Read the book: «Мивары: 25 лет создания искусственного интеллекта»

Введение

Миварный подход относится к научному направлению "искусственный интеллект" и развивается уже около 25 лет. Вместе с тем, миварный подход объединяет и другие научные области компьютерных наук, информатики и дискретной математики, включая: базы данных, экспертные системы, системы логического вывода на основе развития продукций, теорию графов, матрицы, параллельное выполнение программ на кластерах, проектирование новых архитектур компьютеров, массовое суммирование чисел, техническую защиту информации и информационную безопасность, гносеологию (частично и в плане создания новой наиболее мощной модели данных на основе "тройки" "вещь-свойство-отношение"), сервисно-ориентированные архитектуры, компьютерные сети, информационные инфраструктуры, теоретическую робототехнику, многоагентные системы и некоторые другие. Напомним, что по классике в компьютерных науках (информатике) выделяют 5 основных видов действий:

1) сбор (получение, ввод, создание);

2) накопление (хранение);

3) передача;

4) обработка и

5) представление информации.

С точки зрения искусственного интеллекта (ИИ), первый и пятый пункты отражают взаимодействие с внешней средой. Существует модель [72, 229], которая обобщает и показывает единство процессов накопления и передачи информации. Совсем кратко, суть такого подхода в том, что выделяют три основных сущности: отправитель информации, время передачи информации и получатель информации. Тогда, в зависимости от того, кто кому и за какое время передает информацию, единообразно описываются и хранение информации (передача самому себе за длительное время), и передача информации (отправитель и получатель разные, а время передачи мало), и другие возможные комбинации. Таким образом, получаем, что самыми важными для внутреннего развития ИИ являются два основных действия: обработка и накопление информации.

Миварный подход объединяет две основные технологии накопления данных и обработки информации:

1) миварное информационное пространство: накопление данных на основе эволюционной самоорганизующейся миварной модели данных с изменяющейся структурой в теории баз данных, и

2) миварные сети: обработка информации на основе развития продукционного подхода к логическому выводу с учетом включения возможности автоматического конструирования алгоритмов для "решателей задач" и традиционной вычислительной обработки, а также с использованием идей отношений, правил и процедур, которые теперь принято относить к сервисно-ориентированным архитектурам и многоагентным системам.

Суть миварного подхода в объединении баз данных и систем логико-вычислительной обработки в единые эволюционно развивающиеся системы, позволяющие собрать воедино все различные научные разработки на основе сервисно-ориентированных архитектур и технологий интеллектуальных агентов – многоагентных систем. Про такое возможное объединение писали очень многие ученые [1-23, 46-126, 134-137, 226, 245, 264, 273, 450-525] и теперь, с появлением миварного подхода, это становится реальностью. Ранее в наших работах было показано [46-126, 303, 354-355, 503-504], что такое миварное объединение позволит создать глобальные самоорганизующиеся программно-аппаратные комплексы с эволюционной структурой для познающе-диагностических систем, экспертных систем и систем оперативной диагностики.

Главное свойство нашего миварного подхода в том, что он не отвергает ничего из уже созданного, а создает основу, фундамент, для объединения всех существующих и перспективных наработок в этой (и многих других) активно развивающейся научной области. Более того, миварный подход объединяет технологии баз данных, баз знаний, логического вывода и различных вычислительных процедур. Наш новый формализм миварного многомерного эволюционного пространства унифицированного представления данных и правил позволяет описать все существующие традиционные модели данных и методы логической и вычислительной обработки информации. Такое единое описание и создает предпосылки для объединения всех достижений и перехода к новому качеству в области ИИ.

Миварная модель данных является более мощной, чем модель "сущность-связь" (ER-модель), и поэтому позволяет описывать и объединить в своем формализме все традиционные структурные и бесструктурные модели данных, включая семантические сети, онтологии и гипертекст. Реляционные таблицы представляются в многомерном миварном пространстве в виде двумерных таблиц, объединяемых в трехмерное пространство с возможностью и дальнейшего наращивания измерений. Сетевые модели, семантические сети и онтологии представляются в миварном пространстве в виде неких графов, помещенных в дискретное многомерное пространство, что также только усиливает возможности подобных сетевых моделей. В книге Варламова О.О. [72] подробно в виде формул и цифр показано подобное представление и возможность перехода из одного представления данных в другое через миварное пространство или одномерные таблицы представления данных, которые являются упрощением миварного представления. Более того, миварное пространство основано именно на том факте, что пользователи могут одновременно использовать различные модели данных, от реляционных и гипертекстовых, постепенно вводя все больше структурированности и переходя к сетевым, семантическим сетям и онтологиям, а уже через них – далее к миварному пространству. Миварное пространство по самой своей сути является эволюционным и предназначено для изменения структур хранения данных и перехода к разным моделям!!!

Миварные сети основаны на продукционном подходе "если, то…" с переходом к более сложной структуре правил с предусловиями, условиями, ограничениями, действиями и последействиями. Это позволяет записывать все причинно-следственные отношения, включая и все возможные формы предикатов и т.п. логических выражений. Мы не отрицаем значение предикатов и поиска истинных выражений, а только создаем возможность и для их реализации, и для реализации всех возможных других представлений правил в виде: сервисов, процедур, продукций, подпрограмм и т.п. Такой подход позволяет работать одновременно с разными описаниями предметных областей, прибавляя к предикатам и продукции, и нейросети, и генетические алгоритмы, и традиционные вычислительные процедуры, и все другие в виде универсальных миварных отношений, которые представляются и хранятся перед обработкой в нашем миварном пространстве. Мы создаем разнообразие представлений и разных подходов к решению задач для самых различных предметных областей. Миварный подход изначально является очень хорошо распараллеливаемым и может работать в ГРИД-системах, компьютерных сетях и на многопроцессорных вычислительных комплексах. Это все реализация традиционных подходов в едином формализме миварных сетей. Здесь важно подчеркнуть, что знания в виде процедур, правил и отношений хранятся вместе с фактами в едином миварном пространстве – больше нет противоречий между базами данных и базами знаний, т.к. они красиво объединены в эволюционном миварном пространстве. Это касается ХРАНЕНИЯ данных и правил в едином формате. Но, кроме хранения, миварное пространство позволяет проводить и ОБРАБОТКУ информации в миварных сетях, которые фактически реализуют отношения из классической миварной "тройки" "вещь-свойство-отношение". А значит, больше нет противоречий и между хранением и обработкой информации!!!

Однако для решения реальных задач важна и форма представления знаний, т.к. разные формы позволяют с разной вычислительной сложностью и достоверностью решать одни и те же задачи. Как уже неоднократно подчеркивалось, миварный подход разрешает в своем формализме реализовывать все традиционные виды обработки. Но, при этом, он же предлагает и новые возможности… Сейчас уже никто не пойдет пешком из Москвы во Владивосток, хотя такая возможность для любителей и фанатов исчисления предикатов все еще сохраняется; – )! Если вам нравится исчисление предикатов, то можете и далее продолжать "играть" в свои "игрушечные" задачи с 30 правилами и NP-полными алгоритмами. Однако миварные сети предоставляют возможность сменить само представление графов, включая и многодольные и т.п., перевести их в матрицы, включая многомерные бинарные, и, если это получилось, то решать задачи с линейной вычислительной сложностью. Любители исчисления предикатов могут называть логический вывод в таких матрицах автоматическим конструированием алгоритмов, но суть от этого не изменится: линейная сложность и решение реальных задач с десятками тысяч правил и объектов, а также возможность параллельных решений и подключения новых возможностей: сервисов, правил, процедур, нейроподпрограмм, генетических и т.п. модулей, ГРИД-технологий, облачных вычислений, агентов и т.п. Мивары ничего не запрещают и не отвергают, а наоборот позволяют решать комплексные задачи различными методами, включая: предикатные, продукционные, нейроматематические, генетические, нечеткие, вероятностные и прочие методы работы как с полной, так и с неполной и противоречивой информацией. Более того, мивары позволяют одновременно решать одну задачу разными методами и на разных моделях, позволяя выбрать наиболее адекватное решение в заданные сроки и с необходимой точностью. Это новый МИВАРНЫЙ глобальный подход к одновременному решению многих реальных задач на разных моделях параллельно и в реальном времени на основе компьютерных сетей и кластеров с "облаками".

Миварный подход разрабатывается для создания глобальных информационных систем, принципиально открытых для постоянного наполнения новыми данными, с возможностью быстрой обработки и получения требуемых результатов для реальных ("интересных") задач. Некоторые миварные технологии позволяют гораздо быстрее обрабатывать информацию, например, сводя вычислительную сложность отдельных логических задач при определенных условиях и ограничениях c NP-полной до линейной. Как бы это не звучало фантастически на первый взгляд, но уже созданы несколько прототипов программ, основанных на движке "УДАВ", которые на практике реализуют этот подход и доказывают реальность внедрения миварного подхода и нашу правоту. Это утверждение не следует понимать дословно так, что мы решили NP-полную задачу с линейной вычислительной сложностью. Мы претендуем только на то, что решили некоторый класс задач в миварном представлении, в определенных условиях и с учетом ограничений с линейной вычислительной сложностью, т.е. именно эти задачи не могут более считаться NP-полными.

Более того, мы считаем, что миварный подход путем теоретического обобщения, синтеза и развития всех основных достижений компьютерных наук в базах данных и в базах знаний, объединяемых в единые миварные базы данных и правил, уже позволил создать эволюционный прототип глобальной активной обучаемой логически рассуждающей автоматической системы, способной решать логико-вычислительные задачи с несколькими десятками тысяч правил и объектов в реальном времени для неограниченного количества динамически изменяющихся предметных областей.

До свидания, 20 век – век исчисления предикатов, реляционных и объектно-ориентированных баз данных. Здравствуй, 21 век – век развития баз данных и продукционных систем до миварных баз данных и правил, многоагентных интеллектуальных систем и сервисно-ориентированных архитектур! Конечно, перечислены далеко не все технологии, но в ближайшее время состоится объединение различных очень сильно сегментированных научных направлений в компьютерных науках в нечто единое. А миварные технологии сыграют в этом важную, а, возможно, и решающую роль. Даже если их, по западной традиции откроют заново и будут называть другими словами и терминами; – )!

Несмотря на достаточно большое количество научных работ [46-126], в настоящее время все еще очень сильно разделяются мнения российских ученых о миварах. Доходит до крайностей: от заявлений, что научной общественности это направление не известно, до признания новой научной школы и даже классичности миварных технологий. Этому есть несколько объяснений. Достаточно долгое время мы развивали миварные технологии в узком кругу специалистов, имеющих допуск к определенным работам. Но, начиная с 2002 года, после разработки и подтверждения работоспособности наших теорий на практике (и выходе за пределы одной предметной области), количество наших публикаций резко возросло. По своей сути миварные технологии являются очень простыми и понятными, что подтверждает наш опыт преподавания дискретной математики студентам московских вузов.

Разнообразие материала в этой книге объясняется достаточной универсальностью миварного подхода и возможностью его применения к очень разным областям. В книге Варламова О.О. [72] изложены теоретические основы миварного подхода, которые за прошедшее время получили свое подтверждение и практическое развитие в различных предметных областях.

