ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫvenec.ulstu.ru/lib/disk/2017/217.pdf · Рождение ИИ как научного направления произошло после

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ федеральное государственное бюджетное образовательное учреждение

высшего профессионального образования «УЛЬЯНОВСКИЙ ГОСУДАРСТВЕННЫЙ ТЕХНИЧЕСКИЙ УНИВЕРСИТЕТ»

Г. Р. КАДЫРОВА

ИНТЕЛЛЕКТУАЛЬНЫЕ

СИСТЕМЫ

Учебное пособие

Ульяновск УлГТУ

2017

УДК 681.3.06(075) ББК 22.18я7

К 13

Рецензенты: д-р физ.-мат. наук, профессор кафедры «Информационные

технологии» УлГУ, И. В. Семушин; зав. кафедрой «Теория управления и трудового права» Улья-

новского филиала РАНХ и ГС, канд. пед. наук, доцент Ж. В. Бол-тачева.

Утверждено редакционно-издательским советом университета

в качестве учебного пособия

Кадырова, Гульнара Ривальевна Интеллектуальные системы : учебное пособие / Г. Р. Кады-

рова. – Ульяновск : УлГТУ, 2017. – 113 с.

ISBN 978-5-9795-1745-2 В пособии рассматриваются основные понятия, касающиеся тео-

рии искусственного интеллекта (ИИ) и интеллектуальных систем (ИС).

Типичными примерами интеллектуальных систем являются экс-пертные системы и искусственные нейронные сети. Большое внима-ние уделяется общим вопросам построения экспертных систем, их ар-хитектуре, режимам работы, этапам разработки. Рассматривается взаимосвязь таких понятий, как ИИ, машинное обучение и искусст-венные нейронные сети. Рассматриваются принципы построения ис-кусственных нейронных сетей и перспективы их применения.

Учебное пособие предназначено для студентов дневной формы обучения, обучающихся по направлению «Прикладная математика», при подготовке к занятиям по курсам «Интеллектуальные системы» и «Методы искусственного интеллекта», а также для самостоятель-ного изучения теории интеллектуальных систем.

Пособие подготовлено на кафедре «Прикладная математика и информатика».

УДК 681.3.06 (075) ББК 22.18я7

© Кадырова Г. Р., 2017

ISBN 978-5-9795-1745-2 © Оформление. УлГТУ, 2017

К 13

3

ОГЛАВЛЕНИЕ

Предисловие ........................................................................................ 5

Раздел 1. История искусственного интеллекта ............................ 6

1.1.Основные понятия ................................................................... 6

1.2. История развития искусственного интеллекта .................... 8

1.3. Контрольные вопросы ......................................................... 15

Раздел 2. Методы и подходы к построению

интеллектуальных систем .............................................................. 16

2.1. Что мы можем отнести к интеллектуальным задачам? .... 16

2.2. Отличительная особенность интеллектуальных систем ... 16

2.3. Два направления искусственного интеллекта ................... 18


Раздел 3. Направления исследований в области ИИ ................. 23

3.1. Области исследования интеллектуальных систем ............ 23


Раздел 4. Способы представления знаний

в интеллектуальных системах ...................................................... 29

4.1. Данные и знания ................................................................... 29

4.2. Модели представления знаний ........................................... 31


Раздел 5. Экспертные системы ...................................................... 38

5.1. Для чего нужны экспертные системы ................................ 38

5.2. Из чего состоят экспертные системы ................................. 39

5.3. Как разработать экспертную систему ................................ 46

5.4. Где применяются экспертные системы .............................. 53


Раздел 6. Введение в нейронные сети ........................................... 57

6.1. ИИ, машинное обучение и нейронные сети ...................... 57

6.2. Что такое нейронные сети ................................................... 59

6.3. Виды нейронных сетей ........................................................ 68

4

6.4. Обучение нейронной сети ................................................... 72

6.5. Персептрон ........................................................................... 77

6.6. Применение нейронных сетей ............................................ 81


Раздел 7. Близкое далекое будущее ............................................... 88

Заключение ..................................................................................... 111

Библиографический список ......................................................... 112

5

ПРЕДИСЛОВИЕ Интеллектуальные системы и технологии сегодня – самое вос-

требованное и перспективное направление информатики, активно

входящее во все сферы нашей жизни и влияющее на них.

Интеллектуализация позволяет расширить круг задач, решаемых

компьютерами (особенно это касается плохо структурированных за-

дач), и повысить уровень интеллектуальной поддержки принятия ре-

шений в сложных ситуациях.

В задачах искусственного интеллекта применяются различные

модели представления знаний и методы вычислений, такие как мяг-

кие вычисления, генетические алгоритмы, нейронные сети, логиче-

ские модели и другие подходы. Все эти методы основаны на так на-

зываемых символьных вычислениях.

Типичными примерами интеллектуальных систем являются экс-

пертные системы и искусственные нейронные сети.

Поскольку в сферу приложений искусственного интеллекта вхо-

дят практически все направления современной информатики, автор не

ставит перед собой цели «объять необъятное». В пособие включены

разделы, содержащие введение в теорию искусственного интеллекта,

исторические этапы и основы теории интеллектуальных информаци-

онных систем, области их применения. Основное внимание уделяется

описанию традиционных моделей и технологий создания интеллекту-

альных систем, а также новых перспективных подходов к решению

проблем, возникающих в области искусственного интеллекта.

Настоящее пособие содержит необходимый материал для само-

стоятельного изучения теории интеллектуальных систем, вопросы для

контроля усвоения материала, литературу для более глубокого изуче-

ния предмета.

6

РАЗДЕЛ 1. ИСТОРИЯ

ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

1.1. Основные понятия

Что же такое искусственный интеллект (ИИ)? У разных авторов

можно встретить свои определения понятия «искусственный интел-

лект». На сегодняшний день не существует одного общего определе-

ния. Остановимся на следующем определении ИИ.

Искусственный интеллект – это раздел информатики, изу-

чающий различные аспекты моделирования мыслительной деятель-

ности человека.

Таким образом, это наука, поставившая перед собой грандиоз-

ную цель – изучить и смоделировать мышление человека. Для этого

необходимо ответить на сложные вопросы: какова природа мышления

человека, какие процессы происходят в человеческом мозге, когда он

видит, чувствует, думает, понимает?

В 2004 году Г. С. Осипов дал, наверное, одно из наиболее точ-

ных определений термина и задач ИИ. Он определил ИИ как набор

методов, моделей и программных средств, позволяющих искусствен-

ным устройствам реализовать целенаправленное поведение и разум-

ные рассуждения.

Это междисциплинарная наука, использующая научные дости-

жения в таких областях, как биология, физиология, психология, лин-

гвистика, философия, компьютерные науки.

Пока мы не способны научным образом понять собственный ин-

теллект. Однако добились результатов, моделируя отдельные аспекты

человеческого поведения на машинах.

Суммируя все вышесказанное, хочется вспомнить замечание

Бертрана Рассела: «Все, что кажется определенным и точным, при бо-

лее пристальном взгляде становится неопределенным»». Современное

7

понимание термина ИИ по факту все больше уходит к интерпретации

ИИ как программных средств или Интеллектуальных агентов. Основ-

ным предназначением ИИ является решение определенного класса

задач в тесном переплетении с Big Data как источника фактов для

анализа.

Таким образом, наблюдается сдвиг задачи в область узкоспе-

циализированных систем-агентов и фактический уход от задачи по-

строения ИИ-полной модели в сторону специализированных интел-

лектуальных агентов.

Искусственные интеллектуальные системы – автоматические

системы, которые берут на себя отдельные функции интеллектуаль-

ной деятельности человека, например, принимать наилучшие реше-

ния, основываясь на ранее полученном опыте и анализе внешних воз-

действий.

Большой вклад в развитии ИИ как научного направления внесли

Д. Маккарти (впервые ввел термин «artificial intelligence»), Н. Винер,

У. Питтс, У. Маккаллох, Ф. Розенблат, М. Минский, Г. Саймон,

А. Сазерленд, Э. Фейгенбаум, А. Ньюэлл, Н. Хомский, Дж. Шоу,

А. Кольмероэ, М. П. Уинстон, Т. Виноград, Куиллиан, Н. Нильсон,

Л. Заде, Дж. Хинтон, Р. Редди, Д. Ленат, Дж. Андерсон и многие

другие.

В СССР, а затем в России ведущие исследователи в области ИИ:

Д. А. Поспелов, А. А. Ляпунов, Г. С. Поспелов, М. Л. Цетлин,

М. А Гаврилов, В. Н. Пушкин, М. М. Бонгард, Л. И. Микулич,

М. Г. Гаазе-Рапопорт, Л. Т. Кузин, Ю. И. Журавлев, Д. Е. Охоцим-

ский, А. С. Нариньяни, А. И. Половинкин, В. В. Чавчанидзе, О. К. Ти-

хомиров, А. П. Ершов, В. П. Гладун, А. С. Эрлих, Г. С. Цейтин и мно-

гие другие. Следует отметить огромную роль в развитии научной

школы Д. А. Поспелова.

8

1.2. История развития искусственного интеллекта

Как область научных знаний ИИ сформировался в середине

XX века, однако попытки в этом направлении делались еще и в глу-

бокой древности (например, в Древнем Египте – оживающая механи-

ческая статуя бога) и в Средние века (например, механическая маши-

на, созданная средневековым испанским математиком Р. Луллием,

которая могла отвечать на вопросы).

В последующие века продолжались теоретические разработки

в различных научных направлениях, которые впоследствии легли

в основу работ по ИИ.

Рождение ИИ как научного направления произошло после соз-

дания компьютера в 40-х годах XX века. В это же время появилась

современная теория управления Норберта Винера, получившая назва-

ние кибернетика. Кибернетика – это наука об общности законов, дей-

ствующих в области автоматического регулирования, организации

производства и в нервной системе человека, наука об информацион-

ном управлении.

Сам термин «искусственный интеллект» (AI – artificial intelli-

gence) появился в 1956 году в качестве названия научного семинара,

который состоялся в Дартмутском колледже (США). На этом семи-

наре рассматривались методы решения не столько вычислительных

задач, сколько логических. В этой связи следует отметить, что анг-

лийское слово intelligence, по сути, значит «умение рассуждать ра-

зумно», в русской версии – «интеллект». И в английской версии сло-

восочетание не имеет такой фантастической окраски, которую оно

приобрело в русском переводе.

В 1956-1963 годах велись активные работы по поиску моделей

и алгоритмов мышления человека, создавались первые компьютерные

программы на их основе. В эту работу включались специалисты как

гуманитарных наук – философы, лингвисты, психологи, – так и уче-

9

ные-кибернетики. Были последовательно созданы и проверены раз-

личные идеи:

1. Конец 50-х годов – модель лабиринтного поиска.

Данный подход находит ответ на решение задачи, осуществляя

поиск оптимального пути в пространстве состояний, двигаясь от

входных данных к результату. Этот подход использовался в игровых

программах (пятнашки, шашки, шахматы).

2. Начало 60-х годов – эвристическое программирование.

Эвристика – прием или правило, сокращающее путь к решению

задачи, не осуществляя полный перебор в пространстве вариантов.

Эвристическое программирование – подход, позволяющий дос-

тигнуть приемлемого решения достаточно сложной задачи, используя

известные эвристики.

«Цель эвристики – исследовать методы и правила, ведущие

к открытиям и изобретениям» (Джордж Полиа – венгерский, швей-

царский и американский математик).

Это чрезвычайно сложная задача. Чтобы понять, как человек

творчески мыслит, американский кибернетик А. Ньюэллом совместно

с психологом Г. Саймоном провели следующий эксперимент. Была

взята группа студентов, не владеющих математической логикой. Каж-

дый студент пытался самостоятельно доказать математическую тео-

рему. Все рассуждения, мысли, идеи, как это сделать, записывались.

Все неудачные цепочки рассуждений, не приводящие к доказатель-

ству, также фиксировались. Далее исследователями были проанали-

зированы все эти записи и выявлены эвристики. Затем эти эвристики

были положены в основу компьютерной программы, получившей наз-

вание «Логик-теоретик» (1957 г., А. Ньюэлл, Г. Саймон, Дж. Шоу).

При помощи этой программы были получены доказательства 38 тео-

рем. Эту программу можно считать началом эвристического прог-

раммирования.

10

3. 1963-1970 годы – методы математической логики.

В 1965 году Джон Алан Робинсон сделал фундаментальное отк-

рытие – правило резолюций, позволяющее автоматически доказывать

любую верную теорему (вывести из аксиом) за конечное время.

Почти одновременно с алгоритмом резолюций Робинсона

и независимо от него выдающимся отечественным математиком

С. Ю. Масловым был предложен так называемый обратный метод по-

иска вывода, позже названный его именем. Обратный метод Маслова

решал ту же задачу несколько иным способом.

В 1972 году появился язык логического программирования

ПРОЛОГ.

Язык логического программирования дает много интересных

возможностей для решения интеллектуальных задач, т. е. требующих

логического вывода для получения решения.

Вычисление в логическом программировании состоит в поиске

логического вывода. Этим термином именуют дерево, корнем кото-

рого является доказываемое утверждение, а остальные вершины со-

держат утверждения, связанные между собой логическим следова-

нием. При этом терминальные вершины (листья) дерева должны быть

исходными данными – утверждениями, сформулированными в усло-

вии задачи.

Построение дерева логического вывода состоит в поиске взаи-

мосвязанных цепочек утверждений от листьев к вершине среди мно-

жества всех возможных путей от вершины к листьям. Это множество

называют пространством поиска задачи.

Поиск может быть прямой – от данных к искомому и обрат-

ный – от искомого к данным. В первом подходе из условий задачи

вычисляют то, что можно – новые утверждения, увеличивая тем са-

мым количество известного о задаче.

11

Во втором подходе строятся гипотезы (точнее, дерево гипотез) –

строится последовательность, которая должна привести к известным

данным.

Язык ПРОЛОГ основан на обратном выводе.

Для того чтобы решать достаточно объемные интеллектуальные

задачи, недостаточно обычного языка ПРОЛОГ, поскольку в нем от-

сутствует ряд свойств, без которых сложно построить практически

полезную программу. Большинство современных систем языка ПРО-

ЛОГ имеют компилятор и другие средства, которые обеспечивают

возможность создания прикладных программ, применимых без ин-

терпретатора языка ПРОЛОГ, совместно с программами на других

языках программирования или автономно.

4. В 1973 году в Великобритании был подготовлен доклад по за-

казу Британского совета научных исследований. Он представлял со-

бой обзор состояния дел в области ИИ (нейроинформатика). Вывод:

с точки зрения практической значимости оценка исследований в этой

области была отрицательной. Как результат – финансирование иссле-

дований в этой области было заморожено, многие ученые были вы-

нуждены уйти в другие направления, активная работа была приоста-

новлена.

5. Середина 1970-х годов – прорыв в США в развитии интел-

лектуальных систем, основанных на знаниях. Вместо поиска универ-

сального алгоритма мышления пришла идея практического использо-

вания знаний экспертов в конкретной узкой области и создания на их

основе компьютерной интеллектуальной системы. В США появились

первые коммерческие экспертные системы. Появился подход к ре-

шению задач ИИ – представление знаний. Созданы первые эксперт-

ные системы для медицины и химии – MYCIN и DENDRAL.

И лишь вначале 1980-х годов в Европе объявлена программа

развития новых технологий, в которую включена проблематика ИИ.

12

6. В конце 1970-х в Японии объявлено о проекте по созданию

машин V поколения. Под крышу нового научного института были соб-

раны талантливые молодые специалисты ведущих компьютерных

компаний Японии. Была дана полная свобода действий. В результате

Японии достигла больших успехов в прорывных направлениях ИИ.

7. С середины 1980-х годов и по сегодняшний день наблюдается

активное развитие всех направлений ИИ. Увеличивается финансиро-

вание, создаются коммерческие интеллектуальные ситемы, ежегодно

проводятся конференции по ИИ, издаются сотни научных журналов,

книг по ИИ.

В России также активно велись работы в области ИИ.

Пионером искусственного интеллекта по праву можно считать

коллежского советника Семёна Николаевича Корсакова (1787-1853).

В 1832 году он поставил задачу усиления возможностей разума

посредством разработки научных методов и устройств, перекликаю-

щуюся с современной концепцией искусственного интеллекта как

усилителя естественного. Предложил пять механических устройств,

так называемых «интеллектуальных машин», для информационного

поиска и классификации, в конструкции которых впервые в истории

информатики применил перфорированные карты. В работах Корса-

кова содержится целая плеяда новых для того времени идей, которые

мы сегодня можем назвать как многокритериальный поиск с учетом

относительной степени важности различных критериев (весовых

коэффициентов), способ обработки больших массивов данных, пред-

течи современных экспертных систем.

Назовем основные вехи в развитии ИИ в России.

В 1954 году начал свою работу семинар «Автоматы и мышле-

ние» под руководством академика А. А. Ляпунова (1911-1973), одного

из основателей российской кибернетики. В этом семинаре принимали

участие физиологи, лингвисты, психологи, математики. Принято счи-

13

тать, что именно в это время родился искусственный интеллект в Рос-

сии. Как и за рубежом, выделились два основных направления – ней-

рокибернетика и кибернетика «черного ящика».

В 1954-1964 годах создаются отдельные программы и прово-

дятся исследования в области поиска решения логических задач.

В Ленинграде (ЛОМИ – Ленинградское отделение математического

института им. В. А. Стеклова) создается программа АЛПЕВ ЛОМИ,

автоматически доказывающая теоремы. Она основана на оригиналь-

ном обратном выводе Маслова, аналогичном методу резолюций

Робинсона. Среди наиболее значимых результатов, полученных

отечественными учеными в 60-е годы, следует отметить алгоритм

«Кора» М. М. Бонгарда, моделирующий деятельность человеческого

мозга при распознавании образов. Большой вклад в становление рос-

сийской школы ИИ внесли выдающиеся ученые М. Л. Цетлин,

В. Н. Пушкин, М. А. Гаврилов, чьи ученики и явились пионерами

этой науки в России (например, знаменитая Гавриловская школа).

В 1965-1980 годах происходит рождение нового направления –

ситуационного направления (соответствует представлению знаний

в западной терминологии). Основателем этой научной школы стал

профессор Д. А. Поспелов. Были разработаны специальные модели

представления ситуаций – представления знаний.

Отношение к новым наукам в советской России всегда было

настороженное, и наука с таким «вызывающим» названием тоже не

избежала этой участи: была встречена в Академии наук в штыки.

К счастью, даже среди членов Академии наук СССР нашлись люди,

не испугавшиеся столь необычного словосочетания в качестве назва-

ния научного направления. Двое из них сыграли огромную роль

в борьбе за признание ИИ в нашей стране. Это были академики

А. И. Берг и Г. С. Поспелов.

14

Только в 1974 году при Комитете по системному анализу при

президиуме АН СССР был создан Научный совет по проблеме

«Искусственный интеллект», его возглавил Г. С. Поспелов, его замес-

тителями были избраны Д. А. Поспелов и Л. И. Микулич. В состав

Совета входили на разных этапах М. Г. Гаазе-Рапопорт, Ю. И. Жу-

равлев, Л. Т. Кузин, А. С. Нариньяни, Д. Е. Охоцимский, А. И. Поло-

винкин, О. К. Тихомиров, В. В. Чавчанидзе.

По инициативе Совета было организовано пять комплексных

научных проектов, которые были возглавлены ведущими специали-

стами в данной области. Проекты объединяли исследования в различ-

ных коллективах страны: «Диалог» (работы по пониманию естествен-

ного языка, руководители – А. П. Ершов, А. С. Нариньяни), «Ситуа-

ция» (ситуационное управление, Д. А. Поспелов), «Банк» (банки

данных, Л. Т. Кузин), «Конструктор» (поисковое конструирование,

А. И. Половинкин), «Интеллект робота» (Д. Е. Охоцимский).

