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.
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
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
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