Размещено на http://www.allbest.ru/

ГУ РосНИИ ИТ и АП

ГИБРИДНЫЕ ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ НА ОСНОВЕ ТЕМПОРАЛЬНЫХ ЛОГИЧЕСКИХ МОДЕЛЕЙ И ИНЖЕНЕРИИ ОБРАЗОВ

Фоминых И.Б.,

ВВЕДЕНИЕ

В докладе рассматриваются проблемы моделирования образного мышления и немонотонных временных рассуждений, относящиеся к «прорывным направлениям» отечественной информатики и искусственного интеллекта. Сама постановка этих проблем связана с произошедшем в конце XX-го - началеXXI века переходе от классической к неклассической науке, в русле которого наука более не отождествляется с достижением определенности, а недетерминированность - с незнанием. Эволюция науки, связанная с развитием системных исследований (в частности, изучением открытых, динамических, самоорганизующихся систем), привела к формированию и широкому распространению синергетической парадигмы как стиля мышления неклассической науки [1]. Одним из важнейших принципов в рамках этой парадигмы является принцип управления неопределенностью при разработке сложных интеллектуальных систем.

С одной стороны, сегодня основное отличие когнитивных процессов человека от компьютера обусловлено наличием у человека двух взаимодополняющих систем познания - левополушарной (символьно-логической) и правополушарной (образной), которые существуют как единое целое, тогда как компьютер обладает только одной символьно-логической системой. Иными словами, расширение возможностей компьютера может быть связано с отображением в нем образных, интуитивных, рефлексивных и эмоциональных механизмов мышления и поведения, в частности, с выявлением и разрешением противоречий в условиях решаемых задач, основу которых составляет ограниченность опыта субъекта, его слишком узкая специализации (предрассудки субъекта) [2]. При этом основное отличие образных механизмов от символьно-логических связано с трудностью представления образов как изначально отделимых элементов и необходимостью формализации аспектов целостности, распределенности, ассимиляции, кумулятивности образа [3]. Пока открытым остается вопрос о самой возможности адекватного отображения правополушарных механизмов в компьютере, хотя даже решение задач представления правополушарных механизмов левополушарными средствами, исследования и моделирования процессов взаимодействия образного и символьно-логического мышления, формирования способов компьютерной поддержки образного мышления представляет значительный интерес.

С другой стороны, в последние годы становится очевидной тесная связь проблемы компьютерного моделирования образного мышления не только с нейросетевыми моделями [3], но и с нечеткими логиками, а в более общем плане, с моделями представления так называемых НЕ-факторов знаний [4]. Это объясняет повышенное внимание к моделированию неопределенности, неустойчивости, нелинейности, неточности, нечеткости, которые теперь уже считаются не столько негативными характеристиками, подлежащими нейтрализации, сколько позитивными факторами, обеспечивающими выживание и развитие сложных систем в открытой, нестационарной, динамической среде.

Конечно, многие из этих факторов в той или иной мере изучались в недрах классической математики. Так неточность исследовалась в рамках теории приближений - раздела математического анализа, разрабатывающего методы приближения одних математических объектов другими и оценки возникающей при этом погрешности. В свою очередь, некорректность рассматривалась в контексте изучения «некорректных задач естествознания».

Тем не менее, в классической математике многие традиционные формализмы порой подавляют реальное содержание изучаемых явлений и процессов, сводя их к простым и не всегда обоснованным моделям. Достаточно привести примеры «искусственной линеаризации» существенно нелинейных систем, не удовлетворяющих принципу суперпозиции, или коррекциеи «плохих моделей» благодаря нахождению весьма специфических решений, но отнюдь не смены старой математической парадигмы.

Все это обусловливает необходимость интенсивного развития ряда новых разделов математики, предназначенных для описания разных классов неопределенностей, в первую очередь, теории многозначных и нечетких логик, псевдобулевых алгебр, обобщенной теории неопределенности. Вариантами последней могут считаться теория нечетких мер (расширений классической вероятностной меры), гранулированных вычислений и вычислений со словами Л.Заде [1].