В 1980-1990 годах проводятся активные исследования в области

представления знаний, разрабатываются языки представления знаний,

экспертные системы (более 300). В Московском университете созда-

ется язык РЕФАЛ.

В 1988 году создается АИИ – Ассоциация искусственного ин-

теллекта. Ее членами являются более 300 исследователей. Президен-

том Ассоциации единогласно избирается Д. А. Поспелов, выдающий-

ся ученый, чей вклад в развитие ИИ в России трудно переоценить.

Крупнейшие центры – в Москве, Петербурге, Переславле-Залесском,

Новосибирске. В научный совет Ассоциации входят ведущие иссле-

дователи в области ИИ – В. П. Гладун, В. И. Городецкий, Г. С. Оси-

пов, Э. В. Попов, В. Л. Стефанюк, В. Ф. Хорошевский, В. К. Финн,

Г. С. Цейтин, А. С. Эрлих и другие ученые. В рамках Ассоциации

проводится большое количество исследований, организуются школы

15

для молодых специалистов, семинары, симпозиумы, раз в два года

собираются объединенные конференции, издается научный журнал.

Уровень теоретических исследований по искусственному интел-

лекту в России ничуть не ниже мирового. К сожалению, начиная

с 80-х годов на прикладных работах начинает сказываться постепен-

ное отставание в технологии. На данный момент отставание в области

разработки промышленных интеллектуальных систем составляет по-

рядка 3-5 лет.

На протяжении всей своей истории исследователи в области ИИ

всегда находились на переднем крае информатики. Многие ныне

обычные разработки, включая усовершенствованные системы про-

граммирования, текстовые редакторы, программы распознавания об-

разов и многие другие, вышли из исследований по ИИ. Теории, новые

идеи и разработки ИИ применяются для расширения области приме-

нения и возможностей компьютеров: сделать их более похожими на

разумных помощников и активных советчиков.

1.3. Контрольные вопросы

1. Что такое искусственный интеллект?

2. Что такое интеллектуальные системы?

3. Перечислить выдающихся исследователей в области ИИ.

4. Назвать основные вехи в истории ИИ.

5. Когда появился термин ИИ?

6. Что такое эвристика и эвристическое программирование?

7. Исследования в области ИИ, проводимые в России.

16

РАЗДЕЛ 2. МЕТОДЫ И ПОДХОДЫ

К ПОСТРОЕНИЮ ИНТЕЛЛЕКТУАЛЬНЫХ

СИСТЕМ

2.1. Что мы можем отнести к интеллектуальным задачам?

Задачи, для которых имеются стандартные подходы к решению,

то есть для решения которых можно описать четкую однозначную

последовательность действий и, соответственно, легко реализовать

эту последовательность в виде компьютерных программ, исключа-

ются из рассмотрения проблем ИИ.

Таким образом, к интеллектуальным задачам могут быть отне-

сены те задачи, которые не поддаются четкой алгоритмизации. Это

так называемые сложно формализуемые задачи.

К таким задачам можно отнести задачи доказательства теорем,

реализации различных игр, задачи распознавания текстов и рисунков,

задачи распознавания речи, машинного перевода, задачи машинного

творчества (написание компьютером музыки, стихов, прозы), задачи

планирования, задачи управления в системах принятия решений в ус-

ловиях неопределенности.

И это далеко не полный перечень задач, относящихся к области

ИИ. Данный список может быть продолжен. Это задачи создания

консультирующих систем на основе знаний, задачи создания роботов

и робототехники, задачи разработки систем автоматического прог-

раммирования и многие другие.

2.2. Отличительная особенность интеллектуальных систем

Что принципиально отличает интеллектуальные системы от

других компьютерных программ – это в первую очередь возможность

их обучения и накопления знаний во время работы, способность

17

самосовершенствования, самообучение таких систем. Это те черты,

которые свойственны и человеческому интеллекту: способность

к обобщению, обучению, накоплению знаний и навыков и адап-

тации к изменяющимся условиям в процессе решения задач. Бла-

годаря этим свойствам интеллекта человек может решать самые

сложные и разнообразные задачи, при этом легко и быстро перехо-

дить с решения одного типа задач на другие.

Таким образом, интеллектуальная система должна решать зада-

чи, для которых нет стандартных, заранее известных алгоритмов

и методов решения.

Существуют так называемые поведенческие (функциональные)

определения ИИ. Например, А. Н. Колмогоров дал такое определение:

«Система обладает интеллектом, если с ней можно достаточно долго

общаться на различные темы науки, искусства и литературы».

Другой пример: известное определение Алана Тьюринга, полу-

чившее название «тест Тьюринга». Он заключается в том, что проис-

ходит общение через обмен информацией людей и машины, причем

все находятся в разных комнатах и не видят друг друга. Если в про-

цессе такого общения не удается идентифицировать, кто из участни-

ков диалога – машина, то можно считать, что данная машина обладает

интеллектом.

А. Тьюрингом был также предложен план имитации мышления:

«Пытаясь имитировать интеллект взрослого человека, мы вынуждены

много размышлять о том процессе, в результате которого человече-

ский мозг достиг своего настоящего состояния… Почему бы нам вме-

сто того, чтобы пытаться создать программу, имитирующую интел-

лект взрослого человека, не попытаться создать программу, которая

имитировала бы интеллект ребенка? Ведь если интеллект ребенка по-

лучает соответствующее воспитание, он становится интеллектом

взрослого человека… Наш расчет состоит в том, что устройство, ему

18

подобное, может быть легко запрограммировано… Таким образом,

мы расчленим нашу проблему на две части: на задачу построения

“программы-ребенка” и задачу “воспитания” этой программы».

В настоящее время по этому пути пошли практически все разра-

ботчики интеллектуальных систем. Поскольку изначально заложить

в систему полный объем знаний по предмету и связи между ними

практически невозможно. Именно таким образом и проявляются

интеллектуальные признаки системы: обучение, накопление опыта

и т. д.

2.3. Два направления искусственного интеллекта

Почти сразу после появления ИИ как научного направления

произошло его деление на два направления (подхода): нейрокиберне-

тику (структурный подход) и так называемую кибернетику черного

ящика (функциональный подход).

Основная идея структурного подхода. Единственный объект,

способный мыслить, это человеческий мозг. Поэтому интеллекту-

альная система должна каким-то образом моделировать структуру

мозга.

Биологи и физиологи установили, что в основе работы челове-

ческого мозга лежит взаимодействие огромного количества нервных

клеток – нейронов. Поэтому исследователи данного направления

пошли по пути создания искусственных нейронов и объединения их

в сети. Такие сети получили название нейронные сети (НС).

Начало изучения и работы над искусственными НС идет

с момента появления ИИ как научного направления. Первые попыт-

ки изучения НС были сделаны еще в 1943 году Маккалокком и Питт-

сом. Была создана простая нейронная модель (см. Раздел 6.2,

рис. 6.4). Такие системы и подобные им получили название «персеп-

19

троны». Персептроны состояли из одного слоя нейронов (см. Раз-

дел 6.2, рис. 6.9).

В 1960-е годы среди исследователей был огромный оптимизм

относительно персептронов. Розенблаттом была доказана теорема об

обучении персептронов. Уидроу продемонстрировал возможности

и перспективы таких систем. Но начальная эйфория вскоре сменилась

разочарованием. Выяснилась неспособность персептронов обучаться

решению ряда простых задач. Выдающийся исследователь в области

ИИ Минский, проанализировав эту проблему, показал, что имеются

жесткие ограничения того, что могут выполнять однослойные персеп-

троны и чему они могут обучаться. Методы обучения многослойных

сетей в то время еще не были известны. И в 1970-1980-х годах коли-

чество исследований по этому направлению ИИ стало снижаться.

Но следует сказать, что в Японии 1980-х годах в рамках проекта

«ЭВМ пятого поколения» был создан первый нейрокомпьютер.

Впоследствии были открыты методы обучения многослойных

сетей, что возродило интерес к НС. В настоящее время наблюдается

настоящий бум нейросетевых технологий (см. Раздел 6.6).

В создании НС можно выделить три подхода: аппаратный, прог-

раммный и гибридный.

Аппаратный подход предусматривает создание нейрочипов,

нейрокомпьютеров, реализующих НС.

Программный подход предусматривает создание специальных

программ и систем для высокопроизводительных компьютеров с па-

раллельной архитектурой.

Гибридный подход предусматривает сочетание первых двух.

НС отличаются между собой организацией отдельных нейронов,

типом связей между ними и алгоритмами обучения.

Исторически НС активно используются в задачах распознавания

образов, даже сильно зашумленных. В настоящее время область при-

20

менения НС значительно расширена и продолжает увеличиваться

(см. Раздел 6.6).

Основная идея функционального подхода. Не важно, как устро-

ена интеллектуальная система. Главное, чтобы ее реакция на вход-

ные параметры была такой же, как реакция человека (человече-

ского мозга).

Такой подход не первый раз используется человеком в истории

науки. Вспомним создание самолета – он является аналогом птицы,

но не машет крыльями. То есть мысль человека не должна слепо ко-

пировать природу.

Следовательно, такие системы должны моделировать функ-

циональную деятельность мозга.

У истоков этого направления стояли Минский (идея фрейма

и фреймовой структуры представления знаний), Маккарти (язык прог-

раммирования Лисп), Саймон, Ньюэлл, Шоу и др.

Кроме рассмотренных выше подходов существует подход, на-

званный эволюционным моделированием (программированием).

Основная идея данного подхода заключается в том, что строится

начальная модель и задаются правила, по которым эта модель может

эволюционировать (изменяться). При выполнении программы проис-

ходит пошаговый отбор лучшей модели по заданным критериям.

Модель эволюционирует в своем развитии. Структура изначальной

модели может быть любой: модель представления знаний, НС или

любая другая.

Самих эволюционных моделей как таковых не существует. Су-

ществуют эволюционные алгоритмы обучения. Но мы можем выде-

лить в отдельный класс модели, которые получены при таком эволю-

ционном подходе.

Таким образом, основной акцент делается не на построение ис-

ходной модели, а на алгоритм ее обучения.

21

В заключение следует сказать, что четкого разграничения рас-

смотренных подходов к построению интеллектуальных систем нет.

Часто происходит смешение данных подходов.

В 1980 году Джон Серл предложил такие понятия, как «силь-

ный» (полный) и «слабый» ИИ. Моделирование только отдельных

функций интеллекта – например, распознавание образов, синтез речи,

принятие решений – относится к направлению «слабый искусствен-

ный интеллект». Попытки воссоздать работу интеллекта в полном

объеме относятся к направлению «сильный искусственный интел-

лект». Вот что сказал Джон Серл о «сильном» ИИ: «…Такая прог-

рамма будет не просто моделью разума; она в буквальном смысле

слова сама и будет разумом, в том же смысле, в котором человече-

ский разум – это разум».

Все практические достижения в области ИИ относятся именно

к направлению «слабого искусственного интеллекта».

Мечты создания интеллектуальных систем прошли сложный

путь от крайнего оптимизма до несостоятельного пессимизма, но

в наше время ИИ нашел свое практическое воплощение.

Создаются интересные, эффективные интеллектуальные систе-

мы в самых разных сферах человеческой жизни. Благодаря методам

накопления знаний, обучения и самообучения, работы с нечеткими

данными и знаниями, создаются системы, которые для человека,

незнакомого с данными реалиями, кажутся настоящими чудесами.

Компьютеры:

распознают образы;

обыгрывают чемпионов мира по шахматам;

создают музыку, стихи, прозу;

понимают и обрабатывают речь;

диагностируют заболевания человека;

22

управляют сложными технологическим процессами и тех-

ническими объектами;

осуществляют предсказания на финансовом рынке и т. д.


1. Перечислите задачи, относящиеся к интеллектуальным зада-

чам.

2. Назовите отличительные особенности интеллектуальных

систем.

3. Приведите функциональные (поведенческие) определения

интеллекта.

4. В чем заключается тест Тьюринга?

5. Назовите два направления ИИ.

6. Охарактеризуйте структурный подход (нейрокибернетика)

к построению интеллектуальных систем.

7. Охарактеризуйте имитационный подход (кибернетика чер-

ного ящика) к построению интеллектуальных систем.

8. В чем заключается имитационное моделирование?

9. Что означают понятия «сильный» и «слабый» ИИ?

23

РАЗДЕЛ 3. НАПРАВЛЕНИЯ ИССЛЕДОВАНИЙ

В ОБЛАСТИ ИИ

3.1. Области исследования интеллектуальных систем

Интеллектуальные системы проникают во все сферы жизни,

поэтому трудно провести строгую классификацию направлений, по

которым ведутся активные и многочисленные исследования в области

ИИ. Рассмотрим некоторые из них.

1. Разработка интеллектуальных информационных систем,

основанных на знаниях (ЭС). Это одно из основных практических

направлений ИИ. Основными целями построения таких систем явля-

ются выявление, исследование и применение знаний высококвалифи-

цированных экспертов для решения сложных задач, возникающих на

практике. При построении систем, основанных на знаниях, использу-

ются знания, накопленные экспертами в виде конкретных правил ре-

шения тех или иных задач. Это направление преследует цель имита-

ции человеческого анализа неструктурированных и слабоструктури-

рованных проблем. В данной области исследований осуществляется

разработка моделей представления, извлечения и структурирования

знаний, а также изучаются проблемы создания баз знаний, образую-

щих ядро экспертных систем.

2. Разработка естественно-языковых интерфейсов и ма-

шинный перевод. Проблемы компьютерной лингвистики и машин-

ного перевода разрабатываются в ИИ с 1950-х годов. Идея машинного

перевода оказалась совсем не так проста, как казалось первым иссле-

дователям и разработчикам.

Уже первая программа в области естественно-языковых интер-

фейсов – переводчик с английского на русский язык – продемонстри-

ровала неэффективность первоначального подхода, основанного на

пословном переводе. Однако еще долго разработчики пытались соз-

24

дать программы на основе морфологического анализа. Уязвимость

такого подхода связана с очевидным фактом: человек может перевес-

ти текст только на основе понимания его смысла и в контексте

предшествующей информации (контекста). В дальнейшем системы

машинного перевода усложнялись, и в настоящее время используется

несколько более сложных моделей:

• применение так называемых «языков-посредников», или язы-

ков смысла. В результате происходит дополнительная трансляция

«исходный язык оригинала – язык смысла – язык перевода»;

• ассоциативный поиск аналогичных фрагментов текста и их пе-

реводов в специальных текстовых репозиториях или базах данных;

• структурный подход, включающий последовательный анализ

и синтез естественно-языковых сообщений. Традиционно такой под-

ход предполагает наличие нескольких фаз анализа:

− морфологический анализ – анализ слов в тексте;

− синтаксический анализ – разбор состава предложений

и грамматических связей между словами;

− семантический анализ – анализ смысла составных частей

каждого предложения на основе некоторой предметно-

ориентированной базы знаний;

− прагматический анализ – анализ смысла предложений в ре-

альном контексте на основе собственной базы знаний.

Данное направление охватывает также исследования методов

и разработку систем, обеспечивающих реализацию процесса общения

человека с компьютером на естественном языке.

3. Генерация и распознавание речи. Системы речевого обще-

ния создаются в целях повышения скорости ввода информации

в компьютер, разгрузки зрения и рук, а также для реализации рече-

вого общения на значительном расстоянии.

25

4. Обработка визуальной информации. В этом научном на-

правлении решаются задачи обработки, анализа и синтеза изображе-

ний. Задача обработки изображений связана с трансформированием

графических образов, результатом которого являются новые изобра-

жения. В задаче анализа исходные изображения преобразуются в дан-

ные другого типа, например, в текстовые описания. При синтезе изоб-

ражений на вход системы поступает алгоритм построения изображе-

ния, а выходными данными являются графические объекты.

5. Обучение и самообучение. Эта актуальная область ИИ

включает модели, методы и алгоритмы, ориентированные на автома-

тическое накопление и формирование знаний с использованием про-

цедур анализа и обобщения данных. Включает обучение по примерам

(или индуктивное), а также традиционные подходы из теории распоз-

навания образов.

В последние годы к этому направлению тесно примыкают стре-

мительно развивающиеся системы data mining – интеллектуального

анализа данных и knowledge discovery – поиска закономерностей в ба-

зах данных.

6. Распознавание образов. Традиционно – одно из направле-

ний искусственного интеллекта, берущее начало у самых его истоков,

но в настоящее время практически выделившееся в самостоятельную

науку. Ее основной подход – описание классов объектов через опре-

деленные значения значимых признаков. Каждому объекту ставится

в соответствие матрица признаков, по которой происходит его распоз-

навание. Процедура распознавания использует чаще всего специаль-

ные математические процедуры и функции, разделяющие объекты на

классы. Это направление близко к машинному обучению и тесно свя-

зано с нейрокибернетикой.

7. Игры и машинное творчество. Это, ставшее скорее исто-

рическим, направление связано с тем, что на заре исследований ИИ

26

традиционно включал в себя игровые интеллектуальные задачи –

шахматы, шашки, го. В основе первых программ лежит один из ран-

них подходов – лабиринтная модель мышления и эвристики. Сейчас

это скорее коммерческое направление, так как в научном плане эти

идей считаются тупиковыми.

Кроме того, это направление охватывает сочинение компьюте-

ром музыки, стихов, сказок и даже афоризмов. Основным методом

подобного «творчества» является метод пермутаций (перестановок),

а также использование некоторых баз знаний и данных, содержащих

результаты исследований по структурам текстов, рифм, сценариям

и т. п.

8. Программное обеспечение систем ИИ. Инструментальные

средства для разработки интеллектуальных систем включают в себя:

• специальные языки программирования, ориентированные на

обработку символьной информации (Lisp, Smalltalk, Рефал);

• языки логического программирования (Prolog);

• языки представления знаний (Ops 5, Krl, Frl);

• интегрированные программные среды, содержащие арсенал

инструментальных средств создания систем ИИ (Ке, Arts, Guru, G2);

• оболочки экспертных систем (Build, Emycin, Exsys Profes-

sional, Эксперт), которые позволяют создавать прикладные ЭС, не

прибегая к программированию.

9. Новые архитектуры компьютеров. Это направление связа-

но с созданием компьютеров не-фон-неймановской архитектуры, ори-

ентированных на обработку символьной информации. Поэтому уси-

лия многих научных коллективов и фирм уже десятки лет нацелены

на разработку аппаратных архитектур, предназначенных для обра-

ботки символьных и логических данных. Создаются Пролог- и Лисп-

машины, компьютеры V и VI поколений.

27

10. Интеллектуальные роботы. Идея создания роботов далеко

не нова. Само слово «робот» появилось в 20-х годах как производное

от чешского «робота» – тяжелой грязной работы. Его автор – чешский

писатель Карел Чапек, описавший роботов в своем рассказе. Роботы –

это электротехнические устройства, предназначенные для автомати-

зации человеческого труда.

Можно условно выделить несколько поколений в истории соз-

дания и развития робототехники.

I поколение. Роботы с жесткой схемой управления. Практи-

чески все современные промышленные роботы принадлежат к перво-

му поколению. Фактически это программируемые манипуляторы.

II поколение. Адаптивные роботы с сенсорными устройст-

вами. Есть образцы таких роботов, но в промышленности они пока

используются мало.

III поколение. Самоорганизующиеся, или интеллектуаль-

ные, роботы. Создание интеллектуальных роботов составляет конеч-

ную цель робототехники. В настоящее время в основном использу-

ются программируемые манипуляторы с жесткой схемой управления.

