Файл: Методыискусственногоинтеллекта.pdf

16
Введение
ветствующих решений в форме слабой связи между ними. Это обстоя- тельство и используется для ограничения области поиска решений.
Методы CBR уже применяются в множестве прикладных задач —
в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочте- ний разных групп потребителей, и т. д. Следует ожидать приложе- ний методов CBR для задач интеллектуального поиска информации,
электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах,
компоновки, конструирования, синтеза программ.
Автоматизация рассуждений на основе ограничений. Наиболее интересны здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы слож- ными актуальными задачами — например, планированием в реальной обстановке. Решение ищется в области значений, удовлетворяющих заданные ограничения.
Под задачей удовлетворения ограничений понимается четверка мно- жеств: множество переменных, множество соответствующих областей переменных, множество ограничений на переменные и множество от- ношений над областями. Решением проблемы удовлетворения огра- ничений называется набор значений переменных, удовлетворяющих ограничениям на переменные, такой, что при этом области, которым принадлежат эти значения, удовлетворяют отношениям над областями.
Задача удовлетворения динамических ограничений есть последова- тельность задач удовлетворения ограничений, в которой каждая после- дующая задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.
Немонотонные рассуждения. К немонотонным рассуждениям от- носятся исследования по логике умолчаний (default logic), по логике
«пересматриваемых» (defeasible) рассуждений, логике программ, тео- ретико-аргументационой характеризации логик с отменами, характе- ризации логик с отношениями предпочтения, построению эквивалент- ных множеств формул для логик с очерчиванием (circumscription)
и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они так- же с задачами машинного обучения и некоторыми иными задачами.
В частности, в задачах моделирования рассуждений на основе ин- дукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза H возникла на основе N положительных примеров
(например, экспериментального характера), то никто не может дать гарантии, что в базе данных или в поле зрения алгоритма не окажется

Введение
17
N + 1-й пример, опровергающий гипотезу (или меняющий степень ее истинности). Это означает, что ревизии должны быть подвержены и все следствия гипотезы H.
Рассуждения о действиях и изменениях. Большая часть работ в этой области посвящена применениям ситуационного исчисления —
формализма, предложенного Джоном Маккарти в 1968 г. для описания действий, рассуждений о них и эффектов действий. Для преобразова- ния плана поведения робота в исполняемую программу, достигающую с некоторой вероятностью фиксированной цели, вводится специальное логическое исчисление, основанное на ситуационной логике. Для этой логики предложены варианты реализации на языке pGOLOG — версии языка GOLOG, содержащей средства для введения вероятностей.
Активно исследуются логики действий, применение модальных ло- гик для рассуждений о знаниях и действиях.
Рассуждения с неопределенностью. В основе таких рассуждений находится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети — это статистический метод обнаружения закономерностей в данных. Для этого используется пер- вичная информация, содержащаяся либо в сетевых структурах, либо в базах данных. Под сетевыми структурами понимается в этом случае множество вершин и отношений на них, задаваемое с помощью ребер.
Содержательно, ребра интерпретируются как причинные связи. Всякое множество вершин Z, представляющее все пути между некоторыми двуми иными вершинами X и Y , соответствует условной зависимости между этими двуми последними вершинами.
Далее задается некоторое распределение вероятностей на множе- стве переменных, соответствующих вершинам этого графа и полу- ченная, но минимизированная (в некотором смысле) сеть называется байсовской сетью.
На такой сети можно использовать так называемый байесовский вывод, т. е. для вычисления вероятностей следствий событий можно использовать (с некоторой натяжкой) формулы теории вероятностей.
Иногда рассматриваются так называемые гибридные байесовские сети,
с вершинами которых связаны как дискретные, так и непрерывные переменные. Байесовские сети часто применяются для моделирования технических систем.
3. Приобретение знаний, машинное обучение и автоматическое
порождение гипотез. Работы в области приобретения знаний интел- лектуальными системами были и остаются важнейшим направлени- ем теории и практики искусственного интеллекта. Целью этих работ является создание методологий, технологий и программных средств

18
Введение
переноса знаний и компетентности в базу знаний системы. При этом в качестве источников знаний выступают эксперты (т. е. высококвали- фицированные специалисты предметных областей), тексты и данные,
например, хранимые в базах данных.
В соответствии с этим, развиваются различные методы приобрете- ния знаний.
Машинному обучению в мире уделяется большое внимание. Суще- ствует множество методов машинного обучения, среди самых распро- страненных — методы конструктивной индукции, методы построения деревьев решений, методы ближайших соседей и др. Исходной инфор- мацией, например, для построения дерева решений является множество примеров. С каждой вершиной дерева ассоциируется наиболее (на текущем шаге) частотный класс примеров. На следующем шаге этот принцип рекурсивно применяется к текущей вершине, т. е. множество примеров, связанных с текущей вершиной, также разбивается на под- классы. Алгоритм завершает свою работу либо при удовлетворении некоторого критерия, либо при исчерпании подклассов (если они за- даны).
Активно исследуются методы обучения причинам действий. Ино- гда говорят о так называемой теории действий, имея в виду ситуа- ционное исчисление в духе Джона МакКарти. В этой теории причины действий и сами действия описываются в виде клаузальных хорновских структур (импликация, левая часть которой есть конъюнкция атомар- ных формул, а правая состоит из одной атомарной формулы).
Далее, методы индуктивного логического программирования моди- фицируются таким образом, чтобы быть применимыми к поиску таких структур. Когда такие структуры найдены, их можно использовать в языках логического программирования для рассуждений о действиях и их причинах.
Многие работы этого направления посвящены «нейронной пара- дигме». Нейросетевой подход используется в огромном количестве задач — для кластеризации информации из Интернета, автоматической генерации локальных каталогов, представления образов (в рекурсив- ных нейронных сетях). Среди активно изучаемых в последнее вре- мя тем — неоднородные нейронные модели с отношениями сходства.
(Heterogeneous Neural Networks with similarity relation).
Это отношение сходства определяется на множестве входов и мно- жестве состояний сети, а мерой сходства является скалярное произве- дение векторов либо эвклидово расстояние (где один вектор — вектор входов, а другой является распределением весов нейронов, описываю- щих текущую ситуацию).
Работы по автоматическому порождению гипотез преследуют,
главным образом, формализацию правдоподобных рассуждений, поиск

