ПРОБЛЕМАТИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Отметим, что это лишь конечная цель, которая пока не достигнута, однако в настоящее время полученные теоретические научные результаты позволяют решить несколько промежуточных, но достаточно важных и взаимосвязанных научных проблем.
Понятие интеллектуальные системы не является строго определенным, однозначным термином, как и близкое ему понятие искусственный интеллект. Между тем, под интеллектуальными системами принято понимать такие системы, которые способны выполнять интеллектуальные действия: обучаться, проводить логический анализ, синтез, осуществлять ассоциативный поиск и т.п.
Отметим, что способность к самообучению является необходимой и одной из самых важных в перечне интеллектуальных свойств любого субъекта. На данном этапе, не будем затрагивать проблему достаточности этого признака, но подчеркнем именно - необходимость способности к обучению для любой интеллектуальной системы.
Для того чтобы система могла обучаться, ее подсистема накопления и обработки данных должна обладать свойством адаптивности, наращиваемости, изменяемости, т.е. в некотором смысле - эволюционностью. Если перейти к терминам автоматизированных систем обработки информации (АСОИ), то базы данных (БД) и базы знаний интеллектуальных систем должны быть адаптивными, а в более широком смысле -эволюционными. Термин знания является антропоморфным и близок по смыслу к термину интеллект, но эти термины неоднозначно формализованы, т.е. не имеют четко выраженного, однозначного значения и, следовательно, не являются идентификаторами. Более того, с этой точки зрения, антропоморфный термин базы знаний не является корректным, так как фактически там хранятся только правила, процедуры и тому подобные отношения объектов.
Термин правило хорошо формализован, а его смысл, в общем виде, боле всего соответствует тому, что принято называть знание. Следовательно, далее целесообразно употреблять вместо термина базы знаний, в этом же смысле, другой термин: базы правил, а в качестве обобщения терминов базы данных и базы правил - будем использовать обобщенный термин: базы данных и правил (БДИ).
В настоящее время, в реальных (больших) базах данных может храниться практически любая информация, но вопросы адаптации структур хранения данных, как правило, решаются вручную, т.е. путем перепроектирования и перепрограммирования существующих баз данных. В процессе перепрограммирования такая АСОИ не выполняет свои функции, т.е. не обеспечивается непрерывность функционирования АСОИ.
Получаем, что с учетом участия программиста-человека, такие человеко-машинные АСОИ являются адаптивными и эволюционными. Однако, процесс перепроектирования и перепрограммирования БД, если не рассматривать участие человека, в общем случае, не является адаптацией системы хранения и обработки данных, так как на самом деле происходит создание новой базы данных, а не ее адаптация.
В определенном смысле, некоторые базы данных позволяют проводить частичную адаптацию путем добавления новых объектов, но это осуществляется либо за счет резервирования лишних объектов в процессе проектирования, либо путем добавления однотипных объектов. На самом деле, исходя из смысла термина адаптация, такие изменения могут быть охарактеризованы лишь как имитация адаптации и не более того.
Действительно эволюционной (адаптивной) базой данных может быть только база данных с изменяемой структурой представления данных. Кроме того, существует достаточно много систем, для которых важным критерием является непрерывность ее функционирования в достаточно длительные интервалы времени.
Таким образом, в настоящее время проблема создания эволюционных (адаптивных) баз данных и правил не решена в полном объеме.
Отметим, что термины адаптация и эволюция в нашем контексте являются синонимами, но все же более точным, более перспективным является термин эволюция, так как мы ставим целью создание развивающихся, изменяющихся непрерывно на длительном интервале времени баз данных и правил. В то же время, под адаптацией принято понимать некоторое, чаще всего, одномоментное действие.
Впрочем, при таком подходе, эволюция -это много раз повторенная адаптация (изменение) в различные моменты времени. Обсуждение темы данной работы с другими уважаемыми учеными и анализ ее возможного названия, показал, что все же наиболее адекватным сейчас является термин эволюционные базы данных и правил, хотя синонимы: адаптивные, изменяющиеся, развивающиеся и т.п. тоже могут иметь место и право на существование.