Несмотря на очевидные успехи отдельных разработок, эра интеллек-

туальных автономных роботов пока не наступила. Основными сдер-

живающими факторами в разработке автономных роботов являются

нерешенные проблемы в области интерпретации знаний, машинного

зрения, адекватного хранения и обработки трехмерной визуальной

информации.

ИИ – междисциплинарная наука, которая вбирает в себя много

смежных наук. Стоит взглянуть на основные рубрикаторы конферен-

ций по ИИ, чтобы понять, насколько широко простирается область

исследований по ИИ:

• генетические алгоритмы;

• когнитивное моделирование;

28

• интеллектуальные интерфейсы;

• распознавание и синтез речи;

• дедуктивные модели;

• многоагентные системы;

• онтологии;

• менеджмент знаний;

• логический вывод;

• формальные модели;

• мягкие вычисления и многое другое.


1. Перечислите основные направления исследований ИИ.

2. Охарактеризуйте следующее направление ИИ: «Разработка

интеллектуальных информационных систем, основанных на знаниях

задачи, относящейся к интеллектуальным задачам».

3. Охарактеризуйте следующее направление ИИ: «Разработка

естественно-языковых интерфейсов и машинный перевод».

4. Охарактеризуйте следующее направление ИИ: «Обработка

визуальной информации».

5. Охарактеризуйте следующее направление ИИ: «Распознава-

ние образов».

6. Охарактеризуйте следующее направление ИИ: «Игры и ма-

шинное творчество».

7. Охарактеризуйте следующее направление ИИ: «Программ-

ное обеспечение систем ИИ».

8. Охарактеризуйте следующее направление ИИ: «Интеллекту-

альные роботы».

29

РАЗДЕЛ 4. СПОСОБЫ ПРЕДСТАВЛЕНИЯ

ЗНАНИЙ В ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

Необходимой частью любой интеллектуальной системы явля-

ются знания. Вопросами представления и обработки знаний в компь-

ютерных системах занимаются исследователи, работающие в области

инженерии знаний. Это понятие в 1977 году ввел Э. Фейгенбаум.

Данное направление ИИ связано с вопросами извлечения, анализа

и формализации знаний специалистов (экспертов) и с проектирова-

нием баз знаний.

4.1. Данные и знания

Данные – это информация фактического характера, описываю-

щая объекты, процессы и явления предметной области, а также их

свойства.

Знания имеют более сложную структуру, чем данные. Знания

не только описывают отдельные факты, но определяют их взаимосвя-

зи. Таким образом, знания являются структурированными данными.

Знания – продукт мыслительной деятельности человека, ре-

зультат обобщения эмпирических данных, полученных в результате

профессиональной, практической деятельности.

Для того чтобы поместить знания в компьютер, их необходимо

представить определенными структурами данных. При разработке

интеллектуальной системы сначала выполняют этапы извлечения

знаний и далее – представления знаний. Участие человека на этих

этапах – обязательно. Затем, чтобы удобно сохранить и обработать

знания на компьютере, их представляют некоторыми структурами

данных.

Для представления знаний существуют специальные языки –

языки описания знаний.

30

По типу представления знания делятся на факты, правила

и метазнания. Факт – это, как правило, достаточно известное в дан-

ной области событие или обстоятельство, например, «Сократ – чело-

век», «лев – хищник», «курс доллара растет». Под правилами подра-

зумеваются знания вида «ЕСЛИ…, ТО…», например, «Если некто –

человек, то он смертен», «Если курс доллара растет, то рубль обесце-

нивается». Правила позволяют принимать решения, например, сопос-

тавление факта «Сократ – человек» с правилом «Если некто – чело-

век, то он смертен» позволяет принять решение «Сократ смертен».

Метазнания – это знания о знаниях. Метазнания необходимы для ор-

ганизации процедуры логического вывода и эффективного управле-

ния базой знания. Например, принцип резолюции, используемый

в механизме вывода языка логического программирования Prolog,

является метазнанием, т. е. знанием о том, как использовать знания

для получения новых знаний.

Выбор модели представления знаний существенно влияет на ха-

рактеристики интеллектуальной системы. Выбирая модель представ-

ления знаний, требуется принимать во внимание однородность пред-

ставления знаний и простоту их понимания. Выбор такой формы

представления знаний, которая будет трудна для понимания, приведет

к тому, что усложнятся процессы приобретения знаний.

Представление знаний – формализация (упорядочение с доста-

точно четким синтаксисом) описания больших объемов полезной ин-

формации, имеющая цель последующей их обработки с помощью

символьных вычислений. Символьные вычисления представляют со-

бой выполнение нечисловых операций, обработку символов и сим-

вольных структур.

В области ИИ идет активная работа по разработке языков пред-

ставления (representation languages), то есть языков, которые нацелены

на организацию описания объектов и их взаимосвязей, в отличие от

статических последовательностей инструкций, или хранение простых

элементов данных.

31

4.2. Модели представления знаний

Проблема представления знаний для ИС является наиважней-

шей и первостепенной при ее создании, поскольку ИС – это система,

в которой заложены знания о проблемной области, хранящиеся в ее

памяти.

Основными моделями представления знаний являются: логиче-

ская модель, продукционная модель, фреймовая модель и сетевая мо-

дель, или модель семантической сети.

На практике при разработке ИС часто используется комбиниро-

ванное представление с помощью различных моделей.

В основе логической модели лежит система исчисления преди-

катов первого порядка.

В данном пособии не будем останавливаться на рассмотрении

этого типа моделей. Тем, кого заинтересовала данная модель пред-

ставления знаний, автор рекомендует обратиться к списку литера-

туры.

Продукционная модель в силу своей простоты получила наи-

более широкое распространение. Знания в этой модели записываются

в виде объединения правил типа «ЕСЛИ – ТО». С помощью продук-

ции можно описать практически любую систему знаний. Системы

знаний, которые используют данное представление, относятся к сис-

темам продукционного типа. В состав такой экспертной системы вхо-

дят: база знаний и правил, механизм вывода (интерпретатор правил)

и база фактических данных (рабочая память). Более подробно данный

вопрос освещен в разделе 5.2.

Правила продукций представлены в виде импликации:

pi : si → di,

где pi – правило продукции;

si – условие применения правила (состоит из элементарных предло-

жений, соединенных логическими операциями И, ИЛИ);

32

di – результат применения правила (может быть либо некоторый факт,

либо определенное действие, которое следует выполнить).

Существуют два типа продукционных систем – с прямым и об-

ратным выводами. Прямой вывод реализует стратегию «от фактов

к заключениям». В этом случае вывод очередного заключения проис-

ходит путем сравнения данных, которые содержатся в рабочей памя-

ти, с левыми частями правил. В случае, если находится такое правило,

в котором совпадение происходит, правая часть этого правила в каче-

стве заключения по этому правилу помещается в рабочую память

(или исполняется действие, предписываемое правой частью этого

правила). При обратном выводе – двигаемся «от обратного»: выдви-

гается гипотеза вероятных заключений, которая может быть подт-

верждена или опровергнута на основании фактов, поступающих в ра-

бочую память. В этом случае проверяются правые части продукцион-

ных правил с целью обнаружить в них искомое утверждение. Если

такие продукционные правила существуют, то проверяется, удовле-

творяется ли левая часть продукционного правила. Если да, то гипо-

теза считается подтвержденной, если нет – отвергается. Существуют

также системы с двунаправленными выводами.

Пример:

Имеется фрагмент БЗ из двух правил:

П1: ЕСЛИ «отдых – летом» и «человек – активный», ТО «ехать

в горы».

П2: ЕСЛИ «любит солнце», ТО «отдых летом».

Предположим, в систему поступили данные:

«Человек – активный» и «любит солнце».

Прямой вывод: исходя из данных, получить ответ.

1-й проход:

Шаг 1. Пробуем П1, не работает – не хватает данных «отдых –

летом».

33

Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых –

летом».

2-й проход:

Шаг 3. Пробуем П1, работает, активируя цель «ехать в горы»,

которая и выступает, например, как совет, который дает система.

Обратный вывод: подтвердить выбранную цель при помощи

имеющихся правил и данных.

1-й проход:

Шаг 1. Цель – «ехать в горы»: становятся новой целью, и име-

ется правило, где она в правой части.

Шаг 2. Цель – «отдых летом»: правило П2 подтверждает цель

и активизирует ее.

2-й проход:

Шаг 3. Пробуем П1, подтверждается искомая цель.

Достоинства продукционной модели: высокая модульность, наг-

лядность, простота механизма логического вывода, легкость внесения

дополнений и изменений.

Недостатком продукционной модели является то, что в такой

базе знаний при большом числе продукций усложняется как анализ,

так и разрешение противоречий между правилами. Поэтому число

продукций, с которыми работают такого типа системы ИИ, обычно не

превышает тысячи.

Семантическая сеть – один из способов представления знаний.

В названии соединены термины из двух наук: семантика в языкозна-

нии изучает смысл предложений, а сеть в математике представляет

собой разновидность графа. В семантической сети роль вершин вы-

полняют понятия базы знаний, а дуги (причем направленные) задают

отношения между ними. Таким образом, семантическая сеть отражает

семантику предметной области в виде понятий и отношений.

34

На рис. 4.1 представлен пример фрагмента семантической сети.

Рис. 4.1. Пример фрагмента семантической сети

Достоинства сетевых моделей: наглядность, близость к описа-

нию объектов и событий на естественном языке.

Недостатки: трудность в формировании и модификации сете-

вой модели в связи с тем, что в данной модели отсутствует четкое

представление о строении предметной области; кроме того, это пас-

сивные структуры и для их обработки требуется специальный меха-

низм вывода.

Итак, сетевые модели являются очень наглядным и достаточно

универсальным средством представления знаний. Однако их форма-

лизация в конкретных моделях представления, использования и мо-

дификации знаний оказывается достаточно трудоемкой, особенно при

наличии множественных отношений между ее элементами.

Фреймы – это специальные объекты для представления стан-

дартных ситуаций, некий образ ситуации, явления или понятия.

Система фреймов – это иерархическая структура, основанная

на понятии наследования.

это это

есть

болен

симптом

человек мужчина болезнь

Петров грипп

высокая температура

головная боль

35

Автором фреймовой модели представления знаний является

Марвин Минский. Современные преставления о том, как человек ви-

дит, воспринимает увиденное, классифицирует, слышит и т. д. поло-

жены в основу идеи фреймов. Сам Минский считал теорию фреймов

скорее теорией постановки задач, чем продуктивной теорией, и суть

ее излагал следующим образом: каждый раз, попадая в некую ситуа-

цию, человек вызывает из своей памяти соответствующую ситуации

структуру, именуемую фреймом (frame – рамка); фрейм – это единица

представления знания, заполненная в прошлом, свойства которой по

необходимости изменяются и уточняются применительно к ситуации.

Можно сказать, что фрейм – это абстрактный образ для пред-

ставления некоего стереотипа восприятия.

Имеются фреймы-образцы, или прототипы, они хранятся в базе

знаний, и фреймы-экземпляры, они создаются для представления ре-

альных ситуаций, основываясь на поступающих входных данных.

Фрейм имеет иерархическую структуру. Верхний уровень пред-

ставляет собой фиксирование некоторой характеристики явления;

последующие уровни, называемые слотами, хранят конкретную ин-

формацию об этом явлении. В общем виде структура фрейма выгля-

дит следующим образом:

Имя фрейма:

Имя слота 1 (значение 1)

Имя слота 2 (значение 2)

……..

Имя слота К (значение К).

Рассмотрим эту структуру.

Каждый фрейм имеет собственное уникальное имя. Описания

фрейма (слоты) также поименованы, причем в пределах одного фрей-

ма они должны быть уникальны. Каждый слот заполняется значени-

ем, которое может быть объектом любого типа: числа, выражения,

36

текст на естественном языке, правила вывода, программы и даже

ссылки на другие слоты как данного фрейма, так и других фреймов.

Значения слотов могут уточняться постепенно за несколько шагов.

Основным механизмом управления фреймовой структурой яв-

ляется механизм наследования, благодаря которому происходит эко-

номия памяти.

Модель фрейма является универсальной, так как позволяет

передать все многообразие знаний о мире: понятия, ситуации, роли,

явления и т. п.

Фреймовые модели часто используют совместно с сетевыми мо-

делями. Так, система фреймов рассматривается в качестве семантиче-

ской сети с блочной структурой.

Итак, рассмотрев наиболее распространенные модели престав-

ления данных, можно сказать, что они универсальны и, как правило,

знания, представленные одной моделью, могут быть преобразованы

в другую. Но следует иметь в виду, что для разных задач и для разных

проблемных областей более эффективными могут являться разные

модели. Это следует учитывать при выборе анализа и выборе модели

представления данных в конкретных задачах.


1. Что означает понятие «инженерия знаний»?

2. Данные и знания. Их отличия.

3. На что делятся знания по типу представления?

4. Перечислить модели представления знаний.

5. Охарактеризовать логическую модель представления знаний.

6. Охарактеризовать продукционную модель представления

знаний.

7. Что представляет собой правило продукции?

37

8. Назовите два типа вывода в продукционных системах. Оха-

рактеризуйте их.

9. Достоинства и недостатки продукционной модели.

10. Охарактеризовать сетевую модель представления знаний.

11. Достоинства и недостатки сетевой модели.

12. Что такое «фрейм»?

13. Структура фрейма.

14. Назовите основной механизм, использующийся для построе-

ния фреймовой системы.

38

РАЗДЕЛ 5. ЭКСПЕРТНЫЕ СИСТЕМЫ

5.1. Для чего нужны экспертные системы

В 1970-х годах начинаются исследования в области ситем, осно-

ванных на знаниях, названных экспертными системами (ЭС), и уже

в 1980-е годы появляются коммерческие ЭС. Можно сказать, что

идеи, реализованные в последствии в ЭС, были рассмотрены еще

в 1832 году С. Н. Корсаковым (см. Раздел 1.2). Этот выдающийся

и непонятый в своем отечестве ученый, обогнавший свое время, раз-

работал механические устройства, названные им «интеллектуальными

машинами», которые позволяли находить решения по введенным

данным, например, подбирать для пациента подходящие лекарства по

наблюдаемым у него симптомам заболевания.

Экспертные системы – это компьютерные программы, позво-

ляющие при решении сложных, трудно формализуемых задач полу-

чать консультации, которые не уступают по эффективности и каче-

ству решениям, получаемым специалистом-экспертом в данной конк-

ретной области.

Другими словами, экспертная система – компьютерная система,

способная частично заменить специалиста-эксперта в разрешении

проблемной ситуации.

Основное назначение ЭС – помощь в принятии решения прак-

тических задач, плохо поддающихся формальному описанию и не

имеющих четких критериев правильности решения.

Экспертные системы относятся к прикладным системам ИИ.

Основным ключевым компонентом ЭС является база знаний, которая

содержит формализованные эмпирические знания высококвалифици-

рованных специалистов-экспертов в какой-либо узкой предметной

области.

39

Трудно формализуемые задачи обладают следующими свой-

ствами:

неполнотой, ошибочностью, неоднозначностью и противоре-

чивостью исходных данных, так, возможно, и самих знаний о пред-

метной области;

большой размерностью пространства вариантов, т. е. перебор

вариантов при поиске решения очень велик;

динамически изменяющимися данными и знаниями.

От обычных компьютерных программ ЭС отличаются тем, что

в них, как правило, используются символьный (а не числовой) способ

представления, символьный вывод и эвристический поиск решения

(см. Раздел 1.2).

Кроме того, ЭС обязательно оснащается подсистемой объясне-

ния, что, в отличие от обычных компьютерных программ, позволяет

объяснить пользователю ЭС, как она получила решение и почему оно

именно такое, а не иное. Это свойство дает пользователю уверенность

в том, что полученный результат надежен и верен.

Следующее отличительное свойство ЭС состоит в том, что они

способны пополнять свои знания в ходе общения с экспертом. Для

чего в составе ЭС имеется подсистема приобретения знаний.

Рассмотрим более подробно из чего же состоят ЭС.

5.2. Из чего состоят экспертные системы

Любая ЭС включает в свой состав следующие основные эле-

менты (рис. 5.1.):

база знаний (БЗ);

машина логического вывода (в литературе встречаются

и другие названия – «решатель», «интерпретатор»);

рабочая память, называемая также базой данных;

40

подсистемы приобретения знаний;

подсистемы объяснений;

подсистемы общения (диалогового компонента).

Рис. 5.1. Структура экспертной системы

База знаний – сердце ЭС, предназначена для хранения знаний

эксперта о предметной области и правил, использующихся для преоб-

разования данных. Итак, база знаний содержит факты (или утвержде-

ния) и правила.

Основная причина сложности поддержки базы знаний в ЭС –

быстрое «старение» знаний, причем быстрота «устаревания» часто

превышает скорость создания самой ЭС.

Машина логического вывода – устройство рассуждения, кото-

рое работает со знаниями из базы знаний и данными из рабочей памя-

ти с целью формирования последовательности правил, которые, при-

мененные к исходным данным, приводят к решению поставленной

задачи. Другими словами, это программа, которая моделирует ход

рассуждений эксперта, основываясь на тех знаниях, которые хранятся

в базе знаний. Для реализации машины логического вывода, как пра-

вило, используется программно реализованный механизм дедуктив-

41

ного логического вывода или механизм поиска решения в сети фрей-

мов или семантической сети.

В основе логического вывода лежит математическое понятие

«формальная система». Формальная система – это совокупность абст-

рактных объектов, связанных между собой определенными правила-

ми. Формальная система F задана, если определена четверка:

F = (Al, Sn, Ax, Ru),

где Al – алфавит – конечное множество символов;

Sn – синтаксис – процедура построения правильно построенных

формул формальной системы;

Ax – аксиомы – совокупность правильных формул, заданных изна-

чально;

Ru – правила вывода – конечное множество правил, позволяющих

получать новые формулы из других формул формальной системы.

Формальную систему можно применить для порождения новых

утверждений (прямой вывод) или для доказательства правильности

утверждений (обратный вывод).

Формальная система решает задачи путем полного перебора

вариантов.

Для практических задач пространство поиска будет неподъем-

ным для среднего компьютера, а может быть, и суперкомпьютера.

Необходимо сократить полный перебор в пространстве поиска. Как?

За счет анализа и планирования решения, намечая самые перспектив-

ные подходы и не рассматривая заведомо бесполезные. Знания, кото-

рыми пользуются для такого планирования решения, не являются

чисто научными, – это и есть те знания, которые называют эксперт-

ными – знания о методах поиска решения, которые обычно эксперт

получает в процессе обучения и вырабатывает самостоятельно, в про-

цессе приобретения опыта.

42

Вывод: одна формальная система не является экспертной систе-

мой. Для ЭС нужно объединить несколько формальных систем.

База данных (рабочая память) хранит исходные и промежу-

точные данные, которые используются программой в настоящий

момент.

Подсистема общения осуществляет ведение диалога с пользо-

вателем, в ходе которого, в частности, ЭС запрашивает у пользова-

теля требуемые ей для решения данные и факты.

Подсистема объяснений необходима для того, чтобы дать воз-

можность пользователю следить за ходом рассуждений ЭС и в случае

необходимости даже учиться у ЭС. Такая возможность повышает

доверие пользователя к полученному результату и, кроме того, облег-

чает эксперту тестирование самой системы. Ответ на вопрос: «Как

была получена та или иная информация?» – это трассировка всего

процесса получения решения с указанием использованных фрагмен-

тов базы знаний, то есть всех шагов цепи умозаключения. Ответ на

вопрос «Почему система приняла такое решение?» – ссылка на умо-

заключение, непосредственно предшествовавшее полученному реше-

нию, то есть отход на один шаг назад.