Введение
19
зависимостей причинно-следственного типа между некоторыми сущ- ностями или, в широком смысле, создание познавательных процедур получения нового знания на основе анализа эмпирических данных.
В качестве примеров можно привести: порождение гипотез о свойствах химических соединений (прогноз биологических активностей), о воз- можных причинах дефектов (диагностика) и т. п.
4. Интеллектуальный анализ данных и обработка образной
информации. Это сравнительно новое направление, основу которого составляют две процедуры: обнаружение закономерностей в исход- ной информации и использование обнаруженных закономерностей для предсказания (прогнозирования). Сюда относят задачи выбора инфор- мативных данных из большой их совокупности, выбора информативных характеристик некоторого объекта из более широкого множества его характеристик, задачи построения модели, позволяющие вычислять значения выбранных информативных характеристик по значениям дру- гих характеристик, и т. п.
Значительную часть этого направления составляют исследования по различным аспектам распознавания изображений, в частности,
с помощью нейросетей (включая псевдооптические нейросети). Изу- чаются методы распознавания последовательностей видеообразов на основе декларативного подхода и извлечения семантически значимой информации. К этому же направлению принадлежат исследования по графической технологии программирования в Интернете.
5. Многоагентные системы, динамические интеллектуальные
системы и планирование. Это направление, изучающее интеллекту- альные программные агенты и их коллективы.
Основные задачи в этой области таковы: реализация переговоров интеллектуальных агентов и разработка языков для этой цели, коорди- нация поведения агентов, разработка архитектуры языка программиро- вания агентов.
Следует подчеркнуть, что со времени появления агентских техноло- гий интерес к ним переместился из сферы академических исследований в сферу коммерческих и промышленных приложений, а идеи и методы агентских технологий весьма быстро мигрировали из искусственного интеллекта в практику разработки программного обеспечения и другие вычислительные дисциплины.
С агентскими технологиями тесно связаны задачи планирования
поведения, или ИИ-планирования, — способность интеллектуальной системы синтезировать последовательность действий для достижения желаемого целевого состояния. Работы по созданию эффективных ме- тодов такого синтеза востребованы и активно ведутся уже около 30 лет.

20
Введение
Планирование является основой автоматического управления автоном- ным целенаправленным поведением программно-технических систем.
Среди методов ИИ-планирования сегодня выделяют классическое
планирование, т. е. планирование в условиях статической среды, ди-
намическое планирование, т. е. планирование в условиях изменения среды и, главное, с учетом такого изменения, иерархическое планиро- вание, т. е. когда действия абстрактного плана высокого уровня кон- кретизируются более детальными планами нижнего уровня, частично-
упорядоченное (или монотонное) планирование, когда план строится на основе частично упорядоченного множества подпланов. При этом общий план (элементами которого являются подпланы), обязан быть монотонным, а каждый из подпланов может быть немонотонным. До- бавлю, что монотонность — это такое свойство плана, когда каждое его действие уменьшает различия между текущим состоянием и целью поведения. Например, если план движения робота к цели таков, что каждый его шаг приближает к цели, то план монотонен, но если он наткнулся при этом на препятствие и требуется его обойти, то монотонность плана нарушится. Однако если план обхода препятствия выделить в отдельный подплан и рассматривать таковой как элемент
исходного плана, то монотонность последнего восстановится.
Активно ведутся работы и в области распознавания планов, пост- роения планировщиков и расширения их возможностей, эвристическо- го планирования с ресурсными ограничениями, управления планирова- нием посредством временной логики, планирования с использованием графов.
Рассматриваются подходы к планированию, при которых построе- ние текущих планов выполняется непрерывно для каждого состояния системы в реальном времени. Для этого предусмотрен непрерывный мониторинг объекта управления.
Задачи планирования относятся в наше время к весьма важным и перспективным направлениям в искуственном интеллекте.
Интеллектуальные динамические системы — результат интегра- ции интеллектуальных систем с динамическими системами. В общем случае это двухуровневые динамические модели, где один из уровней отвечает за стратегию поведения системы (или, как иногда говорят,
носит делиберативный характер), а другой уровень отвечает за реше- ние частных задач, например, реализацию того или иного режима на основе применения математической модели.
Для описания временных зависимостей при построении интеллек- туальных динамических систем исследуются соответствующие логики.
Работы в области систем поддержки принятия решений посвяще- ны моделированию сложных технологических и технических систем,