Среди подходов, связанных с развитием общей теории неопределенности, заслуживает пристального внимания концепция НЕ-факторов. Как известно, термин НЕ-факторы был введен А.С.Нариньяни в 1980г., а несколько позже Дж. Дельгранде и Дж.Милополусом (англоязычный аналог этого термина (im-in-un)'s). За прошедшие с тех пор более двух десятилетий справедливость оценки универсального характера НЕ-факторов подтвердилась. С одной стороны, неуклонно растет количество (и качество) специальных формализмов, направленных на описание как отдельных НЕ-факторов, так и взаимосвязей между ними, появляются совершенно новые подходы, позволяющие с единых позиций рассматривать группы НЕ-факторов такие как неопределенность, противоречивость, нечеткость, неточность, немонотонность суждений и рассуждений (например, модели бирешеток). С другой стороны, сегодня проблематика НЕ-факторов по существу охватывает практически все направления ИИ: представление знаний и теорию рассуждений, интеллектуальный анализ данных и машинное обучение, нейроинтеллектуальные системы и эволюционное моделирование. Помимо инженерии знаний моделирование НЕ-факторов все больше и больше затрагивает такие сферы как проектирование взаимодействий, самоорганизация действий, моделирование интенций агентов и т.п.

Все это значит, что разработка проблематики НЕ-факторов уже не ограничивается промежуточной областью между знанием и незнанием, а охватывает куда более обширную сферу построения интеллектуальных систем новых поколений.

1. НЕЙРОЛОГИЧЕСКИЕ ГИБРИДНЫЕ СИСТЕМЫ

Понятие «гибридной системы» обозначает системы, состоящие из двух или более интегрированных разнородных подсистем, объединенных общей целью или совместными действиями (хотя эти подсистемы могут иметь различную природу и разные языки описания). Специальный случай гибридных систем представляют собой гибридные интеллектуальные системы. Одними из первых термин «гибридные интеллектуальные системы» использовали Ганатилейк и Хеббал, которые вкладывали в него смысл гибридов интеллектуальных методов, таких как экспертные системы, нейронные сети или генетические алгоритмы. Часто гибридные системы в информатике интерпретируют как системы, объединяющие работу со знаниями и традиционную обработку информации. В более сильном смысле, гибридная система предполагает синергетическую комбинацию символьных и нейронных моделей, что позволяет достичь широкого спектра когнитивных и вычислительных возможностей. В целом междисциплинарное направление «гибридные интеллектуальные системы» объединяет специалистов, занимающихся разработкой и совместным использованием различных методов имитации интеллектуальной деятельности человека.

В данном докладе рассматривается один из классов гибридных интеллектуальных систем (ГИС) - нейроэкспертные системы, основанных на синергетическом взаимодействии образных и символьно-логических механизмов принятия решения. При этом образная компонента реализуется на базе нейромоделей, проектирующихся с использованием информационного подхода, а символьно-логический компонент-с помощью аппарата немонотонных временных логик. Представляется, что с информационной точки зрения синергетическое взаимодействие (в этом случае более точно говорить о взаимосодействии) означает качественно новую степень взаимодействия между подсистемами ГИС при решении некоторого класса задач: гибридная система в идеале представляет собой единый организм, подобный живому организму. Следствием такого уровня взаимодействия являются появление у системы качественно новых свойств, таких как автоматическая компенсаторность (частичная или полная) утрачиваемых функций, возможность применения при решении задач интеллектуальных свойств, аналогичных рефлексии, интуиции, эмоциям и т.п.

2. МОДЕЛИРОВАНИЕ ЛОГИЧЕСКИХ РАССУЖДЕНИЙ

Рассмотрим подкласс темпоральных немонотонных рассуждений, формализуемых на основе активной (шаговой) логики [5] полагая, что они составляют основное ядро рассуждений в гибридных нейроэкспертных системах реального времени.

