Главная arrow Робототехника arrow Направления в ИИ
Как начинался компьютер
Компьютерная революция
Двоичный код
Разработки военных лет
Интегральные микросхемы
Микрокомпьютер
Персоны
Сеть
Язык компьютера
Развитие ПО
Гибкие системы
Средства разработки
Информатика
Вычислительная наука
Операционные системы
Искусственный интеллект
Предыстория
Поиск
Знания и рассуждения
Логика
Робототехника
 

 
Направления в ИИ Печать

Представление знаний (knowledge representation) - одно из наиболее сформировавшихся направлений искусственного интеллекта. Традиционно к нему относилась разработка формальных языков и программных средств для отображения и описания так называемых когнитивных структур. Сегодня к представлению знаний причисляют также исследования по дескриптивной логике, логикам пространства и времени, онтологиям.

Пространственные логики позволяют описывать конфигурацию пространственных областей, объектов в пространстве; изучаются также семейства пространственных отношений. В последнее время эта область, из-за тесной связи с прикладными задачами, становится доминирующей в исследованиях по представлению знаний. Например, для задач роботики важно уметь по изображению некоторой сцены восстановить ее вербальное (формальное) описание, с тем чтобы далее это описание использовать, например, для планирования действий робота.

Объектами дескриптивной логики являются так называемые концепты, (базовые структуры для описания объектов в экспертных системах) и связанные в единое целое множества концептов (агрегированные объекты). Дескриптивная логика вырабатывает методы работы с такими сложными концептами, рассуждений об их свойствах и выводимости на них. Дескриптивная логика может быть использована, кроме того, для построения объяснительной компоненты базы знаний.

Наконец, онтологические исследования посвящены способам концептуализации знаний и методологическим соображениям о разработке инструментальных средств для анализа знаний.

Различные способы представления знаний лежат в основе моделирования рассуждений, куда входят: моделирование рассуждений на основе прецедентов (case-based reasoning, CBR), аргументации или ограничений, моделирование рассуждений с неопределенностью, рассуждения о действиях и изменениях, немонотонные модели рассуждений, и др. Остановимся на некоторых из них.

CBR

Здесь главные проблемы – поиск алгоритмов адаптации, "фокусировка поиска" на использовании прошлого опыта, вывод, основанный на оценке сходства и технологии визуализации.

Пусть заданы прецеденты как множество пар <СЛУЧАЙ, РЕШЕНИЕ>, множество зависимостей между различными атрибутами СЛУЧАЕВ и РЕШЕНИЙ, а также целевая проблема ЦЕЛЬ. Для возникающей новой ситуации («нового случая») требуется найти пару <НОВЫЙ СЛУЧАЙ, ИСКОМОЕ РЕШЕНИЕ>, которая решает целевую проблему.

Алгоритмы для таких задач основаны обычно на сравнении прецедентов с новым случаем (в какой-либо метрике), с использованием зависимостей между атрибутами случаев и атрибутами решения. Такие зависимости могут задаваться человеком при построении базы случаев, или обнаруживаться в базе случаев автоматически. При поиске решения для целевой проблемы выполняется адаптация уже имеющегося в базе прецедентов решения. Для этой адаптации и используются означенные зависимости.

Важной проблемой CBR является проблема выбора подходящего прецедента. Естественно искать подходящий прецедент в той области пространства поиска, где находятся решения сходных проблем. Но как определить, какие именно решения надо считать сходными?

Существуют гипотезы, что сходство проблем налагает ограничения на сходство соответствующих гипотез в форме слабой связи между ними. Это обстоятельство и используется для ограничения области поиска решений.

Пусть, например, речь идет о некотором клиенте, который (с супругой) желает две недели провести на Канарах и хочет заплатить за это не более полутора тысяч долларов.

Первый вариант диалога с системой не обладающей способностями к рассуждениям ( и на основе прецедентов тоже):

Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские острова. Я бы хотел поехать со своей женой, но не могу заплатить более полутора тысяч долларов.