Существуют различные варианты динамических баз данных и знаний [Л. 9, 23-24, 28, 36, 82, 84, 91, 98, 100-104, 120-124, 141-142, 171, 185, 190-211, 216, 232, 263, 289, 314-319, 321-328, 338-340, 349-356, 358-368, 396-403, 413, 460-465, 481-509], но как было сказано выше, даже их нельзя отнести к адаптивным (эволюционным), так как они тоже только имитируют адаптацию и не более того.
Более подробно эти вопросы освещены ниже, а сейчас можно сделать вывод о необходимости разработки действительно эволюционных (адаптивных) баз данных и правил (знаний).
Таким образом, для создания интеллектуальных систем необходимо решить несколько важных научных проблем. Прежде всего, это проблема создания эволюционных (адаптивных) баз данных.
Затем - создание эволюционных автоматизированных систем обработки информации (АСОИ). Такие АСОИ представляется возможным создать путем решения проблемы адаптивного синтеза конфигураций компьютерных систем, на основе создания миварного эволюционного многомерного динамического объектноориентированного информационного пространства унифицированного представления данных и правил (которому и посвящена эта работа) или, для краткости, просто: миварного информационного пространства.
Решение этих взаимосвязанных проблем позволит создать действительно эволюционные компьютерные системы, в том числе и интеллектуальные АСОИ. В перспективе, система адаптивного синтеза конфигураций компьютерных систем предназначена для оценивания решаемой задачи, формирования требований и выбора оптимальных вычислительных ресурсов, адаптации программно-аппаратных средств, выделенных для решения требуемой задачи, и для непосредственного управления процессом решения такой задачи.
Таким образом, компьютер сам будет адаптировать свою структуру для оптимального решения требуемых задач.
Исторически так сложилось, что автор участвовал в нескольких, казалось бы, разнородных, научных проектах: исследование возможностей искусственного интеллекта и экспертных систем, концептуальное проектирование и создание баз данных, оптимизация параллельных вычислительных алгоритмов, исследование особенностей новых информационных технологий и информационно-вычислительных сетей, типа Интернет, а также в создании высокопроизводительных вычислительных комплексов и других проектах. Но на каждом этапе, мои учителя и наставники: Атрощенко В.Г., Ростовцев Ю.Г., Шеремет И.А., Крылов Г.О. и Каляев А.В., помогали увидеть за деревьями лес и не отклоняться от цели и главного, фундаментального направления исследований: поиск путей создания интеллектуальных АСОИ.
В целом, исследуемая проблемная область создания интеллектуальных систем находится на стыке нескольких направлений, которые, в различной степени, характеризуются следующими терминами: дискретная математика, математическая логика, кибернетика, автоматизированные системы обработки информации, базы данных (БД), модели данных (МДн), базы знаний (БЗ), синтез вычислительных структур, экспертные системы, системы поддержки принятия решений, теория графов, оптимизация на сетях и графах, параллельные вычисления, системы искусственного интеллекта, многопроцессорные вычислительные системы, математическое и информационное моделирование, архитектура ЭВМ, многопроцессорные системы с программируемой архитектурой, системный анализ, философские, гносеологические и психологические аспекты обработки информации и создания искусственного интеллекта, эволюционные системы, адаптивные системы управления, автоматизация проектирования, логические системы обработки данных и некоторые другие.
Так как многие слова - термины используются в разных областях и в разное время в них вкладывался различный смысл, то при написании данного текста достаточно часто приводится одновременно несколько подобных, близких по значению, слов - терминов, позволяющих лучше подчеркнуть конкретное значение терминов и смысл написанного. Кроме того, отметим, что любая однопроцессорная система является частным случаем многопроцессорных систем, следовательно, в дальнейшем целесообразно использовать термин многопроцессорные системы при исследовании сформулированных научных проблем. Итак, основой любой автоматизированной системы обработки информации являются базы данных и правил. Термин интеллектуальные системы подчеркивает, что такой системе должны быть присущи некоторые черты интеллекта.
Прежде всего, это способность к обучению, накоплению и обработке новых данных, к информационному моделированию исследуемой предметной области.
Традиционные структурированные модели данных существующих известных баз данных [Л. 12, 15, 19, 50-51, 87, 100-104, 117, 120-124, 139-142, 183, 190, 196-206, 220, 247250, 263, 284, 293, 296, 305, 314-319, 461-465, 481-501] были предназначены для автоматизации обработки данных в таких предметных областях, структура описания данных которых была фиксированной, неизменной.
