейронных сетей — обучение на примерах [6]. Также он создал первый нейрокомпьютер, с помощью которого ему удалось распознать рукописный текст.

1965 году Джон Алан Робинсон сформулировал правило резолюций [7] — правило вывода, восходящее к методу доказательства теорем через поиск противоречий. Его работы были решающими в развитии языка логического программирования Пролог, который был создан в 1972 году Аленом Колмероэ и Филиппом Русселем. С помощью этого языка стало возможным описывать различные задачи на языке логики с последующим решением на ЭВМ путем перебора всех возможных вариантов.

В это же время появилось понятие нечёткого множества, которое сформулировал Лютфи Заде в своей работе «Fuzzy sets» [8] (1965). Заде расширил классическое понятие множества, допустив, что характеристическая функция множества может принимать любые значения в интервале от «0» до «1», а не только значения «0» или «1». Вместе с понятием нечёткого множества возникла нечёткая логика, которая применяется в нейронных сетях (нейро-нечёткие системы).

В целом данный период характеризуется небывалым взлетом оптимизма и увеличением инвестиций в область искусственного интеллекта. Американское правительство начинает выдавать значительные гранты на фундаментальные исследования в данной области. В массовом сознании начинают появляются идеи о том, что скоро по улицам будут ходить роботы, а большие вычислительные центры будут заменять ученых. Отражение данных настроений можно обнаружить в литературе и кинематографе того времени. К самым ярким представителям писателей фантастов, в полной мере отражающим настроения того времени можно отнести Станислава Лема, Рэя Бредбери и Братьев Стругацких.

Литература:

1. С. Л. Эдельман, Математическая логика. — Москва, Высшая школа, 1975. — стр. 45
2. A. M. Turing, On computable numbers, with an application to the entscheidungsproblem, 1936
3. [Электронный ресурс] // https:// ru.wikipedia.org/wiki/Тезис_Чёрча_—_Тьюринга (Дата обращения: 30.11.2017)
4. A. M. Turing, Computing Machinery and Intelligence, 1950
5. Warren S. Mcculloch and Walter Pitts, A Logical Calculus of the Ideas Immanent in Nervous Activity, Bulletin of Mathematical Biology Vol. 52, No. l/2. стр. 99–115.
6. F. Rosenblatt: Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms. Brain Theory 1962. P. 245–248
7. John Alan Robinson, A Machine-Oriented Logic Based on the Resolution Principle, Journal of the ACM № 12, — стр.23–41
8. L. A. Zadeh. Fuzzy Sets. Information and control № 8, 1965, — стр.338–353

Основные термины (генерируются автоматически): искусственный интеллект, машина Тьюринга, управляющее устройство, машина, нечеткое множество, машин Тьюринга, правило перехода, семинар, сеть, область.

moluch.ru

Как создать искусственный интеллект? История вторая. Алгоритмы интеллектуального поиска и хранения информации

В серии статей мы рассказываем о новых подходах в Искусственном Интеллекте, моделировании личности и обработке BIG Data, которые недоступны для большинства специалистов по ИИ и общественности. Ценность этой информации в том, что она вся проверена на практике и большинство теоретических наработок реализованы в прикладных проектах.

Все вы без исключения пользуетесь современными поисковыми системами, которые хорошо справляются с поиском ссылок по ключевым словам. Но можно ли считать эти технологии поиском информации, умеют ли они отвечать на ваши вопросы в разных контекстах, могут ли они размышлять, воображать на основе сотен, тысяч источников на разных языках?

Крупные поисковые компании обладают почти неограниченными ресурсами – у них есть деньги, на них работают самые профессиональные сотрудники, тысячи и даже миллионы серверов обслуживают поисковые запросы. Так почему же до сих пор вы получаете в качестве ответа ссылки, а не ответ на свой вопрос?

В этой статье мы поговорим о технологиях и алгоритмах, которые изменят ваше представление о поиске и хранении информации. В предыдущей статье мы ввели основные термины, а именно – интеллект, обучение, воображение, память, образ, информационный поток, информационное поле. Обязательно ознакомьтесь с ней!: geektimes.ru/post/249042.

Статья вызвала определенный резонанс, и к нам поступили три категории вопросов:

• «Возможно ли написать алгоритм, который умел бы думать, размышлять?»
• «Действительно ли мы обладаем компетенцией в ИИ?»
• «Какие практические приложения разработаны нами?».

Сегодня мы расскажем об алгоритме поиска информации в интернете. Для того чтобы отличать его от других наших алгоритмов назовем его: «ядро v2.3». Насколько алгоритм удовлетворяет критериям интеллектуальности решать вам.

В основу наших алгоритмов легло ДОПУЩЕНИЕ, что процессы, протекающие во время размышления, имеют электрическую природу. Можно предположить, что когда человек что-то говорит (размышляет в слух), то различные участки головного мозга активизируются, и они активизируются не одновременно, а последовательно. Различные участки головного мозга отвечают за различные этапы «изречения мысли». Можно предположить, что различные «мыслительные аспекты» находятся в зависимости друг от друга.

