Искусственный интеллект как представление и поиск

4. ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ КАК ПРЕДСТАВЛЕНИЕ И ПОИСК

  Ньюэлл и Саймон доказывают, что интеллектуальная деятельность, как человека, так и машины, осуществляется с использованием следующих средств.

1. Символьные шаблоны (комбинации символов), предназначенные для описания важнейших аспектов области определения задачи.

2. Операции с этими шаблонами, позволяющие генерировать потенциальные решения задач. Поиск с целью выбора решения из числа всех возможных.

Описанные предположения формирую базис гипотезы о физической символьной системе. Эта гипотеза лежит в основе наших попыток создания умных машин и делает очевидными основные предположения в исследовании ИИ. Гипотеза о физической символьной системе неявно различает понятия шаблонов, сформированных путем упорядочения символов, и среды, в которой они реализованы.

Гипотеза о физической символьной системе также вкратце описывает главные вопросы исследования в области ИИ и разработки его приложений. К ним относится определение структур символов и операций, необходимых для интеллектуального решений задачи, а также разработка стратегий для эффективного и правильного поиска потенциальных решений, сгенерированных этими структурами и операциями. Эти взаимосвязанные проблемы представления знания и поиска лежат в основе современных исследований в области ИИ.

Задача любой схемы представления заключается в том, чтобы зафиксировать специфику области определения задачи и сделать эту информацию доступной для механизма решения задачи. Очевидно, что язык представления должен позволять программисту выражать знания, необходимые для решения задачи. Абстракция, т.е. представление только той информации, которая необходима для достижения заданной цели, является необходимым средством управления сложными процессами. Кроме того, программы должны быть рациональными в вычислительном отношении. Выразительность и эффективность являются взаимосвязанными характеристиками оценки языков представления знаний. Многие достаточно выразительные средства представления в одних задачах совсем неэффективны в других классах задач. Иногда выразительностью можно пожертвовать в пользу эффективности. В то же время нельзя ограничивать возможности такого отображения, позволяющего фиксировать существенные знания, что приводит к эффективному решению конкретной задачи. Разумный компромисс между эффективностью и выразительностью – нетривиальная задача для разработчиков ИС.

Языки представления знаний являются средством, позволяющим решать задачи. По существу, способ представления знаний должен обеспечить естественную структуру выражения знания, позволяющую решать задачу. Способ представления должен сделать  это знание доступным компьютеру и помочь программисту описать его структуру.

Например, представления чисел с плавающей точкой в компьютере. Представление числа с плавающей точкой уступает в выразительности, но выигрывает в эффективности.

Рекомендуемые материалы

Схема представления знания должна удовлетворять следующим условиям:

1) адекватно выражать всю необходимую информацию;

2) поддерживать эффективное выполнение кода программы;

3) обеспечивать естественный способ выражения необходимых знаний.

Задачи ИИ не решают путем их упрощения и «подгонки» к уже имеющимся понятиям, предлагаемым традиционными формальными системами, например массивом. Эти задачи связаны скорее с качественными, а не количественными проблемами, с аргументацией, а не вычислениями, с организацией больших объемов знаний, а не реализацией отдельного четкого алгоритма. Чтобы удовлетворять этим требованиям, язык представлений ИИ должен обладать следующими свойствами:

1) обрабатывать знания, выраженные в качественной форме;

2) получать новые знания из набора фактов и правил;

3) отображать общие принципы и конкретные ситуации;

4) передавать сложные семантические значения;

5) обеспечивать рассуждения на макроуровне.

  Рассмотрим эти свойства подробно.

  Исчисление предикатов непосредственно фиксирует эту информацию. В исчислении предикатов мир блоков (рисунок) может быть описан логическими утверждениями:

                                                clear (c)

                                                clear (a)

                                                ontable (a)

                                                ontable (b)

                                                on (c, b)

                                                cube (a)

                                                cube (b)

                                                pyramid (c)

Мир блоков

   Логическое получение новых знаний из набора фактов и правил. Любой интеллектуальный объект должен обладать способностью логически получать  дополнительные знания из имеющегося описания реального мира.

