Читаем без скачивания Мивары: 25 лет создания искусственного интеллекта - Олег Варламов

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.