Подсистема приобретения знаний необходима ЭС для измене-

ния и пополнения базы знаний.

Существуют статические и динамические ЭС.

Статические ЭС используются в тех областях, где можно не

учитывать изменения окружающего мира, происходящие за время

решения задачи, то есть это ЭС, решающие задачи в условиях, не из-

меняющихся во времени исходных данных и знаний.

Динамические ЭС – это ЭС, решающие задачи в условиях, из-

меняющихся во времени исходных данных и знаний. В архитектуру

динамической ЭС, вводятся два дополнительных компонента: под-

система моделирования внешнего мира и подсистема связи с внеш-

43

ним окружением. Подсистема связи с внешним окружением осущест-

вляет связь с внешним миром через систему датчиков и контроллеров.

Рассмотрим структуру и логику работы ЭС на примере одной из

древних ЭС под названием «PROSPECTOR». Это геологоразведочная

экспертная система, предназначенная для геологической разведки

месторождений полезных ископаемых. Система PROSPECTOR рабо-

тает с нечеткими данными и нечеткими знаниями. Работа системы

основана на нечеткой логике. Следует помнить, что логика работы ЭС

отличается от человеческой логики, и поэтому пользователю при ра-

боте с ЭС может быть неясен смысл вопросов системы. Поэтому сис-

тема должна уметь объяснять ход своих «мыслей».

Работа системы PROSPECTOR, как и любой ЭС, представляет

собой диалог между программой и пользователем. В ходе диалога

система получает от пользователя требуемые наблюдения (факты)

и на основании их анализа делает определенные выводы. Последова-

тельность шагов выглядит так:

1. Система выбирает наблюдение, которое в большей степени

изменяет шансы целевой гипотезы (в системе PROSPECTOR – это на-

личие тех или иных полезных ископаемых).

2. Система «спрашивает» у пользователя о наличии выбранного

наблюдения.

3. Пользователь «отвечает» системе о наличии данного наблю-

дения, причем ответом является число в диапазоне от -5 до +5, где

-5 – это «определенно нет», +5 – это «определенно да», а 0 означает

«не знаю».

4. После получения ответа пользователя в семантической сети

ЭС проходит волна изменений: пересчитываются шансы гипотез, на

которые влияет введенная информация (наблюдение).

5. Если шансы целевой гипотезы устраивают пользователя, то

система заканчивает диалог, иначе шаг 1.

44

База знаний ЭС PROSPECTOR представляет собой семантиче-

скую сеть, составленную на основе знаний экспертов в предметной

области. Элементами семантической сети являются гипотезы, наблю-

дения и связи между ними.

В семантической сети допустимы следующие отношения:

гипотеза может зависеть от нескольких наблюдений;

наблюдение может влиять на несколько гипотез.

Каждая гипотеза имеет шансы и вес.

Вес – это значение, получаемое от пользователя на вопросы сис-

темы (для наблюдений). Другими словами можно сказать, что вес –

это степень возможности данного наблюдения.

Шанс – это степень верности данной гипотезы (по сути – та же

самая вероятность).

До начала использования ЭС все гипотезы имеют изначально

заданные экспертом, априорные шансы. Веса связей гипотез и наблю-

дений равняются 0.

Каждая связь узлов (гипотез и наблюдений) в семантической

сети имеет коэффициенты LS и LN, где LS – это коэффициент доста-

точности, а LN – это коэффициент необходимости.

Коэффициенты LS и LN задаются самим экспертом на основе

своего опыта и статистических данных.

При разных значениях эти коэффициенты могут иметь разный

смысл:

1) LS = LN – наблюдение Е никак не влияет на гипотезу Н;

2) LS = 1 – наличие наблюдения Е не влияет на гипотезу Н;

3) LN = 1 – отсутствие наблюдения Е не влияет на гипотезу Н;

4) LS > 1 – наблюдение Е сильно влияет на гипотезу Н (чем

больше значение, тем больше влияет);

5) LN < 1 – гипотеза Н сильно нуждается в наблюдении Е (чем

меньше значение, тем больше нуждается).

45

Исходя из пунктов 4 и 5, можно сделать вывод, что в ЭС имеет

смысл только пара коэффициентов: LS > 1, LN < 1.

В системе возможны три вида связей:

логические;

контекстные (концептуальные);

продукционные.

Логические связи – это операции математической логики «И»,

«ИЛИ», «НЕ». Эти связи накладывают ограничения на гипотезы.

Контекстные связи указывают, какие вопросы должны задава-

ться в первую очередь. Данные связи не имеют коэффициентов доста-

точности и необходимости.

Продукционные связи – это связи вида «Если…, то…».

Проходы в семантической сети – это изменение весов семанти-

ческой сети. Они делятся на два вида: прямой и обратный.

Прямой проход выполняется, когда пользователь вносит новую

информацию о наблюдениях и необходимо пересчитать шансы гипо-

тез в соответствии с новыми данными. Алгоритм прямого прохода

включает в себя следующие шаги:

1) устанавливаем для наблюдения полученное от пользователя

значение весов;

2) поднимаемся вверх по иерархии к родительской гипотезе

(если родителя нет, то выход);

3) вычисляем значение веса и шансы для гипотезы, переход

к шагу 2.

Обратный проход используется для нахождения того вопроса,

который система задаст следующим. Алгоритм состоит из следующих

шагов:

1) находим все наблюдения, которые влияют на целевую ги-

потезу;

46

2) для каждого наблюдения устанавливаем значение веса: +5

и -5;

3) выполняем прямой проход для очередного наблюдения;

4) вычисляем отклонение значения шанса целевой гипотезы

после прямого прохода;

5) возвращаем значения весов и шансов в исходное состояние;

6) после выполнения проходов для всех наблюдений выделяем

наблюдение которое в большей степени влияет (изменяет) на целевую

гипотезу – это и есть следующий вопрос системы.

5.3. Как разработать экспертную систему

Создание ЭС отличается от разработки обычного програм-

много продукта. Сначала рассмотрим, кто принимает участие в разра-

ботке ЭС.

Итак, в разработке ЭС участвуют следующие специалисты:

1) эксперты в той проблемной области, для которой создается

ЭС;

2) инженеры по знаниям – специалисты по разработке ЭС;

3) программисты, осуществляющие реализацию ЭС.

Эксперт – профессионал в рассматриваемой проблемной облас-

ти, эмпирические знания которого закладываются в базу знаний ЭС.

Он же обеспечивает полноту и правильность введенных в ЭС знаний.

Инженер по знаниям помогает человеку-эксперту выявить

и структурировать необходимые знания, осуществляет выбор модели

представления знаний и механизм вывода, которые наиболее эффек-

тивно подходят для данной проблемной области.

Программист осуществляет программную реализацию ЭС на

компьютере.

47

Неотъемлемой чертой ЭС является обилие эвристик, явно выра-

женных в коде. Эвристики представляют собой «сомнительные»

с точки зрения научной обоснованности действия, правила и крите-

рии. Часть программы, составленной из эвристик, сама является эври-

стикой следующего уровня, и так далее до уровня всей системы.

Допустим, создается система, анализирующая изображение

и выявляющая на нем картинки, текст, таблицы и тому подобные объ-

екты. Кажется разумным использовать эвристики, учитывающие меру

уверенности в том, что данный объект является куском текста.

Значит, нам понадобится классификатор. Задача создания классифи-

катора хорошо изучена. Вопрос в том, что принять за критерий каче-

ства его работы. Здравый смысл говорит, что надо создать базу реаль-

но встречающихся изображений и потребовать большой доли пра-

вильно классифицированных объектов и соответственно малой доли

ложных срабатываний. В случае, когда классификатор используется

в живой большой системе, не все так просто. Вполне может оказаться,

что улучшение качества классификатора ухудшит качество работы

системы в целом.

Как такое может произойти? Возможно, произошло серьезное

улучшение классификации определенного вида шрифтов, встречаю-

щегося на изображениях часто, за счет небольшого ухудшения клас-

сификации редко встречающихся шрифтов – ну и отлично, казалось

бы. Проблема в том, что эти редкие шрифты чаще используются в за-

головках. А текста в заголовках гораздо меньше, чем текста на стра-

нице в целом, поэтому единичную ошибку классификатора в системе

будет труднее выявить и исправить. К тому же заголовки могут иметь

аномально большие размеры, и в силу этого они имеют повышенные

шансы быть принятыми за картинку. В итоге слабые отрицатель-

ные эффекты от изменения классификатора перевешивают сильные

по-ложительные. Получается, что надо усложнить критерий качества

48

работы классификатора? В общем случае оказывается, что самый

простой критерий качества работы компонента системы – качество

работы системы в целом.

Ситуация очень напоминает рожденный эволюцией геном.

Бессмысленно выяснять, вреден ли данный ген на основании абст-

рактных рассуждений. Важно, повышает ли ген вероятность особи

выжить. В программе, как и в геноме, обязательно возникают слож-

ные и нетривиальные взаимодействия эвристик/генов. Известно, что

наличие первой группы крови повышает вероятность заболеть холе-

рой, но понижает чувствительность к малярии. Таким образом, полез-

ность набора генов группы крови зависит от места проживания чело-

века. В эвристической программной системе повсеместны ничуть не

менее причудливые и неожиданные зависимости.

Итак, система становится пугающе сложной. Возникает соблазн

принять ее такой, какая она есть, и развивать исключительно в соот-

ветствии с принципом общей полезности, как это делает эволюция

с геномом. Если у вас в запасе пара миллиардов лет и ресурсы разме-

ром с планету, то такой подход вполне годится. Возникает вопрос:

существует ли способ как-то преодолеть рост сложности? Краткий

ответ: универсального рецепта нет.

В эвристическом программировании неизбежна ситуация адап-

тации одних компонент к нежелательным особенностям работы дру-

гих, притирки компонент друг под друга. Пусть имеется два компо-

нента A и B, косвенно влияющие друг на друга. Пусть при некотором

изменении компонента A компонент B начинает работать в новых ус-

ловиях, в которых дефекты его работы проявляются сильнее. Как

итог, изменение может оказаться неприемлемым, даже если оно

улучшает A (вспомним пример с классификатором). Разумеется,

в данном случае следует внести изменения в B, чтобы этот компонент

стал лучше работать в новых условиях – но мы живем в реальном

49

мире, где у большинства задач есть сроки исполнения. В итоге в A

вносятся только такие изменения, при которых дефекты B не прояв-

ляются. А начинает неявно приспосабливаться к шероховатостям

и неровностям B. После этого дефекты B станет нелегко исправить,

так как компонент A уже адаптирован к неприятным особенностям B

и изменение статус-кво нарушит его работу. Если надо создать ком-

понент C, непосредственно использующий B, то может оказаться

проще написать C, в явном виде учитывающим ошибки B и исправ-

ляющим их самостоятельно, чем править строптивый B. Появилась

новая зависимость, и теперь шансы на улучшение B стали совсем

призрачными. Щедрой рукой пририсуем к картине компоненты D, E

и так далее, а также вспомним об их взаимодействиях друг с другом.

Легко прийти к ситуации, когда любое изменение в системе оказыва-

ется вредным.

Задача программиста – попытаться минимизировать ситуацию

такой нежелательной притирки. Для этого надо постоянно отслежи-

вать неявные зависимости между компонентами. Внимательно выяв-

лять и анализировать внесенные изменениями побочные эффекты,

принимать решение, насколько они критичны для работы системы

в долгосрочной перспективе. Не вносить изменения, приносящие по-

ложительный эффект, но «разбалтывающие» логику и усложняющие

взаимодействие.

Для правильной настройки системы надо знать все неявные сог-

лашения о работе компонентов, влияющих на процесс.

Отсюда повышенные требования к подготовке разработчиков,

приступающих к работе над интеллектуальными системами. Недоста-

точно глубоко изучивший систему программист склонен вредить ей,

даже если он пишет отличный код, улучшающий качество работы

эвристик.

50

Разработка ЭС – очень дорогостоящий процесс, поэтому нужно

быть точно уверенными в том, что ее применение оправдано.

В каких случаях оправдано применение ЭС?

1. Когда решение задачи, используя ЭС, принесет значитель-

ный экономический эффект.

2. Когда невозможно присутствие самого человека-эксперта,

например, мало специалистов высоко уровня в данной предметной

области.

3. Когда требуется быстрое принятие решения и нет времени на

передачу информации от самого эксперта.

4. Когда требуется использование ЭС для решения задач во

враждебном для человека окружении.

Данный список может быть продолжен.

При разработке ЭС, как правило, используется подход «быст-

рого прототипа». Этот подход состоит в том, что разработчики не пы-

таются сразу построить конечный продукт. Вначале создается прото-

тип ЭС, один или несколько.

Прототип должен продемонстрировать правильность подхода

в выборе методов инженерии знаний для данного конкретного случая.

В случае успеха эксперт с помощью инженера по знаниям расширяет

знания прототипа о проблемной области. При неудаче может потре-

боваться разработка нового прототипа или разработчики могут прий-

ти к выводу о непригодности методов инженерии знаний для данной

области. По мере увеличения знаний прототип может достигнуть

такого состояния, когда он успешно решает все задачи из данной об-

ласти. Преобразование прототипа ЭС в конечный продукт может при-

вести к написанию текста программы ЭС на языках низкого уровня,

что обеспечивает увеличение быстродействия ЭС и уменьшение тре-

буемой памяти.

51

В значительной степени время создания ЭС зависит от типа ис-

пользуемого инструментария.

Технология разработки ЭС включает шесть следующих этапов:

идентификацию, концептуализацию, формализацию, выполнение,

тестирование и опытную эксплуатацию.

На этапе идентификации определяются задачи, которые под-

лежат решению, выявляются цели разработки, определяются экс-

перты и типы пользователей.

На этапе концептуализации проводится содержательный ана-

лиз проблемной области, выявляются используемые понятия и их

взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются ИС и определяются спо-

собы представления всех видов знаний, формализуются основные по-

нятия, определяются способы интерпретации знаний, моделируется

работа системы, оценивается адекватность целям системы зафиксиро-

ванных понятий, методов решений, средств представления и манипу-

лирования знаниями.

На этапе выполнения осуществляется наполнение экспертом

базы знаний. В связи с тем, что основой ЭС являются знания, данный

этап является наиболее важным и наиболее трудоемким этапом раз-

работки ЭС. Процесс приобретения знаний разделяют на извлечение

знаний из эксперта, организацию знаний, обеспечивающую эффек-

тивную работу системы, и представление знаний в виде, понятном

ЭС. Процесс приобретения знаний осуществляется инженером по

знаниям на основе анализа деятельности эксперта по решению реаль-

ных задач.

В ходе этапа тестирования производится оценка выбранного

способа представления знаний в ЭС в целом. Для этого инженер по

знаниям подбирает примеры, обеспечивающие проверку всех воз-

можностей ЭС.

52

При тестировании промышленной системы превалирует точка

зрения инженера по знаниям, которого в первую очередь интересует

вопрос оптимизации представления и манипулирования знаниями.

При тестировании ЭС после опытной эксплуатации оценка произво-

дится с точки зрения пользователя, заинтересованного в удобстве ра-

боты и получении практической пользы.

На этапе опытной эксплуатации проверяется пригодность экс-

пертных систем для конечного пользователя. Пригодность эксперт-

ных систем для пользователя определяется в основном удобством ра-

боты с ней и ее полезностью. Под полезностью ЭС понимается ее

способность в ходе диалога определять потребности пользователя,

выявлять и устранять причины неудач в работе, а также удовлет-

ворять указанные потребности пользователя (решать поставленные

задачи).

ЭС работает в двух режимах: режиме приобретения знаний

и в режиме решения задачи (консультации, использования ЭС).

В режиме приобретения знаний общение с ЭС осуществляет

(через посредничество инженера по знаниям) эксперт. В этом режиме

эксперт, используя компонент приобретения знаний, наполняет сис-

тему знаниями, которые позволяют ЭС в режиме решения самостоя-

тельно (без эксперта) решать задачи из проблемной области. Эксперт

описывает проблемную область в виде совокупности данных и пра-

вил. Данные определяют объекты, их характеристики и значения,

существующие в области экспертизы. Правила определяют способы

манипулирования с данными, характерные для рассматриваемой

области.

Режиму приобретения знаний в традиционном подходе к разра-

ботке программ соответствуют этапы алгоритмизации, программиро-

вания и отладки, выполняемые программистом. Таким образом, в от-

личие от традиционного подхода в случае ЭС разработку программ

53

осуществляет не программист, а эксперт (с помощью ЭС), не вла-

деющий программированием.

В режиме использования ЭС общение с ЭС осуществляет

конечный пользователь, которого интересует результат и (или) способ

его получения. Необходимо отметить, что в зависимости от назначе-

ния ЭС пользователь может не быть специалистом в данной проблем-

ной области (в этом случае он обращается к ЭС за результатом, не

умея получить его сам) или быть специалистом (в этом случае поль-

зователь может сам получить результат, но он обращается к ЭС с це-

лью либо ускорить процесс получения результата, либо возложить на

ЭС рутинную работу). В этом режиме данные о задаче пользователя

после обработки их диалоговым компонентом поступают в рабочую

память. Решатель на основе входных данных из рабочей памяти, зна-

ний о проблемной области и правил из БЗ формирует решение задачи.

ЭС при решении задачи не только исполняет предписанную последо-

вательность операции, но и предварительно формирует ее. Если реак-

ция системы не понятна пользователю, то он может потребовать объ-

яснения.

5.4. Где применяются экспертные системы

В настоящее время технология экспертных систем используется

для решения различных типов задач:

интерпретация данных;

прогнозирование процессов;

диагностика систем;

планирование производства;

оптимизация процессов и систем;

мониторинг проблемной области;

обучение знаниям и умениям (технологиям);

54

управление процессами и системами;

ремонт технических систем и лечение организмов;

отладка и тестирование систем и их элементов;

в самых разнообразных проблемных областях:

финансы;

нефтяная и газовая промышленность;

энергетика;

транспорт;

фармацевтическое производство;

медицина;

металлургия;

горное дело;

химия;

образование;

космос;

телекоммуникации и связь и др.

Перечислим наиболее известные и распространённые ЭС:

система G2 – предоставляет разработчику богатые возмож-

ности для формирования простого, ясного и выразительного графиче-

ского интерфейса;

CLIPS – весьма популярная оболочка для построения ЭС

(public domain);

OpenCyc – мощная динамическая ЭС с глобальной онтологи-

ческой моделью и поддержкой независимых контекстов;

WolframAlpha – база знаний и набор вычислительных алго-

ритмов, интеллектуальный «вычислительный движок знаний»;

MYCIN – наиболее известная диагностическая система,

которая предназначена для диагностики и наблюдения за состоянием

больного при менингите и бактериальных инфекциях;

55

HASP/SIAP – интерпретирующая система, которая определя-

ет местоположение и типы судов в Тихом океане по данным акусти-

ческих систем слежения;

Акинатор – интернет-игра. Игрок должен загадать любого

персонажа, а Акинатор должен его отгадать, задавая вопросы. База

знаний автоматически пополняется, поэтому программа может отга-

дать практически любого известного персонажа;

IBM Watson – суперкомпьютер фирмы IBM, способный по-

нимать вопросы, сформулированные на естественном языке, и нахо-

дить на них ответы в базе данных.


1. Что такое экспертная система?

2. В каком году появились первые ЭС?

3. Для решения каких задач предназначены экспертные сис-

темы?

4. Перечислите особенности трудно формализуемых задач.

5. Отличие ЭС от обычных компьютерных программ.

6. Приведите структуру ЭС.

7. Перечислите основные компоненты ЭС.

8. Назначение базы знаний в составе ЭС.