Сохраняя возможность рассуждать об агентах, как бы «глядя на них со стороны», шаговая логика в то же время позволяет самому агенту соотносить процесс своего рассуждения с событиями, происходящими во внешней среде в результате деятельности этого агента или помимо нее (свойство «темпоральной чувствительности»).

Систему шаговой логики образуют пары вида <SLn, SLn>, где SLn- метатеория поведения агента, соответствующая его «внутренней» теории (собственной теории агента) SLn (здесь n - параметр, характеризующий уровень сложности теорий). Как модель дедукции, активная логика характеризуется языком, множеством дедуктивных правил, а также множеством «наблюдений». Если предположить, что агент рассуждает, находясь в статической среде, множество наблюдений может рассматриваться как часть исходной базы знаний дедуктивной системы, т.е. как множество утверждений, поддерживающих дедуктивный процесс, в результате которого порождаются новые знания. Однако, использование так называемой функции наблюдения позволяет моделировать динамическую среду, информация о которой поступает к агенту по мере происходящих в этой среде изменений.

Рассуждение во времени характеризуется выполнением циклов дедукции, называемых шагами. Так как в основе активной логики лежит дискретная модель времени, то эти шаги играют роль временного эталона - время измеряется в шагах. Знания агента ассоциируются с индексом шага, на котором они были впервые получены. Принципиальное отличие активной логики от других темпоральных эпистемических логик состоит в том, что «темпоральные аргументы введены в язык собственных теорий агентов» [5]. Таким образом, временной параметр связывается не только с каждым утверждением (формулой), которое эксплицитно знает агент, но и с дедуктивными правилами вывода. То, что узнал агент на шаге t (t-знания), используется для вывода новых знаний на шаге (t + 1). Дедуктивные правила вывода в активной логике имеют вид:

modus ponens

Наблюдения могут осуществляться на любом шаге дедуктивного процесса. Результатом наблюдения является формула, выражающая некоторое утверждение и ассоциированная с соответствующим шагом. Для иллюстрации осуществляемого по шагам процесса рассуждений предположим, что агент изначально знает (на шаге t), что и и на шаге (t + 1) он наблюдает . В приведенной ниже таблице показано, какие новые знания появляются на каждом шаге при использовании агентом дедуктивных правил наследования и modus ponens.

t : … , …

t + 1 : … …

t + 2 : … …

t + 3 : … …

Различные уровни сложности теорий активной логики связаны с вовлечением в процесс рассуждения агентов трех различных механизмов: самопознания (способности агентов осознавать как то, что они на данный момент времени знают, так и то, чего они на данный момент времени не знают), отсчета времени и устранения противоречий в знаниях.

Процесс рассуждений в системе активной логики может быть представлен как последовательность шагов (далее шагов вывода), на каждом из которых формируется так называемое множество мнений (Belief Set), представляющее собой множество формул на языке, близком к языку логики первого порядка, представленное эксплицитно. Каждому шагу вывода соответствует номер, который трактуется как момент времени на линейных дискретных часах. Этот номер представляется при помощи специального литерала, имеющего вид now (i), где i - номер шага вывода. На этот номер могут делаться ссылки в формулах, что позволяет соотносить во времени шаги вывода с другими событиями, происходящими в системе и вокруг нее (темпоральная чувствительность).

В любой известной версии активной логики шаг вывода представляет собой применение всех выполнимых на данный момент правил вывода (это полностью определяется текущим множеством мнений). Состав и структура правил вывода отличается в различных версиях активной логики, но немонотонный характер проводимых рассуждений всегда определяется использованием двух принципов: 1) обнаружения и исправления противоречий и 2) негативной интроспекции. Первый принцип состоит в выявлении и, по возможности, устранении в текущем множестве мнений так называемых прямых противоречий, т.е. литералов, образующих контрарную пару (например, q и -q). Второй принцип состоит в использовании проблемно-зависимых правдоподобных правил вывода, позволяющих делать заключения на основе утверждений, интерпретируемых как «на момент выполнения данного шага вывода неизвестно, что » (где некоторая формула, обычно, литерал).