При изменении концептуальной модели предметной области, например, добавлении новых объектов или их характеристик, проектирование структуры базы данных приходилось фактически делать заново. При разработке концептуальных моделей данных основной проблемой было учесть как можно больше возможных изменений описания предметной области. Такие системы трудно назвать обучаемыми, а тем более интеллектуальными. Если в процессе функционирования базы данных можно будет, без потери производительности, изменять структуру концептуальной модели данных, то многие проблемы будут решены и процесс проектирования баз данных претерпит серьезные изменения в сторону упрощения.
Возможно само проектирование баз данных будет осуществляться постоянно в ходе реальной непрерывной работы АСОИ.
Конечно, существуют слабоструктурированные и неструктурированные модели данных, т.е. бесструктурные (инфологические), типа гипертекста, но для них характерны другие недостатки, связанные со сложностью реализации высокоскоростной обработки данных [Л. 82, 91, 216, 316, 326-327, 462-464, 484-501].
Кроме того, наличие структуры представления данных позволяет проводить систематизацию данных, ассоциативную обработку, а многомерность значительно ускоряет обработку любых массивов и баз данных.
Создание эволюционных (адаптивных) баз данных, т.е. баз данных с изменяемой структурой (в том числе и многомерной), позволит совершить качественный скачок к созданию обучаемых систем, которые будут более соответствовать термину интеллектуальные. Формализованное описание, анализ и обобщение традиционных структур представления данных, подробно изложенные ниже, позволили предложить новые принципы построения многомерного динамического пространства унифицированного представления данных и правил, так называемого - миварного пространства.
В структурированных моделях создается некоторая структура, в рамках которой затем записываются и хранятся все данные. В неструктурированных типах все данные просто записываются и хранятся без учета структуры. В сильноструктурированные (жесткие) модели можно записать не любые данные, но в них быстрее всего осуществляется поиск требуемых данных.
В неструктурированных моделях можно хранить любые данные, но поиск требуемых данных занимает максимальное время. К сильно структурированным моделям можно отнести традиционные реляционные, сетевые, иерархические и т.п. модели, вплоть до модели данных сущность-связь [Л.
19, 27, 51, 87, 100-104, 107, 117, 120-123, 139-140, 175, 183, 190, 216, 220, 247, 249, 269-270, 284, 293, 296, 305, 314-316, 319, 363-368, 403].
К неструктурированным или, точнее, слабоструктурированным моделям можно отнести гипертекстовое представление данных [Л. 82, 91, 123-124, 216, 263, 316, 321, 326327]. В то же время, объектно-ориентированное представление данных в такой классификации находится в средней части такой шкалы и обладает возможностью изменения структур представления данных путем задания новых объектов [Л.
36, 50, 136, 200-202, 216, 263, 269-270, 289, 335, 348-352, 362, 374-376, 396, 462-464, 484-501].
Отметим, что если принято различать два типа представления данных: структурированные и неструктурированные, то миварный подход и эволюционные (адаптивные) базы данных можно отнести к новому типу представления данных с изменяемой структурой. Такая структура обладает возможностью эволюционного наращивания, а при необходимости и кардинального изменения структуры представления данных, даже в условиях непрерывности функционирования системы.
Если говорить очень кратко, то миварное представление данных позволяет явно выделять структуру или системность объектов, например, вводя в качестве оси измерение уровня системности объекта в терминах: метасистема - система - подсистема, что поглощает объектноориентированные модели данных и создает реальные предпосылки для осуществления ассоциативного поиска и выявления новых данных и отношений.
Кроме того, на основе использования материалов [Л. 145], предлагается
рассматривать процессы передачи и хранения данных в автоматизированных системах в едином формате (виде):
{отправитель, получатель, способ, время, данные}.
При передаче данных время должно быть мало, а отправитель и получатель -различными. При хранении данных, наоборот: отправитель и получатель должны совпадать, а время может быть достаточно большим. Кроме того, отправитель может посылать данные нескольким получателям, время доставки может быть относительно большим, а несколько пользователей могут хранить одни и те же данные.
Способ доставки характеризует форму доставки кода и способ его преобразования в требуемое представление, вид.