9. Отличие базы знаний от базы данных (рабочей памяти) в сос-

таве ЭС.

10. Что такое машина логического вывода (решатель) в сос-

таве ЭС?

11. Назначение подсистемы общения в ЭС.

12. Назначение подсистемы объяснений в ЭС.

13. Возможно ли пополнение и корректировка базы знаний ЭС?

14. Отличие статических и динамических ЭС.

56

15. Какие специалисты участвуют в разработке ЭС? Назначение

каждого из них.

16. Когда оправдано применение ЭС?

17. В чем состоит концепция «быстрого прототипа» ЭС?

18. Какие этапы включает технология разработки ЭС?

19. Охарактеризуйте этапы идентификации и концептуализации

в технологии разработки ЭС.

20. Охарактеризуйте этап формализации в технологии разра-

ботки ЭС.

21. Охарактеризуйте этап выполения в технологии разработ-

ки ЭС.

22. Охарактеризуйте этапы тестирования и опытной эксплуата-

ции в технологии разработки ЭС.

23. Два режима работы ЭС.

24. Где применяются ЭС?

25. Перечислите наиболее известные и распространенные ЭС.

57

РАЗДЕЛ 6. ВВЕДЕНИЕ В НЕЙРОННЫЕ СЕТИ

В первой половине 2016 года мир услышал о множестве разра-

боток в области нейронных сетей. Свои алгоритмы демонстрировали

Google (сеть-игрок в го AlphaGo), Microsoft (ряд сервисов для иден-

тификации изображений), стартапы MSQRD, Prisma и другие.

Рассмотрим в этом разделе, что собой представляют нейронные

сети, для чего они нужны, почему захватили планету именно сейчас,

а не годами раньше или позже.

6.1. ИИ, машинное обучение и нейронные сети

Как связаны между собой понятия ИИ, машинное обучение

и искусственные нейронные сети (рис. 6.1)?

Что такое ИИ, мы уже рассмотрели (Раздел 1.1).

Теперь настала очередь разобраться с термином «машинное

обучение». Машинное обучение (Machine learning) – подраздел

искусственного интеллекта, изучающий различные способы построе-

ния обучающихся алгоритмов. Под обучающимися алгоритмами

понимаются алгоритмы, которые меняются (обучаются) каким-то об-

разом в зависимости от входных данных.

Машинное обучение – очень обширная область знаний. Можно

ведь по-разному определять слово «обучение» и каждый раз получать

интересные результаты. Однако среди множества парадигм и под-

ходов в машинном обучении выделяется одна очень интересная об-

ласть – искусственные нейронные сети.

Искусственные нейронные сети или просто нейронные сети

(НС) (Artificial neural networks, ANN) – это упрощенные модели био-

логических нейронных сетей.

58

Рис. 6.1. ИИ, машинное обучение и нейронные сети

Идея заключается в том, чтобы максимально близко смоделиро-

вать работу человеческой нервной системы, а именно – ее способно-

сти к обучению и исправлению ошибок. В этом состоит главная осо-

бенность любой НС – она способна самостоятельно обучаться

и действовать на основании предыдущего опыта, с каждым разом

делая все меньше ошибок.

НС имитирует не только деятельность, но и структуру нервной

системы человека. Такая сеть состоит из большого числа отдельных

вычислительных элементов («нейронов»). В большинстве случаев

каждый «нейрон» относится к определенному слою сети. Входные

данные последовательно проходят обработку на всех слоях сети.

Параметры каждого «нейрона» могут изменяться в зависимости от

результатов, полученных на предыдущих наборах входных данных,

изменяя, таким образом, и порядок работы всей системы.

НС способны решать такие же задачи, как и другие алгоритмы

машинного обучения, разница заключается лишь в подходе к обу-

чению.

59

6.2. Что такое нейронные сети

Зададимся вопросом: а что такое биологические нейронные

сети? Наш мозг представляет собой сложнейшую биологическую

нейронную сеть, которая принимает информацию от органов чувств

и каким-то образом ее обрабатывает (узнавание лиц, возникновение

ощущений и т. д.). Наш мозг, как и любая биологическая нейронная

сеть, состоит из совокупности нейронов.

Биологический нейрон – чрезвычайно сложная система. Во мно-

гом это объясняется тем, что нейрон, помимо обработки сигнала

(основное его назначение), вынужден еще выполнять множество дру-

гих функций, поддерживающих его жизнь. Более того, сам механизм

передачи сигнала от нейрона к нейрону тоже очень сложный с биоло-

гической и химической точек зрения.

Нам нужна модель. Нас не волнуют вопросы жизнедеятельности

нейрона. Смело убираем все, что с этим связно: ядро, мембраны, ри-

босомы и все лишнее. В итоге имеем структуру, которая принимает

сигнал, преобразует его (примерно так, как это делают биологические

нейроны) и передает другим нейронам. Такую структуру и называют

искусственным нейроном (рис. 6.2).

Рис. 6.2. Искусственный нейрон

Биологические нейронные сети представляют собой совокуп-

ность биологических нейронов. Однако в таких сетях тоже много

ненужных для обработки сигнала аспектов (системы очистки от про-

60

дуктов жизнедеятельности и т. д.). Плюс ко всему нейронов в биоло-

гической нейросети очень много. Опять упрощаем: убираем ненуж-

ные химические и биологические компоненты, а также уменьшаем

количество нейронов (рис. 6.3).

Рис. 6.3. Искусственная НС

У каждого биологического нейрона тысячи входов. Каждый из

них соединен с выходами других нейронов. Значит, имеем тысячи си-

напсов на каждый нейрон. Синапс — связь между нейронами. Каж-

дый синапс может либо усиливать, либо ослаблять проходящий через

него сигнал. Более того, с течением времени синапсы могут меняться,

а значит, будет меняться характер изменения сигнала. Если правильно

подобрать параметры синапсов, то входной сигнал после прохода че-

рез нейронную сеть будет преобразовываться в правильный выходной

сигнал.

Именно так и происходит преобразование множества входных

сигналов в верное решение на выходе.

Будем характеризовать каждую такую связь определенным чис-

лом, называемым весом данной связи. Сигнал, прошедший через дан-

ную связь, умножается на вес соответствующей связи. Это ключевой

момент в концепции искусственных нейронных сетей.

Рассмотрим модель искусственного нейрона (рис. 6.4).

61

Рис. 6.4. Модель нейрона

Поступившие на входы сигналы умножаются на свои веса (изоб-

ражены кружками). Сигнал первого входа x1 умножается на соответ-

ствующий этому входу вес w1. В итоге получаем x1w1. И так до n-го

входа. В итоге на последнем входе получаем xnwn.

Теперь все произведения передаются в сумматор. Он суммирует

все входные сигналы, умноженные на соответствующие веса:

n

iiinn wxwxwxwx

12211

Результатом работы сумматора является число, называемое

взвешенной суммой (net):

n

iiiwxnet

1

Роль сумматора очевидна – он агрегирует все входные сигналы

(которых может быть много) в какое-то одно число – взвешенную

сумму, которая характеризует поступивший на нейрон сигнал в це-

лом. Еще взвешенную сумму можно представить как степень общего

возбуждения нейрона.

62

Для понимания роли последнего компонента искусственного

нейрона – функции активации – приведем следующий пример.

Рассмотрим искусственный нейрон, задача которого – решить,

ехать ли отдыхать на море. Для этого на его входы подаем различные

данные. Пусть у нашего нейрона будет 4 входа:

1. Стоимость поездки.

2. Какая на море погода.

3. Текущая обстановка с работой.

4. Будет ли на пляже закусочная.

Все эти параметры будем характеризовать 0 или 1. Соответст-

венно, если погода на море хорошая, то на этот вход подаем 1. И так

со всеми остальными параметрами.

Если у нейрона есть четыре входа, то должно быть и четыре

весовых коэффициента. В нашем примере весовые коэффициенты

можно представить как показатели важности каждого входа, влияю-

щие на общее решение нейрона. Веса входов распределим следую-

щим образом:

1. 5

2. 4

3. 1

4. 1

Нетрудно заметить, что очень большую роль играют факторы

стоимости и погоды на море (первые два входа). Они же и будут

играть решающую роль при принятии нейроном решения.

Пусть на входы нашего нейрона мы подаем следующие сигналы:

1. 1

2. 0

3. 0

4. 1

63

Умножаем веса входов на сигналы соответствующих входов:

1. 5

2. 0

3. 0

4. 1

Взвешенная сумма для такого набора входных сигналов равна 6:

610051

n

iiiwxnet

Но что делать дальше? Как нейрон должен решить, ехать на

море или нет? Очевидно, нам нужно как-то преобразовать нашу взве-

шенную сумму и получить ответ.

Именно для этих целей и используют функцию активации. Она

преобразует взвешенную сумму в какое-то число, которое и является

выходом нейрона (выход нейрона обозначим переменной out).

Для разных типов искусственных нейронов используют самые

разные функции активации. В общем случае их обозначают символом

ϕ(net). Указание взвешенного сигнала в скобках означает, что функ-

ция активации принимает взвешенную сумму как параметр. Значение

этой функции и является выходом нейрона (out):

)(netout

Рассмотрим самые известные функции активации.

Функция единичного скачка – самый простой вид функции

активации. Выход нейрона может быть равен только 0 или 1. Если

взвешенная сумма больше определенного порога b, то выход нейрона

равен 1; если ниже, то 0.

Как ее можно использовать? Предположим, что мы поедем на

море только тогда, когда взвешенная сумма больше или равна 5. Зна-

чит, наш порог равен 5:

b=5

64

В нашем примере взвешенная сумма равнялась 6 и, следова-

тельно, выходной сигнал нашего нейрона равен 1. Итак, мы едем на

море.

Однако если бы погода на море была плохой, а также поездка

была бы очень дорогой, но имелась бы закусочная и обстановка с ра-

ботой нормальная (входы: 0011), то взвешенная сумма равнялась бы

2, а значит, выход нейрона равнялся бы 0. Итак, мы никуда не едем.

Таким образом, нейрон накапливает сигнал внутри себя, и, когда

накопленный сигнал (взвешенная сумма) становится очень боль-

шим (больше порога нейрона), то нейрон выдает выходной сигнал,

равный 1.

Графически эту функцию активации можно изобразить сле-

дующим образом (рис. 6.5).

Рис. 6.5. Функция единичного скачка

На горизонтальной оси расположены величины взвешен-

ной суммы. На вертикальной оси – значения выходного сигнала. Как

легко заметить, возможны только два значения выходного сигнала:

0 или 1. Причем 0 будет выдаваться всегда от минус бесконечности

и вплоть до некоторого значения взвешенной суммы, называемого

65

порогом. Если взвешенная сумма равна порогу или больше него, то

функция выдает 1.

Запишем эту функцию активации математически. В виде сос-

тавной функции функция единичного скачка будет выглядеть сле-

дующим образом:

bnet

bnetnetout

,1

<,0)(

Сигмоидальная функция. Существует целое семейство сиг-

моидальных функций, некоторые из которых применяют в качестве

функции активации в искусственных нейронах.

Часто используемая в нейронных сетях сигмоида – логистиче-

ская функция.

Рис. 6.6. Логистическая функция

График этой функции выглядит достаточно просто.

Аналитически функция записывается следующим образом:

netaenetout

1

1)(

66

Что за параметр a? Это какое-то число, которое характеризует

степень крутизны функции. Ниже представлены логистические функ-

ции с разным параметром a (рис. 6.7).

Рис. 6.7. Логистическая функция (разные a)

Вспомним наш искусственный нейрон, определяющий, надо ли

ехать на море. В случае с функцией единичного скачка все было оче-

видно. Мы либо едем на море (1), либо нет (0).

Здесь же случай более приближенный к реальности. Мы не уве-

рены, стоит ли ехать. Тогда использование логистической функ-

ции в качестве функции активации приведет к тому, что вы будете

получать цифру между 0 и 1. Причем чем больше взвешенная сумма,

тем ближе выход будет к 1 (но никогда не будет точно ей равен).

И наоборот, чем меньше взвешенная сумма, тем ближе выход нейрона

будет к 0.

Например, выход нашего нейрона равен 0.8. Это значит, что он

считает, что поехать на море все-таки стоит. Если бы его выход был

равен 0,2, то это означало бы, что он против поездки на море.

67

Свойства логистической функции:

является «сжимающей» функцией, то есть вне зависимости

от аргумента (взвешенной суммы) выходной сигнал всегда будет

в пределах от 0 до 1;

более гибкая, чем функция единичного скачка: ее результа-

том может быть не только 0 и 1, но и любое число между ними;

во всех точках она имеет производную, и эта производная

может быть выражена через эту же функцию.

Именно из-за этих свойств логистическая функция чаще всего

используются в качестве функции активации в искусственных ней-

ронах.

Есть и еще одна сигмоида – гиперболический тангенс. Он при-

меняется в качестве функции активации биологами для более реали-

стичной модели нервной клетки.

Такая функция позволяет получить на выходе значения разных

знаков (например, от -1 до 1), что может быть полезным для ряда

сетей (рис. 6.8).

Рис. 6.8. Гиперболический тангенс

68

Функция записывается следующим образом:

a

netnetout tanh)(

В представленной выше формуле параметр a также определяет

степень крутизны графика этой функции.

Итак, кратко повторим основные моменты. У нейрона есть вхо-

ды. На них подаются сигналы в виде чисел. Каждый вход имеет свой

вес (тоже число). Сигналы на входе умножаются на соответствующие

веса. Получаем набор «взвешенных» входных сигналов. Далее этот

набор попадает в сумматор, который просто складывает все входные

сигналы, помноженные на веса. Получившееся число называют взве-

шенной суммой. Затем взвешенная сумма преобразуется функцией

активации, и мы получаем выход нейрона.

Математическая модель искусственного нейрона с n входами:

)(1

n

iiiwxout ,

где ϕ – функция активации,

n

iiiwx

1 – взвешенная сумма, как сумма

n произведений входных сигналов на соответствующие веса.

6.3. Виды нейронных сетей

Искусственные нейронные сети состоят из совокупности искус-

ственных нейронов. Возникает вопрос: как располагать (соединять)

друг с другом эти самые искусственные нейроны?

Как правило, в большинстве нейронных сетей есть так называе-

мый входной слой, который выполняет только одну задачу – распре-

деление входных сигналов остальным нейронам. Нейроны этого слоя

не производят никаких вычислений.

69

А дальше начинаются различия…

Однослойные нейронные сети. В однослойных нейронных

сетях сигналы с входного слоя сразу подаются на выходной слой.

Он производит необходимые вычисления, результаты которых сразу

подаются на выходы.

Выглядит однослойная нейронная сеть следующим образом

(рис. 6.9).

Рис. 6.9. Однослойная нейронная сеть

На этом рисунке входной слой обозначен кружками (он не счи-

тается за слой нейронной сети), а справа расположен слой обычных

нейронов.

Нейроны соединены друг с другом стрелками. Над стрелками

расположены веса соответствующих связей (весовые коэффициенты).

Многослойные нейронные сети. Такие сети, помимо входного

и выходного слоев нейронов, имеют еще и скрытый слой (слои). Эти

слои находятся между входным и выходным слоями (рис. 6.10).

Многослойные нейронные сети обладают гораздо большими

возможностями, чем однослойные.

70

Рис. 6.10. Многослойная нейронная сеть

Работу скрытых слоев нейронов можно сравнить с работой

большого завода. Продукт (выходной сигнал) на заводе собирается по

стадиям. После каждого станка получается какой-то промежуточный

результат. Скрытые слои тоже преобразуют входные сигналы в неко-

торые промежуточные результаты.

Сети прямого распространения. Можно заметить одну инте-

ресную деталь на рисунках НС выше. Во всех примерах стрелки стро-

го идут слева направо, то есть сигнал в таких сетях идет строго от

входного слоя к выходному.

Сети прямого распространения (Feedforward neural network)

(feedforward сети) – искусственные НС, в которых сигнал распростра-

няется строго от входного слоя к выходному. В обратном направле-

нии сигнал не распространяется.

Такие сети широко используются и вполне успешно решают

определенный класс задач: прогнозирование, кластеризация и распо-

знавание.

Сети с обратными связями. В сетях такого типа сигнал может

идти и в обратную сторону. В чем преимущество?

Дело в том, что в сетях прямого распространения выход сети

определяется входным сигналом и весовыми коэффициентами при

искусственных нейронах.

71

А в сетях с обратными связями выходы нейронов могут возвра-

щаться на входы (рис. 6.11). Это означает, что выход какого-нибудь

нейрона определяется не только его весами и входным сигналом,

но еще и предыдущими выходами (так как они снова вернулись на

входы).

Рис. 6.11. Сеть с обратными связями

Возможность сигналов циркулировать в сети открывает новые,

удивительные возможности НС. С помощью таких сетей можно соз-

давать НС, восстанавливающие или дополняющие сигналы. Другими

словами, такие НС имеют свойства кратковременной памяти (как

у человека).

Итак, под нейронной сетью обычно понимается структура, сос-

тоящая из связанных между собой нейронов, определение которых

было дано ранее. К настоящему времени предложено большое коли-

чество способов объединения нейронов в НС (при этом говорят

о «топологии» НС). Нейроны в сети расположены слоями. Обычно

выделяют входной слой, на который подается возбуждающий сигнал,

выходной слой, с которого снимают переработанный сетью сигнал,

а все остальные слои называют скрытыми (поскольку они не видны

72

пользователю). Очевидно, что для адекватного решения задачи функ-

ционирования сети нужно правильно выбрать значения весов связей

между нейронами – обучить сеть.

6.4. Обучение нейронной сети

Для того чтобы получить нужный нам выходной сигнал, надо

менять какие-то параметры сети до тех пор, пока входной сигнал не

преобразуется в нужный нам выходной.

Что мы можем менять в нейронной сети?

Изменять общее количество искусственных нейронов бессмыс-

ленно.

Сумматор изменить не получится, так как он выполняет одну

жестко заданную функцию – складывать. Если мы его заменим на

что-то или совсем уберем, то это вообще уже не будет искусственным

нейроном.

Если менять у каждого нейрона функцию активации, то мы по-

лучим слишком разношерстную и неконтролируемую нейронную

сеть. К тому же в большинстве случаев в нейронных сетях содержатся

нейроны одного типа. То есть они все имеют одну и ту же функцию

активации.

Остается только один вариант – менять веса связей.

Обучение нейронной сети (Training) – поиск такого набора весо-

вых коэффициентов, при котором входной сигнал после прохода по

сети преобразуется в нужный нам выходной.

Такой подход к термину «обучение нейронной сети» соответст-

вует и биологическим НС. Наш мозг состоит из огромного количества

связанных друг с другом НС. Каждая из них в отдельности состоит из

нейронов одного типа (функция активации одинаковая). Мы обуча-

73

емся благодаря изменению синапсов – элементов, которые усиливают

или ослабляют входной сигнал.

Однако есть еще один важный момент. Если обучать сеть, ис-

пользуя только один входной сигнал, то сеть просто «запомнит» пра-

вильный ответ. Со стороны будет казаться, что она очень быстро

«обучилась». Но если вы подадите немного измененный сигнал, то

НС выдаст бессмыслицу.

В самом деле, зачем нам НС, определяющая лицо, например,

только на одном фото. Мы ждем от сети способности обобщать

какие-то признаки и узнавать лица и на других фотографиях тоже.

Именно с этой целью и создаются обучающие выборки.

Обучающая выборка (Training set) – конечный набор входных

сигналов (иногда вместе с правильными выходными сигналами), по

которым происходит обучение сети.

После обучения сети, то есть когда сеть выдает корректные

результаты для всех входных сигналов из обучающей выборки, ее

можно использовать на практике.

