Идеи В.М.Глушкова в отношении повышения уровня интеллектуализации
компьютерных систем нашли отражение в работах школы исследователей,
возглавляемой проф. В.П.Гладуном. Эти исследования начинались еще
в конце 60-х годов и к настоящему времени получили широкое развитие.
Под руководством В.П.Гладуна в 1992 году создана Ассоциация
создателей и пользователей интеллектуальных систем (АСПИС), основной
целью которой является содействие разработке и внедрению технологий
искусственного интеллекта. АСПИС объединяет творческий потенциал
высококвалифицированных ученых и инженеров, среди которых более
ста докторов и кандидатов наук. АСПИС сотрудничает с рядом организаций
в России, Беларуси, Молдове, Грузии, Болгарии, Чехии, США, Германии,
Великобритании, Венгрии, Польше. АСПИС является членом Европейского
координационного комитета по искусственному интеллекту (ECCAI).
Начиная с 1992 года, АСПИС регулярно проводит научные
конференции при широком участии как специалистов в области искусственного
интеллекта, так и пользователей интеллектуальных систем. Проводимые
под эгидой АСПИС конференции "Знание-Диалог-Решение" получили
признание среди ученых многих стран ближнего и дальнего зарубежья.
Труды конференций публикуются в научных журналах и отдельных сборниках.
16-26 июня 2003 года в Варне (Болгария) была проведена
юбилейная Х международная конференция "Знание-Диалог-Решение",
на которой было представлено около 90 докладов ученых из Украины,
России, Белоруссии, Молдовы, Армении, Латвии, Болгарии, Польши,
США, Италии.
Основные исследования коллектива направлены на решение
следующих проблем:
- организация памяти интеллектуальных систем;
- формирование и использование знаний: обнаружение закономерностей,
классификация, диагностика, прогнозирование;
- поддержка процессов принятия и планирования решений;
- обработка естественно-языковых текстов.
Организация памяти интеллектуальных
систем. Формирование и использование знаний
Превалирующей тенденцией в развитии интеллектуальных
систем является совершенствование человеко-машинного взаимодействия,
вплоть до достижения партнёрского уровня человеко-машинных отношений.
Поэтому так важно использовать в компьютерах естественные, свойственные
человеку принципы моделирования сред, ситуаций, задач. Типы моделей
у партнёров (человека и компьютера) должны быть одинаковы. В жизнедеятельности
человека существенное значение имеют логико-лингвистические информационные
модели, т.е. такие модели, в которых основными элементами служат
не числа и вычислительные операции, а имена и логические связи.
Логико-лингвистические модели адекватно описываются естественно-языковыми
конструкциями, и в этом одно из решающих их достоинств в организации
человеко-машинного интерфейса. В будущих компьютерах должны быть
созданы условия для человеко-машинного решения задач в партнёрском
режиме, обеспечивающем переключение от компьютера к человеку и наоборот
в процессе решения одной задачи. Такой режим можно организовать
только путём согласования типов информационных моделей, используемых
партнёрами. Наиболее приемлемым типом моделей для такого согласования
являются логико-лингвистические модели.
Следующим важным моментом является необходимость формирования
структуры памяти одновременно с восприятием информации и под влиянием
воспринимаемой и уже хранящейся информации. Структура памяти должна
отображать воспринятую информацию. К основным процессам структуризации
относятся формирование ассоциативных связей путем выделения пересечений
признаковых представлений объектов, иерархическое упорядочение,
классификация, формирование обобщенных логических признаковых моделей
классов - понятий. В реальных условиях восприятия информации часто
нет возможности получить полную информацию об объекте сразу, единовременно
(например, из-за неудачного ракурса или освещенности при восприятии
зрительной информации). Поэтому процессы формирования памяти должны
допускать возможность "порционной", по частям достройки
моделей объектов и классов объектов.
В различных процессах обработки информации объекты представляются
одним из двух способов: именем (свернутое, конвергированное представление)
или в виде набора значений признаков (развернутое представление).
Структура памяти должна обеспечивать удобный переход от одного представления
к другому.
Из вышеприведенных тезисов вытекают следующие требования
к организации памяти в интеллектуальных системах.
- В интеллектуальных системах знания разных типов должны
быть объединены в иерархическую сетевую структуру, построенную на
единых для всех видов знаний принципах.
- Сеть, представляющая знания, должна обладать развитыми ассоциативными
свойствами и, таким образом, обеспечивать выполнение разнородных
поисковых операций.
- Сеть должна отражать иерархичность реальных сред и в связи с этим
должна быть удобной для представления родовидовых связей и структур
составных объектов.
- Обязательными функциями памяти должны быть формирование ассоциативных
связей путем выделения пересечений признаковых представлений объектов,
иерархическое упорядочение, классификация, формирование понятий.
Эти функции должны выполняться одновременно с восприятием информации.
- В сети должен быть обеспечен удобный двунаправленный переход между
свернутым и развернутым представлениями объектов.
Приведенным требованиям удовлетворяют растущие пирамидальные
сети (РПС). Пирамидальные сети предназначены для хранения информации
об объектах, заданных своими описаниями в виде наборов значений
признаков.
Информация об объектах и классах объектов в пирамидальной
сети хранится путем ее отображения в структуре сети и представляется
ансамблями вершин (пирамидами), распределенными по всей сети. Внесение
новой информации вызывает перераспределение связей между вершинами
сети, т.е. изменение ее структуры, которое происходит автоматически
в результате работы алгоритма построения сети.