В этом случае, миварное представление данных объединяет возможности всех этих моделей. При этом, на начальном этапе накопления данных, миварное представление может быть ближе к слабоструктурированным моделям, но потом, при выявлении четких структур предметной области, определении взаимосвязей и взаимозависимостей миварное представление путем ввода новых осей подпространства представления данных (ППД) или изменения существующих, может быть преобразовано в более сильноструктурированное представление данных.
Более того, некоторые части подпространства миварного ППД могут быть представлены, как будет показано ниже, в различных по степени структурированности представлениях данных. Например, в некоторой автоматизированной системе обработки информации есть несколько групп пользователей. У каждого пользователя может быть свое произвольное подпространство представления данных (ПППД), в котором он обрабатывает только свои личные данные. По совместной договоренности, у каждой группы однотипных пользователей может быть создано или выделено единое общее, сильно структурированное представление накопленных данных, которые отражают некоторое единое представление данных этой группы пользователей.
У всех пользователей также по некоторой общей договоренности может быть создано некоторое общее структурированное представление данных (фрагмент описания предметной области). В каждом общем подпространстве представления данных определяется некоторый ответственный пользователь -администратор представления данных, который обеспечивает функционирование этого подпространства.
Особенностью миварного подхода является то, что при необходимости любые конкретные подпространства могут быть корректно совмещены в некое общее подпространство, а любое подпространство, также корректно, может быть разбито на несколько новых подпространств. При этом, однотипные по характеру хранения данные: изображения, фотографии, звуковые файлы, тексты, электронные таблицы и т.п. независимо от подпространств представления данных могут храниться на однотипных технических средствах, что создает предпосылки для ассоциативного поиска по однотипным (по хранению) данным.
Отметим, что при миварном подходе уровень представления данных не обязательно должен соответствовать уровню хранения данных.
Более того, на уровне хранения данных могут использоваться традиционные модели данных: реляционные, сетевые и т. п., а все адресные характеристики, присущие уровню представления данных могут храниться в других таблицах, даже на других технических средствах. Конечно, миварная модель представления данных, являясь более универсальной, в то же время является и более сложной (например: необходимость хранения и обработки адресных многомерных характеристик) по отношению к другим моделям данных и может быть сопоставлена концептуальному уровню представления данных. Тем не менее, познавательные и исследовательские автоматизированные системы обработки данных целесообразнее строить на основе наиболее универсальной миварной модели данных.
Построенная на основе миварного пространства активная адаптивная логическая сеть правил, управляемая потоком данных, как будет доказано ниже, еще более расширяет интеллектуальные способности перспективных АСОИ. Таким образом, миварные структуры представления данных являются обобщением и научным развитием всех основных существующих структур представления данных и открывают новые возможности по построению эволюционных, адаптивных баз данных и интеллектуальных автоматизированных систем обработки информации.
Прежде всего, проанализируем область создания интеллектуальных систем и систем искусственного интеллекта. Если же читателя интересуют только технические вопросы и БД, то целесообразно сразу перейти к изучению третьего раздела данной монографии.
ВЗАИМОСВЯЗЬ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ И СИСТЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Область исследования интеллектуальных автоматизированных систем взаимосвязана и взаимодействует с областью создания систем искусственного интеллекта, но эти две области все же различны.
Под интеллектуальными системами понимают такие автоматизированные системы, которые (с участием человека-оператора) позволяют решать различные сложные, интеллектуальные задачи. Под системами искусственного интеллекта принято понимать автоматические (без участия человека), самостоятельные или самообучающиеся системы, которые также должны решать сложные интеллектуальные задачи.
При общем назначении, такие системы различаются по научным подходам, по принципам построения, по методам решения задач и т.д. Сама возможность создания систем искусственного интеллекта (СИИ) до сих пор находится под вопросом, хотя отдельные интеллектуальные системы, относящиеся к классу автоматизированных систем обработки информации, созданы и эксплуатируются достаточно успешно. Для понимания существа проблемы создания эволюционных баз данных и знаний в целях синтеза интеллектуальных систем, прежде всего, необходимо проанализировать достижения и проблемы, которые существуют в этой научной области.
Отметим, что проблема интеллекта, интеллектуальных систем взаимосвязана со многими научными областями, но начать наше исследование целесообразно с анализа проблематики искусственного интеллекта.