Однако прежде производят оценку качества ее работы на так

называемой тестовой выборке.

Тестовая выборка (Testing set) – конечный набор входных сиг-

налов (иногда вместе с правильными выходными сигналами), по

которым происходит оценка качества работы сети.

На рисунке 6.12 представлен примерный алгоритм обучения НС.

Как можно обучать сеть? В самом общем случае есть два под-

хода, приводящие к разным результатам: обучение с учителем и обу-

чение без учителя.

74

Рис. 6.12. Алгоритм обучения нейронных сетей

Обучение с учителем. Суть данного подхода заключается

в том, что вы даете на вход сигнал, смотрите на ответ сети, а затем

сравниваете его с уже готовым, правильным ответом.

Важный момент: не путайте правильные ответы и известный

алгоритм решения! Вы можете обвести пальцем лицо на фото (пра-

вильный ответ), но не сможете сказать, как это сделали (известный

алгоритм).

Затем с помощью специальных алгоритмов вы меняете веса свя-

зей нейронной сети и снова даете ей входной сигнал. Сравниваете ее

ответ с правильным ответом и повторяете этот процесс до тех пор,

пока сеть не начнет отвечать с приемлемой точностью.

Итак, обучение с учителем (Supervised learning) – вид обучения

сети, при котором ее веса меняются так, чтобы ответы сети мини-

мально отличались от уже готовых правильных ответов.

Где взять правильные ответы?

75

Если мы хотим, чтобы сеть узнавала лица, мы можем создать

обучающую выборку на 1000 фотографий (входные сигналы) и само-

стоятельно выделить на ней лица (правильные ответы).

Если мы хотим, чтобы сеть прогнозировала рост или падение

цен, то обучающую выборку надо делать, основываясь на прошлых

данных. В качестве входных сигналов можно брать определенные

дни, общее состояние рынка и другие параметры. А в качестве пра-

вильных ответов – рост и падение цены в те дни.

И так далее…

Стоит отметить, что учитель, конечно же, не обязательно чело-

век. Дело в том, что порой сеть приходится тренировать часами

и днями, совершая тысячи и десятки тысяч попыток. В 99% случаев

эту роль выполняет компьютер, а точнее, специальная компьютерная

программа.

Обучение без учителя. Обучение без учителя применяют тогда,

когда у нас нет правильных ответов на входные сигналы. В этом слу-

чае вся обучающая выборка состоит из набора входных сигналов.

Что же происходит при таком обучении сети? Оказывается, что

при таком «обучении» сеть начинает выделять классы подаваемых на

вход сигналов. То есть сеть начинает кластеризацию.

Например, вы демонстрируете сети конфеты, пирожные и тор-

ты. Вы никак не регулируете работу сети. Вы просто подаете на ее

входы данные об объекте. Со временем сеть начнет выдавать сигналы

трех разных типов, которые и отвечают за объекты на входе.

Итак, обучение без учителя (Unsupervised learning) – вид обуче-

ния сети, при котором сеть самостоятельно классифицирует входные

сигналы. Правильные (эталонные) выходные сигналы не демонстри-

руются.

Существует еще такой интересный метод, как обучение с под-

креплением (reinforcement learning). Этот метод применим тогда,

76

когда мы можем, основываясь на результатах, полученных от НС,

дать ей установку поощрять ее, когда она все делает правильно. Ины-

ми словами, мы предоставляем НС право найти любой способ дос-

тижения цели, до тех пор пока он будет давать хороший результат.

Таким образом, НС начнет понимать, чего от нее хотят получить,

и пытаться найти наилучший способ достижения этой цели без посто-

янного предоставления данных «учителем».

Также обучение можно производить тремя методами: стохасти-

ческим методом (stochastic), пакетным методом (batch) и мини-

пакетным методом (mini-batch). Существует очень много статей

и исследований на тему того, какой из методов лучше, но единого

мнения не существует.

Вкратце о каждом методе.

Стохастический (его еще иногда называют онлайн) метод ра-

ботает по следующему принципу – нашел Δw, сразу обнови соответ-

ствующий вес.

Пакетный метод же работает по-другому. Мы суммируем Δw

всех весов на текущей итерации и только потом обновляем все веса,

используя эту сумму. Один из самых важных плюсов такого под-

хода – это значительная экономия времени на вычисление, точность

же в таком случае может сильно пострадать.

Мини-пакетный метод является золотой серединой и пытается

совместить в себе плюсы обоих методов. Здесь принцип таков: мы

в свободном порядке распределяем веса по группам и меняем их веса

на сумму Δw всех весов в той или иной группе.

Имеется такое понятие, как переобучение. Что это такое?

Переобучение, как следует из названия, это состояние НС, когда

она перенасыщена данными. Это проблема возникает, если слишком

долго обучать сеть на одних и тех же данных. Иными словами, сеть

начнет не учиться на данных, а запоминать и «зубрить» их. Соответ-

77

ственно, когда вы уже будете подавать на вход этой НС новые дан-

ные, то в полученных данных может появиться шум, который будет

влиять на точность результата. Например, если мы будем показывать

НС разные фотографии яблок (только красные) и говорить, что это

яблоко, то когда НС увидит желтое или зеленое яблоко, оно не смо-

жет определить, что это яблоко, так как она запомнила, что все ябло-

ки должны быть красными. И наоборот, когда НС увидит что-то

красное и по форме совпадающее с яблоком, например персик, она

скажет, что это яблоко. Это и есть шум.

Чтобы избежать переобучения, не стоит долго тренировать НС

на одних и тех же или очень похожих данных. Переобучение также

может быть вызвано большим количеством параметров, которые вы

подаете на вход НС, или слишком сложной архитектурой. Таким

образом, когда вы замечаете ошибки (шум) в выходных данных после

этапа обучения, то вам стоит использовать один из методов регуля-

ризации.

6.5. Персептрон

Понятия искусственного нейрона и искусственной НС появи-

лись достаточно давно, еще в 1943 году. Эта была чуть ли не первая

статья, в которой предпринимались попытки смоделировать работу

мозга. Ее авторами были У. Мак-Каллок и У. Питтс.

Эти идеи продолжил нейрофизиолог Фрэнк Розенблатт. Он пред-

ложил схему устройства, моделирующего процесс человеческого вос-

приятия, и назвал его «персептроном» (от латинского perceptio – вос-

приятие; 1958). В 1960 году Розенблатт представил первый нейро-

компьютер – «Марк-1», который был способен распознавать некото-

рые буквы английского алфавита.

78

Таким образом, персептрон является одной из первых моделей

НС, а «Марк-1» – первым в мире нейрокомпьютером.

Персептроны стали очень активно исследовать. На них возла-

гали большие надежды. Однако, как оказалось, они имели серьезные

ограничения. Исследователями М. Минским и С. Пейпертом был про-

веден глубокий математический анализ персептронов, который пока-

зал, что задачи, которые в принципе могут быть решены персептро-

ном, требуют невероятно больших временных ресурсов и ресурсов

памяти.

Критика персептронов М. Минским, одним из признанных

авторитетов в теории ИИ, и сравнительно небольшой прогресс нейро-

кибернетики тех лет привели к тому, что период энтузиазма сменился

периодом спада активности исследований искусственных нейронных

сетей. Многие исследователи ушли в другие области. Крупные иссле-

дования по нейронным сетям были свернуты почти на 10 лет.

В 1982 году американский биофизик Дж. Хопфилд предложил

оригинальную модель НС, названную его именем. Во второй полови-

не 80-х годов был предложен целый ряд интересных и содержатель-

ных моделей НС, выполняющих различные алгоритмы обработки

информации: ассоциативная память, класторизация, т. е. разбиение

множества образов на кластеры, состоящие из подобных друг другу;

распознавание зрительных образов, инвариантное относительно де-

формаций и сдвигов в пространстве; решение задач комбинаторной

оптимизации.

Что же такое персептрон?

В основе персептрона лежит математическая модель восприятия

информации мозгом. Разные исследователи по-разному его опреде-

ляют. В самом общем своем виде (как его описывал Розенблатт)

он представляет систему из элементов трех разных типов: сенсоров,

ассоциативных элементов и реагирующих элементов (рис. 6.13).

79

Рис. 6.13. Персептрон

Рассмотрим принцип работы персептрона.

Первыми в работу включаются S-элементы. Они могут нахо-

диться либо в состоянии покоя (сигнал равен 0), либо в состоянии

возбуждения (сигнал равен 1).

Далее сигналы от S-элементов передаются A-элементам по так

называемым S-A связям. Эти связи могут иметь веса, равные только

-1, 0 или 1.

Затем сигналы от сенсорных элементов, прошедших по S-A свя-

зям, попадают в A-элементы, которые еще называют ассоциативными

элементами. Стоит заметить, что одному A-элементу может соответ-

ствовать несколько S-элементов. Если сигналы, поступившие на

A-элемент, в совокупности превышают некоторый его порог θ, то

этот A-элемент возбуждается и выдает сигнал, равный 1. В противном

случае (сигнал от S-элементов не превысил порога A-элемента) гене-

рируется нулевой сигнал.

80

Почему A-элементы назвали ассоциативными? Дело в том, что

A-элементы являются агрегаторами сигналов от сенсорных элемен-

тов. Например, у нас есть группа сенсоров, каждый из которых распо-

знает кусок буквы «Д» на исследуемой картинке. Однако только

их совокупность (то есть когда несколько сенсоров выдали сигнал,

равный 1) может возбудить A-элемент целиком. На другие буквы

А-элемент не реагирует, только на букву «Д». То есть он ассоцииру-

ется с буквой «Д». Отсюда и такое название.

Можно привести и другой пример. На самом деле наши глаза

состоят из невероятного количества S-элементов (сенсоров), улав-

ливающих падающий свет (около 140 000 000). И у вас какой-то

A-элемент, который распознает конкретную часть лица. И вот вы

увидели на улице человека. Некоторые A-элементы, которые распо-

знали конкретные части лица, возбуждаются.

Далее сигналы, которые произвели возбужденные A-элементы,

направляются к сумматору (R-элемент), действие которого вам уже

известно. Чтобы добраться до R-элемента, они проходят по A-R свя-

зям, у которых тоже есть веса. Однако здесь они уже могут принимать

любые значения (в отличие от S-A связей).

Далее R-элемент складывает друг с другом взвешенные сигналы

от A-элементов и, если превышен определенный порог, генерирует

выходной сигнал, равный 1. Это означает, что в общем потоке ин-

формации от глаз мы распознали лицо человека.

Если порог не превышен, то выход персептрона равен -1.

То есть мы не выделили лицо из общего потока информации.

Так как R-элемент определяет выход персептрона в целом, его

назвали реагирующим.

Теперь вы знаете, что такое персептрон и как он работает.

Сформулируем теперь его точное определение.

81

Персептрон (Perceptron) – простейший вид нейронных сетей.

В его основе лежит математическая модель восприятия информации

мозгом, состоящая из сенсоров, ассоциативных и реагирующих эле-

ментов.

6.6. Применение нейронных сетей

Все задачи, которые могут решать НС, так или иначе связаны

с обучением. Среди основных областей применения НС – прогнози-

рование, принятие решений, распознавание образов, оптимизация,

анализ данных.

Сегодня НС применяются повсеместно. Например, многие

крупные интернет-сайты используют их, чтобы сделать реакцию на

поведение пользователей более естественной и полезной своей ауди-

тории. НС лежат в основе большинства современных систем распо-

знавания и синтеза речи, а также распознавания и обработки изобра-

жений. Они применяются в некоторых системах навигации, будь то

промышленные роботы или беспилотные автомобили. Алгоритмы на

основе НС защищают информационные системы от атак злоумыш-

ленников и помогают выявлять незаконный контент в сети [5].

В ближайшей перспективе (5-10 лет) НС будут использоваться

еще шире:

системы распознавания и классификации объектов на изоб-

ражениях;

голосовые интерфейсы взаимодействия для интернета вещей;

системы мониторинга качества обслуживания в коллектив-

ных центрах;

системы выявления неполадок (в том числе предсказываю-

щие время технического обслуживания), аномалий, киберфи-

зических угроз;

82

системы интеллектуальной безопасности и мониторинга;

замена ботами части функций операторов коллективных

центров;

системы видеоаналитики;

самообучающиеся системы, оптимизирующие управление

материальными потоками или расположение объектов (на

складах, транспорте);

интеллектуальные, самообучающиеся системы управления

производственными процессами и устройствами (в том числе

робототехнические);

появление систем универсального перевода «на лету» для

конференций и персонального использования;

появление ботов-консультантов технической поддержки или

персональных ассистентов, по функциям близких к человеку.

Основой для распространения НС в ближайшие пять лет станет

способность таких систем к принятию различных решений. Главное,

что сейчас делают НС для человека, – избавляют его от излишнего

принятия решений. Так что их можно использовать практически вез-

де, где принимаются не слишком интеллектуальные решения живым

человеком. В следующие пять лет будет эксплуатироваться именно

этот навык, который заменит принятие решений человеком на прос-

той автомат [5].

Ученые занимаются разработкой искусственных нейронных

сетей более 70 лет. Как уже отмечалось ранее, первую попытку фор-

мализовать НС относят к 1943 году, когда два американских ученых

(Уоррен Мак-Каллок и Уолтер Питтс) представили статью о логиче-

ском исчислении человеческих идей и нервной активности.

Однако до недавнего времени, скорость работы НС была слиш-

ком низкой, чтобы они могли получить широкое распространение,

и поэтому такие системы в основном использовались в разработках,

83

связанных с компьютерным зрением, а в остальных областях приме-

нялись другие алгоритмы машинного обучения.

Трудоемкая и длительная часть процесса разработки НС – ее

обучение. Для того чтобы НС могла корректно решать поставленные

задачи, требуется «прогнать» её работу на десятках миллионов набо-

ров входных данных.

Именно с появлением различных технологий ускоренного обу-

чения и связывают нынешнее распространение НС.

Во-первых, появился большой и общедоступный массив разме-

ченных картинок (ImageNet), на которых можно обучаться. Во-вто-

рых, современные видеокарты позволяют в сотни раз быстрее обучать

НС и их использовать. В-третьих, появились готовые, предобученные

НС, распознающие образы, на основании которых можно делать свои

приложения, не занимаясь длительной подготовкой НС к работе. Все

это обеспечивает очень мощное развитие НС именно в области распо-

знавания образов [5].

В последние время на рынке появилось сразу несколько громких

развлекательных проектов, использующих НС: это и популярный

видеосервис MSQRD, который выкупила социальная сеть Facebook,

и российские приложения для обработки снимков Prisma и Mlvch,

и многие другие [5].

Способности собственных НС демонстрировали и Google (тех-

нология AlphaGo выиграла у чемпиона в го; в марте 2016 года корпо-

рация продала на аукционе 29 картин, нарисованных НС, и так далее),

и Microsoft (проект CaptionBot, распознающий изображения на сним-

ках и автоматически генерирующий подписи к ним; проект WhatDog,

по фотографии определяющий породу собаки; сервис HowOld, опре-

деляющий возраст человека на снимке, и так далее), и «Яндекс»

(встроила в приложение «Авто.ру» сервис для распознавания автомо-

билей на снимках; представила записанный НС музыкальный альбом;

84

создала проект LikeMo.net для рисования в стиле известных худож-

ников) [5].

Такие развлекательные сервисы создаются скорее не для реше-

ния глобальных задач, на которые и нацелены НС, а для демонстра-

ции способностей нейронной сети и проведения её обучения.

«Игры – характерная особенность нашего поведения как биоло-

гического вида. С одной стороны, на игровых ситуациях можно смо-

делировать практически все типичные сценарии человеческого пове-

дения, а с другой – и создатели игр и, особенно, игроки могут полу-

чить от процесса массу удовольствия. Есть и сугубо утилитарный

аспект. Хорошо спроектированная игра приносит не только удовлет-

ворение игрокам: в процессе игры они обучают нейросетевой алго-

ритм. Ведь в основе нейросетей как раз и лежит обучение на приме-

рах», – говорит Влад Шершульский из Microsoft.

В первую очередь это делается для того, чтобы показать воз-

можности технологии. Но не только. Например, задача по стилизации

образов крайне актуальна для целого ряда индустрий (дизайн, компь-

ютерные игры, мультипликация – вот лишь несколько примеров),

и полноценное использование НС может существенно оптимизиро-

вать стоимость и методы создания контента для них.

Большинство компаний, присутствующих на рынке нейронных

сетей, мало чем отличаются друг от друга. Технологии у всех при-

мерно одинаковые. Но применение НС – это удовольствие, которое

могут позволить себе далеко не все. Чтобы самостоятельно обучить

нейронную сеть и поставить на ней много экспериментов, нужны

большие обучающие множества и парк машин с дорогими видеокар-

тами. Очевидно, что такие возможности есть у крупных компаний.

Среди основных игроков рынка можно упоминуть Google и ее

подразделение Google DeepMind, создавшее сеть AlphaGo, и Google

Brain. Собственные разработки в этой области есть у Microsoft – ими

85

занимается лаборатория Microsoft Research. Созданием нейронных се-

тей занимаются в IBM, Facebook (подразделение Facebook AI

Research), Baidu (Baidu Institute of Deep Learning) и др. Множество

разработок ведётся в технических университетах по всему миру [5].

Интересные разработки в области нейронных сетей встречаются

и среди стартапов. Например, компания ClarifAI. Это небольшой

стартап, сделанный когда-то выходцами из Google. Сейчас они, пожа-

луй, лучше всех в мире умеют определять содержимое картинки.

К таким стартапам относятся и MSQRD, и Prisma, и другие.

В России разработками в области нейронных сетей занимаются

не только стартапы, но и крупные технологические компании –

например, холдинг Mail.Ru Group применяет НС для обработки

и классификации текстов в «Поиске», анализа изображений. Компа-

ния также ведет экспериментальные разработки, связанные с ботами

и диалоговыми системами.

Созданием собственных НС занимается и «Яндекс»: в основном

такие сети уже используются в работе с изображениями, со звуком, но

исследуются их возможности и в других областях.

Разработки по нейронным сетям ведутся во многих университе-

тах России: в Сколковском институте науки и технологий (Сколтехе),

МФТИ, МГУ, ВШЭ и многих других.


1. Как между собой связаны понятия ИИ, машинное обучение

и нейронные сети?

2. Что изучает раздел ИИ «Машинное обучение»?

3. Что понимается под искусственной нейронной сетью?

4. Назовите основную особенность НС.

5. Что собой представляет искусственный нейрон?

86

6. Назначение синапса в биологической нейронной сети.

7. Приведите модель искусственного нейрона.

8. Назначение функции адаптации в искусственном нейроне.

9. Перечислите наиболее распространенные функции акти-

вации.

10. Охарактеризуйте функцию единичного скачка.

11. Охарактеризуйте логистическую функцию.

12. Перечислите свойства логистической функции.

13. Охарактеризуйте функцию «гиперболический тангенс».

14. Запишите математическую модель искусственного нейрона.

15. Перечислите виды нейронных сетей.

16. Охарактеризуйте однослойные НС.

17. Охарактеризуйте многослойные НС.

18. Охарактеризуйте сети прямого распространения.

19. Охарактеризуйте сети с обратными связями.

20. Что такое обучение нейронной сети?

21. Назначение обучающей выборки в рамках обучения нейрон-

ной сети.

22. Назначение тестовой выборки в рамках обучения нейрон-

ной сети.

23. Приведите алгоритм обучения НС.

24. В чем состоит суть обучения НС с учителем?

25. В чем состоит суть обучения НС без учителя?

26. В чем состоит суть обучения НС с подкреплением?

27. Охарактеризуйте стохастический, пакетный и мини-пакет-

ный методы корректировки весов.

28. Что такое «переобучение» сети?