Размышление (мысль) — это некое изложение последовательности информационных единиц (в т.ч. трансляция образов).

Посчитав, что данное предположение верно, мы решили, что процесс размышления можно смоделировать на компьютере. Рассмотрим пример: «Я поеду к тебе» — это образно-информационная структура, она состоит из трех образов:

• «Образ самоосознания» – «Я»,
• «Образ действия» – «Поеду»,
• «Комплексный или объединяющий образ того чего мы хотим достичь» – «к тебе».

Размышление в разных ситуациях может иметь и разный подтекст (скрытый смысл): Например, «Я хочу попить чаю» в разных контекстах может иметь и разный смысл

• Кто говорит эту фразу — «Женщина говорит мужчине», «Женщина женщине»,
• В какое время суток «вечером», «днем», «утром».
• Какая при этом обстановка «во время прогулки», «в офисе», «во время свидания» и т.д.

«Понимание смысла» размышления – «это способность читать между строк», с информационной точки зрения – это поиск сложных корреляций (поиск информационных и структурных взаимозависимостей).

Также мы исходили из того, что любой текст — это некая логическая последовательность, которая была так или иначе порождена человеком во время размышления.

Мы решили взять готовый текст на тему «Как легко бросить курить», и поискать в нем корреляции, но ничего не обнаружили. Мы предположили, что обучение происходит за счет избыточности данных, и взяли уже 500 статей по теме «Как легко бросить курить». Используя различные нелинейные алгоритмы, мы обнаружили сложные корреляции.

В частности, мы нашли точки, в которых «линии приложения размышления» могут быть направлены по разным путям. Эти точки мы называем «точками разворота» или «Мотиваторами». Мы упоминали о «Мотиваторах» в предыдущей статье, для этого использовался более популярный термин из психологии – якорь.

«Мотиватор» – это структурный элемент цепи, имеющий «большое сопротивление» и допускающий изменение последующего направления движения сигнала (мысли) под действием дополнительных факторов (мотивов). Таким образом мотиватор может изменить путь «размышления», если в процессе размышления появится «дополнительный потенциал».

Другое важное свойство «точек разворота»/якорей/мотиваторов – использование их в качестве «точки входа» или «момента мысли». При этом ход мыслей получается непротиворечивым. А если начинать размышление с другого понятия (НЕ из мотиватора), то первое что происходит – это выравнивание до мотиватора. В жизни это проявляется следующим образом. Если вас попросить поразмышлять над чем-то неожиданным для вас, то скорее всего вы начнете свое рассуждение «из далека». Размышляя, вы должны дойти до некоторой точки(до мотиватора), и уже потом продолжить свое размышление в «заданном» направлении.

Для того чтобы обработать и хранить такие информационные структуры, необходимо было создать специальную модель памяти, мы ее спроектировали и назвали «факторной памятью».

«Факторная память» – это структуры для формирования инфополя из неструктурированного инфопотока, а также определения и управления мотиваторами. Другими словами, факторная модель памяти – это память, использующая смысловые представления образа в виде набора характеристик — факторов, и цепочек упорядоченных данных – фактов.

Напоминаем, что с нашей точки зрения интеллект – это способность обучаться и воображать.

Давайте поразмышляем обладает ли описанная модель ядра этими качествами?

Самообучение, цели обучения, критерии обучения в контексте модели ИИ.

Обучение – это преобразование информационных потоков в информационное поле. У модели есть основной мотив – решить проблему, справится с трудностью, поступающей из вне. Ее задача распознать образы, которые поступают в виде запроса, создать целостный образ, используя избыточную информацию, находящуюся в Интернете.

Так как перед запросом память модели чиста, то ей необходимо «научится языку» (язык явно не определен), понять смысл (найти сложные корреляции и мотиваторы), сформировать избыточное информационное поле для того чтобы иметь возможность размышлять (создавать информационные цепочки).

Основной технический критерий «наполнения памяти»/«создания информационного поля»/«создания целостного образа» – это оценка энтропии инфополя. Энтропия – это критерий достаточности того, что образ собран, и в тоже время основной критерий недостатка информации.

Обучение не возможно без обратной связи Обратная связь в модели v 2.3 осуществляется следующим образом – пользователь может скорректировать «точку начала рассуждения» и выбрать направление формирования ответа(размышления) в рамках сформированного инфополя. Модель демонстрирует результат размышления пользователю и ждет коррекционное уточняющее слово (мотиватор).

Воображение в контексте модели ИИ

Воображение мы определяли, как способность достраивать незавершенный образ с одной стороны и способность моделировать ситуацию на произвольных условиях, с другой стороны. Алгоритм, способен активизируя разные мотиваторы, получать разные цепочки размышлений.

