Рассмотрим историческое развитие ИИ.

Начало исследований в области ИИ (конец 50-х годов) связывают с работами Ньюэлла, Саймана и Шоу, исследовавших процессы решения различных задач. Результатами их работ явились такие программы как "ЛОГИК-ТЕОРЕТИК", предназначенная для доказательства теорем в исчислении высказываний, и "ОБЩИЙ РЕШАТЕЛЬ ЗАДАЧ". Эти работы положили начало первому этапу исследований в области ИИ, связанному с разработкой программ, решающих задачи на основе применения разнообразных эвристических методов.

Эвристический метод решения задачи при этом рассматривался как свойственный человеческому мышлению "вообще", т.е., возникновение догадок о пути решения задачи с последующей их проверкой.

Альтернативой являлся используемый в вычислительной технике алгоритмический метод, который понимался как механическое осуществление заданной последовательности шагов, детерминированно приводящей к правильному ответу. Трактовка эвристических методов решения задач как сугубо человеческой деятельности и обусловила появление и закрепление термина ИИ. Так, при описании своих программ Ньюэлл и Саймон приводили в качестве доводов, подтверждающих, что их программы моделируют человеческое мышление, результаты сравнения записей доказательств теорем в виде программ с записями рассуждения <думающего вслух> человека.

На дальнейшие исследования в области ИИ большое влияние оказало появление метода резолюций Робинсо-на, основанного на доказательстве теорем в логике пре-дикатов и являющегося исчерпывающим методом дока-зательства. При этом определение термина ИИ претер-пело существенное изменение. Целью исследований, проводимых в направлении ИИ, стала разработка прог-рамм, способных решать "человеческие задачи".

Исследовательским полигоном для развития методов ИИ на первом этапе явились всевозможные игры, головоломки, математические задачи.Некоторые из этих задач стали классическими в литературе по ИИ (задачи об обезьяне и бананах, миссионерах и людоедах, Ханойской башне, игра в «15» и другие).

Выбор таких задач обуславливался простотой и ясностью проблемной среды (т.е., области, где происходит решение задачи), ее относительно малой громоздкостью и т.д. Основной расцвет такого рода исследований приходится на конец 60-х годов, после чего стали делаться первые попытки применения разработанных методов для задач, решаемых не в искусственных, а в реальных проблемных средах. Необходимость исследования систем ИИ при их функционировании в реальном мирепривело к постановке задачи создания интегральных роботов. Проведение таких работ можно считать вторым этапом исследований по ИИ.

Проведение этих экспериментов показало необходимость решения новых кардинальных вопросов. Каких же вопросов?

Прежде всего вопросов, связанных с проблемой представления знанийо среде функционирования, и одновременно малоисследованные новые проблемы такие, как зрительное восприятие, построение сложных планов поведения в динамических средах, общение с роботами на естественном языке. Эти проблемы были более ясно сформулированы и поставлены перед исследователями в середине 70-х гг., связанных с началом третьего этапа исследований систем ИИ. Характерной чертой этапа явилось смещение центра внимания учёных с создания автономно функционирующих систем, самостоятельно решающих в реальной среде поставленные перед ними задачи, к созданию человеко-машинных систем, интегрирующих в единое целое интеллект человека и способности компа для достижения общей цели.

Это смещение обуславливалось двумя причинами:

1) даже простые, на первый взгляд, задачи, возникающие перед интегральным роботом при его функционирование в реальном времени, не могут быть решены методами, разработанными для экспериментальных задач в специально определённых проблемных средах;

2) сочетание дополняющих друг друга возможностей человека и компа позволяет обойти острые углы путём перекладывания на человека тех функций, которые пока ещё не решает комп. На первый план выдвигалась не разработка отдельных методов машинного решения задач, а разработка методов средств, обеспечивающих тесное взаимодействие человека и вычислительной системы в течение всего процесса решения задачи с возможностью оперативного человеческого вмешательства в ход этого процесса.

Такое развитие ИИ определилось прежде всего резким ростом производства средств вычислительной техники и резким их удешевлением, расширяющим потенциальный доступ широких кругов пользователей.

Теперь рассмотрим ОСНОВНЫЕ (БАЗОВЫЕ) понятия ИИ. Прежде всего это ЗНАНИЯ, как основа интеллектуальной деятельности. Поэтому в отличие от информатики ИИ кроме исходных данных должен учитывать и знания. Очевидно, что понятие «ЗНАНИЕ» тесно связано с такими известными понятиями как «ИНФОРМАЦИЯ» и «ДАННЫЕ».

В чём разница между тремя понятиями – данные, информация и знания? А это концептуально важно.

Как отмечается многими авторами, проблема заключается в том, что знание, как и другие базисные философские кате-гории, довольно трудно описать и определить прямым обра-зом, подобно математическим понятиям. В данном случае понятие «знание» (как и множество) можно считать базисным и не определяемым.

Например, рассмотрим такие определения. Так, Аристо-тель в своём труде «Метафизика» говорит, что стремление к знанию – одно из основных свойств человека.