29. Персептрон. История создания.

30. Что представляет собой персептрон?

31. Принцип работы персептрона.

87

32. Перечислите области применения НС.

33. С чем связано сегодняшнее распространение нейросетевых

технологий?

34. Перспективы применения НС.

35. Приведите примеры разработок в области НС.

88

РАЗДЕЛ 7. БЛИЗКОЕ ДАЛЕКОЕ БУДУЩЕЕ

«Мы стоим на пороге перемен, сопоставимых с появлением

человеческой жизни на Земле», – эти слова писателя-фантаста Вер-

нора Винджа очень подходят под описание сегодняшнего времени.

По мнению некоторых ученых в области ИИ, в ближайшее

будущее нас ожидает квантовый скачок в развитии технологий

(рис. 7.1). Каково это, стоять здесь?

Рис. 7.1. Место сегодняшнего человека на траектории прогресса

Захватывает дух. Но фокус в том, что находясь на этой линии,

мы не знаем, что нас ждет дальше, мы не видим продолжение гра-

фика – нашего будущего. На самом деле это ощущается так (рис. 7.2).

89

Рис. 7.2. Как мы ощущаем себя на траектории прогресса

Представьте, что нам удалось перенестись на машине времени

в 1752 год, туда, где в мире не было электричества, дальняя связь

означала одно – крикнуть очень громко, а все транспортные средства

заправлялись сеном. И в этом прекрасном прошлом мы выбрали

одного человека и привезли его в наш 2017 год, а потом вывели его на

улицу, чтобы посмотреть, как он реагирует на все вокруг. Сложно

представить, каково ему было бы увидеть блестящие обтекаемые ав-

томобили, летящие по шоссе с огромной (для него) скоростью; пого-

ворить с людьми, которые еще несколько часов назад были на другой

стороне океана; посмотреть соревнования, проходящие за 1000 км;

подержать в руках волшебный механизм, который может останавли-

вать моменты реальной жизни; увидеть лицо человека и даже погово-

рить с ним, хотя он находится на другом конце света. И много других

неописуемых чудес. И это все до того, как мы покажем ему Интернет

и попытаемся объяснить, что такое Международная Космическая

90

Станция, Большой адронный коллайдер, ядерное оружие или теория

относительности.

Эти открытия будут для него не просто удивлением, он будет

потрясен, испуган; более того, он может умереть от такого шока.

Но, если подобный эксперимент провести с человеком из

1502 года и перенести его в 1752 (на те же 250 лет, что и в пер-

вом случае), то человек, конечно, будет удивлен, но не смертельно.

Поскольку, хотя разница между миром 1502 года и 1752 года сущест-

вует, они отличаются гораздо меньше, чем 1752 и 2017. Этот человек

из 1502, конечно, узнает что-нибудь диковинное про космос или фи-

зику, о новом отношении к империализму в Европе и пересмотрит

свои представления о геополитической карте мира. Но наблюдения за

обыденной жизнью 1752 года – транспортом, коммуникациями – от

этого он точно не умрет.

Чтобы получить такой же эффект, как и в первом случае, чело-

века надо перенести, может быть, из 12000 года до н. э., до появления

первых городов. Если те люди из мира охоты-собирательства, кото-

рые были в некоторой степени просто одним из видов животных,

увидели огромные империи 1752 года с их церквями-башнями, кораб-

лями, переплывающими океан, узнали бы, что знания накапливаются

и передаются из поколения в поколение, – это был бы настоящий

шок.

Для того чтобы кто-то мог быть перенесен в будущее, чтобы

умереть там от шока, он должен быть перенесен на достаточное коли-

чество лет, чтобы получить «смертельную дозу прогресса» (СДП).

Таким образом, СДП составляла более 100 000 лет в эпоху охоты

и собирательства, но в урбанистическую пору укладывается уже

в 12000 лет. Постиндустриальный мир стал развиваться так быстро,

что человеку из 1752 нужно всего 250 лет, чтобы получить СДП.

91

Эту модель – ускорение скорости развития со временем – Рэй

Курцвейл (американский футуролог, изобретатель и философ науки,

с 2012 года – один из главных инженеров компании Google) называет

Законом Самоускоряющегося развития. Он возможен, поскольку бо-

лее развитые цивилизации способны прогрессировать с большей ско-

ростью, чем менее развитые – именно потому, что они более разви-

тые. В XIX столетии человечество знало больше и имело больше тех-

нологий, чем в XV, поэтому не удивительно, что и скорость прогресса

стала выше.

Таким образом, движение вперед становится все значительнее

и быстрее. Это должно наводить нас на мысль о чем-то значительном,

что приближается к нам в ближайшем будущем.

Курцвейл предполагает, что степень прогресса, реализованная

за весь XX век, была бы реализована всего за 20 лет, если взять за от-

счет скорость прогресса 2000 года. Иначе говоря, скорость прогресса

2000 года в 5 раз быстрее средней скорости прогресса в XX веке.

Он считает, что такая же степень прогресса, как в XX веке, уже была

реализована между 2000 и 2014, а следующая «ХХ-вековая» ступень

прогресса будет пройдена уже к 2021 году, через каких-то 4 года.

Через пару десятков лет после этого, по его расчетам, «ХХ-вековая»

ступень прогресса будет реализовываться по нескольку раз в течение

единственного года, а затем и вообще в течение месяца. То есть в ре-

зультате реализации Закона Самоускоряющегося развития в XXI веке

степень развития человечества в 1000 раз превысит степень развития

человечества в ХХ веке.

Иначе говоря, следующая «смертельная доза прогресса» может

потребовать всего пару десятков лет, а в 2050 году мир может

настолько измениться, что мы его, возможно, даже не сможем в пол-

ной мере осознать.

Почему нам трудно в это поверить?

92

1. Когда речь идет о развитии, мы думаем линейно. Когда мы

представляем себе прогресс на следующие 30 лет, мы оглядыва-

емся на предыдущие 30 лет и используем их как индикатор того,

сколько всего должно произойти. Когда мы думаем о степени прог-

ресса в XXI веке, мы просто берем все, что собрали в ХХ веке, и до-

бавляем это к 2000 году. Это очень естественно – думать линейно,

в то время как мы должны мыслить экспоненциально. Чтобы думать

о будущем правильно, надо понимать, что события в будущем будут

развиваться гораздо быстрее, чем они развиваются сейчас (рис. 7.3).

На данном рисунке красной линией изображена траектория прог-

ресса, основанная на прошлой скорости развития; оранжевой – траек-

тория прогресса, основанная на текущей скорости развития; зеленой –

траектория прогресса, принимающая во внимание экспоненциальный

рост.

Рис. 7.3. Разные представления о траектории прогресса

2. Траектория недавнего прошлого может дать искаженную кар-

тину. Во-первых, даже крутая экспоненциальная кривая выглядит

93

прямой линией, если мы рассматриваем только маленький ее отрезок,

точно так же, как если посмотреть на маленький сегмент огромного

круга – он кажется прямой линией. Во-вторых, экспоненциальный

рост не обязательно должен быть плавным. Курцвейл считает, что

прогресс идет S-кривыми (рис. 7.4).

Рис. 7.4. Прогресс идет S-кривыми

S-образная кривая характеризуется периодическим взрывным

ростом и последующей стабилизацией. Такая кривая развития прохо-

дит через 3 фазы:

− медленный рост (начальная стадия);

− быстрый рост (следующая, взрывная стадия роста);

− стабилизация (становление и существование мира в новой

парадигме развития).

Если посмотреть на ближайшее прошлое и обозреть текущую

часть S-кривой, можно неправильно оценить, насколько быстро

движется прогресс. За период 1995-2007 произошел взрывной рост

94

Интернета, появление и расцвет Microsoft, Google, рождение соци-

альных сетей, сотовых телефонов, а затем и смартфонов – это была

2-ая фаза. Но с 2008 по 2017 прорывов было гораздо меньше, по

крайней мере, в технологическом плане. Фактически, новая эра

взрывного роста, возможно, назревает прямо сейчас.

3. Наш опыт делает нас упрямыми стариками, когда речь захо-

дит о будущем. Мы основываемся на нашем собственном опыте, на

нашем восприятии скорости прогресса. Мы ограничены нашим вооб-

ражением, которое использует наш опыт для формирования пред-

ставлений о будущем. Однако то, что мы знаем, как правило, не дает

нам нужных инструментов, чтобы предсказать будущее.

Факты говорят о том, что если мы просто будем следовать ло-

гике развития и применим рассмотренную модель развития, то нам

стоит ожидать в скором будущем гораздо более весомых изменений,

чем мы это можем себе представить. И через некоторое время челове-

чество сделает настолько сильный скачок в развитии, что он совер-

шенно изменит нашу жизнь и понимание того, что есть на самом деле

развитая цивилизация.

Вернемся к искусственному интеллекту.

Есть три причины, по которым люди неправильно восприни-

мают понятие ИИ. Рассмотрим их.

1. В большей своей массе люди ассоциируют ИИ с художест-

венными фильмами: «Звездные войны», «Терминатор», «Матрица»

и др. Это фантастика, так же как и истории про биологических робо-

тов. Фильмы заставляют воспринимать ИИ как фантастику, а не как

нашу реальность.

2. ИИ – это очень широкое понятие, которое имеет различные

формы. Он – и в калькуляторах, и в самоуправляемых автомобилях.

Он также и Нечто, способное изменить наш мир. ИИ относится ко

всем этим понятиям, и это запутывает.

95

3. Мы используем ИИ постоянно в обыденной жизни, не созна-

вая, что это он и есть. Джон Маккарти, который ввел понятие ИИ

в 1956 году, говорил: «Как только он начинает работать, мы уже не

называем его так». Из-за этого феномена ИИ звучит скорее как мис-

тическое предсказание будущего, чем как реальность. В то же самое

время он воспринимается как популярная концепция из прошлого,

которая так и не реализовалась в настоящем.

Для того чтобы лучше понять ИИ, нам нужно, во-первых, пере-

стать рисовать себе «живых» роботов. Робот – это контейнер для ИИ,

который может иметь человекоподобную форму, а может и не иметь.

ИИ – это компьютер внутри робота. ИИ – это разум, робот – тело.

Например, программное обеспечение Siri от Apple – это ИИ, а жен-

ский голос, которым он «говорит» – это персонификация этого интел-

лекта.

Во-вторых, рассмотрим термин «сингулярность», или «техноло-

гическая сингулярность». Этот термин используется в математике,

чтобы описать график в виде асимптоты, где нормальные правила

больше не работают. В физике он используется, чтобы описать беско-

нечно малую плотную черную дыру или точку, в которую вся Все-

ленная сжалась в момент до Большого взрыва. Еще раз: это ситуация,

в которой обычные правила более не работают. В 1993 году Вернор

Винж написал популярное эссе, в котором определил сингулярность

как момент в будущем, когда интеллект наших технологий превысит

наш собственный; момент, когда жизнь, которую мы знаем, совер-

шенно изменится, и нормальные правила перестанут работать. Рэй

Курцвейл позже определил сингулярность как момент времени, когда

Закон Самоускоряющегося Развития достигнет настолько высокой

скорости, что технологический прогресс будет происходить с беско-

нечно высокой скоростью; момент, после которого мы будем жить

в совершенно новом мире.

96

По возможностям ИИ можно разделить на следующие кате-

гории:

1. Специализированный ИИ (СИИ), или слабый ИИ (Раздел 2.3).

Это тот ИИ, который специализируется в одной области. Есть ИИ,

который победил чемпиона мира по шахматам, но это – единственная

вещь, которую он умеет. Если спросить его, как лучше сохранить

данные на жестком диске, ответом будет тишина.

2. Общий ИИ (ОИИ), или сильный ИИ (Раздел 2.3). Это такой

интеллект, который может составить конкуренцию человеку во всех

областях. Создание ОИИ – задача гораздо более сложная, чем созда-

ние СИИ, и человеку еще предстоит это сделать. Профессор Линда

Готфредсон описывает разумность как «широкие ментальные способ-

ности, которые, помимо всего прочего включают способность рассуж-

дать, планировать, решать проблемы, думать абстрактно, понимать

сложные идеи, учиться быстро и учиться на ошибках». ОИИ будет

способен делать эти вещи так же легко, как это делает человек.

3. Суперинтеллект. Оксфордский профессор и ведущий эксперт

по ИИ Ник Бостром определяет Суперинтеллект как «интеллект,

который превосходит лучшие человеческие умы во всех областях,

включая научную креативность, “общечеловеческую” мудрость и со-

циальный интеллект». Понятие «Суперинтеллект» очень широкое,

оно включает в себя как искусственный разум, немного превосхо-

дящий разум человека, так и разум, который в триллион раз умнее

человека.

На сегодняшний день человечество смогло справиться с первым

уровнем ИИ – Специализированным Искусственным Интеллектом.

Он – реальность во многих областях, существует фактически, пов-

сюду. Революция ИИ – это путь от СИИ через ОИИ к Суперинтел-

лекту. Это путь, который изменит все.

97

Итак, сегодня мы живем в мире с реализованным СИИ, с таким

ИИ, который эффективен в узкой области. Несколько примеров: ав-

томобили, телефоны, спам-фильтр в электронной почте, назойливые

объявления «Рекомендовано для вас», которые вылезают в самых нео-

жиданных местах на сайтах, которыми вы пользуетесь, и многое дру-

гое. Так работает сеть СИИ-систем, информирующих друг друга

о том, кто вы и чем интересуетесь, чтобы показать вам релевантную

информацию. Работа СИИ-системы состоит в том, чтобы проанализи-

ровать поведение миллионов людей и, обработав, так ее вам предос-

тавить, чтобы подтолкнуть совершить, например, больше покупок.

Google-переводчик – другая классическая СИИ-система, впечат-

ляюще хорошо работающая в своей узкой области. Голосовое распоз-

навание – в другой, и существует огромное количество приложений,

которые используют эти два приложения совместно, предлагая вам

произнести текст на одном языке, записывая его и переводя письмен-

но на любой другой.

Поисковая система Google – это, по сути, один большой СИИ,

использующий невероятно сложные алгоритмы ранжирования стра-

ниц и решающий, что именно показать пользователю.

И это – только мир потребления.

Сложные системы СИИ широко используются в производстве,

военном деле, финансах (так, на долю роботизированных СИИ-трей-

деров приходится более половины оборота фондового рынка США).

Экспертные системы, например те, которые помогают врачам ставить

диагноз, и наиболее известная из них – суперкомпьютер IBM Watson.

Все это – Специализированный Искусственный Интеллект.

СИИ-системы в том виде, в котором они сейчас существуют,

не производят опасного впечатления. В худшем случае они могут

вызвать локальную катастрофу вроде обесточивания какой-нибудь

электростанции или запуска обвала на финансовом рынке (вроде того,

98

который произошел в 2010 году, когда СИИ-система неправильно

среагировала на неожиданную ситуацию, спровоцировав падение

рынка на 1 трлн долларов).

Каждая новая СИИ-инновация приближает нас к ОИИ и Супер-

интеллекту. Или, как говорит Аарон Саенц, «системы СИИ в нашем

мире подобны аминокислотам на ранней стадии жизни Земли» –

неодушевленная субстанция, которая однажды, в самый неожидан-

ный момент, проснется.

Почему же так сложно создать ОИИ (сильный ИИ)? Для этого

нужно понять, как работает наш мозг и как сделать нечто подобное.

На сегодня человеческий мозг – самый сложный объект во Вселен-

ной, о котором нам известно.

Построить компьютер, перемножающий два десятизначных

числа в доли секунды, очень просто. Создать такой, который, взгля-

нув на собаку, тут же ответит, кот это или собака, – чрезвычайно

сложно. Создать Интеллект, который переиграет чемпиона мира по

шахматам? – Сделано! Создать такой, чтобы, прочитав параграф из

книжки для 6-летних малышей, не просто распознал слова, но и понял

их смысл, – сложно. Компания Google тратит миллиарды долларов,

чтобы это реализовать, да и не она одна. «Трудные» для нас задачи

вроде сложных расчетов, анализа финансовых рынков, языковых пе-

реводов – для компьютера сегодня просты. «Простые» же задачи, та-

кие как зрение, движение, восприятие, – безумно трудны для него.

Или, как говорит ученый, специалист по компьютерам, Дональд Кнут,

«искусственный интеллект преуспел сегодня во всем, что требует

“мышления”, но провалился в задачах, которые люди и животные де-

лают, не задумываясь».

Способности, которые нам кажутся простыми, на самом деле

очень сложны. И кажутся простыми только потому, что определенные

способности развились у нас (и многих животных) за сотни миллио-

99

нов лет эволюции. Когда мы протягиваем руку к объекту, мышцы, су-

хожилия и кости в нашем плече, локте и запястье мгновенно осущест-

вляют длинную серию физических операций в сотрудничестве с на-

шими глазами, чтобы позволить нам двигать рукой по прямой линии

в трех измерениях. Нам кажется, что это происходит само собой,

потому что «программное обеспечение» в нашей голове оптимизиро-

вало свою работу за многие годы. То же самое относится к ситуации,

когда программы-боты не могут пройти элементарный тест распозна-

вания слова на каком-нибудь сайте в момент регистрации – это не

потому, что боты настолько примитивны, а потому, что так соверше-

нен наш мозг.

С другой стороны, перемножение больших номеров или игра

в шахматы – достаточно новая деятельность, и у нас не было доста-

точного времени, чтобы натренировать способности к этим видам за-

дач, так что компьютер без особого труда побьет нас на этом поле.

Задумайтесь – что было бы легче – разработать программу, которая

может перемножать большие числа, или такую, которая бы поняла

обозначение буквы «В» настолько хорошо, что смогла бы ее разли-

чить в любом из тысяч непредсказуемых шрифтов или почерке тысяч

людей?

Один занимательный пример – когда мы смотрим на эту кар-

тинку (рис. 7.5), то и мы и компьютер без труда разберемся, что это –

прямоугольник с двумя чередующимися оттенками.

Но если мы поднимем черный лист, и откроем всю картинку

(рис. 7.6), то мы без труда опишем эту головоломку из прозрачных

и непрозрачных цилиндров, баранок и объемных уголков, а компью-

тер провалится на этом тесте. Он опишет то, что видит: набор двух-

мерных деталей в семи различных оттенках, чем они и являются на

самом деле. Наш мозг анализирует огромное количество разнообраз-

100

ной информации, чтобы правильно интерпретировать реальную фор-

му, игру теней и степень освещенности.

Рис. 7.5. Картинка для распознавания


Глядя на следующую картинку (рис. 7.7), компьютер видит пло-

ский коллаж белого, серого и черного цветов, хотя мы тут же поймем,

что это черный камень.

101


Что же нужно сделать, чтобы получить более разумный ИИ?

Первый шаг – увеличение скорости и вычислительной мощ-

ности современных компьютеров.

Чтобы ИИ смог приблизиться к человеческому мозгу, его вы-

числительные способности должны сравняться с вычислительной

способностью человека. Один из способов выразить эту характерис-

тику – подсчитать общее количество операций в секунду, которые

мозг способен реализовать. Эту величину можно рассчитать, если

сложить скорость работы каждого отдела мозга.

Рэй Курцвейл предложил методику расчета вычислительной

мощности мозга, по которой за основу берутся экспертные оценки

скорости операций в одном из разделов мозга, а потом вес этого раз-

дела сравнивается с весом всего мозга и пропорционально перемно-

жается для получения общего результата. Проделав несколько раз

такие вычисления для разных отделов мозга, он получил результаты,

которые практически всегда стремились к 1016, или 10 квадриллионов

операций в секунду.