В примере из мира блоков можно определить тест, устанавливающий, является ли блок открытым, т.е. не располагается на его верхней грани другой объект.

Можно определить общее правило, позволяющее системе делать логические выводы из имеющихся фактов. В исчислении предикатов это правило может выглядеть так:

Оно означает следующее: для любого элемента Х элемент Х является открытым, если не существует такого Y, что Y находится на Х. Это правило может применяться  в различных ситуациях при  замене значения Х и Y. Позволяя программисту формулировать обобщенные правила вывода, исчисление предикатов предоставляет большие удобства в выражении знания. Кроме того, исчисление предикатов дает возможность проектировать гибкие и достаточно общие системы, умеющие действовать разумно в различных ситуациях.

Нейтронные сети тоже выводят новые знания из имеющихся фактов, хотя правила, используемые ими, скрыты. Классификация – это общепринятая форма логического вывода, выполняемого такими системами.

Отображение общих принципов наряду с конкретными ситуациями. ИС должна быть максимально общей, любой хороший язык представления нуждается в переменных. Необходимость качественных рассуждений делает использование и реализацию переменных сложной задачей по сравнению с их трактовкой в традиционных языках программирования. Значение, типы и правила обработки данных в языках программирования, ориентированных на вычисления, ограничены и не годятся для реализации ИС. Для обработки связанных переменных и объектов существуют специальные языки представления знаний. Высокая способность обобщения – это ключевое свойство нейронных сетей, систем обучения и других адаптивных систем.

Передача сложных семантических знаний. Во многих областях ИИ решение задачи требует использования высокоструктурированных взаимосвязанных знаний. Семантические отношения также необходимы для описания причинных связей между событиями. Они позволяют понять простые рассказы или представить план действий робота как последовательность элементарных действий, которые должны быть выполнены в определенном порядке.

Хотя все ситуации могут быть представлены в виде совокупности предикатов, для программиста, имеющего дело со сложными понятиями, необходимо высокоуровневое представление структуры процесса. Предикатное описание можно представить графически, используя для отображения предикатов, определяющих отношения, дуги или связи графа. Такое описание, называемое семантической сетью, является фундаментальной методикой представления семантического значения.

Кроме того знания могут быть организованы так, чтобы отражать естественную структуру экземпляра класса из данной предметной области. Некоторые связи указывают на принадлежность к классу и задают свойства, характерные для описания данного класса, которые наследуют все члены класса. Наследование – инструмент представления классифициро-ванной структурированной информации, который гарантирует, что все члены класса обладают общими свойствами.

Теория графов эффективно и естественно выражает сложные семантические знания. Кроме того, она позволяет описать структурную организацию базы знаний. Семантические сети – это достойная альтернатива исчислению предикатов.

Рассуждения на метауровне. ИС должна не только знать предмет, но также знать о том, что она знает этот предмет. Она должна быть способна решать задачи и объяснять эти решения. Система должна описывать свои знания, как в конкретных, так и в обобщенных терминах, узнавать их ограничения и учиться в процессе взаимодействия с миром. Это «осведомленность о своих знаниях» составляет более высокий уровень знаний, называемых метазнаниями, необходимых для проектирования и адекватного описания ИС.

Решение задачи ИИ можно свести к выбору представления знаний среди возможных альтернатив. Выбор подходящего представления очень важен для разработчиков компьютерных программ, обеспечивающих решение задач ИИ. Не смотря на большое разнообразие языков представления, используемых в ИИ, все они должны удовлетворять общим требованиям выразительности, эффективности и правильности дедуктивных выводов.

Решение задачи методом поиска. Вторым аспектом гипотезы о символьной системе Ньюэлла и Саймона является поиск решения задачи среди альтернативных вариантов. С точки зрения простого здравого смысла это выглядит разумно, поскольку именно так задачи решает человек. Рассматривая ряд альтернативных вариантов, мы пытаемся решить задачу.