Важным свойством пирамидальных сетей является их иерархичность,
позволяющая естественным образом отображать структуру составных
объектов и родовидовые связи, а также удобство выполнения различных
операций ассоциативного поиска.
Указанные свойства РПС позволяют реализовать индуктивный
процесс формирования обобщенных логических моделей классов объектов
- понятий, благодаря чему проблемы прогнозирования и диагностики
могут быть сведены к проблеме классификации на основе понятий.
Теория и практические применения
РПС представлены в ряде публикаций [1-6]
На основе РПС создан программный комплекс для решения
прикладных задач выделения закономерностей, классификации, диагностики
и прогнозирования. Комплекс включает систему CONFOR, реализующую
индуктивные методы, и систему ANALOGY, использующую вывод по аналогии.
Типичными прикладными задачами, для решения которых использовался
комплекс, являются: прогнозирование новых химических соединений
и материалов с заданными свойствами, прогнозирование в генетике,
геологии, прогнозирование солнечной активности, медицинская и техническая
диагностика, прогнозирование нарушений в работе сложных агрегатов
и др.
Многолетний опыт применения РПС для решения аналитических
задач в различных прикладных областях науки и техники подтвердил
их репутацию эффективного средства структуризации больших объемов
данных, обеспечивающего не только высокие результаты при решении
аналитических задач, но и, в отличие от нейронных сетей, формирование
легко интерпретируемых обобщенных описаний закономерностей, характеризующих
классы объектов.
Поддержка процессов принятия и планирования
решений
Эффективность эвристических методов поддержки процессов
принятия и планирования решений в сложных средах [3] была успешно
подтверждена программными системами ППР (Программа Поиска Решений),
APROS (Adaptive Problem Solver), КОДЭКС (Комплекс Для построения
ЭКспертных Систем) при решении задач доказательства теорем, проектирования
состава вычислительных комплексов, планирования действий роботов,
планирования сборки конструкций, планирования синтеза химических
соединений, прогнозирования миграции косяков рыбы. Инструментальная
система MANAGER использовалась для принятия решений в нестандартных
ситуациях при управлении сложными техническими объектами, в целях
технической диагностики, для управления административными регионами,
для подготовки менеджеров.
Обработка естественно-языковых текстов
В основе подхода к анализу естественно-языковых текстов
лежит оригинальная идея распознавания синтаксических и семантических
отношений между элементами текста на основе информации, содержащейся
непосредственно в тексте, без привязки к грамматическим описаниям
элементов текста. Аналогично "человеческим" процессам
анализа естественно-языковых текстов, в этом случае используются
соответствия между отношениями и средствами их выражения в естественно-языковых
текстах. Распознавание синтаксических и семантических связей между
знаменательными словами осуществляется путем анализа сочетаний флексий
и предлогов, без использования категорий и правил традиционной грамматики
[3, 7, 8].
Описанный подход реализован в программном комплексе,
предназначенном для отбора тематической текстовой информации в сети
Интернет. Как правило, тематический поиск требует кропотливой роботы
с текстами, хранящимися в библиотеках, архивах, Интернете, текстовых
базах данных. Трудность этой работы состоит, в частности, в том,
что чаще приходится отбирать не целые тексты, а релевантные теме
фрагменты текстов. Содержание многих текстов является переплетением
ряда тем. Возникает проблема поиска внутри текстовых документов
фрагментов, релевантных заданной теме.
В результате работы комплекса формируется текст, состоящий
из отдельных предложений, релевантных теме, обозначенной исходным
ключом, который задан пользователем. Для каждого предложения указывается
адрес документа, из которого оно выбрано. Совокупность всех отобранных
предложений раскрывает исследуемую тему в целом. Степень полноты
выделенной информации по теме зависит от эффективности используемой
поисковой машины, количества выбранных в Интернете текстов. Множество
предложений, отобранных комплексом на основе тематического анализа,
хорошо коррелирует с результатом "ручного" отбора "полезных"
предложений конечным пользователем. При этом достигается высокая
степень отсева информации, ненужной пользователю [9].
В.П.Гладун, Н.Д.Ващенко
Литература
1.Гладун В.П. Партнерство с компьютером. Человеко-машинные целеустремленные
системы. -Киев: Port-Royal. - 2000.
2.Гладун В.П., Ващенко Н.Д. Локально-статистические методы формирования
знаний. // Кибернетика и системный анализ. - 1995.
3.Гладун В.П. Планирование решений. -Киев: Наукова думка.- 1987.
-168 с.
4.Gladun V.P. and Vashchenko N.D. Analitical processes in pyramidal
networks//Intern. Jounal on Information Theories and Applications.
FOI-COMMERCE, Sofia.-2000, Vol.7, №3.
5.Kiselyova N., Gladun V., Vashchenko N. "Computational Materials
Design Using Artificial Intelligence Methods". Journal of Alloys
and Compounds. 279(1998), pp. 8-13.
6.Гладун В.П., Ващенко Н.Д., Величко В.Ю. Прогнозирование на основе
растущих пирамидальных сетей // Программные продукты и системы,
2002, № 2, с.22-27.
7.Гладун В.П. Процессы формирования новых знаний. - София: СД "Педагогь".
1994г. - 192с.
8.Гладун В.П. Естественный язык в целенаправленных системах. //Диалог'2000.
Прикладные проблемы. 2000, с.99-102.
9.В. Гладун, Н. Ващенко, В. Величко. Формирование тематических знаний
на основе анализа ЕЯ текстов сети Интернет //Труды междунар.конф.
KDS-2003 "Knowledge-Dialogue-Solution", июнь, Варна, 2003.
|