Примеры работы модели ядра v 2.3

1) Запрос: «Влияние жестоких компьютерных игр на детей». Контекст, уточнение: Без уточнения. Размышление модели: «Весной 1999 года Билл Клинтон в своем телевизионном обращении к Америке заявил: «Мы должны думать дважды, когда речь идет о „стрелялках от первого лица“». Стрельбу они начали уже на автомобильной стоянке, затем бросились внутрь.

По горячим следам в апрельском номере журнала «Личность и социальная психология» за 2000 год появилась статья «Видеоигры и агрессивные мысли, чувства, поведение в лаборатории и в жизни».

Авторы, профессора психологии Крейг Андерсон и Карэн Дил, утверждали: дети видят все больше жестокости в современном мире.

В статье утверждалось, что существует связь между жестокостью компьютерных игр и агрессивным поведением подростков, что может привести к преступлениям и убийствам.

Андерсон сказал: «Хотя в области исследования поведенческих особенностей есть много сложностей, одну простую и ясную вещь нужно знать всем: компьютерные игры увеличивают жестокость и насилие. Наше исследование показало: влияние на агрессивность поведения у жестоких компьютерных игр даже серьезнее, чем у жестоких телепередач и фильмов».

А что, если на шаг отойти от нашей условно сложной веганской ситуации и подумать о том, в кого эти играющие в смерть малыши вырастут.

Многие специалисты не согласились с таким мнением, считая, что выводы Андерсона и Дил скорее мнение, чем доказанный научный факт.

26 апреля 2002 года Роберт Штайнхойзер убил 17 и ранил 7 человек в гимназии имени Гуттенберга, город Эрфурт, Германия.

Авторитетная газета Франкфуртер Алльгемайне Цайтунг вышла со статьей «Программы для бойни», в которой писалось: «убийца тренировался с помощью компьютерных игр».

В документе прямо запрещается «распространение любых видов продукции, пропагандирующих насилие, агрессию и антиобщественное поведение».

Ответственным за выработку мер было назначено Управление по делам молодежи областной администрации. Целью всех этих мероприятий объявлена борьба с молодежной агрессивностью и пропагандой насилия. Эти события вызвали реакцию на соседних территориях Украины, где в срочном порядке было принято аналогичное белгородскому постановление о борьбе с пропагандой насилия, и представители правоохранительных органов стали изымать «жестокие компьютерные игры» в клубах.

Жесткие компьютерные игры скорее разряжают психическую энергию, накопленную во время агрессивного самоутверждения подростков в обычной жизни.

При этом повышенная активность и агрессивность подростка по отношению к окружающему миру она дает ему опору для преодоления собственного страха.

Честно признаюсь, я сама когда-то давно очень любила всякие стрелялки, при этом я не замечала за собой агрессии.»

Запрос можно уточнить словом или частью слова. Например, «подрост», «игр», «жесток» и пр., после уточнения размышление изменится.

Мотиваторы информационного поля:

года---играть---закон--- постановление---борьбе---пропагандой--- мозга,---которые---отвечают--- лобных---долей---человека,--- компьютерные---игры---помочь--- компьютерные---игры---родителям---

2) Запрос: «Проблемы искусственного интеллекта». Контекст, уточнение: «проблем». Размышление модели:

Вычленить структуру и понять принципы организации интеллекта — это значит вскрыть реальные основания фундаментальности проблемы, показать ее глубокую специфичность.

Иначе говоря, необходимо изучить исторические, научно-технические и гносеологические аспекты проблемы искусственного интеллекта с непосредственным участием диалектико-материалистической философии.

Философия, избравшая в качестве главного вопроса своих научных поисков проблему отношения бытия и сознания, должна более пристально заинтересовываться вопросами, связанными с моделированием, воспроизведением интеллекта.

Проблема искусственного интеллекта имеет непосредственное отношение к основному философскому вопросу: речь идет об искусственном воспроизведении, моделировании человеческого интеллекта.

Кроме того, уже первые работы по искусственному интеллекту показали, что не только область решения задач затрагивается сопоставительными исследованиями, но и проблема мышления в целом.

У разных видов животных мы находим нервные системы разной сложности, и если мы будем постепенно двигаться по такой лестнице усложнения в процессе эволюции, понимая то, какие механизмы отвечали за тот или иной скачек в интеллектуальности животных, то, возможно, это позволит нам быстрее решить проблему понимания интеллекта человека.

Мотиваторы информационного поля:Кроме---решения---проблема--- того,---исследования---исследования--- человеческой---деятельности---деятельности--- Кроме---проблема---решения--- области---искусственного---интеллекта.--- проблемы---искусственного---интеллекта---интеллекта--- области---искусственного---области---искусственного---интеллекта.---

3) Запрос: «как найти свой смысл жизни» Контекст, уточнение: «жизн»

Размышление модели:

«В своей теории Франкл отдельно останавливается на людях, зависимых от алкоголя и наркотиков, которые не видят не только смысла жизни, но и вообще самой реальной жизни.