Необходимо отдельно подчеркнуть, что необходимо помнить и о том, что кроме положительной стороны стремительного развития информатики и искусственного интеллекта есть и обратная сторона медали. К отрицательным сторонам ИИ можно отнести многие проблемы информационной безопасности и технической защиты информации. Поэтому этим вопросам также уделено внимание в данной работе. Есть и другие потенциальные отрицательные последствия, о которых достаточно широко известно по катастрофическим прогнозам фантастов и режиссеров кино, включая фильмы "Терминатор", "Матрица" и т.п. Как бы скептически ни относиться к такому роду прогнозам, но учитывать и исследовать такие последствия необходимо заранее. В работе предложено ввести три уровня исследований в области ИИ, на одном из которых (третьем) и должны проводиться исследования отрицательных последствий и разработка предложений по их недопущению.

Отметим, что помимо хорошо известной всем основной задачи ИИ, как заставить машину думать, существует и малоизвестная обратная задача, которая в шутливой манере формулируется так: "как заставить человека НЕ думать, а выполнять приказы". Как известно, в каждой шутке есть доля истины, но данные вопросы относятся к области психологии и не рассматриваются в нашей работе. Хотя надо помнить, что одно из направлений области ИИ – моделирование человеческого мышления, позволит успешно решить и эту грустную задачу.

Итоги дискуссий и разнообразных Круглых столов на научных конференциях однозначно показывают, что многие ученые понимают как важность и необходимость, так и возможные различные последствия создания ИИ. Здесь будет уместно обратиться к одному интересному вопросу: создан ли уже ИИ?

В настоящее время (2010 год) ответы на этот вопрос прямо противоположны: от категоричного отрицания самой возможности создания ИИ, до утверждений, что он уже создан. С нашей точки зрения, этот вопрос неявно подразумевает необходимость введения шкалы измерений интеллектуальности различных систем. Эти вопросы поднимались нами еще в [72] при обосновании необходимости перехода от ИИ к "Теории активного отражения". Постепенно данное положение находит все большую поддержку у научного сообщества, т.к. только такой подход позволяет свести споры о создании ИИ к единой базе, шкале и точке отсчета.

Как известно, изначально область ИИ занималась автоматизацией разумной деятельности человека. На наш взгляд, все западные компьютерные науки и российская информатика также направлены на это. По мере развития достижений ИИ компьютерам передавалось все большее количество функций и возможностей. Говоря компьютеры, мы подразумеваем и программы, и аппаратные устройства, которые все создаются человеком. При этом наблюдается забавная закономерность: как только программистам удавалось создать новую автоматическую систему решения творческих человеческих задач, так сразу же находились ученые, которые переводили эту задачу в разряд НЕтворческих. И опять продолжали утверждать, что ИИ не существует. За последние 50 лет развития компьютеров осталось не так уж много задач, которые люди решают все еще лучше, чем компьютеры. С нашей точки зрения, компромисс возможен при следующих условиях:

1) широкое признание того, что область ИИ и сам ИИ – это усилитель человеческих мыслительных возможностей, помощник, и он нужен, прежде всего, для автоматизации различных функций при работе с информацией;

2) возможности введения некой шкалы автоматизации, активности или интеллектуальности человеко-машинных систем;

3) признания того, что некие достаточно простые формы усиления мышления или его автоматизации уже созданы, т.е. некие прототипы ИИ уже существуют: новое поколение двадцатилетних студентов уже не мыслит своей жизни без компьютеров, которые в любом случае уже создают преимущества для своих хозяев по сравнению с людьми без компьютеров;

4) остается вопрос и проблема создания полностью автоматического ИИ, который по своим возможностям будет превосходить как "типового" человека, так и самого умного – это традиционная трактовка противников возможности создания полноценного ИИ, которая остается для дальнейших исследований;

5) возможно, что с этим еще не все согласятся, но, на наш взгляд, уже совершен переход от гомо сапиенса к гомо сапиенсу с компьютером – "гомо компьютерусу". Вполне возможно, что именно следующей ступенью развития человека и будет полноценный ИИ, возможность создания которого еще находится под вопросом.

Существует грустная шутка, что новые идеи получают одобрение и развитие по мере вымирания предыдущего поколения ученых. С учетом улучшения условий жизни, увеличения ее продолжительности и ускорения прогресса в области ИИ, очень хочется надеяться, что новые идеи будут приживаться и активно внедряться еще при предыдущих поколениях ученых и при их одобрении (ну хотя бы при молчаливом непротивлении; – ))) ). Как бы не относится к технологиям компьютерных наук и ИИ, но всеми серьезными учеными признается такой факт: создание ИИ – это может быть страшнее и гораздо хуже ядерной бомбы. Может исчезнуть как все человечество, так и "только" отдельные страны… Оставаясь оптимистами, но реально учитывая худшее, продолжим исследования по созданию ИИ; – ))).

Разделы 1, 2 и 7 данной монографии написаны Варламовым О.О. Раздел 3 написан Санду Р.А. Остальные разделы монографии написаны авторами совместно.

Кроме того, разделы 5.9.3, 6.5.1, 6.5.2, 6.5.3 и 7.5 данной монографии написаны авторами вместе с Сергушиным Г.С. Разделы 1.5, 2.1, 2.3, 7.1.1, 7.1.3, 7.1.7, 7.2.1, 7.2.3, 7.2.4 и 7.5 данной монографии написаны авторами вместе с Васюговой С.А. Разделы 7.2.1, 7.2.2, 7.2.3, 7.2.4 и 7.5 данной монографии написаны авторами вместе с Белоусовой А.И. Раздел 2.5 оформлен рисунками Варламовой Л.О.

Благодарности. Данная книга написана по результатам многолетних исследований, которые были бы невозможны без поддержки и помощи многих и многих наших друзей, товарищей, сотрудников. Выражаем искреннюю благодарность нашим семьям, друзьям, учителям и всем тем, кто оказывал помощь в проведении научных исследований, а также при написании, редактировании и опубликовании этой монографии.

Спасибо!

1. Мивары и искусственный интеллект

Проведем обзор литературных источников [1-525] и краткое сравнение и сопоставление достижений и возможностей миварных технологий и основных подходов в области создания ИИ. Но перед этим совсем кратко изложим основы миварного подхода и опишем, для каких систем он создавался. Надеемся, что после такого описания станет понятно, что существующие "традиционные" интеллектуальные системы решают гораздо более простые задачи, традиционные подходы к их решению не удовлетворяют реальным требованиям, а миварный подход является развитием и обобщением практически всех существующих технологий и обладает качественно новыми достоинствами и важными преимуществами.

1.1. Основы миварного подхода

Проблема моделирования интеллектуальной деятельности человека для создания ИИ является актуальной и важной. Миварный подход позволяет предложить новые модели и методы обработки информации и управления. Будем понимать под системами искусственного интеллекта активные самообучающиеся логически рассуждающие системы. В прошлом веке были разработаны технологии создания экспертных систем по отдельным узконаправленным предметным областям. Это было обусловлено сложностями формализованного описания требуемых предметных областей и тем, что системы логического вывода не могли обрабатывать более 20 объектов/правил. В то же время, получили развитие интеллектуальные пакеты прикладных программ (ИППП), которые позволяли решать в автоматизированном режиме задачи в разных областях, где требовались вычисления и конструирование алгоритмов решения задач. Технологии ИППП развиваются в миварах и сервисно-ориентированных архитектурах.

В Интернете развиваются различные формы справочных и обучающих систем. Например, Википедия или проект "Вольфрам". Российская фундаментальная инновационная технология "миварный подход" [46-126, 303, 354-355, 503-504] позволяет использовать эволюционные базы данных и знаний (правил) для формирования единого образовательного и справочного пространства. Активная миварная Интернет-энциклопедия будет содержать в себе не только факты в разных предметных областях, по аналогии с существующими энциклопедиями, но и активные программы для решения различных логических и вычислительных задач (технологии ИППП и сервисов). В миварном подходе объединяются в единую технологию базы данных, вычислительные задачи и логические проблемы.

Миварный подход [46-126, 303, 354-355, 503-504] развивается с 1985 года и включает две основные технологии:

1) эволюционные базы данных и правил (знаний) с изменяемой структурой на основе миварного информационного пространства унифицированного представления данных и правил, базирующегося на "тройке" "вещь, свойство, отношение", предназначенные для хранения любой информации с изменением структуры и без ограничения по объему и формам представления;

2) систему логического вывода или конструирования алгоритмов на основе активной обучаемой миварной сети правил с линейной вычислительной сложностью, предназначенную для обработки информации, включая не только логический вывод, но и вычислительные процедуры и сервисы.

В отличие от традиционных подходов, разделяющих хранение в базах данных, логический вывод и вычислительную обработку [226, 244-245, 264, 273, 328], миварный подход позволяет создавать многомерные и эволюционные системы, обрабатывающие информацию в реальном масштабе времени с совмещением логических выводов и вычислительной обработки [46-126, 303, 354-355, 503-504]. Основой многомерного эволюционного миварного подхода является то, что реальный мир существует сам по себе, а при изучении и познании некоторой предметной области человек представляет себе описание этого мира в виде начального трехмерного пространства, осями которого являются понятия: вещь, свойство и отношение. Эти три понятия – абстракции, удобные для описания реального мира. Отметим, что миварный подход – это современный подход для разработки интеллектуальных систем и, в перспективе, создания систем искусственного интеллекта [72].

1.2. Для каких систем создан миварный подход

Практика общения с коллегами на научных конференциях и дискуссиях показала, что необходимо сразу и четко формулировать, для каких систем был создан миварный подход. Дело в том, что, по признанию многих авторитетных ученых, их работы направлены на решение "игрушечных задач" с очень ограничивающими требованиями, например: замкнутость описания предметной области, не более 20-30 логических правил и т.п. На ранних этапах исследований такие постановки имели право на жизнь. Но миварный подход создавался для принципиально других систем, которые можно кратко называть глобальными познающе-диагностическими системами реального времени. По указанным выше примерам, для миварного подхода сразу было поставлено условие работы с открытыми и достаточно большими предметными областями, где счет логическим правилам идет на десятки тысяч. При этом стоит отметить, что были практически сняты ограничения на вычислительные ресурсы и прочие материальные ограничения, т.к. стояла задача оценки определения предельных возможностей таких систем.

Глобальные познающе-диагностические системы (ГПДС) должны решать задачу мониторинга и прогнозирования сложной предметной области. Обобщенная схема таких систем показана на рисунке 1.

Рисунок 1 – Схема познающе-диагностических систем реального времени

Отметим, что основой работы глобальных познающе-диагностические систем является информация – глобальная же модель предметной области, включающая и все данные, и все правила, и все отношения и т.д. В терминологии миваров это и есть эволюционная база данных и правил. Именно на ее основе можно по кратким фрагментам получаемых сообщений делать обоснованные выводы и прогнозы. Эти краткие сообщения представляют собой лишь горные вершины или вершины айсбергов, за которыми скрываются огромные описания, хранящиеся в базах данных.