Систему активной логики, введенную в [6], образуют шаговые теории, представляющие собой множества правил с заданным на них бинарным отношением предпочтения. Множества правил разбиты на два подмножества - строгих и правдоподобных правил. Первые представляют надежные знания и могут рассматриваться как монотонная часть шаговой теории. Строгие правила есть формулы вида

Ns: a1 a2 …a m b,

где a1….am - пропозициональные литералы или литералы языка логики первого порядка вида now(j), j - натуральное число; b - пропозициональный литерал; N - строка символов, обозначающая имя. Правдоподобные правила имеют вид

Np: a1 a2 …a m b.

Правила этого вида выражают описанный выше принцип негативной интроспекции в следующей интерпретации: если выполняется формула a1 a2 …am и на данном шаге вывода неизвестно, выполняется ли формула (являющаяся литералом) - b, то допустимо предположить, что выполняется формула b. Таким образом, данная система может рассматриваться как вариант активной логики, полностью основанный на правилах и отвечающий основной концепции логического программирования (моделями формул являются множества литералов).

Шаговой теорией называют пару T = (R, >), где R - конечное множество строгих правил вида (1) и правдоподобных правил вида (2), а > есть ациклическое отношение предпочтения, заданное на множестве R. При этом полагается, что все строгие правила имеют один и тот же приоритет, превосходящий приоритет любого правдоподобного правила. Для любой шаговой теории T = (R, >) будем обозначать R[q] и Rs[q], соответственно, множество всех правил и множество всех строгих правил, консеквентом которых является q. Множество литералов, образующих антецедент правила r, обозначается A(r). Пусть LT - множество помеченных литералов следующих четырех типов: str q, pla q, dis q, reins q где q - пропозициональный литерал, такое, что str q, pla q, dis q, reins q LT тогда и только тогда, когда q является консеквентом каких-либо правил из множества R. Эти типы интерпретируются, соответственно, как «литерал, выводимый строго (strict)», «литерал, выводимый правдоподобно (plausible)», «литерал, к которому утрачено доверие (distrusted)», «литерал, к которому восстановлено доверие (reinstated)». Доказательством в теории Т называется конечная последовательность В множеств вида {now (i)} LTi, где i - натуральное число или 0, LTi LT. В(i) обозначает i-й элемент последовательности множеств мнений в доказательстве. Переход от текущего множества мнений к новому (шаг вывода) осуществляется посредством всех возможных применений правил вывода активной логики. Результаты каждого шага вывода полностью определяются текущим множеством мнений. нейроэкспертный искусственный интеллект гибридный

3. МОДЕЛИРОВАНИЕ ОБРАЗОВ

Моделирование образного мышления будем рассматривать в контексте информационного подхода. В работах Г. Голицина [7] выдвинута гипотеза, что поведение адаптивных систем различной природы (биологических, технических или социальных) требует обеспечения максимума взаимной информации для наилучшей адаптации системы к среде. Количественной мерой адаптации (целевой функцией) служит средняя взаимная информация I между условиями среды («стимулами») и реакциями системы, которая определяется в виде

I(x,y) = log[p(x,y)/p(x)p(y)] = log[p(x|y)/p(x)],

где p(x), p(y) - безусловные вероятности событий x и y соответственно; p(x,y) - вероятность комбинации событий (x,y) или взаимная вероятность; p(x|y) - условная вероятность наступления события x при условии наступления события y.