В чем смысл жизни определенного человека?

Един ли смыл жизни для всех людей на земле или он уникален для каждого? А если не получилось насладиться, значит, вы прожили жизнь бессмысленно.

В этой связи на любом жизненном отрезке важно помнить, что наш путь имеет не только начало, но и конец.

Все сделанное в вашей жизни имеет важное значение, ведь о человеке помнят еще долго после его смерти. Смысл жизни человечества — продолжить эстафету развития от примитивного разума микроорганизмов до сверхразумных существ далёкого будущего.

Но самый интересный вопрос, ответа на который мы никогда не узнаем: смысл жизни вообще.

Счастливые люди такими вопросами не задаются, они просто живут и получают удовольствие от самой жизни, следовательно такие вопросы приходят в голову когда человек несчастлив.

Смысл жизни одинаков для всех живых существ, от микроба до человека: прожить самому и оставить потомство.

А ещё круче — жизнь это просто очень сложная химическая реакция в основном атомов углерода протекающая в природе, независимо от вас.

Цель жизни — в самой жизни, осознавая свою божественную суть!

Вопреки распространенному мнению, жизни людей губит не заниженная самооценка а завышенная, из нее вытекают амбиции, при отсутствии реализации которых человек начинает ощущать страдания.

Смысл жизни у всего живого один: РАЗВИТИЕ через различение добра и зла, пользы от вреда, истинных знаний от заблуждений.

Так как и предназначение у всех в этой жизни свое.

Надо прислушаться к своим чувствам, а не к своим мыслям и понять чем хочется заниматься в жизни. Для этого надо уйти от бытовой суеты и перестать искать смысл жизни.

Что заложено и в каком направлении в жизни реализовываться. Найдя свое призвание, начнешь наслаждаться жизнью и каждым моментом.

Но жизнь вернула к первоначальному.»

Мотиваторы информационного поля:себя---этой---жизни.--- найти---себя---себя--- смысл---жизни---жизни--- жизни---каждого---жизни---

Производительность алгоритмов

Наши исследования начались более 5 лет назад и проходили на специализированном кластере. После того как определенные закономерности были найдены, необходимо было оптимизировать алгоритмы. Несколько лет потребовалось для того, чтобы «размышление» заработало на обычном серверном железе. Ядро версии 2.3 способно даже размышлять на планшете с процессором Intel Atom.

Модель ядра 2.3 – это одна ячейка памяти (алгоритм «Одноклеточной памяти»), одна информационная структура, обладающая достаточной избыточностью для того чтобы в ее рамках можно было определить образ, и его под разными точками зрения представить. Прототип модели ядра 2.3 мы выложили в интернет для тестирования.

Возможности и развитие алгоритмов DES

Если мы будем использовать память из нескольких ячеек, то мы сможем построить более сложные корреляции, в таких моделях существуют переходы от одной ячейки памяти к другой. Поэтому подобные алгоритмы называются дедуктивными или дедукторами или DES. К сожалению, об этих алгоритмах мало что известно общественности, так как обычно подобные исследования носят закрытый характер.

В качестве инфопотока может выступать любой поток данных: текст, видео, телеметрия, стохастика и пр. Алгоритм способен находить корреляции и выстраивать упорядоченные данные как в хронологии, так и без нее. Иcпользование текстовых данных позволяет достаточно просто получить инфопоток и наглядно продемонстрировать результаты работы алгоритма.

Если вы хотите самостоятельно испытать возможности ядра v2.3, то запросите у нас ссылку через режим диалоги. Мы не выкладываем ссылку в публичный доступ, потому что модель ядра установлена на слабом сервере, и не хотели бы давать прямую рекламу.

Для того чтобы внедрить подобные технологии массово, не достаточно обладать ими, необходимо также менять информационную парадигму, и создавать новые подходы по обработке и хранению информации.

В следующей статье мы порассуждаем о технологиях следующего поколения ядра, это уже многоклеточная модель памяти, позволяющая моделировать некоторые аспекты личности, вести диалог в рамках личностной модели пользователя. Подобные технологии могут быть использованы для создания персонализированных веб-сервисов, приложений, помощников.

Обучайтесь и воображайте…

habr.com

Анализ методов искусственного интеллекта САПР технологических процессов производства электронной аппаратуры



In article features of application of methods of artificial intelligence in SAPR of technological design are considered. The main attention is paid to methods of formalization of declarative knowledge of technological processes. The technique of development of frame semantic network for formation of the technological knowledge base is considered. Examples of creation of intellectual system of design-technology design are given. Recommendations about integration of intellectual system of modeling of technological sets into a uniform complex of information maintenance of difficult production systems are made.