Для решения задачи мониторинга и прогнозирования сложной предметной области (ПО) необходимо создать автоматизированную систему информационного моделирования и прогнозирования. Прежде всего, необходимо создать информационную модель предметной области и решить задачи сбора требуемых данных, обработки информации и прогнозирования развития объекта наблюдения. Эта классическая задача имеет большое множество возможных решений, зависящих от особенностей предметной области, имеющихся ресурсов, заданных требований по достоверности, своевременности, надежности, точности прогнозирования и т.п. В любом случае, необходимо выделение и создание трех подсистем:

· сбора данных;

· накопления и обработки информации;

· прогнозирования и имитационного моделирования.

Создание информационной модели сложной предметной области является творческой задачей с применением информационных технологий баз данных, экспертных систем, систем поддержки принятия решений, интеллектуальных систем и др. Успех решения задачи зависит от концептуального моделирования предметной области (выделяют концептуальный, логический и физический уровни моделирования ПО). Отметим, что анализ разработки существующих аналогов показывает необходимость изначального применения эволюционных (развивающихся, обучаемых) систем. В настоящее время существуют современные и перспективные методы моделирования самых сложных предметных областей в предельно жестких ограничениях и внешних условиях. К таким информационным технологиям относится отечественная технология создания самоорганизующихся программно-аппаратных комплексов оперативной диагностики (СПАКОД) на основе эволюционного многомерного информационного пространства универсального представления данных и правил [72, 46-126, 303, 354-355, 503-504].

При решении задач моделирования и прогнозирования сложных предметных областей невозможно изначально определить требуемые ресурсы и возможные проблемы. Такая задача относится к классу познавательных задач и не имеет однозначных, тем более, простых решений. Кроме того, задача мониторинга относится к классу диагностических задач, требующих обработки данных в реальном масштабе времени. Когда задачи познания и диагностики решаются одновременно, возникает наиболее сложный класс познающе-диагностических задач. В настоящее время для одновременного решения задач мониторинга и прогноза сложных реальных предметных областей не существует готовых информационных систем.

Однако, комбинируя существующие технические и программные решения, представляется возможным решить требуемую задачу мониторинга и прогноза сложных реальных предметных областей.

Например, технология самоорганизующихся программно-аппаратных комплексов оперативной диагностики позволяет постепенно по мере изучения (познания) предметной области эволюционно наращивать требуемые ресурсы как на программном, так и на аппаратном уровне.

Информационная модель создается с самого простого и минимального количества данных, а затем, по мере поступления новых данных из подсистемы сбора данных, происходит эволюционное наращивание информационной модели в подсистеме накопления и обработки данных. Далее появляется возможность выполнения прогнозирования на различные интервалы времени.

Технология СПАКОД позволяет одновременно осуществлять информационное моделирование на нескольких моделях, по каждой из которых выполняется прогнозирование. Полученные прогнозы по мере наступления событий сравниваются с реальным развитием предметной области.

Затем, в рамках организации обратной связи анализируются все прогнозы, их отличие от реального развития событий (ошибки прогнозирования) и осуществляется модернизация существующих информационных моделей. Со временем, практика показывает, что такое разномодельное эволюционное прогнозирование с обратной связью позволяет давать достаточно точные и объективные прогнозы.

Таким образом, технология СПАКОД позволяет эволюционно и постепенно наращивать как саму информационную модель (и требуемые для ее функционирования ресурсы), так и точность прогнозирования.

Подчеркнем, что особенности создания системы сбора данных в основном зависят от поставленных задач и предметной области. Однако технология СПАКОД позволяет в процессе информационного моделирования выявлять недостающие данные, определять, где их можно получить, и управлять процессом сбора данных в реальном масштабе времени. Сбор данных может осуществляться как автоматически в различных компьютерных сетях (Интернет), так и с использованием специальных и других технологий, включая специально подготовленных людей или роботизированные системы. Известны различные технологии сбора данных, но их целесообразно рассматривать после начального создания информационной модели сложной предметной области.

Если технологии сбора данных сильно зависят от возможностей людей, то следующие этапы: обработка и прогнозирование – позволяют практически полностью автоматизировать весь процесс и максимально сократить количество требуемого персонала. Кроме того, существуют различные способы разграничения доступа, при которых информация о реально решаемых задачах и получаемых результатах доступна только высшему руководству и системным администраторам СПАКОД.

1.3. Анализ принципиально новых возможностей информатизации

Попробуем разобраться, что принципиально нового дает информатизация. Прежде всего, информатизация – это применение компьютерных технологий. В современном состоянии это означает повсеместное использование территориально распределенных гетерогенных компьютерных сетей и систем. Необходимо сразу же выделить два принципиально разных уровня:

· физический ("железо": оборудование, каналы связи и т.д.) и

· логический ("софт": программное обеспечение, алгоритмы, данные и т.п.).

По существу, компьютеры материализуют человеческие мысли, т.е. выполняют написанные по определенным алгоритмам программы. Алгоритмы могут быть самыми различными. Человек, разрабатывая алгоритм и создавая программу, как бы отделяет от себя свои мысли, дает им самостоятельную жизнь, но потом может воспользоваться результатами выполнения своих программ. До тех пор, пока не создан искусственный интеллект, компьютер является усилителем мыслительной деятельности человека! Это самое принципиальное свойство информатизации: усиливать человеческие интеллектуальные способности. Т.е., если мыслей и интеллекта НЕТ, то и усиливать НЕЧЕГО! Ноль, помноженный на любое число, все равно дает в результате ноль!

Основные процессы, которые автоматизирует информатика: сбор, передача, обработка, хранение и представление данных (информации, сведений и т.п.). По всем этим пяти направлениям компьютеры усиливают и/или расширяют человеческие возможности (способности). Кроме того, с помощью компьютера человек может создавать новую информацию (данные). Отметим, что принято различать понятия: информация, сведения, данные – и близкие к ним, но на данном этапе анализа нет необходимости в этом и все их можно использовать как синонимы (до определенного момента, который надо отдельно оговаривать).

Кратко проанализируем эти пять направлений, но опустим для краткости оценку их реальных возможностей и этичности.

Сбор информации. Компьютерные системы и сети позволяют собирать (получать) человеку практически всю документированную и переведенную в электронный вид информацию. Не будем говорить о закрытой и конфиденциальной информации, а рассмотрим теоретические возможности человека по сбору любой доступной информации. Фактически, информатизация позволяет человеку собирать любую информацию, т.е. возможности человека по сбору информации становятся безграничными.

Передача информации. Современные средства компьютерной телекоммуникации позволяют передавать информацию в очень больших объемах практически в реальном масштабе времени на любые расстояния и многим получателям одновременно. Возможности человека и здесь практически ничем не ограничены (в разумных пределах, конечно же). Особо надо подчеркнуть, что передача позволяет взаимодействовать большому количеству людей в реальном масштабе времени. Есть ограничения по скоростям передачи данных, но в целом даже видеоизображение уже может передаваться в реальном масштабе и без особых финансовых затрат.

Обработка информации. В этом направлении все зависит от формализуемости и наличия четких алгоритмов обработки информации. Все операции, для которых разработаны алгоритмы, могут быть выполнены на компьютерах. Возможности здесь, конечно же, ограничены, но все же компьютеры позволяют весьма существенно усилить человеческие способности и проводить обработку огромных массивов информации достаточно быстро. Пожалуй, именно в обработке информации еще есть большие резервы для усиления человеческого мышления (по возможности и мере необходимости).

Хранение информации. При соблюдении определенных условий хранить можно практически бесконечные объемы информации. Отдельный вопрос – это своевременный доступ к требуемой информации, но здесь еще очень много нерешенных научно-технических проблем. (Для решения этих проблем можно применять, например, миварное информационное пространство, позволяющее в едином формате хранить и данные, и правила (процедуры, программы и т.п.) их обработки). Таким образом, хранить можно бесконечно много данных, но вот с доступом к ним пока есть существенные проблемы (что сильно связано с обработкой информации).

Представление информации. В этом направлении все зависит от требуемых форм представления информации, ее публикации и распространения. Практически все известные формы представления информации доступны для современных компьютеров: видео, голос, запахи, тактильные ощущения и многое другое для всех органов чувств человека. При определенных усилиях человеку доступны все формы и виды представления информации. Отметим, что человек может создавать любую информацию, но для обмена ею с другими людьми надо представить ее в некоторой доступной для других форме.

Перейдем к управлению. По сути, любое управление – это достижение некоторой цели, некоторого требуемого состояния по определенным алгоритмам в конкретных внешних условиях и при учете неизбежных ограничений. Фактически для любого управления может быть создана некоторая модель на основе параметров и алгоритмов. Для решения задач управления современные компьютеры могут оказать значительную помощь, но, к сожалению, не во всех областях. Как было показано выше, если задачу управления можно строго описать, создать четкие алгоритмы и задать пороговые значения всех параметров, то компьютерная система даже без участия человека сможет отлично выполнять функции управления.

1.4. Познающе-диагностические автоматизированные информационные системы и сложные предметные области

Для определения предельных требований к автоматизированным системам необходимо описать максимально сложные условия для их применения. Как известно, выделяют классы познавательных и диагностических автоматизированных систем обработки информации (АСОИ) [72]. Основной задачей познавательных систем является изучение новой сложной предметной области без существенных ограничений по времени работы. Задачей диагностических систем является другая крайность – в минимальное время принимать решения в динамической формализованной области. Представляется, что наиболее сложным случаем является сочетание этих двух систем, когда на неизвестной исследуемой предметной области надо распознавать ее состояние и принимать решения в минимальное время. Такие познающе-диагностические АСОИ являются наиболее сложными, и в них отрабатываются новые подходы, модели, методы и алгоритмы. Практически все реальные сложные проблемы менеджмента относятся именно к познающе-диагностическим задачам.

Таким образом, для обоснованной классификации управленческих АСОИ целесообразно сформулировать наиболее важные условия и категории сложности различных предметных областей. Все управленческие АСОИ и программы можно будет разбить на классы решаемых задач по соответствующей сложности. Тогда, все разнообразные пользователи смогут обоснованно выбирать для себя наиболее подходящие конкретные АСОИ. С научной точки зрения, наибольший интерес представляют именно максимальные условия сложности предметной области. Ведь если некоторая АСОИ создана для максимально сложного случая, то она сможет решать и более простые задачи даже в упрощенном варианте самой АСОИ.

Кроме того, исследуя максимально сложные случаи, можно определить и предельные возможности современных АСОИ, выявить основные научные проблемы и приступить к их целенаправленному решению. Насколько нам известно, наиболее сложными считаются следующие условия для системы управления:

1) сложный, большой, разнообразный, изменяющийся и развивающийся объект управления, когда принципиально нельзя сделать его полную информационную модель;

2) объективное наличие и сильное влияние фактора случайности событий, их непредсказуемости;

3) агрессивная внешняя среда с частыми, неожиданными и очень быстрыми изменениями (нельзя применять только статистические модели);

4) ограниченные внешние и внутренние ресурсы, которых заведомо не хватает для всех, что и порождает конфликты и конкуренцию;

5) наличие не менее интеллектуальных и не менее сильных объектов-противников или конкурентов (обман и комбинации);

6) проблемы со своевременностью получения и передачи сигналов управления: длительные задержки при передаче сигналов управления и получения сигналов с датчиков (в пределе – счет идет на секунды);

7) проблемы с полнотой требуемых исходных данных (не все данные в наличии, более того, реально все данные невозможно получить никогда);

8) проблемы с достоверностью получаемых исходных данных, т.е. неправильные или ошибочные данные по разным причинам;

9) важность и сложность принимаемых решений ("ценою в жизнь").