Или более современное: Cognition is a process of active exploring the environment and creating various types of new knowledge by some entity in order to optimize its living processes and/or gain goals. Что в переводе звучит примерно так.

«Познание есть процесс активного исследования окружающей среды и создания различных типов знания с целью оптимизации жизненных процессов и достижения тех или иных целей».

Все отмечают теснейшую связь трёх базовых понятий, отсутствие чётких границ и, даже, их взаимопроникнове-ние. Но в соотношении этих понятий между собой необходимо разобраться по причине того, что путаница того что, чем является приводит к огромным издержкам при реализации технических проектов.

Классик исследования операций Рассел Акоф предложил такую иерархию:

ДАННЫЕ -> ИНФОРМАЦИЯ -> ЗНАНИЯ -> ПОНИМАНИЕ -> МУДРОСТЬ

ДАННЫЕ – это некоторые неупорядоченные символы, рассматриваемые безотносительно к какому-то контексту.

ИНФОРМАЦИЯ – выделенная и упорядоченная часть данных, обработанная для использования, т.е. отвечающая на вопрос «Кто, что, где, когда?».

ЗНАНИЕ – выявленные тенденции (существенные связи) между фактами и явлениями, содержащимися в информации.

ПОНИМАНИЕ – осознание закономерностей, содержащихся в разрозненных знаниях и отвечающих на вопрос «Почему?».

МУДРОСТЬ – взвешенное, оценённое понимание за-кономерностей относительно прошлого и будущего.

Таким образом с точки зрения ИНТ СИС-М, знания получаются в результате применения к исходным данным (или к декларативной информации (по-английски to declare объявлять, заявлять)) некоторых методов обработки и подключения внешних процедур[Смолин Д.В.].

Работа ИНТ СИСТЕМЫ представляет собой вывод на знаниях или вывод новых знаний. Это можно представить, как:

ДАННЫЕ+ПРОЦЕДУРА ОБРАБОТКИ=ИНФОРМАЦИЯ

ИНФОРМАЦИЯ+ПРОЦЕДУРА ОБРАБОТКИ=ЗНАНИЕ

Например. Обычная ситуация: человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Рассмотрим, что проис-ходит в этой, казалось бы, простой ситуации. Глаза смотрят на циферблат (данные), в мозг поступает электрический сигнал и формируется изображение стрелок на циферблате (информа-ция). Потом человек сознательно или бессознательно приклады-вает усилия для понимания по положению стрелок, сколько сейчас времени. А это получается из сравнения (знания) с некой шкалой (информация). В результате получается некая декларативная информация – 8 часов 30 минут. Человек подключает внешние знания– свой график или своё расписание, понимает, что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения или данные).

Например. Обычная ситуация: человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Рассмотрим, что проис-ходит в этой, казалось бы, простой ситуации. Глаза смотрят на циферблат (данные), в мозг поступает электрический сигнал и формируется изображение стрелок на циферблате (информа-ция). Потом человек сознательно или бессознательно приклады-вает усилия для понимания по положению стрелок, сколько сейчас времени. А это получается из сравнения (знания) с некой шкалой (информация). В результате получается некая декларативная информация – 8 часов 30 минут. Человек подключает внешние знания– свой график или своё расписание, понимает, что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения или данные).

Причём, знания характеризуются тем, что отсутствуют в исходной схеме. На циферблате часов и в расписании не было написано слово «опаздываю». Знания получились в результате сопоставления данных, объектов или информа-ционных единиц (ИЕ), нахождения и разрешения противо-речий между ними.

КАЖДОМУ ПРИДУМАТЬ ПРИМЕР, ОПЕРИРУЮ-ЩИЙ ДАННЫМИ, ИНФОРМАЦИЕЙ, ЗНАНИЯМИ.

Чем знания характеризуются (из ТУЗОВСКОГО).

1)Знания долговечны, т.к. нематериальны (пирамиды прочны, но всё равно разрушаются, а геометрическая модель пирамиды бессмертна).

2)Знания инвариантны (равнодушны) к пространству. Они легко распространяются, особенно по современ-ным телекоммуникациям. Это происходит практически без затрат, в отличие от материальных ресурсов.

3)Знания – постоянно увеличивающийся ресурс. Как утверждал Paul в 1995 г. «Знания единственный неогра-ниченный ресурс, единственный актив, увеличиваю-щийся по мере его использования». Идею рождают новые идеи, переданные (проданные) знания остаются и с теми, кто их передал или продал.

4)Знания можно продавать многократно, т.к. они слабо отчуждаемы. Тот, кто их продаёт, ничего не теряет. Но есть проблема. Знания не покупают, пока не поймут, а поняв, теряют желание покупать!

5)Знания чувствительны к фактору времени. Ценность знания сильно зависит от времени, когда нужно принимать решения. Наблюдается и старение знаний аналогично моральному износу оборудования.

6)Знания социальны. Они одновременно и обществен-ное и частное благо.