Keywords:technological process, artificial intelligence, knowledge base, frame semantic networks

В работе рассмотрены вопросы разработки экспертных систем синтеза технологического процесса производства изделий электронной техники (ИЭТ) на примере стерео усилителя НЧ. В рамках современного производства задачи хранения и обработки больших объемов знаний в едином комплексе, быстрого получения рекомендаций по параметрам реализуемых технологических процессов приобретают все большую актуальность.

В настоящее время для накопления, систематизации и хранения данных и для оперирования знаниями применяют базы знаний и экспертные системы [1, 2]. Современные интеллектуальные системы информационного сопровождения производственных процессов обеспечивают поиска способов решения проблем из некоторой предметной области, основываясь на знаниях.

В теории обработки информации экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной предметной области с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Рассматривая экспертные системы (ЭС) в целом, можно отметить их особенность, заключающуюся в том, что они выступают в виде некой системы, помогающая обычным пользователям в повседневной работе. Общение с экспертными системами, работа с ними должны быть максимально просты [2, 3].

Экспертная система — компьютерная программа, ориентированная на разрешении конкретной проблемной ситуации [3, 4]. Экспертная система отличается от прочих прикладных программ наличием следующих признаков:

– моделирует не столько физическую (или иную) природу определённой проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области;

– система, помимо выполнения вычислительных операций, формирует определённые соображения и выводы, основываясь на тех знаниях, которыми она располагает;

– при решении задач основными являются приближенные методы, которые, в отличие от алгоритмических методов, не всегда гарантируют успех;

– одной из основных характеристик экспертной системы является её производительность, т. е. скорость получения результата и его достоверность;

– экспертная система должна обладать способностью объяснить, почему предложено именно такое решение, и доказать его обоснованность.

Многие информационные системы, такие как Oracle Business Suite и SAP, имеют встроенные модули аналитической обработки данных. Рассмотрим примеры ЭС, получивших наибольшее распространение в конструкторско-технологической информатике:

– CLIPS (http://www.clipsrules.net/) — суть технологии CLIPS заключается в том, что язык и среда CLIPS предоставляют пользователям возможность быстро создавать эффективные, компактные и легко управляемые экспертные системы. При этом пользователь применяет множество уже готовых инструментов (встроенный механизм управления базой знаний, механизм логического вывода, менеджеры различных объектов CLIPS и т. д.) и конструкций (упорядоченные факты, шаблоны, правила, функции, родовые функции, классы, модули, ограничения, встроенный язык COOL и т. д.). Так же CLIPS предоставляет возможность разбиения базы данных и решения задачи на отдельные независимые модули. В последнее время экспертная система CLIPS применяется как в системах, ориентированных на различные игры, так и в нечётких системах для формализации знаний. В рамках решения конструкторско-технологических задач решения на базе CLIPS следует отнести к системам локальной (очаговой) автоматизации проектных процедур.

– ACQUIRE (http://aiinc.ca/) — среда разработки ЭС, которая позволяет эксперту полностью создать законченную ЭС. Система использует режим диалога с экспертом, задавая ему вопросы и наполняя таким образом базу знаний. Если система обнаруживает логические ошибки, она уведомляет об этом эксперта. Методы решений: предикатный и метод распознавания шаблонов. БЗ — объектно-ориентированная. Практических данных об опыте применения в конструкторско-технологической информатике нет.

– OpenCyc (http://www.opencyc.org/) OpenCyc является сокращенным открытым вариантом базы знаний Cyc. Может использоваться для создания экспертных систем. В БД OpenCyc содержится 47000 понятий и 300000 фактов. Система ориентирована на развитие технологий тонкого клиента на базе семантического уровня (обработки запросов, системы взаимосвязи контента и т. д.). Применение OpenCyc многообразно: создание обучающих игр, создание БЗ в wikipedia, подключение в качестве модуля к другим экспертным системам и т. д.

Несмотря на значительный опыт разработки и внедрения модулей интеллектуальной поддержки конструкторско-технологического проектирования до настоящего момента остаются нерешенными целый класс проблем, к которым следует отнести сложность механизмов формализации декларативных знаний, отсутствие единых форматов представления конструкторско-технологических знаний и ряд других [1–4]. В рамках данной работы изложена обобщенная методика создания простой и универсальной ЭС генерации рекомендаций к технологическому процессу изготовления ИЭТ.

Решение данной задачи предполагает:

– выбор способа представления знаний в ЭС, например, освоение принципов построения фреймовой модели базы знаний

– анализ предметной области, анализ существующих знаний о рассматриваемых базовых технологических процессах;

– разработка структуры базы знаний;

– разработка архитектуры тонкого клиента ЭС;

– разработка процедур обработки знаний с помощью процедур, созданных в «открытом коде»;

– тестирование и отладка развернутой ЭС на сервере;

– разработка руководства пользователя автоматизированной системы.