В качестве простого примера рассмотрим игру «крестики- нолики». Для любой заданной ситуации всегда существует только конечное число допустимых ходов игрока. Первый игрок может разместить крестик в любой из девяти клеточек пустой игровой доски. Каждый из таких шагов порождает различные варианты заполнения игровой доски, которые позволяют противнику сделать восемь возможных ответных ходов и т.д. Эту совокупность можно представить в виде вершин графа. Дуги графа представляют разрешенные ходы, приводящие от одной конфигурации игровой доски к другой. Вершины графа соответствуют различным состояниям игрового поля. Результирующая структура называется графом пространства состояний. Значение этого графа состоит в том, что он дает возможность проследить последовательность шагов в любой игре. Проход начинается с вершины, соответствующей пустой игровой доске, а движения по дугам приводят к вершинам-состояниям, представляющим очередной ход или победу. Представление в пространстве состояний, таким образом, позволяет рассматривать все возможные варианты игры «крестики-нолики» как различные пути на графе пространства состояний.

Формализация теории графов также сделала возможным поиск в пространстве состояний – основной концептуальный инструмент ИИ. Графы можно использовать для моделирования скрытой структуры задачи. Вершины графа состояний представляют собой возможные стадии решения задачи; ребра графа отражают умозаключения, ходы в игре или другие шаги в решении. Решение задачи – это процесс поиска пути к решению на графе состояний. Описывая все пространство решений, графы состояний представляют мощный инструмент для измерения структурированности и сложности проблем, анализа эффективности, корректности и общности стратегий решения.

Обратите внимание на лекцию "1. Понятие делового общения".

Описав игру, таким образом, можно с помощью поиска на графе найти эффективную игровую стратегию. Возможность выбора эффективной стратегии – это не единственное преимущество графа. Регулярность и точность представления пространства состояний позволяют непосредственно реализовать игру на компьютере.

Нейронные сети и другие адаптивные системы также выполняют поиск,  особенно во время обучения и адаптации. Всевозможные обобщения данных, которые самообучающаяся программа может сформировать в процессе обучения, можно представить себе как элементы пространства. Задача алгоритма обучения состоит в использовании обучающих данных для поиска в этом пространстве. В нейронной сети, например, пространством поиска является множество всех наборов весов связей сети. В процессе поиска набора связей, которые максимально соответствуют обучающим данным, эти веса изменяются.

Не смотря на эту очевидную универсальность, поиска в пространстве состояний не достаточно для автоматизации интеллектуального поведения, обеспечивающего автоматическое решение задач. Но это важный инструмент для проектирования интеллектуальных программ. Если бы поиска в пространстве состояний было достаточно, то было бы довольно просто написать программу для игры в шахматы. Для определения последовательности ходов, ведущих к победе, на каждом этапе игры нужно было бы осуществлять полный поиск по всему пространству состояний. Этот метод решения задач известен как поиск методом полного перебора. Хотя полный перебор может применяться в любом пространстве состояний, огромный размер пространства делает этот подход практически неприемлемым. Игре в шахматы, например, соответствует приблизительно  различных состояний игровой доски. Поиск в таком пространстве состояний выходит за рамки возможностей любого вычислительного устройства.

Решение задачи человеком основано на субъективных правилах, направляющих поиск к тем частям пространства состояний, которые по каким-то причинам кажутся «обещающим». Эти правила известны под названием эвристик. Они составляют одну из центральных тем исследований в области ИИ. Эвристика (термин возник от греческого слова «находить») – этот стратегия для выборочного поиска в пространстве состояний.

Эвристика не абсолютно надежна. Нет гарантий, что хороший эвристический подход может и должен приблизить нас к верному оптимальному решению задачи. Наиболее важно то, что эвристика использует знания о природе задачи для эффективного поиска решения.

Поиск в пространстве состояний обеспечивает средства формализации процесса решения задачи, а эвристики позволяют привносить интеллект в этот формализм. Поиск в пространстве состояний – это формализм, независимый от каких-либо особых стратегий поиска, и используемый как отправная точка во многих подходах к решению задач.