Возможно, это еще не все условия, и данная проблема требует отдельного изучения. Важно, что в таких случаях принципиально нельзя создать идеальную систему управления (не хватает либо ресурсов, либо времени, либо чего-то еще). Как правило, существует несколько вариантов создания таких систем управления, из которых надо выбрать оптимальный. Принципиально, что на выходе получают квазиоптимальную систему, а так как внешняя среда и противники постоянно изменяются, то и эта система должна быть открытой и эволюционной. Важно еще и то, что, когда некие действия уже начались, у менеджеров не будет времени на раздумывания и создание новых планов действий, а остается только выбрать какой-то один заранее разработанный план и реализовывать его, осознавая всю ответственность и, возможно, немного модернизируя и уточняя его.

Отметим, что для таких сверхсложных систем существующие традиционные базы данных и простейшие экспертные системы не могут быть адекватными. Именно для таких максимально сложных случаев и разрабатывались новые перспективные миварные базы данных и правил и миварное информационное пространство [46-126, 303, 354-355, 503-504]. Миварные базы данных и правил разработаны именно для познающе-диагностических систем реального времени. Отметим, что в миварном информационном пространстве возможно одновременное моделирование в реальном времени нескольких информационных моделей, сопоставление их результатов и разработка различных прогнозов. Это вполне соответствует современным направлениям: сервисно-ориентированные архитектуры, "облачные" вычисления, многоагентные системы – хотя все это разрабатывалось в миварах независимо и параллельно.

1.5. Обзор технологий ИИ и сравнение с миварным подходом

За основу описания области ИИ мы взяли книгу Джорджа Люгера [264], которая была написана в 2001 году и фактически обобщает итоги 20 века в области ИИ. Конечно же, мы учитывали и более современный материал, который излагался в статьях, докладах, книгах и отражен в списке литературы. Тем не менее, основные выводы и положения работы Люгера не утратили своей актуальности, а следовательно, можно сравнивать миварный подход с достижениями в области ИИ.

Итак, основной целью своей работы Дж. Люгер считал "… объединение разрозненных областей искусственного интеллекта с помощью детального описания его теоретических основ …" [264, стр. 20]. Для адекватности изложения материала будем приводить достаточно подробные цитаты, особенно в тех случаях, когда мы согласны с автором. Постараемся собрать таким образом общую аксиоматику в области ИИ, а затем сравнивать ее с миварными технологиями. "Интеллект – это сложная область знаний, которую невозможно описать с помощью какой-то одной теории. Ученые строят целую иерархию теорий, характеризующие его на разных уровнях абстракции" [264, стр. 20]. Там же выделены три уровня:

1) на самом низком уровне находятся нейронные сети, генетические алгоритмы и другие формы эволюционирующих вычислений, позволяющие понять процессы адаптации, восприятия, воплощения и взаимодействия с физическим миром, лежащим в основе любой формы интеллектуальной деятельности;

2) на втором уровне лежат более строгие шаблоны логического вывода, а ученые изучают схемы дедукции, абдукции, индукции, поддержки истинности и другие бесчисленные модели и принципы рассуждений;

3) на третьем уровне абстракции разработчики экспертных систем, интеллектуальных агентов, систем понимания естественного языка пытаются определить роль социальных процессов в создании, передаче и подкреплении знаний.

Отметим, что в наших работах предложено примерно такое же выделение уровней исследований в области ИИ, но с добавлением на третьем уровне проблем исследования искусственной личности, сознания и т.п.

Миварный подход предназначен, прежде всего, для работы на втором уровне, который мы расширяем с логической обработки до обработки информации с учетом автоматического конструирования алгоритмов (это относилось ранее к области создания ИППП). Кроме того, наш опыт создания интеллектуальных систем показал, что на этом уровне необходимо учитывать и традиционные вычислительные процедуры или подпрограммы. Из наиболее известных формализмов, кроме миваров этому соответствует подход на основе сервисов или агентов. Есть некая задача; ее формулируют в виде сервиса или агента и затем формализуют в виде "черного ящика" – процедуры с описанием входных и выходных данных. Миварный подход основывается на представлении всей информации в виде "тройки": "вещь-свойство-отношение". Тогда все процедуры, подпрограммы, агенты, сервисы и т.п. могут быть представлены в виде неких отношений, которые хранятся в базе данных, а при необходимости запускаются на основе миварной сети. Миварный подход позволяет для одной предметной области хранить несколько разных процедур, решающих одинаковые задачи. Более того, если вычислительные ресурсы позволяют, то все эти процедуры могут запускаться одновременно, а потом на основе конкуренции из представленных ими результатов выбирается наиболее подходящий для каждого конкретного случая. Сразу отметим, что методы первого, рефлексного, уровня (в нашей трактовке) могут быть реализованы в виде точно таких же миварных процедур, включающих и нейронные сети, и генетические алгоритмы, и т.д.

В книге Люгера приведено довольно точное и краткое определение: "ИИ можно определить как область компьютерной науки, занимающуюся автоматизацией разумного поведения" [264, стр. 27]. ИИ опирается на теоретические и прикладные принципы компьютерной науки (информатики): структуры данных, алгоритмы, языки и методики программирования. Отметим: само понятие интеллекта определено не очень четко, что дает некую иллюзию использовать термин ИИ в качестве недостижимого горизонта, к которому надо стремиться, но невозможно достичь. К настоящему моменту времени все примерно так и происходит: если некая творческая проблема решается, т.е. ее удается формализовать и разработать соответствующие алгоритмы решения на компьютерах, то большинство ученых сразу объявляет эту проблему нетворческой, решение неинтеллектуальным и, таким образом, отодвигает горизонт (ИИ) дальше и дальше. Нечто подобное уже произошло с самой интеллектуальной игрой – шахматами, после того, как компьютеры стали уверенно обыгрывать самых лучших шахматистов-людей. Да, мы тоже согласны с тем, что, машина решает эти задачи не как человек… Тем не менее, уже достаточно большое количество промышленных автоматизированных систем решает сложные, "человеческие", задачи, а их пользователи-люди уже не могут обойтись без компьютеров.

Подчеркнем лишь то, что в этой области слишком много антропоморфности – человекоподобия, а следовательно, и субъективизма. Мы являемся сторонниками установления единых правил измерения интеллектуальности, т.е. некой шкалы способности к активному отражению, где человеческий мозг – лишь очередное звено и двигаться к нему надо постепенно. Не надо забывать, что до создания человека природа прошла большой путь дарвиновского развития. Вместо того чтобы так же постепенно улучшать способности компьютера, т.е. повышать его интеллектуальность, люди ставят завышенные цели и не могут достичь их, а это приводит к разочарованию "публики" в науке. Что отражается и на финансовом состоянии современной науки. Более того, всякое компьютерное достижение сравнивают не с обычным "средним" человеком, а сразу с самым умным и гениальным… Если писать стихи, то как Пушкин. А много ли таких Пушкиных среди людей? Объективно говоря, наши требования к компьютерам очень сильно завышены. Это с одной стороны. С другой стороны, для многих практических задач достаточно моделирования и реализации деятельности хотя бы простейших животных. Обычно на дискуссиях мы предлагаем сделать не разумного человека, а начать с таракана, собаки и т.п. Необходимо сначала разобраться с интеллектуальностью на уровне животных, что само по себе весьма полезно для промышленности, а уж потом "замахиваться" на создание искусственного человека. Нам не нужны искусственные люди: людей пока в достаточном количестве рожают наши любимые женщины. Кстати, в плане биологического клонирования человека – это тоже, в определенном смысле, проблема создания искусственных людей, т.е. ИИ. Нас интересует не биологический аспект, а создание технических систем. Тогда и приходим к выводу: смысл ИИ – создание усилителя человеческих возможностей. Если этот усилитель-ИИ будет работать полностью автономно, то возникнут проблемы выживания человека в борьбе со "злыми" роботами. Да, эти проблемы тоже лучше решать заранее, но все же, это несколько другие проблемы, хотя, безусловно, важные и актуальные.

Необходимо отдать историческое должное языку Фреге, изложенному им в 1884 году и именуемому сейчас исчислением предикатов первого порядка. Да, это исчисление предикатов служит инструментом для записи теорем и задания значений истинности, а также сыграло принципиальную роль в создании теории представления для ИИ. Исчисление предикатов первого порядка обеспечивает средства автоматизации рассуждений: язык для построения выражений, теорию, позволяющую судить об их смысле, и логически безупречное исчисление для вывода новых истинных выражений. [264, стр. 34]. Далее Люгер указывает, что работа Рассела и Уайтхеда особенно важна для фундаментальных принципов ИИ, т.к. они относились к математике как к чисто формальной системе. Это означает, что аксиомы и теоремы должны рассматриваться исключительно как наборы символов, а доказательства должны выводиться лишь посредством применения формальных правил. При этом исключается использование интуиции или смысла теорем в качестве основы доказательств. Смысл, содержащийся в теоремах и аксиомах системы, имеет отношение только к внешнему миру и совершенно не зависит от логического вывода. Этот формальный подход Рассела и Уайтхеда к математическим умозаключениям сделал возможной его автоматизацию в реальных вычислительных машинах. Логический синтаксис и формальные правила вывода, разработанные Расселом и Уайтхедом, лежат в основе систем автоматического доказательства теорем и составляют теоретические основы искусственного интеллекта [264, стр. 34-35]. Однако, с другой стороны, это наложило и важные ограничения на возможности описания реальных предметных областей: формализм, как выясняется, тоже имеет свои недостатки вместе с преимуществами. Нельзя не отметить и роль А.Тарского, чья теория ссылок сыграла принципиальную роль в процессе формирования ИИ. Согласно этой теории, правильно построенные формулы Фреге или Рассела-Уайтхеда определенным образом ссылаются на объекты реального мира, а эта концепция лежит в основе большинства теорий формальной семантики. Люгер справедливо отмечает, что ИИ не стал жизнеспособной научной дисциплиной до появления цифровых вычислительных машин. Однако архитектура цифровых компьютеров наталкивает на специфичное представление теории ИИ. Получается, что интеллект – это способ обработки информации. Далее Люгер формулирует совершенно замечательную мысль, к которой мы с удовольствием присоединяемся: "Мы часто забываем, что инструменты, которые мы создаем для своих целей, влияют своим устройством и ограничениями на формирование наших представлений о мире". Такое, казалось бы, стесняющее наш кругозор взаимодействие является важным аспектом развития человеческого знания: инструмент (а научные теории, в конечном счете, тоже инструменты) создается для решения конкретной проблемы. По мере применения и совершенствования инструмент подсказывает другие способы его использования, которые приводят к новым вопросам и, в конце концов, разработке новых инструментов [264, стр. 35]. Это очень важно для развития науки!