ПРОБЛЕМАТИКА ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Наиболее полным, ярким, предельным воплощением автоматизированных интеллектуальных систем являются системы искусственного интеллекта (ИИ). В настоящее время продолжаются споры о том, что такое искусственный интеллект. Прежде всего, отметим, что проблема искусственного интеллекта возникла давно, и во все времена ученые пробовали найти подходы к ее решению.
В ИИ отразились и слились проблемы философии, математики, физики и других естественных наук, а также и гуманитарные вопросы. Познание искусственного интеллекта неотделимо от познания самого человека, его сознания и мышления.
Исследователи ИИ следуют великому призыву древних: Познай самого себя. Но они не ограничиваются только этим, а выходят за рамки, границы человекоподобия и затрагивают самые древние, самые сокровенные тайны природы. У большинства исследователей, искусственный интеллект ассоциируется с человеческим, естественным интеллектом, который и является главным средством и главным орудием познания мира, т.е. универсальным инструментом познания. На таком уровне осмысления проблемы ИИ, приходим к необходимости признания тесной взаимосвязи и взаимозависимости познания реального мира и познания ИИ.
Познание мира невозможно без познания самого орудия этого познания. Рассматривая искусственный интеллект в более узком смысле, подчеркнем, что эта проблема не может решаться, изучаться какой-либо одной наукой. Проблема ИИ требует комплексного подхода с точек зрения различных наук, причем, все это должно сочетаться, собираться и обобщаться в виде некоторой цельной теории.
Главной целью (задачей) этой теории - является изучение такого явления, предмета, объекта, который включал бы в себя и мышление человека, и процессы переработки, генерации информации различными техническими системами.
В настоящее время сложно однозначно сказать, что конкретно понимается под предметом изучения ИИ, не совсем ясна, точна и строга даже сама постановка, формулировка проблемы ИИ. Прежде всего, необходимо выяснить, понять, что такое искусственный интеллект, каковы цели и задачи его познания.
Возможно, человеку еще многое необходимо изучить и понять, прежде чем он сможет осознать всю сложность, необычность и масштабность проблемы ИИ.
На наш взгляд, актуальными для настоящего этапа исследований ИИ являются следующие три основные задачи.
1. Показать всю важность и сложность проблемы ИИ, доказать, что ИИ - это наука (научное направление), но не совсем обычная.
2. Определить предмет теории ИИ, т.е. определить что изучать, исследовать, создавать.
3. Определить метод теории ИИ, т.е. как изучать.
Итак, подчеркнем, что проблема ИИ гораздо старше и информатики, и кибернетики [Л. 30, 52, 159-162, 174, 193, 212, 215, 232, 235, 239, 258, 277, 288, 292, 298, 304, 306, 324, 340, 381, 414, 415, 462-465, 472-475, 481-503], которые лишь дали новую, более научную интерпретацию искусственного интеллекта. Некоторые исследователи считают: проблема ИИ настолько необычна и сложна, что мы до сих пор не можем осознать и понять ее в целом, во всем ее многообразии, многогранности.
Например, одной из задач ИИ является изучение познавательной деятельности человека, а это невозможно без познания реальности и без изучения самого процесса познания. Искусственный интеллект является, образно выражаясь, с одной стороны, зеркалом, в котором человек видит и изучает самого себя, а с другой стороны, ИИ также является и окном в мир, через которое человек познает окружающий его мир.
При таком подходе, проблема ИИ открывается нашему взору во всем великолепии своей многообразности, сложности, важности, необходимости и неизбежности.
ОБЗОР ПОНЯТИЙ, КОНЦЕПЦИЙ И ПРЕДСТАВЛЕНИЙ В ОБЛАСТИ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА
Прежде чем говорить об уже сложившихся подходах к проблеме искусственного интеллекта, необходимо более подробно обсудить истоки этого понятия, разобрать по отдельности, а затем и в совокупности эти термины: интеллект, искусственное и, наконец, искусственный интеллект. Прежде всего, целесообразно начать обзор понятий с термина интеллект.
ИНТЕЛЛЕКТ
Понятие интеллект впервые возникло в психологии. Психологи считают, что интеллект - это свойство личности, выражающееся в способности глубоко и точно отражать в сознании предметы и явления объективной действительности в их существенных связях и закономерностях, а также в творческом преобразовании опыта ... (и) ...