7)Знания – орудие конкуренции. Интеллектуальный капитал, менеджмент знаний сегодня важнейшие инстру-менты компаний. Поэтому наблюдается повышенный интерес продвинутых компаний к созданию офисов и технологий управления знаниями. Также на подъёме создание и развитие систем управления знаниями.

На прошлой лекции я рассказывал о характеристиках знаний с точки философского понятия «Знание». Для знаний прикладных, используемых в интеллектуальных системах, ха-рактерны следующие важные свойства [Смолин Д.В.]:

- внутренняя интерпретируемость (каждая ИЕ имеет уникальное имя и трактуется однозначно);

- структурированность (между ИЕ должны быть установ-лены отношения «часть»-«целое», «род»-«вид». При этом возможна рекурсивность);

- знания образуют некоторое пространство(как метричес-кое, так и не метрическое).

Назначение имён для ИЕ, выделение ИЕ в конкретном объекте, определение отношений между ИЕ – сложная задача.

В чём сложность данной задачи? В том, что в сложных системах непросто понять, где «целое» и где «часть», как они между собой соотносятся. Например, система «курс евро», для которой неясно, что входит в список важных параметров, а что не входит. Не говоря о том, каков вообще список параметров. Решением этих проблем занимается отдельная отрасль ИИ – «инжене-рия знаний» (автор термина «инженерия знаний» про-фессор Стенфордского университета Эдвард Фейгенба-ум). Об этом позже. А пока рассмотрим такое понятие, как источники знаний.

Здесь необходим философский взгляд: источник зна-ния не есть ещё само знание. Текст – знаковая конст-рукция и, как правило, содержит знание. Но текст есть не знание, а только его источник.

Знания из текста ещё нужно извлечь. Кому извлечь это другой вопрос: человеку или интсис-ме. Любая книга содержит много знаний, но всякий извлекает их по-своему и не всё, что оттуда можно извлечь потенциально. Есть утверждение, что текст (особенно высокоформализован-ный, например, математическая статья) – это знание. Это справедливо в том плане, что знания оттуда легче извле-кать. Это также справедливо для реальной действитель-ности – окружающего нас материального мира. Там в скрытой форме содержится огромный объём знаний. Их выявлением и описанием занимаются учёные разных наук. То есть окружающий нас материальный мир – это тоже есть не знание, а только его источник. Также как и одно из его реализаций – данные на любом материальном носителе.

Следующая проблема извлечения знаний это их дальнейшее представление для более удобного и эффек-тивного использования. Полученные знания могут быть представлены (то есть заново овеществлены) в самой различной форме – законов, формализаций, определе-ний и знаковых систем, например, не вполне понятных текстов.

Состояние системы– второй важный термин. Каж-дая ИЕ, как и вся система в целом, может находиться в одном из состояний. Например, указатель поворота в авто может находиться в двух состояниях: «включен» и «выключен». Для этого примера мощность состояний равно двум.

Есть системы, для которых пространство состояний бесконечно. Пространство состояний удобно представ-лять в виде графов или таблицы переходов. Переходы системы из состояние в состояние могут быть симмет-ричными. Система может вернуться в исходное состоя-ние, а программная система, например, может зацик-литься.

У системы ИИ есть основная характеристика – ЦЕЛЬ. Вспомним системный анализ, где понятие цели является определяющим. Отличие системы ИИ от обычной программы в наличии целеустремленнос-ти.Интеллектуальная программа в отличие от обычной (как надо делать?) не содержит алгоритм, а содержит лишь цель, которую надо достичь и правила достиже-ния цели (что надо сделать?).

В обычной (вычислительной) программе алгоритм достижения цели задан изначально и выполняется безусловно. В интеллектуальной программе алгоритм строится по ходу движения к цели с учётом складываю-щейся ситуации.

Для человека, работающего с интеллектуальными системами (программами) очень важно уметь правиль-но ставить цели. Потому, что от этого (точности и эко-номичности постановки цели) зависит не только эффективность достижения цели (временная, ресурсная и т.д.), но и достижима ли цель в принципе. Напомню системный анализ, где ситуации с отсутствием цели у системы или нечётким её определением или заданием ложных целей являются очень тяжёлыми по своим последствиям для системы и входящих в неё элементов.

В качестве целей в интеллектуальных программах чаще всего задают переход системы в заданное состоя-ние, а в качестве критерия эффективности – число ша-говрешения по достижению заданного состояния.

Следующее важное понятие – модель представления знаний. В соответствии с ним выделяют типы моделей ИИ. Когда хотят реализовать конкретную систему, основанную на знаниях, это происходит в рамках одной из моделей представления знаний или языка представления знаний. На практике обычно реальная система есть гибрид классичес-ких моделей представления знаний, правда, с ощутимой долей собственных догадок, ограничений и условностей, которые называют ЭВРИСТИКАМИ.

Эвристика – это правило, теоретически не обосно-ванное, но позволяющее сократить количество переборов в пространстве поиска. Можно сказать интуиция, чутьё, шестое чувство и т.п.