Рассматривая события x, y как реализацию значений некоторых случайных дискретных переменных X, Y, можно определить принцип максимума взаимной информации между переменными X,Y в виде:

I(X,Y) = p(x,y) log [p(x,y)/ p(x) p(y)] maxx y p(x,y)

Будем полагать, что и образ, и понятие, которые создаются в памяти в процессе обучения, характеризуются соответствующими распределениями вероятностей: понятие моделируется некоторым равномерным распределением плотности вероятностей, а образ - холмообразным. Следствием этого различия в распределениях является то, что образ обеспечивает более высокое значение вероятности p(x,y) по сравнению с понятием, позволяющим преодолевать порог и запоминаться. Из этого же различия вытекают главные особенности образа по сравнению понятием: определенность, ассимиляция, кумулятивность, целостность, конкретность [3].

Компьютерная реализация образной компоненты возможна как на основе нейросетей, так и на основе нечетких моделей (систем). Возможности нейросетевой реализации определяются тем фактом, что несколько нейронов могут формировать в пространстве выходных переменных множества различной формы. В частности, два нейрона с сигмоидальными передаточными функциями могут сформировать холмообразное распределение вероятностей, характерное для образа. Аналогичные характеристики могут быть получены за счет операций с функциями принадлежностями.

С этой точки зрения целесообразно представлять образ не как холмообразное распределение вероятностей, а как холмообразную функцию принадлежности. На этой основе можно ввести такие базовые операции как концентрация (сжатие) образов Con, растяжение Dil, объединение Ag и пересечение Cros образов.

ЗАКЛЮЧЕНИЕ

В работе получены новые результаты в области моделирования образов и логических рассуждений, рассмотрена роль интуиции и логики при решении творческих задач [2]. В качестве перспективных направлений исследований можно предложить следующие:

· выделение и анализ операций и процедур образного мышления и интуиции. Разработка принципов построения языка образного мышления;

· компьютерная имитация важнейших характеристик образного мышления, опирающаяся на определение основных процедур и операций с образами различных модальностей;

· разработка концепции инженерии образов и построение новых архитектур интеллектуальных систем, основанных на образах;

· выяснение роли НЕ-факторов в моделировании образных и интенциональных характеристик интеллекта;

· разработка методов моделирования НЕ-факторов в процессах образного мышления и логического рассуждения.

ЛИТЕРАТУРА

1. Тарасов В.Б. От нечетких множеств к мягким оценкам и синергетическому искусственному интеллекту// Сборник докладов Международной конференции по мягким вычислениям и измерениям (SCM'2005, Санкт-Петербург, СПбГЭТУ, 27-29 июня 2005 г.). - СПб.: СПбГЭТУ, 2005. - С.24-32.

2. Фоминых И.Б. О технологии решения творческих задач// Сборник трудов VIII-й Национальной конференции по искусственному интеллекту (КИИ-2002, Коломна, 7-12 октября 2002 г.). - М.: Физматлит, 2002. - Т.1. - С.519-526.

3. Голицын Г.А., Фоминых И.Б. Нейронные сети и экспертные системы: перспективы интеграции// Новости искусственного интеллекта. - 1996. -№4. - С.121-145.

4. Тарасов В.Б. НЕ-факторы: от семиотического анализа к методам формализации//Новости искусственного интеллекта. - 2004. - №2. - С.95-114.

5. Perlis D., Purang K., Purushothaman D., Andersen C., Traum D. Modeling Time and Meta-Reasoning in Dialog via Active Logic//Working Notes of AAAI Fall Symposium on Psychological Models of Communication. - 2005.

6. Виньков М.М. Немонотонные рассуждения во времени с точки зрения логического программирования, отвечающего фундированной семантике с приоритетами// Сборник трудов IХ-й Национальной конференции по искусственному интеллекту (КИИ'2004, (Тверь, 28 сентября-2 октября 2004 г.). - М.: Физматлит, 2004. - С.227-236.

7. Golitsyn G., Petrov V. Information and Creation. - Basel: Birkhauser Verlag, 1995.

Размещено на Allbest.ru