Здесь весьма уместно привести пример зарождения миварного подхода к логической обработке и созданию прототипа "УДАВ" в далеком 1985 году. Перед Варламовым О.О. поставили задачу изучения сетей Петри и их реализации на конкретном примере: автоматическом решении геометрических задач в треугольниках, где по разным параметрам: углам, сторонам треугольника, высотам и т.д. – с использованием существующих формул всегда можно найти другие параметры, например, площадь, периметр и т.д. Этот пример должен был быть применен для создания прототипов интеллектуальных пакетов прикладных программ. Не будем вдаваться в подробности, т.к. сейчас эта задача успешно решена в миварных сетях и подробно описана в наших работах. Смысл примера в том, что в процессе изучения сетей Петри были выявлены ограничения и неполная пригодность этого формализма даже для решения таких простых задач, как расчет параметров треугольников. Но мы пошли дальше и разработали идею применения нового формализма, позже получившего название "УДАВ" – "универсальный делатель алгоритмов Варламова". Самое "забавное" началось дальше, и этот пример показывает отношение двух разных ученых к разработке нового инструмента. Первый ученый – формалист выслушал все возражения и критику в адрес сетей Петри и также идею нового подхода к решению задач в треугольниках, но вместо одобрения нового подхода принял решение сменить ученика, сменить пример из предметной области и продолжить "мучиться" с сетями Петри. Ему было важно не решение практической задачи, а освоение формализма сетей Петри. Мы считаем это тупиковым путем, когда ученые "уходят в свой формальный мир" и забывают о необходимости решения практических задач и возможности разработки новых инструментов. Мы не будем идентифицировать этого конкретного ученого, т.к. в дальнейшей жизни встречалось огромное количество таких формалистов, которые, к огромному сожалению, помимо полезного вклада в науку, чему мы всегда отдаем должное уважение, на определенном этапе начинают отвергать новые идеи и тормозить развитие науки. Вернемся к нашему примеру и вспомним, что был и второй ученый – Ростовцев Ю.Г., который в своем курсе касался в том числе и вопросов создания ИППП. Варламов О.О. к началу экзаменационной сессии 1986 года уже достаточно четко сформулировал основные подходы "УДАВ", а также выявил ограничения традиционных ИППП. Теперь ситуация: на экзамене ученик говорит своему преподавателю, весьма заслуженному и уважаемому уже на тот момент, заведующему кафедрой: "Извините, но изложенные Вами методы создания ИППП не интеллектуальные, а вот разрешите мне рассказать Вам о моем научном подходе к этому вопросу". И вот второй ученый (Ростовцев Ю.Г.) вполне спокойно согласился, выслушал и в конце даже признал, что метод "УДАВ", действительно, лучше тех методов, о которых он рассказывал на своих лекциях. Это пример реального и положительного подхода, когда ученые выслушивают своих оппонентов и не впадают в формализм. Еще раз, огромное спасибо за поддержку Ростовцеву Ю.Г. К нашему счастью, второй тип настоящих ученых встречался на нашем научном пути достаточно часто и позволял компенсировать негативное влияние и отношение формалистов.

Всегда надо помнить, что любой математический формализм – это всегда ограничения на предметную область, это упрощение реальной жизни, а следовательно, надо вовремя переходить к новым инструментам и не ограничивать себя "детскими ползунками" и простейшими формализмами.

Если говорить о миварах и перечисленных выше формализмах Фреге, Рассела и Уайтхеда, Тарского и многих других, то надо помнить, что наука развивается по спирали и старые формализмы требуют своего продолжения на новом витке. Упомянутые выше исчисление предикатов и другие ранние фундаментальные формализмы при необходимости могут быть реализованы и в правилах (отношениях) миварных сетей. Только надо помнить, что есть и другие формализмы представления информации для ИИ, а у исчисления предикатов первого порядка есть достаточно жесткие ограничения и не очень большие возможности, если вспоминать не об "игрушечных" задачах, а говорить о создании глобальных познающе-диагностических системах и СПАКОД, решающих сложные логико-вычислительные задачи в реальном времени. К сожалению, для достаточно большого количества ученых в нашей области исчисление предикатов так и остается верхом развития, что тормозит применение других более мощных и современных научных теорий. У того же Люгера подробно изложены биологические и социальные модели интеллекта, многоагентные системы, которые опираются не на исчисление предикатов, а на совсем другие и гораздо более современные научные теории [264, стр. 38-42]. Там же приведено интересное и новое определение термина "интеллект", которое отличается от традиционного подхода логиков и сторонников исчисления предикатов первого порядка. "Хассерл, отец феноменологии, рассматривал абстракции как объекты, укоренившиеся в конкретном "жизненном мире"… интеллект заключался не в знании истины, а в знании, как вести себя в постоянно меняющемся и развивающемся мире. Таким образом… интеллект рассматривается с точки зрения выживания в мире, чем как набор логических утверждений о мире (в сочетании со схемой вывода)" [264, стр. 39].

Выделим из описания различных моделей интеллекта Люгера [264] еще несколько, наиболее важных и актуальных для миварного подхода и его различных практических приложений. В нейронных моделях интеллекта упор делается на способность мозга адаптироваться к миру, в котором он существует, с помощью изменений связей между отдельными нейронами. Знание в таких системах не выражается логическими конструкциями, а представляется в неявной форме как свойство конфигураций таких взаимосвязей. Иная модель интеллекта, заимствованная из биологии, навеяна процессами адаптации видов к окружающей среде. В разработках искусственной жизни и генетических алгоритмов программы не решают задачи посредством логических рассуждений, а порождают популяции соревнующихся между собой решений-кандидатов и заставляют их совершенствоваться на основе биологической эволюции. Социальные системы дают еще одно модельное представление интеллекта с помощью глобального поведения, которое бы не удалось решить отдельным их членам. Есть два аспекта:

1) корни интеллекта связаны с культурой и обществом, а следовательно, разум является эмерджентным;

2) разумное поведение формируется совместными действиями большого числа очень простых взаимодействующих полуавтономных индивидуумов, или агентов.

Взаимодействие агентов создает интеллект [264, стр. 40]. Люгер Дж. определяет агента как элемент сообщества, который может воспринимать аспекты своего окружения и взаимодействовать с этой окружающей средой либо непосредственно, либо путем сотрудничества с другими агентами. Большинство интеллектуальных методов решений практических задач требуют наличия разнообразных агентов. Это могут быть простые агенты-механизмы, задача которых – собирать и передавать информацию; агенты-координаторы, которые обеспечивают взаимодействие между другими агентами; агенты поиска, которые перебирают пакеты информации и возвращают какие-то избранные частицы; обучающие агенты, которые на основе полученной информации формируют обобщающие концепции; и принимающие решения агенты, которые раздают задания и делают выводы на основе ограниченной информации и обработки. Получается, что с точки зрения определения интеллекта агентов можно рассматривать как механизмы, обеспечивающие выработку решения в условиях ограниченных ресурсов и процессорных мощностей. Для разработки и построения таких сообществ агентов необходимы: структуры для представления информации, стратегии поиска в пространстве альтернативных решений и архитектура, обеспечивающая взаимодействие агентов [264, стр. 41]. Технология многоагентных систем уже фактически использована для создания познающе-диагностических систем, хотя в явном виде подобные названия и термин "агенты" используются не всегда.

Как видно, в современной теории ИИ кроме предикатного подхода уже разработано большое количество других подходов, кардинально отличающихся от исчисления предикатов и т.п. Подчеркнем, что продукционный подход и его развитие в миварных сетях являются еще одной альтернативой исчислению предикатов при создании ИИ.

2. Основные преимущества миварного подхода

2.1. Обзор достижений в области искусственного интеллекта

В области ИИ существует две фундаментальные проблемы – это представление знаний и поиск [264, стр. 42]. Первая проблема относится к получению новых знаний с помощью формального языка. Поиск – это метод решения проблемы, в котором систематически просматривается пространство состояний задачи, т.е. альтернативных стадий ее решения.

В области ведения игр широкое применение нашли разнообразные человеческие игры: пятнашки, шашки, шахматы и т.п. Эти игры ведутся с использованием четко определенного набора правил, что уже само по себе является важным ограничением по сравнению с реальными задачами, где правил может не быть совсем, или они могут изменяться по желанию противников. Позиции фигур легко представимы в компьютерной программе и не требуют создания сложных формализмов, необходимых для передачи семантических тонкостей более сложных предметных областей. Тестирование игровых программ не порождает никаких финансовых или этических проблем. Поиск в пространстве состояний – принцип, лежащий в основе большинства исследований в области ведения игр. Игры могут порождать большие пространства состояний, а для поиска в них требуются мощные методики, которые называют "эвристики". Эвристики имеют положительные и отрицательные стороны. С положительной стороны, они ускоряют поиск и определяют, какие альтернативы следует рассматривать в первую очередь, что значительно сокращает пространство состояний задачи. А с отрицательной стороны, эвристики потенциально способны упустить правильное решение. Большая часть того, что Дж. Люгер называет разумностью, опирается на эвристики, которые люди используют в решении задач. Отмечено, что наличие противника усложняет структуру программы, добавляя в нее элементы непредсказуемости [264, стр. 43]. Как видно из вышесказанного, в 20 веке в теории игр решались простые задачи по сравнению с требованиями к познающе-диагностическим системам, для которых создан миварный подход. Именно такой упрощенный подход к решению задач традиционных ученых напоминает старый анекдот, в котором человек потерял часы в темном месте, а ищет их под фонарем, объясняя это тем, что здесь светлее. Это и есть уход от решения реальных задач к "игрушечным", т.к., что делать с реальными задачами не известно (там нет фонаря и темно), а вот под фонарем светло, и "игрушечные" задачи можно попробовать решить. Конечно, наука развивается от простого к сложному, но решая упрощенные задачи не надо говорить и обещать решение реальных задач, тем более запрещать альтернативные подходы к решению, с чем нам, к сожалению, регулярно приходится сталкиваться… Миварный подход изначально предназначен для решения сложных реальных задач, поэтому он другой, и надо это признать.

Автоматическое доказательство теорем – одна из старейших областей возможного применения ИИ, где было много достижений, исследований и программ, включая Универсальный решатель задач Ньюэлла и Саймона. Люгер подчеркивает, что именно "…эта ветвь принесла наиболее богатые плоды…" [264, стр. 44]. Благодаря исследованиям в этой области были формализованы алгоритмы поиска и разработаны языки формальных представлений, такие как исчисление предикатов и логический язык программирования Пролог. Приведем обоснование Дж. Люгера: "… привлекательность автоматического доказательства теорем основана на строгости и общности логики. В формальной системе логика располагает к автоматизации. Разнообразные проблемы можно попытаться решить, представив описание задачи и существенно относящуюся к ней информацию в виде логических аксиом и рассматривая различные случаи задачи как теоремы, которые нужно доказать. Этот принцип лежит в основе автоматического доказательства теорем и систем математических обоснований" [264, стр. 44]. Далее следует замечательный вывод и итог 20 века в этой наиболее богатой ветви: "К сожалению, в ранних пробах написать программу для автоматического доказательства, не удалось разработать систему, которая бы единообразно решала сложные задачи" [264, стр. 44]. Таким образом, Дж. Люгер подтверждает наш тезис о том, что в прошлом веке даже в самых передовых областях ИИ ученые не смогли решить сложные задачи, а значит, нужны принципиально новые подходы и исследования, к числу которых относится и миварный подход.