В результате решения указанных задач создается ЭС синтеза техпроцесса для типового радиотехнического предприятия, с возможность адаптации базовых ТП к возможностям конкретного производства.

Одной из основных и наиболее сложных задач является выявление и формализация знаний по исследуемой предметной области, с учетом того, что многих из реализуемых ТП являются уникальными, присущими только конкретному производству. Для проведения информационного аудита производства и описания его компонентов в последнее время все шире используются различные CASE-средства, которые базируются на методах структурного или объектно-ориентированного анализа и проектирования [5–11].

В работе проиллюстрирована конкретная практическая методика аудита производственной системы, формализации знаний в рассматриваемой предметной области, создании ЭС на основе рекурсивной фреймовой семантической сети, что позволило автоматизировать ранние стадии проектирования и технологической подготовки производства.

1. Анализ концептуально-абстрактной модели функционирования экспертной системы

Методика представления комплексных знаний по уровням экспертизы предполагает анализ на концептуально-абстрактном (обобщенном), структурно-функциональном (уровень иерархической декомпозиции вплоть до конкретного рабочего места), объектном (информационном) уровне принятия решений. На каждом из уровней представляется необходимая детализация исследуемого процесса, тем самым достигается доступность и простота создаваемых моделей для их интерпретации и последующего использования. В качестве примера рассмотрим анализ особенностей разработки и внедрения подсистемы аналитической поддержки принятия решений в виде совокупности указанных моделей. По аналогии могут быть построены и модели исследуемых технологических процессов.

На рисунке 1 представлена концептуально-абстрактная модель [12–14] разработки экспертной системы генерации ТП производства ИЭТ, определяющая основные компоненты создаваемой экспертной системы.

Рис. 1. Концептуально-абстрактная модель разработки экспертной системы

Из концептуально-абстрактной модели экспертной системы следует, что разработка экспертной системы включает в себя создание фреймовой структуры для формализации декларативных (конструкторско-технологических) знаний, формирование прототипов слотов, фреймов и их экземпляров с помощью высокоуровневого языка программирования. В дальнейшем с привлечением группы экспертов предметной области, осуществляется конкретизация фреймовой структуры под конкретную область знаний, проводится наполнение слотов, фреймов и установка семантических связей. Для дальнейшей детализации процесса разработки необходимо перейти к более точной (детализованной) модели рассматриваемого процесса. В качестве такой модели обычно используют структурно-функциональное описание [5–7]. Методики структурно-функционального представления сложных систем известны достаточно давно, по некоторым из них существуют отечественные ГОСТы [15].

2. Контекстная диаграмма работы ЭС АСУ ТП изготовления стерео усилителя НЧ

Структурно-функциональная модель представляет собой иерархическую декомпозицию исследуемого процесса. На верхнем уровне декомпозиции (рисунок 2) работы экспертной системы представлена в общем виде (контекстная диаграмма в нотации IDEF0). Она отражает взаимодействие исследуемой ЭС с внешней средой. Данный уровень декомпозиции является отправной точкой анализа, позволяет синхронизировать концептуально-абстрактную и структурно-функциональную модели и является в общем смысле моделью «черного ящика».

Рис. 2. Контекстная диаграмма «Функционирование экспертной системы»

В результате выполнения процесса на основе преобразования входных воздействий, которыми являются знания и решаемые задачи, формируются ожидаемые результаты. Данный процесс осуществляется под управлением алгоритмов, реализованных процедур принятия решений и нормативных документов, определяющих работу экспертной системы. Созданное программное обеспечение и средства обеспечивающие его функционирование являются инструментами (механизмами) рассматриваемой системы (на модели не показаны), с которые взаимодействуют различные категории пользователей.

На первом уровне декомпозиции (рисунок 3) модель представляет собой 4 взаимосвязанные работы, представленные в нотации IDEF0: «Работа со слотами», «Работа с фреймами», «Работа с экземплярами», «Синтез решения».

Рис. 3. Первый уровень декомпозиции «Функционирование экспертной системы»

Работы «Работа со слотами», «… фреймами» и «… экземплярами» получают на вход знания о ТП и служат для создания, редактирования и удаления слотов, фреймов, экземпляров и наполнения базы знаний. Наполнение производится экспертом в области ТП при помощи разработанных программных инструментов. Работа «Синтез решений» формирует искомое решение в результате взаимодействия (диалога) с пользователем экспертной системы.

Итогом разработки иерархической диаграммы является комплексная диаграмма дерева узлов (рисунок 4), которая представляет собой полную модель декомпозиции рассматриваемого процесса. С помощью диаграммы дерева узлов можно проследить за всеми операциями процесса функционирования экспертной системы в деталях.

Рис. 4. Диаграмма дерева узлов работы функционирования экспертной системы

На диаграмме не представлена последовательность работы экспертной системы, однако она включает в себя все процессы её функционирования.