На сегодняшний день самый быстрый суперкомпьютер, китай-

ский Tianhe-2, превзошел этот показатель со своими 34 квадрил-

лионами операций в секунду. Но Tianhe-2 существенно проигрывает

102

мозгу по другим параметрам: занимает пространство в 720 м2 и тре-

бует для своей работы 24 мегаватт электроэнергии (для сравнения,

мозг потребляет лишь 20 ватт); кроме того, на его создание было за-

трачено 390 миллионов долларов. Такой суперкомпьютер совершенно

не пригоден для широкой эксплуатации да и для большинства инду-

стриальных или коммерческих задач тоже не годится.

Курцвейл предлагает, чтобы мы оценивали компьютеры, исходя

из того, какую вычислительную скорость мы приобретаем за $1000.

И когда мы сможем приобрести за $1000 вычислительную мощность

в «человеческие» 1016, вот тогда можно будет считать, что Общий

Искусственный Интеллект сможет стать частью нашей жизни.

Закон Мура, исторически подтвержденное правило, гласит, что

мировая максимальная вычислительная мощность удваивается при-

мерно за 2 года. Это означает, что развитие компьютерного железа,

так же как и общее развитие человеческой цивилизации, происходит

экспоненциально. Согласно классификации Курцвейла (оценивается

количество операций в секунду за $1000), мы сейчас находимся на

уровне 10 триллионов (1013) и движемся по следующей траектории

(рис. 7.8).

Т. е. сегодняшние компьютеры за $1000 превосходят мышиный

мозг, но их производительность составляет только около тысячной

доли от человеческой мощности. Это кажется малым, но только до

тех пор, пока мы не вспомним, что в 1985 году скорость компьютера

составляла одну триллионную долю от человеческой мощности, мил-

лиардную – в 1995 и миллионную – в 2005. Находясь в тысячной доли

сегодня, таким темпом компьютеры придут к паритету по вычисли-

тельной мощности к 2025 году.

103

Рис. 7.8. Вычислительная мощность современных компьютеров

Таким образом, по части железа вычислительная мощность, не-

обходимая для реализации ОИИ, технически доступна сейчас в Китае.

И мы можем рассчитывать, что доступное и массовое железо уровня

ОИИ появится в ближайшие 10 лет. Однако вычислительная мощ-

ность сама по себе не сделает компьютер разумным. Итак, следую-

щий шаг: как объединить эту вычислительную мощность и интеллект

человеческого уровня?

И здесь возникает проблема. Дело в том, что никто наверняка не

знает, как сделать компьютер разумным. Ученые все еще спорят

о том, как приблизить «интеллект» компьютера к человеческому

уровню, например, объяснить, как отличить собаку от любого другого

животного или распознать букву «В», написанную нестандартным

способом. На этот счет есть несколько теорий. Рассмотрим некоторые

из них.

104

1. Скопировать деятельность человеческого мозга.

У нас есть совершенный прототип, который может решать за-

дачи, – это мозг человека. Ученые активно работают над тем, чтобы

разобраться, как работает наш мозг. Согласно оптимистичным прог-

нозам, это получится сделать к 2030 году.

Как только это произойдет, мы узнаем все секреты высочай-

шей эффективности и продуктивности мозга и сможем скопировать

эти механизмы для реализации Суперинтеллекта. Один из примеров

компьютерной архитектуры, которая использует принципы работы

мозга – искусственная нейронная сеть (Раздел 6). Она представляет

собой сеть транзисторов – нейронов, соединенных своими «входами»

и «выходами», и на начальном этапе «не знает» ничего – совершенно

чистый лист. Далее система начинает учиться, пытаясь выполнить за-

дачу, например, распознавать рукописный текст. И поначалу ее по-

пытки распознать буквы будут совершенно беспорядочны. Но как

только ей сообщат, что она сделала что-то правильно, порядок соеди-

нения транзисторов, который привел к правильному ответу, получает

более высокий приоритет. Когда система ошибается, соответствую-

щие соединения понижаются в приоритете. В результате большого

количества итераций по методу проб и ошибок система самооптими-

зируется под выполнение конкретной задачи. Мозг работает похожим

образом. И, изучая мозг, мы открываем элегантные и очень эффек-

тивные приемы по созданию и использованию нейронных сетей.

Более совершенный «плагиат» включает в себя стратегию, кото-

рая называется «эмуляция мозга целиком». Задача состоит в том, что-

бы изучить мозг послойно путем сканирования и разработать его

трехмерную модель для последующей ее интеграции в мощный ком-

пьютер. Тогда у нас появится компьютер, обладающий возможностя-

ми человеческого мозга. Если инженерам удастся осуществить заду-

манное, то получится настолько точно воссоздать модель мозга, что

105

личность человека и все его воспоминания можно будет загрузить

в компьютер. Такой компьютер будет являть собой именно систему

Общего Искусственного Интеллекта. А после этого мы можем начать

работу над превращением его в Суперинтеллект.

Как далеко мы от полной имитации человеческого мозга? На се-

годняшний день получилось имитировать работу 1 мм мозга (мозг

червяка), состоящего из 302 нейронов. Человеческий мозг содержит

100 миллиардов нейронов. Может показаться, что это бессмысленная

работа, но вспомните о силе экспоненциального прогресса: сейчас мы

победили маленького червяка, скоро, возможно, догоним муравья,

а затем – и мышь. И тогда конечная цель станет совсем реальной.

2. Заставить эволюцию сделать для компьютера то, что она уже

сделала для нас.

Если сам мозг слишком сложен для копирования, мы могли бы

вместо этого скопировать методы эволюции. Фактически, даже если

мы смогли бы скопировать мозг, это могло все равно оказаться чем-то

вроде попытки построить самолет, пытаясь копировать взмахи крыль-

ев бабочки. Часто оказывается, что машины эффективнее создавать

с нуля, используя современный, математически оптимизированный

подход вместо прямого копирования биологических процессов.

Но как это сделать для создания ОИИ? Метод, называемый «ге-

нетические алгоритмы», работает следующим образом: запускается

процесс выполнения операций с последующей оценкой его эффек-

тивности (точно такой же, который происходит в биологическом

мире, когда живые создания проживают жизнь и «оцениваются» в ре-

зультате успешного (или не успешного) размножения). Группа ком-

пьютеров выполняет некоторую работу, а наиболее успешные из них

«спариваются» между собой, объединив по половине своего прог-

раммного кода в новый компьютер. Менее успешные уничтожались

бы. В результате большого, очень большого количества подобных

106

итераций, эта селекция производила бы все более совершенные ком-

пьютеры. Сложность задачи состоит в том, чтобы создать автомати-

ческий процесс оценки и «размножения», чтобы этот процесс смог

развиваться сам по себе.

Минус такого метода заключается в том, что эволюционные

процессы длятся миллиарды лет, а нам хотелось бы уложиться в пару

десятилетий.

Но у нас есть и преимущества перед эволюцией. Во-первых, эво-

люция происходит бессистемно. Мы же можем контролировать и нап-

равлять процесс, чтобы он двигался в сторону действительно необхо-

димых улучшений. Во-вторых, у эволюции нет цели, а у нас есть.

Иногда эволюция работает даже против интеллекта (так как мозг

использует большое количество энергии). Мы же, напротив, могли бы

направить этот процесс именно в сторону увеличения интеллекта.

3. Заставить сам компьютер создать ИИ.

Идея состоит в том, чтобы построить компьютер, основной за-

дачей которого было бы выполнять исследования в области Искусст-

венного Интеллекта и перепрограммировать себя, позволив ему не

просто учиться, но улучшать свою собственную архитектуру. Мы бы

научили компьютеры быть учеными-компьютерщиками, чтобы они

смогли сами управлять процессом собственного совершенствования.

И это было бы их единственной задачей: разобраться, как сделать

самих себя более разумными.

В результате всего этого Общий Искусственный Интеллект мо-

жет стать явью очень скоро, и подтверждением этого являются сле-

дующие положения.

1. Экспоненциальный рост происходит очень быстро, и то, что

сейчас выглядит едва заметным улучшением, завтра может быстро

стать всеохватывающей лавиной.

107

2. Когда дело касается программного обеспечения, прогресс

может быть медленным, но затем какое-то неожиданное открытие

мгновенно меняет скорость развития. Нам может казаться, что сис-

тема находится в самом начале пути, а через момент времени оказы-

вается, что она уже в 1000 раз более эффективна и приближается

к уровню интеллекта человека.

Однажды мы создадим Общий Искусственный Интеллект. И что

будет тогда?

Можно предположить, что ОИИ с интеллектом, идентичным

человеческому уровню, и огромной вычислительной мощностью

будет иметь неоспоримые преимущества перед человеком. Рассмот-

рим, какие именно.

Скорость передачи сигналов в человеческом мозге, достигаю-

щая 120 м/с, безнадежно отстает от компьютерной скорости комму-

никации по оптоволокну, летающей со скоростью света.

Мозг заперт в человеческий череп, и его размеры ограничены.

Возможности компьютеров можно расширять до неограниченного

размера, добавляя неограниченное количество новых мощностей,

оперативной памяти и места на жестком диске.

Транзисторы надежнее человеческих нейронов, они менее

склонны к отказу в работе (а если какие-то и выйдут из строя, их

можно просто заменить новыми). Человеческий мозг подвержен

утомляемости, в то время как компьютеры могут работать на полной

мощности круглосуточно в течение очень длительного времени.

В отличие от человеческого мозга компьютерное программное

обеспечение можно легко обновлять и исправлять, что позволяет экс-

периментировать с ним. Имеются области, в которых возможности

человеческого мозга ограничены.

Люди превзошли все живое в области накопления и распростра-

нения знаний. Начиная с создания языка и объединения в большие

108

и сложные социальные объединения, вырвавшись вперед с изобрете-

нием письменности и печати, а теперь еще более ускоряясь с исполь-

зованием Интернета, коллективное человеческое знание – это главная

причина такого превосходства человека над всем остальным живот-

ным миром. Компьютеры будут результативнее и в этом: всемирная

сеть ИИ может регулярно синхронизировать накопленные знания во

всех отдельно взятых компьютерах, и, таким образом, все, что стало

известно одному из них, тут же будет тиражироваться на все осталь-

ные. Такая сеть может объединять усилия, работая над одной задачей,

и главное – этой сети будет неведомо инакомыслие или эгоизм, кото-

рые часто тормозят развитие человеческой цивилизации.

Понимание всех этих преимуществ, которые будет иметь любая

ОИИ-система «человеческого уровня разумности», делает очевидным

тот факт, что она преодолеет человеческий уровень и за мгновение

«улетит» в области подлинного Суперинтеллекта.

И когда это произойдет, это будет для нас серьезным потря-

сением.

Пока ИИ продвигается вверх по ступеням разумности, мы срав-

ниваем его сначала с животным. После того, как ИИ достигнет ниж-

ней планки человеческой разумности, мы будем умиляться: «О, как

мило! Он прямо как тот дурачок!» Только фокус в том, что диапазон

человеческих возможностей (от идиота к гению) находится в относи-

тельно коротком промежутке, поэтому СРАЗУ после преодоления

уровня «дурачок» и провозглашения системой ОИИ она окажется

умнее гения, и дальше мы даже не можем представить границ его раз-

вития.

Согласно Закону Самоускоряющегося Развития, ОИИ сможет

продвигаться быстрее и делать большие скачки в развитии. Эти скач-

ки сделают его значительно умнее любого человека, позволяя делать

еще большие скачки. С увеличением расстояния этих скачков и уве-

109

личением их частоты ОИИ взлетит на недосягаемый уровень и тогда

перейдет в разряд Супер-интеллекта. Произойдет Взрыв Интеллекта.

Существуют разногласия по поводу срока преодоления ИИ

уровня человеческой разумности: средний прогноз, составленный на

основании опросов сотен ученых, указывает на 2040 год. Но следую-

щий переход (от ОИИ к Суперинтеллекту) произойдет очень быстро.

Может произойти следующее.

Десятилетия понадобятся, чтобы создать систему искусствен-

ного интеллекта, достигающую нижнего уровня ОИИ, но это все

равно произойдет – компьютер, способный воспринимать мир на

уровне 4-летнего ребенка. А после этого, совершенно для нас неожи-

данно, в течение какого-то часа, система овладеет общей теорией фи-

зики, которая объединит общую теорию относительности и кванто-

вую механику – то, что пока не смог сделать ни один человек. Еще

через полтора часа ОИИ станет Суперинтеллектом, будучи уже

в 170 000 раз умнее человека.

Суперинтеллект такого уровня – это то, что наш мозг не сможет

воспринять. В нашем мире умным человеком считается тот, кто обла-

дает IQ выше 130, а глупым – с IQ = 85. Но у нас нет слова для

IQ = 12 952.

Означает ли это, что Суперинтеллект станет самым могущее-

ственным созданием на Земле и все живое будет полностью в его

власти?

Если мы со своим скромным мозгом смогли изобрести wi-fi,

тогда Нечто, в 100, 1000 или 1 миллиард раз умнее нас, сможет без

проблем контролировать положение каждого атома в мире так, как

ему это нравится, в любое время – то есть сможет все то, что мы счи-

таем чудом. Изобретение технологий, которые остановят старение,

вылечат любую болезнь, победят голод, улучшат климатические ус-

110

ловия и экологию в целом, вдруг станет возможным. Так же, как

и возможен моментальный конец всей жизни.

Но возможно, мы даже не можем представить, что будет даль-

ше: ни что-то хорошее, ни что-то угрожающе плохое, а что-то совсем

другое, то, где не будут действовать те правила игры, которые дейст-

вуют сейчас, – точка технологической и человеческой сингулярности.

И может, только от нас, от того, чем мы сами будем наполне-

ны – добром и доверием или злом и страхом, – будет зависеть, что

станет с человечеством.

А что думаете вы?

111

ЗАКЛЮЧЕНИЕ В одном пособии невозможно в полном объеме рассмотреть все

вопросы, связанные с таким перспективным в настоящее время нап-

равлением, как интеллектуальные системы и технологии. Многие ин-

тересные темы остались за рамками пособия. В пособии рассмотрены

основные понятия, касающиеся интеллектуальных систем. При напи-

сании пособия автор ставил задачу помочь студентам ознакомиться

с принципами создания и функционирования интеллектуальных

информационных систем, чтобы они не испытывали трудности,

выступая в роли пользователей интеллектуального программного

обеспечения.

Желающим более углубленно проработать интересующие темы

автор рекомендует обратиться к списку литературы.

Тема машинного обучения, интеллектуальных алгоритмов и ис-

кусственного интеллекта чрезвычайно популярна в наше время. Это

легко можно увидеть, наблюдая за новостями на различных IT порта-

лах. Подтверждает это и статистика.

Каковы объемы рынка алгоритмов машинного обучения?

Возьмем любую область, в которой используется низкоквали-

фицированный труд, и просто вычтем все людские ресурсы. Речь

может идти о стомиллиардном рынке во всем мире.

Алгоритмы машинного обучения – это следующий шаг в авто-

матизации любых процессов, в разработке любого программного

обеспечения (ПО). Поэтому рынок как минимум совпадает со всем

рынком ПО, а скорее даже превосходит его, потому что возможно

делать новые интеллектуальные решения, недоступные старому ПО.

Данное пособие способствует формированию знаний и навыков

в области искусственного интеллекта и интеллектуальных систем.

112

БИБЛИОГРАФИЧЕСКИЙ СПИСОК 1. Белда И. Разум, машины и математика. Искусственный интеллект

и его задачи / Игнаси Белда. – М. : Де Агостини, 2014.

2. Домингос П.. Верховный алгоритм. Как машинное обучение из-

менит наш мир / Педро Домингос. – М. : Манн, Иванов и Фербер,

2016.

3. Сидоркина И. Г. Системы искусственного интеллекта / И. Г. Со-

рокина. – М. : КноРус, 2015. – 245 с.

4. Джарратано Дж., Райли Г. Экспертные системы: принципы раз-

работки и программирование / Джозеф Джарратано, Гари Рай-

ли. – М. : Издательский дом «Вильямс», 2006. – 1152 с.

5. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуаль-

ных систем : учебник / Т. А. Гаврилова, В. Ф. Хорошевский. –

СПб. : Питер, 2000.

6. Курцвейл Р.. Эволюция разума / Рэй Курцвейл.– М. : Эксмо-

Пресс, 2016. – 448 с.

7. Кадырова Г. Р. Компьютерный практикум : учебное пособие.

В двух частях. Часть 1. / Г. Р. Кадырова. – Ульяновск : УлГТУ,

2006. – 64 с.

8. Кадырова Г. Р. Компьютерный практикум : учебное пособие.

В двух частях. Часть 2. / Г. Р. Кадырова. – Ульяновск : УлГТУ,

2006. – 96 с.

9. Кадырова Г. Р. Курс лекций по информатике : учебное пособие.

В 2 частях. Часть 1. / Г. Р. Кадырова. – Ульяновск : УлГТУ,

2008. – 100 с.

10. Кадырова Г. Р. Курс лекций по информатике : учебное пособие.

В 2 частях. Часть 2. / Г. Р. Кадырова. – Ульяновск : УлГТУ,

2008. – 133 с.

113

11. Кадырова Г. Р. Информационное и компьютерное обеспечение.

Обзор лекций по информатике : учебное пособие. В двух частях.

Часть 1. / Г. Р. Кадырова. – Ульяновск : УлГТУ, 2011. – 147 с.

Интернет-ресурсы

1. http://venec.ulstu.ru/lib/disk/2017/Semushin_ei/semushinAI-2017.pdf.

How Artificial Intelligence Has Been Creeping Into Our Everyday

Lives: Electronic study guide / Content and layout by: I. V. Semus-

hin. – Ulyanovsk : USTU, 2017. – 482 slides (336 frames).

2. http://www.kurzweilai.net/ – сайт Рэймонда Курцвейла.

3. http://www.bourabai.kz/einf/chapter13.htm – Системы искусствен-

ного интеллекта и нейронные сети (дата обращения 21.08.2017).

4. https://neuralnet.info/book/ – Учебник по нейронным сетям (дата

обращения 21.08.2017).

5. http://wikinauka.ru/ – Wikinauka. Интересно о сложном (дата об-

ращения 21.08.2017).

6. https://vc.ru/p/neural-networks – Бум нейросетей: Кто делает ней-

ронные сети, зачем они нужны и сколько денег могут приносить

(дата обращения 21.08.2016).

7. http://venec.ulstu.ru/lib/disk/2008/Kadyrova.pdf – Кадырова Г. Р.

Курс лекций по информатике : учебное пособие. В 2 частях.

Часть 1. / Г. Р. Кадырова. – Ульяновск : УлГТУ, 2008 (дата обра-

щения 10.07.2017).

8. http://venec.ulstu.ru/lib/disk/2012/Kadyrova.pdf – Кадырова Г. Р.

Курс лекций по информатике : учебное пособие. В 2 частях.

Часть 2. / Г. Р. Кадырова. – Ульяновск : УлГТУ, 2008 (дата обра-

щения 10.07.2017).

Учебное электронное издание

КАДЫРОВА Гульнара Ривальевна

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

Учебное пособие

ЛР № 020640 от 22.10.97.

ЭИ № 1029. Объем данных 2 Мб.

Печатное издание

Подписано в печать 20.12.2017. Формат 60×84/16. Усл. печ. л. 6,74. Тираж 75 экз. Заказ 8.

Ульяновский государственный технический университет

432027, г. Ульяновск, ул. Северный Венец, д. 32. ИПК «Венец» УлГТУ, 432027, г. Ульяновск, ул. Северный Венец, д. 32.

Тел.: (8422) 778-113 E-mail: [email protected]

venec.ulstu.ru

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫvenec.ulstu.ru/lib/disk/2017/217.pdf · Рождение ИИ как научного направления произошло после

Documents