Приведем обоснование ограниченности возможностей автоматического доказательства теорем, которое имеет важное значение для дальнейших исследований, как минимум, показывая, куда НЕ надо идти. Как говорится, отрицательный результат – это тоже результат!!! Итак, обоснование Дж. Люгера: "Это было обусловлено способностью любой относительно сложной логической системы сгенерировать бесконечное количество доказуемых теорем: без мощных методик (эвристик), которые бы направляли поиск, программы доказывали большие количества не относящихся к делу теорем, пока не натыкались на нужную. Из-за этой неэффективности многие утверждают, что чисто формальные синтаксические методы управления поиском в принципе не способны справиться с такими большими пространствами, и единственная альтернатива этому – положиться на неформальные, специально подобранные к случаю (лат "ad hoc") стратегии, как это, похоже, делают люди. Это один из подходов, лежащих в основе экспертных систем… и он оказался достаточно плодотворным" [264, стр. 44]. Таким образом, возникают новые проблемы: работа с бесконечными множествами теорем и разработка эвристик, про которые ранее было показано, что они не гарантируют решение задачи. Конечно, за прошедшее время ученым удалось разработать мощные эвристики, основанные на оценке синтаксической формы логического выражения, которые в результате понижают сложность пространства поиска. Кроме того, пришло понимание, что системе не обязательно решать особо сложные проблемы без человеческого вмешательства. "Многие современные программы доказательств работают как умные помощники, предоставляю людям разбивать задачи на подзадачи и продумывать эвристики для перебора в пространстве возможных обоснований" [264, стр. 44]. Этот вывод может служить обоснованием нашего утверждения, что ИИ – это усилитель человеческих способностей и автоматизация мыслительных процессов. Кроме того, это косвенно подтверждает необходимость введения шкалы измерений интеллектуальности автоматических систем и наличие относительно слабых форм интеллекта у уже существующих компьютерных программ и устройств. Значит, в таком смысле ИИ уже существует и продолжает развиваться, помогая человеку решать сложные задачи.

Вместе с тем, рассмотренные проблемы доказательств поднимают вопросы необходимости формализации представлений и описаний различных предметных областей. Однако такая возможность есть далеко не всегда. Значит, надо исследовать возможности обработки менее формализованной информации или альтернативных моделей представления данных и знаний, что также развивается в миварном подходе. Миварный подход позволяет работать с различными формами представления данных и правил (знаний), включая и работу с бесконечными описаниями сущностей – вещей, отношений и свойств в миварном многомерном динамическом информационном пространстве унифицированного представления данных и правил (знаний).

Перейдем к анализу экспертных систем (ЭС). Одним из главных достижений ранних исследований по ИИ стало осознание важности специфичного для предметной области знания. Экспертное знание – это сочетание теоретического понимания проблемы и набора эвристических правил для ее решения. "Экспертные системы создаются с помощью заимствования знаний у человеческого эксперта и кодирования их в форму, которую компьютер может применить к аналогичным проблемам" [264, стр. 45]. Следовательно, стратегии ЭС основаны на знаниях человека-эксперта. К настоящему моменту разработаны сотни ЭС, которые прекрасно зарекомендовали себя в различных предметных областях для решения относительно сложных задач. Современные ЭС могут работать на основе ненадежной или недостаточной информации, выводят ясные и логичные пояснения своих решений. Дж. Люгер отмечает, что большинство ЭС были написаны для специализированных предметных областей, которые довольно хорошо изучены и располагают четко определенными стратегиями принятия решений. А вот проблемы, определенные на нечеткой основе здравого смысла реализовать в ЭС гораздо сложнее. Дж. Люгер выделяет 5 основных проблем для ЭС [264, стр. 46]:

1. Трудности в передаче глубоких знаний предметной области и потенциальная ограниченность знаний ЭС.

2. Недостаток здравомыслия и гибкости. ЭС не могут, подобно людям, исследовать сначала основные принципы, а потом выработать стратегию для подхода к проблеме.

3. Неспособность предоставлять осмысленные объяснения. Поскольку ЭС не владеют глубоким знанием своей предметной области, их пояснения обычно ограничиваются описанием шагов, которые система предприняла в поиске решения, но они не могут объяснить, почему был выбран конкретный подход.

4. Трудности в тестировании. Обоснование корректности работы любой большой компьютерной системы достаточно трудоемко. Проверять ЭС особенно тяжело, и это серьезная проблема, т.к. технологии ЭС применяются для разных критичных задач.

5. Ограниченные возможности обучения на опыте. ЭС делаются "вручную" и их производительность возрастает только после вмешательства программистов. Это заставляет серьезно усомниться в разумности таких систем [264, стр. 46].

Отметим, что в настоящее время ЭС нашли самое широкое применение в специализированных областях, но перестали быть передовым краем исследований в области ИИ, т.к. о них сообщается на большом количестве научных конференций. Многие ученые идут в своих исследованиях дальше, и теория ЭС продолжает развиваться в том числе и на основе миварного подхода, который позволяет устранить указанные ограничения и выйти на новый уровень интеллектуальности ЭС. Вместе с тем, именно широкое использование ЭС дает надежные основания для утверждения, что ИИ уже создан и широко используется людьми в своей повседневной деятельности. Конечно, это не означает, что ЭС и системы ИИ на их основе смогли превзойти уровень интеллектуальности человека, т.е. в другом понимании термина ИИ, как системы равной или превосходящей возможности человека, конечно же, еще достаточно далеко до создания такого ИИ.

2.2. Миварный подход и понимание естественных языков

Следующей проблемой ИИ является понимание естественных языков и семантическое моделирование. Здесь мы поддерживаем описание и выводы Дж. Люгера, которые заслуживают подробного цитирования: "Способность применять и понимать естественный язык является фундаментальным аспектом человеческого интеллекта, а его успешная автоматизация привела бы к неизмеримой эффективности самих компьютеров. Многие усилия затрачены на написание программ, понимающих естественный язык. Хотя такие программы и достигли успеха в ограниченных контекстах, системы, использующие натуральные языки с гибкостью и общностью, характерной для человеческой речи, лежат за пределами сегодняшних методологий" [264, стр. 46]. Усилим это высказывание: известные научные подходы к проблеме понимания естественного языка даже не рассматривают эту проблему в полном объеме, сразу ограничивая область и свои возможности. Т.е. выражение "за пределами сегодняшних методологий" означает, что на текущий момент даже и подходов к общему решению этой проблемы пока нет. И этому есть несколько объяснений, включая и приведенное выше пояснение о том, что многие современные ученые решают "игрушечные" задачи, даже не предполагая решение реальных, к числу которых и относится проблема понимания естественного языка.

Мы поддерживаем следующие рассуждения Дж. Люгера: "…понимание естественного языка включает куда больше, чем разбор предложений на индивидуальные части речи и поиск значений слов в словаре. Оно базируется на обширном фоновом знании о предмете беседы и идиомах, используемых в этой области, так же, как и на способности применять общее контекстуальное знание для понимания недомолвок и неясностей, присущих человеческой речи. Задача сбора и организации этого фонового знания, чтобы его можно было применить к осмысливанию языка, составляет значительную проблему в автоматизации понимания естественного языка. Разработано множество методов структурирования семантических значений. Но, из-за огромных объемов знаний, требуемых для понимания естественного языка, большая часть работы ведется в хорошо понимаемых специализированных проблемных областях. Методики представления известных специализированных программ слишком просты, чтобы передать семантическую организацию более богатых и сложных предметных областей. Основная часть текущих работ в этой области направлена на поиск формализмов представления, которые должны быть достаточно общими, чтобы применяться в широком круге приложений и уметь адаптироваться к специфичной структуре заданной области. Множество разнообразных методик, большинство из которых являются развитием или модификацией семантических сетей, исследуются с этой целью и используются при разработке программ, способных понимать естественный язык в ограниченных, но достаточно интересных предметных областях. Есть стохастические модели, описывающие совместное использование слов в языке, которые применяются для характеристики как синтаксиса, так и семантики. Далее следует принципиально важный вывод: полное понимание языка на вычислительной основе все же остается далеко за пределами современных возможностей" [264, стр. 47].

С нашей точки зрения, существует вполне логичное обоснование таких провалов и ограничений в области ИИ. Главная причина в том, что не решаются реальные задачи, а делаются попытки приспособить уже известные "игрушечные" методы к разным предметным областям. Проблема естественного языка объективно является сложной, более того, вполне возможно, что его вообще нельзя формализовать, и надо использовать принципиально другие подходы. Вместо этого постоянно делаются попытки формализовать естественный язык, которые порождают в ограниченных контекстах узкоспециализированные описания некоторых предметных областей. Здесь будет уместно привести аналогию с животными: многие люди ошибочно считают, что собаки понимают человеческий язык… Есть даже шутка про студентов на экзаменах, которые все понимают, но сказать, как и собаки, не могут. Конечно же, дрессированные собаки выполняют множество команд своего хозяина, но… Дальше и начинается самое интересное. Ведь эти команды многие хозяева подают не только голосом, но всякими жестами, свистками и т.п. Получаем вполне конкретный набор команд, который собака может распознать и выполнить. Нечто подобное может выполнять в ограниченных контекстах узкоспециализированная программа для некоторых предметных областей. Скажем прямо: такой подход "снизу вверх" вообще не направлен на ПОНИМАНИЕ языка, а ведет только к пониманию команд, т.е. обычного формализованного языка. При таком ошибочном подходе, можно говорить, что интеллектуальный телевизор понимает команды с пульта управления…

Для понимания человеческого языка надо исследовать совсем другие научные подходы, которые принципиально отличаются от современных семантических сетей, онтологий и т.п. формализмов.

В качестве оправдания неудач и пояснения сложности проблемы понимания естественного языка можно сказать следующее. Если взять для примера животный мир, то достаточно многие его представители явно обладают интеллектом и умеют решать различные задачи: поиск пищи, распознавание образов, взаимодействие, нахождение пути домой и т.п. В классическом определении интеллекта вообще указано, что это высшая стадия для животных, включая собак, кошек, дельфинов и т.п. Многие хозяева считают своих питомцев интеллектуальными. Однако человеческий язык во всей своей сложности используется только людьми, и это одно из наиболее важных отличий нас от животных. Мы являемся сторонниками такой точки зрения: понимание естественного языка – это задача одинаковая по сложности с самим созданием ИИ в его самом сложном смысле, как создание автоматической системы равной или превышающей человеческий индивидуальный интеллект. Поэтому упрощенные "игрушечные" методы никогда не приведут к его решению. У Дж. Люгера выше именно это явно и звучит: понимание человеческой речи лежит за пределами сегодняшних методологий научных исследований. Надо разрабатывать новые подходы и методы.