После построения полной декомпозиции процесса проводят его оптимизация (адаптацию по конкретные требования). Оптимизация может выполняться по совокупности интегральных (время, стоимость) и/или дифференциальных (качественных) критериев [10, 16–20].

3. Разработка модели фреймовой семантической сети для ЭС АСУ ТП

Обобщенная структура фреймовой семантической сети, представляющая знания по технологическому процессу, на примере изготовления стерео усилителя НЧ (рисунок 5а). На рисунке 5б представлен результат синтеза.

Рис. 5. Модель диаграммы дерева узлов ЭС АСУ ТП изготовления стерео усилителя НЧ

5. Анализ информационной модели ЭС АСУ ТП

Современное производство трудно представить без развертывания системы его информационного сопровождения и управления [21–24]. Во многих из них активно используются аналитические подсистемы, пример пользовательского интерфейса модуля ЭС для использования в составе АСУ ТП типовой АСУ радиотехнического предприятия, созданной по архитектуре «тонкого клиента» представлена на рисунке 6.

Рис. 6. Основная форма интерфейса модуля ЭС для АСУ ТП

На модели формы интерфейса представлены основные структурные блоки ЭС: логотип предприятия и информация о нем (1), навигационная панель модуля ЭС для перемещения между слотами, фреймами и экземплярами базы знаний и панель для управления ими (добавление/удаление/изменение информации) (2). Страница содержит информацию о текущей авторизации, действующим в системе пользователе и панель управления текущим подключением (3). Блок синтеза решения позволяет создать типовой технологический процесс на основе ответов на вопросы экспертной системы пользователем системы.

Навигационную модель ЭС можно представить в виде описания основных возможных переходов по сайту, а также в виде графа навигационной модели ЭС. На рисунке 7 представлен граф навигационной модели ЭС для АСУ ТП. Представленная структура является наиболее частым решением для интерфейса ЭС в составе АСУ и имеет весь необходимый функционал.

Для работы с ЭС пользователю необходимо пройти авторизацию. После прохождения авторизации развернется основное навигационное меню позволяющее перейти на все доступные страницы системы: «Слоты», «Фреймы», «Экземпляры» и «Синтез решения». Так как используемая в данной ЭС модель является плоской, каждая страница имеет одинаковый набор ссылок на все остальные страницы, переход между ними осуществляется максимально быстро.

Рис. 7. Граф навигационной модели модуля ЭС для АСУ ТП

При переходе на выбранную страницу появляется таблица данных из БЗ, а также поле управления этими данными, позволяющее добавить/изменить/удалить информацию из текущей таблицы в случае авторизации в системе как инженер по знаниям или эксперт в предметной области. Работа с системой заканчивается завершением сеанса и выходом из нее. Рассмотренные системы находят свое применение не только в производственных информационно-управляющих системах [21], но и университетах, при создании комплексных тренажеров [8], моделей «виртуальное предприятие» [10], информационных системах поддержки обучения иностранных студентов [13, 25, 26] и т. п.

Заключение

Рассмотренная комплексная методика разработки и внедрения аналитических подсистем на основе глубокого понятийного и структурно-функционального процессов предметной позволяют создавать современные АСУ ТП.

Литература:

1. Григорьев В. П., Камышная Э. Н., Нестеров Ю. И., С. А. Никитин Применение методов искусственного интеллекта в САПР технологических процессов производства электронной аппаратуры: Учебное пособие. — М.: Изд-во МГТУ, 1998. — 48 с., ил.
2. В. П. Григорьев, Ю. И. Нестеров, Д. В. Черепанов Информационные технологии в конструировании и технологии микроэлектроники. — М.: Изд-во МГТУ им. Н. Э. Баумана, 2000. -39 с.
3. Дембицкий Н. Л., Назаров А. В. Применение методов искусственного интеллекта в проектировании и производстве радиотехнических устройств — Москва. Изд-во МАИ. 2009. Сер. Научная библиотека. 228 с.
4. Назаров А. В. Многокомпонентное 3D-проектирование наносистем: Учебное пособие; под ред. В. А. Шахнова. — Москва, 2011. Изд-во МГТУ им.Н. Э.Баумана. Библиотека «Наноинженерия». Кн. 4. 391 с.
5. Маклаков С. В. BPwin и Erwin: CASE-средства для разработки информационных систем. — М.: Диалог-МИФИ, 2000г. — 304с.
6. Кознов Д. В., Ольхович Л. Б. Визуальные языки проектов // Системное программирование. 2005. Т. 1. С. 148–167.
7. Власов А. И. Пространственная модель оценки эволюции методов визуального проектирования сложных систем // Датчики и системы. 2013. № 9 (172). С. 10–28.
8. Адамов А. П., Адамова А. А., Сенькина М. А., Исмаилова И. Т. Системный анализ в управлении предпринимательскими организациями. Под общей редакцией А. П. Адамова — Изд-во Политехника. Санкт-Петербург, 2002. 251 с.
9. Власов А. И. Особенности визуальной формализации информационных потоков в системах поддержки менеджмента качества ЭА // Труды международного симпозиума Надежность и качество. 2016. № 2. С. 187–190.
10. Адамова А. А., Власов А. И. Визуальное моделирование адаптации подготовки производства к выпуску новой продукции // Информационные технологии в проектировании и производстве. 2014. № 2 (154). С. 46–56.
11. Власов А. И. Применение методов визуального моделирования для формализации конструкторско-технологической информации // В сборнике: Информатизация образования — 2012 Материалы Международной научно-практической конференции. 2012. С. 70–78.
12. Кознов Д. В., Ларчик Е. В., Плискин М. М., Артамонов Н. И. О задаче слияния карт памяти (MIND MAPS) при коллективной разработке // Программирование. 2011. Т. 37. № 6. С. 56–66.
13. Журавлева Л. В., Власов А. И., Тимофеев Г. Г. Методы генерационного визуального синтеза технических решений в области микро-/наносистем // Научное обозрение. 2013. № 1. С. 107–111.
14. Журавлева Л. В., Власов А. И. Визуализация творческих стратегий с использованием ментальных карт // Прикаспийский журнал: управление и высокие технологии. 2013. № 1 (21). С. 133–140.
15. ГОСТ Р 50.1.028–2001. «Информационные технологии поддержки жизненного цикла продукции. Методология функционального моделирования».
16. Камышная Э. Н., Маркелов В. В., Соловьев В. А. Методика расчета технологичности конструкций электронной аппаратуры // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия: Приборостроение. 2003. № 1. С. 116–125.
17. Адамова А. А., Адамов А. П., Шахнов В. А. Методика оценки технологичности электронных изделий на этапах проектирования и производства // Труды международного симпозиума Надежность и качество. 2015. Т. 2. С. 352–356.
18. Ирзаев Г. Х., Адамова А. А. Автоматизация процесса формирования системы показателей для оценки технологичности конструкции изделия // Автоматизация. Современные технологии. 2014. № 11. С. 27–33.
19. Адамов А. П., Адамова А. А., Власов А. И. Дифференциальные коэффициенты оценки технологичности электронных средств и их применение при структурно-функциональном моделировании производственных систем // Вестник Московского государственного технического университета им. Н. Э. Баумана. Серия: Приборостроение. 2015. № 5 (104). С. 109–123.
20. Адамова А. А., Адамов А. П. Многоуровневая модель формирования технологичности электронных средств на этапах проектирования и производства // Инженерный журнал: наука и инновации. 2013. № 11 (23). С. 12.
21. Власов А. И., Михненко А. Е. Принципы построения и развертывания информационной системы предприятия электронной отрасли // Производство электроники. 2006. № 4. С. 5–12.
22. Власов А. И., Ганев Ю. М., Карпунин А. А. Cистемный анализ «Бережливого производства» инструментами визуального моделирования // Информационные технологии в проектировании и производстве. 2015. № 4 (160). С. 19–24.
23. Власов А. И., Ганев Ю. М., Карпунин А. А. система 5S-технология создания эффективного рабочего места в концепции «Бережливого производства» // Информационные технологии в проектировании и производстве. 2016. № 1 (161). С. 65–68.
24. Власов А. И., Ганев Ю. М., Карпунин А. А. Картирование потока создания ценностей в концепции «бережливого производства» // Информационные технологии в проектировании и производстве. 2016. № 2 (162). С. 23–27.
25. Власов А. И., Кирбабин О. Е., Шепель А. С. Методология визуального проектирования как инструмент организации поддержки учебного процесса // Материалы международного симпозиума. Новые информационные технологии и менеджмент качества (NIT&MQ'2008). 2008. С. 110–111.
26. Журавлева Л. В., Камышная Э. Н. Картирование толкового словаря неологизмов в области информационных технологий // В сборнике: Современные концепции научных исследований IV Международная научно-практическая конференция. Сер. «Технические науки» 2014. С. 152–155.

Основные термины (генерируются автоматически): экспертная система, CLIPS, система, предметная область, баз знаний, работа, логический вывод, навигационная модель ЭС, уровень декомпозиции, формализация знаний.

moluch.ru

---

Смотрите также

• 
  Энергорынок журнал официальный сайт
• Юрист поволжья журнал сайт
• 
  Эмма лисянская живой журнал
• 
  Электронный журнал экономика украины
• Электронный журнал белозерская гсг
• 
  Шейп журнал в контакте
• 
  Червонец андрюха живой журнал
• Химическая физика журнал архив
• 
  Фотомагазин журнал официальный сайт
• Тонкости продаж туризм журнал
• 
  Твой день журнал оптимистов