  • Система: извините, но такой возможности у нас нет.
  • Клиент: хорошо, но может быть у вас найдется что-нибудь похожее в близком регионе.
  • Система: не могли бы Вы уточнить, что Вы имеете ввиду, говоря о близком регионе.
  • Клиент: я имею ввиду побережье Испании.
  • Система: извините, но это не близкий регион. Это более тысячи километров от Канарских островов!
  • Клиент: но климат там похожий…
  • Система: извините, что Вы имеете ввиду, говоря о климате...

 

Скорее всего, клиент обратится в другое турагентство. Второй вариант диалога:

  • Клиент: здравствуйте, я бы хотел слетать в отпуск на две недели в июле на Канарские острова. Я бы хотел поехать со своей женой, но не могу заплатить более полутора тысяч долларов.
  • Система: извините, такой возможности сейчас нет. Но может быть, Вас устроит побережье Испании?
  • Клиент: а как насчет климата, он похож на Канарский?
  • Система: да и, кроме того, билеты дешевле!
  • Клиент: отлично, забронируйте, пожалуйста.

Из этого, может быть, не очень серьезного примера видно, что, а) во втором случае клиент имеет дело с системой, которая понимает, что хоть регион и не близок Канарам, но более близок клиенту, во всяком случае, билет дешевле и б) так как клиент хочет поехать в июле, видимо, его интересуют морские купания и пляжи, а это есть как на Канарах, так и на побережье Испании. Из этого система делает вывод о сходстве ситуаций (описанной клиентом и имеющейся вакансии в ее базе) и на основании этого полагает, что решение «отдых в Испании» является близким решению «отдых на Канарах».

Методы CBR уже применяются в множестве прикладных задач – в медицине, управлении проектами, для анализа и реорганизации среды, для разработки товаров массового спроса с учетом предпочтений разных групп потребителей, и т.д. Следует ожидать приложений методов CBR для задач интеллектуального поиска информации, электронной коммерции (предложение товаров, создание виртуальных торговых агентств), планирования поведения в динамических средах, компоновки, конструирования, синтеза программ.

Моделирование рассуждений на основе ограничений

Наиболее интересны здесь задачи моделирования рассуждений, основанных на процедурных динамических ограничениях. Они мотивированы сложными актуальными задачами – например, планированием в реальной обстановке.

Под задачей удовлетворения ограничений понимается четверка множеств: множество переменных, множество соответствующих областей переменных, множество ограничений на переменные и множество отношений над областями. Решением проблемы удовлетворения ограничений 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 последовательность задач удовлетворения ограничений, в которой каждая последующая задача есть ограничение предыдущей. Эти задачи по смыслу близки задачам динамического программирования. Они связаны также с интервальной алгеброй.

Немонотонные модели рассуждений

Сюда относятся исследования по логике умолчаний (default logic), по логике "отменяемых" (Defeasible) рассуждений, логике программ, теоретико - аргументационой характеризации логик с отменами, характеризации логик с отношениями предпочтения, построению эквивалентных множеств формул для логик с очерчиванием (circumscription) и некоторые другие. Такого рода модели возникают при реализации индуктивных рассуждений, например, по примерам; связаны они также с задачами машинного обучения и некоторыми иными задачами. В частности, в задачах моделирования рассуждений на основе индукции источником первоначальных гипотез служат примеры. Если некоторая гипотеза Н 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 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 году для описания действий, рассуждений о них и эффектов действий. Для преобразования 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 логик для рассуждений о знаниях и действиях.

Рассуждения с неопределенностью

Сюда относится использование байесовского формализма в системах правил и сетевых моделях. Байесовские сети – это статистический метод обнаружения закономерностей в данных. Для этого используется первичная 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 множестве переменных, соответствующих вершинам этого графа и полученная, 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.