Одним из таких подходов является миварный подход с его технологиями накопления данных и обработки информации в едином миварном информационном пространстве. Для понимания языка надо собрать и поддерживать в актуальном состоянии огромную базу данных фактов и такое же большое количество правил, которые позволяют выявлять нюансы смысла разных понятий в различных ситуациях. У нас пока не было подробных работ на эту тему, но во время дискуссий и обсуждений мы излагали следующий описанный ниже подход, получивший понимание и поддержку.

Итак, подход можно показать на следующей аналогии: весь язык представляет собой огромный горный массив, вершинами которого являются отдельные слова (рисунки 2, 3, 4).

Рисунок 2 – Вид с Эльбруса на Главный Кавказский хребет.

Высота 4800 м

Рисунок 3 – Вид на вершины Эльбруса (5642 м.)

с высоты 4800 м

Рисунок 4 – Долина реки Баксан на уровне 2100 метров

Тогда, слово – это вершина горы, а вся гора сама по себе и является контекстом. Если кто-то больше любит море или океан, то вместо гор можно использовать айсберги, хотя система гор все же, на наш взгляд, более адекватна предлагаемой модели. Итак, в процессе обучения человек "выращивает" эти горы у себя в голове, а общается потом внешне только словами, как бы перепрыгивая с вершины на вершину или связывая эти вершины огромными длинными виртуальными мостами. В процессе своего взросления и обучения человек "выращивает новые горы", создавая целые системы таких гор, но на основе общих здравых подходов и признаков. Высота каждой такой горы превышает, допустим, стоэтажный дом. Эти этажи образно соответствуют уровням абстракции в описаниях слов и языковых моделей. Для того чтобы восстановить в компьютере такую горную систему надо сделать ее полноразмерный математический макет. Такой макет можно делать, спускаясь этаж за этажом с вершины горы до ее основания и переходя на другую гору через долины… Современные методы семантической обработки позволяют сделать, условно говоря, только двух- трехэтажную по высоте модель такой горной смысловой языковой системы. Вот и получаем принципиальное ограничение: надо наращивать в высоту по уровням абстракции наши языковые модели, а мы остановились на втором этаже семантики и даже не собираемся двигаться далее. Спасибо онтологиям?

Вывод: для адекватной работы с естественным языком нужны более сложные модели, принципиально новые и на несколько порядков более сложные модели на основе многомерных баз данных с поддержкой самых разнообразных отношений. Возможно, что понадобится даже работа с бесконечными плоскостями описания сущностей и т.п. В настоящее время таким требованиям отвечает только миварный подход с многомерным информационным пространством и динамически изменяющейся структурой. Реализация языковых моделей на больших вычислительных кластерах (или ГРИД-системах) на основе миварного подхода должна приблизить нас к созданию автоматической системы, понимающей и разговаривающей с людьми на естественном языке. Напомним, что эта задача сравнима по сложности с созданием самого ИИ.

Возможно, что создание таких языковых моделей, вернее символьных моделей в миварном пространстве, позволит создать электронных двойников людей для вечной жизни, которые предсказаны многими фантастами. Впрочем, эти проблемы возникнут потом, а сейчас надо приступать к реализации построения символьных языковых моделей в миварном информационном пространстве, некоторым прототипом которых являются разработки Активных миварных интернет-энциклопедий, которые к описанию фактов в ВИКИ-педии будут добавлять новые отношения, связи, взаимодействия и т.д. Более подробно эти вопросы рассмотрены при описании миварной энциклопедии и миварной модели человеческого мышления.

Опять получаем, что именно миварный подход является принципиально новым и ключевым фундаментальным направлением для решения многих, практически всех описанных в этой работе, проблем в научной области ИИ.

2.3. Представление знаний в ИИ. Семантические сети как альтернатива исчислению предикатов

Существует Гипотеза о физической символьной системе Ньюэлла и Саймона, из которой следует, что интеллектуальная деятельность как человека, так и машины осуществляется на основе следующих средств [264, стр. 58]:

1. Символьные шаблоны, предназначенные для описания важнейших аспектов области определения задачи.

2. Операции с этими шаблонами, позволяющие генерировать потенциальные решения проблем.

3. Поиск с целью выбора решения из числа всех возможных.

Дж. Люгер утверждает, что эта гипотеза лежит в основе попыток создания умных машин и неявно различает понятия шаблонов, сформированных путем упорядочивания символов, и среды, в которой они реализованы. Если уровень интеллекта определяется исключительно структурой системы символов, то любая среда, которая успешно реализует правильные шаблоны и процессы, достигнет этого уровня интеллекта, независимо от того, составлена ли она из нейронов, логических цепей, или это просто механическая игрушка. Согласно тезису Черча о вычислимости по Тьюрингу, компьютеры способны осуществить любой эффективно описанный процесс обработки символьной информации. Получается, что правильно запрограммированный компьютер обладает интеллектом [264, стр. 58]. Мы поддерживаем гипотезу о физической системе и считаем, что на основе миварного подхода в скором времени получится реализовать достаточно сложную обработку информации, которую можно будет признать интеллектуальной.

Важно и то, что, по Дж. Люгеру, в этой гипотезе указаны главные проблемы исследований в области ИИ:

· представления знаний, т.е. определения структур, символов и операций, необходимых для интеллектуального решения задачи;

· поиска, т.е. разработки стратегий для эффективного и правильного поиска потенциальных решений, сгенерированных этими структурами и операциями.

Необходимо отметить, что не все ученые согласны с указанной гипотезой. Есть критики, например Виноград и Флорес, которые утверждают, что интеллект является наследственно биологическим и экзистенциальным и не может быть зафиксирован с помощью символов. Такая критика характерна для следующих направлений исследований в области ИИ: развитие нейронных сетей, генетических алгоритмов и агентно-ориентированных методов [264, стр. 58]. Отметим, что большая часть этих критиков проводит исследования и работает на рефлексивном до-интеллектуальном уровне исследований в области ИИ, согласно предложенной нами классификации, изложенной в этой работе (раздел 7.3). Видимо, именно из-за рефлексивности своего уровня эти ученые и не соглашаются с гипотезой о физической символьной системе. На втором уровне, уровне интеллектуальных исследований, преобладает мнение о верности указанной гипотезы.

Вернемся к представлению знаний. Как справедливо отмечает Дж. Люгер, задача любой схемы представления заключается в том, чтобы зафиксировать специфику области определения задачи и сделать эту информацию доступной для механизма решения проблемы. Язык представления должен позволять программисту выражать знания, необходимые для решения задачи. Абстрагирование, т.е. представление только той информации, которая необходима для достижения заданной цели, является необходимым средством управления сложными процессами. Конечные программы должны быть рациональными в вычислительном отношении. Выразительность и эффективность являются взаимосвязанными характеристиками оценки языков представления знаний. Многие достаточно выразительные средства представления в одних классах задачах совсем неэффективны в других. Разумный компромисс между эффективностью и выразительностью – сложная задача для разработчиков интеллектуальных систем. По существу, способ представления знания должен обеспечить естественную структуру выражения знания, позволяющую решить проблему. Способ представления должен сделать это знание доступным компьютеру и помочь программисту описать его структуру [264, стр. 58-59]. Учитывая наши выводы о неадекватности исчисления предикатов для решения многих задач ИИ, мы считаем, что разработка новых представлений в виде миварного информационного подхода является закономерным развитием теории ИИ в 21 веке.

Семантические сети как альтернатива исчислению предикатов. Особое внимание необходимо уделить передаче сложных семантических значений. У Дж. Люгера подчеркнуто, что во многих областях ИИ решение задачи требует использования высокоструктурированных взаимосвязанных знаний [264, стр. 63]. Для описания предмета реального мира необходимо не только перечислить его составные части, но и указать способ соединения и взаимодействия этих частей. Структурное представление предметов используется во многих задачах. Кроме того, семантические отношения необходимы для описания причинных связей между событиями. Да, в обоих этих случаях взаимосвязи и взаимоотношения могут быть описаны группой предикатов, но для программиста, имеющего дело со сложными понятиями и стремящегося дать устойчивое описание процессов в программе, необходимо некоторое высокоуровневое представление структуры процесса. Предикатное описание можно представить графически, использую для отображения предикатов, определяющих отношения, дуги или связи графа. Такое описание, называемое семантической сетью, является фундаментальной методикой представления семантического значения. Поскольку отношения явно выражены связями графа, алгоритм рассуждений о предметной области может строить соответствующие ассоциации просто следуя по связям, что значительно эффективнее, чем утомительный и исчерпывающий поиск в базе данных, содержащей описания на языке предикатов [264, стр. 64].

Как видим, принцип адекватности представления знаний здесь очень хорошо работает: при одинаковой выразительности семантических сетей и предикатов эффективность поиска явно лучше для семантических сетей с их явным описанием связей. Таким образом, нам остается согласиться с Дж. Люгером в том, что "теория графов эффективно и естественно выражает сложные семантические знания. Кроме того, она позволяет описывать структурную организацию базы знаний. Семантические сети – это достойная альтернатива исчислению предикатов" [264, стр. 64].

Интеллектуальная система должна знать не только сам предмет, но и знать, что она знает этот предмет. Следовательно, рассуждения на метауровне также играют огромное значение в области ИИ. У Дж. Люгера отмечено, что эта "…осведомленность о своих знаниях…" составляет более высокий уровень знаний, называемых метазнаниями и необходимых для проектирования и адекватного описания интеллектуальных систем. Метазнания важны для способности обучаться на примерах, опыте или понимать инструкции высокого уровня, что и отличает их от "жесткого" программирования. Методы представления знаний, разработанные для программирования задач ИИ, обеспечивают возможность адаптации и модификации, так необходимую для обучающихся систем, а также формируют основу для других исследований с символьными вычислениями [264, стр. 65].

2.4. Преимущества миварного подхода перед семантическими сетями и продукциями

Кроме того, с точки зрения обоснования преимуществ и перспективности миварного подхода важно следующее замечание Дж. Люгера: "Решение задачи искусственного интеллекта можно свести к выбору представления среди возможных альтернатив. Выбор подходящего представления весьма важен для разработчиков компьютерных программ, обеспечивающих решение задач искусственного интеллекта. Несмотря на большое разнообразие языков представления, используемых в искусственном интеллекте, все они должны удовлетворять общим требованиям выразительности, эффективности и правильности дедуктивных выводов. Выбор и оценка языков представлений – весьма важная задача как для исследователей, так и для программистов [264, стр. 65]. Как показано в наших работах, выразительность миварного подхода ни в чем не уступает ни исчислениям предикатов, ни семантическим сетям, ни другим известным формализмам в области ИИ. Более того, изменяющееся многомерное миварное информационное пространство позволяет в едином формализме описать и совместить все указанные формализмы, включая исчисление предикатов и семантические сети с онтологиями. С точки зрения семантических сетей, миварное пространство позволяет отобразить такую сеть в многомерном пространстве, что только увеличивает выразительность и позволяет добавить новые связи за счет многомерности. С онтологиями происходит аналогично семантическим сетям. Даже наиболее общую модель данных "сущность-связь" можно легко представить в миварном пространстве, примеры которого подробно описаны в первой монографии Варламова О.О. [72]. Про то, что исчисление предикатов имеет равные выразительные способности с семантическими сетями, было сказано ранее, в том числе и у Дж. Люгера. Следовательно, по выразительности миварный подход превосходит возможности всех традиционных формализмов, включая семантические сети и модель данных "сущность-связь".

Теперь об эффективности обработки информации в миварных сетях, которые отвечают за обработку информации в миварном подходе. У Дж. Люгера, как и у многих других исследователей, неоднократно указано, что обработка информации в семантических сетях и исчислениях предикатов носит явно выраженный NP-полный характер. Это обусловлено тем, что вся обработка ведется на основе теории графов, путем применения "графа пространства состояний" [264, стр. 66]. Но далее у Дж. Люгера идет важное обобщение: "Несмотря на эту очевидную универсальность, поиска в пространстве состояний не достаточно для автоматизации интеллектуального поведения, обеспечивающего (автоматическое) решение проблем" [264, стр. 69]. Далее показано, что если бы поиска в пространстве состояний было достаточно, то нужно было бы осуществлять полный поиск по всему пространству состояний. Этот метод известен как "исчерпывающий поиск" или "поиск методом полного перебора". "Хотя полный перебор может применяться в любом пространстве состояний, огромный размер пространства для интересных задач делает этот подход практически неприемлемым… поиск в пространстве состояний можно использовать для практического подхода к любой проблеме. Поиск обеспечивает структуру для автоматизации решения задач, но эта структура лишена интеллекта. Такой подход не дает возможности формально описать задачу. Кроме того, простой полный перебор большого пространства вообще практически неосуществим и непригоден для описания сущности разумной деятельности" [264, стр. 69]. Подчеркнем, что это не наш вывод, но мы его полностью поддерживаем.

Получается, что графовое представление семантических сетей не позволяет эффективно и разумно осуществлять обработку информации и поиск решений в непростых задачах, т.е. в любых более-менее сложных и реальных задачах. Как было отмечено и подчеркнуто, миварный подход создавался для решения реальных задач в максимально сложных условиях, поэтому мы искали альтернативу графовому подходу с полным перебором. Такое решение было найдено для очень многих задач, хотя, возможно, что не для всех. Миварные сети позволяют находить решение с линейной вычислительной сложностью, хотя некоторые ученые и не согласны с тем, что такой подход осуществляет логический вывод. В этих случаях для подобных формалистов мы применяем другой термин: "автоматический конструктор алгоритмов решения задач". Этот подход основан на представлении информации в виде специальной миварной матрицы и отличается от традиционного логического вывода только тем, что не используется исчисление предикатов и не рассматриваются в явном виде вопросы истинности или ложности высказываний. Для решений реальных задач достаточно построить алгоритм решения из модулей (сервисов, отношений и т.п.), где на основе входных данных можно вычислить или определить требуемые выходные данные. С точки зрения познающе-диагностических систем вопросы ложности высказываний в исчислениях предикатов вообще не имеют никакого практического смысла; для выполнения задач познания и диагностирования требуется только алгоритм вывода от входа к выходу, который на миварной матрице ищется за один проход и без циклов. В настоящее время мы исследуем проблемы ограничений описаний предметных областей для "интересных" реальных задач с точки зрения возможности применения миварных матриц. Пока не выявлено каких-либо существенных ограничений, если условия задач возможно сформулировать в терминах продукций при выделении условий и действий в основном формате продукций "если… то…". Далее более подробно это описано в сравнении и анализе работ Д.А. Поспелова, отмечавшего, что продукции в общем виде позволяю представить любые причинно-следственные зависимости. У Дж. Люгера по поводу продукционных систем написано, что они основаны на представлении знаний в виде продукционных правил и представляют собой обобщенную и мощную модель решения задач на основе поиска. Там же описана методология "классной доски" – стратегия решения сложных системных задач с привлечением разнородных источников знаний, взаимодействующих через общее информационное поле [264, стр. 70]. Отметим, что эти же методологии используются и в миварном подходе для решения самого разного класса задач.

При описании экспертных систем Дж. Люгер так же говорит о продукциях следующее: "В чисто продукционной системе, например, модификация одного правила не имеет глобальных синтаксических побочных эффектов. Правила могут добавляться или удаляться без необходимости дальнейших изменений всей программы. Разработчики экспертной системы часто объясняют, что легкость модификации базы знаний является главным фактором производства успешных программ. Следующей особенностью экспертных систем является использование эвристических методов решения проблем" [264, стр. 274].

В экспертной системе, основанной на правилах, знание представляется в форме правил "если… то…". База знаний содержит как общие знания, так и информацию о частных случаях. "Механизм вывода применяет знания при решении реальных задач. По существу, он является интерпретатором базы знаний. В продукционной системе механизм вывода совершает цикл распознавание-действие. Процедуры, которые выполняют этот управляющий цикл, отделены от самих продукционных правил" [264, стр. 275]. Далее у Дж. Люгера есть интерпретация понятия "истинность" для продукций: "В системе, основанной на правилах, пары "условие-действие" представляются правилами "если… то…", в которых посылка (часть "если") соответствует условию, а заключение (часть "то") – действию. Если условие удовлетворяется, экспертная система осуществляет действие, предусмотренное при истинности заключения. Данные частных случаев можно хранить в рабочей памяти. Механизм вывода осуществляет цикл продукционной системы распознавание-действие. При этом управление может осуществляться либо на основе данных, либо на основе цели" [264, стр. 282]. Таким образом, говоря о продукционных системах и миварных сетях, можно употреблять термин "логический вывод", но в контексте цикла распознавание-действие.

С точки зрения нашего исследования очень важно, что "экспертные системы строятся методом последовательных приближений. Выявляемые ошибки приводят к коррекции и наращиванию базы знаний. … программа никогда не должна рассматриваться как законченная. Эвристическая база знаний всегда будет иметь ограниченные возможности. Модульность модели продукционной системы позволяет естественным образом добавить новые правила или в любое время подкорректировать существующую базу правил" [264, стр. 278]. Все вышесказанное относится и к миварным сетям. А вот когда дело переходит от представления знаний к обработке, то начинаются важные отличия.

С нашей точки зрения, главным ограничением применения продукций является то, что "продукционная система осуществляет поиск на графе. Программы подсистемы объяснений … отслеживают процесс поиска на графе и используют эту информацию, чтобы отвечать на вопросы пользователя. С помощью продукционных правил каждый шаг процесса рассуждений документируется автоматически" [264, стр. 286].

Миварный подход развивает продукционный подход в самом общем смысле, позволяя включать в виде правил любые отношения из миварного информационного пространства, которое, в свою очередь, обобщает модель семантических сетей и модель "сущность-связь". Более того, применяя современные технологии многоагентных систем и сервисно-ориентированных архитектур, миварный подход позволяет включать в виде отношений и сервисы, и традиционные вычислительные процедуры, и процедуры ГРИД-систем, и подобные отношения, функции и правила. Философские основания миварного подхода, подробно изложенные в первой монографии Варламова О.О. [72] гарантируют самые широкие возможности по описанию и представлению в миварных сетях практически любых видов отношений в самом широком смысле. За все время исследований нам не встретилось ни одного исключения, но мы готовы к дальнейшим исследованиям в этом направлении.

2.5. Научно-популярное описание миварного подхода

На приведенных ниже рисунках научно-популярно показаны три схемы работы с миварной сетью:

1) создание миварной сети,

2) успешное нахождение маршрута логического вывода и

3) безуспешный поиск, когда маршрута логического вывода нет.

На серии рисунков "Создание миварной сети" (рисунки 5 – 11) показано, как группа человечков (пользователей) параллельно выявляет миварные правила и заносит их в базу данных, постепенно связывая из них полноценную миварную сеть довольно большого объема. Важно, что эта работа происходит параллельно и достаточно быстро. Кружками обозначаются объекты-сущности, а линии – это правила их взаимодействия или связи между объектами. В отличие от миварной сети, обычные описания для семантических сетей и онтологий, как правило, надо делать последовательно и только одному "инженеру по знаниям" путем формирования концептуальной модели предметной области.

На второй серии рисунков "Успешный поиск маршрута вывода на миварной сети" (рисунки 12 – 23) показано, как двое пользователей начинают поиск маршрута логического вывода: первый тянет сеть за входные данные, а второй – в другую сторону, за выходные (целевые показатели, объекты). Вследствие этого в процессе вывода задействуются только те объекты и правила, которые необходимы для данного поиска маршрута логического вывода. Таким образом удается избежать полного перебора с циклами и прочими неприятностями традиционных механизмов вывода, основанных на предикатах или графах. В случае существования маршрута вывода он быстро находится: пользователи его вытягивают в виде мостика и встречаются друг с другом, что отраженно смайликом.

На третьей серии рисунков "Поиск маршрута вывода на миварной сети при его отсутствии" (рисунки 24 – 31) продемонстрирован случай, когда нет маршрута логического вывода, а входные объекты и выходные объекты находятся в разных и невзаимосвязанных сегментах сети. Говоря математическим языком, это ситуация, когда минимальный разрез многополюсной сети между входом и целью получается равным нулю (нет связи). Схематично показано, как пользователи, аналогично предыдущему варианту, начинают вытягивать маршрут вывода, но обнаруживается, что вытянутые концы сети не связаны между собой, т.е. маршрута вывода нет. Поэтому человечки и падают в разные стороны, а вверх поднимаются разорванные фрагменты миварной сети. Даже в таком плохом варианте у миварных сетей есть важные преимущества: мы видим, где произошел разрыв или автоматически определяем, каких именно входных объектов не хватает для продолжения поиска маршрута логического вывода. Следовательно, возвращаясь к познающе-диагностическим системам, мы можем подать сигналы на систему датчиков или каким-либо другим образом запросить необходимые ей для дальнейшей работы входные данные.

Серия рисунков "Создание миварной сети"

Рисунок 5 – Серия "Создание миварной сети", иллюстрация 1

Рисунок 6 – Серия "Создание миварной сети", иллюстрация 2

Рисунок 7 – Серия "Создание миварной сети", иллюстрация 3

Рисунок 8 – Серия "Создание миварной сети", иллюстрация 4

Рисунок 9 – Серия "Создание миварной сети", иллюстрация 5

Рисунок 10 – Серия "Создание миварной сети", иллюстрация 6

Рисунок 11 – Серия "Создание миварной сети", иллюстрация 7

Серия рисунков "Успешный поиск маршрута вывода на миварной сети"

Рисунок 12 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 1

Рисунок 13 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 2

Рисунок 14 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 3

Рисунок 15 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 4

Рисунок 16 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 5

Рисунок 17 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 6

Рисунок 18 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 7

Рисунок 19 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 8

Рисунок 20 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 9

Рисунок 21 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 10

Рисунок 22 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 11

Рисунок 23 – Серия "Успешный поиск маршрута вывода на миварной сети", иллюстрация 12

Серия рисунков "Поиск маршрута вывода на миварной сети при его отсутствии"

Рисунок 24 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 1

Рисунок 25 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 2

Рисунок 26 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 3

Рисунок 27 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 4

Рисунок 28 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 5

Рисунок 29 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 6

Рисунок 30 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 7

Рисунок 31 – Серия "Поиск маршрута вывода на миварной сети при его отсутствии", иллюстрация 8