CC BY
88
Время активных действий (в % к продолжительности смены). В остальное время -наблюдение за ходом производственного процесса 20 и более 19—10 9—5 4 и менее
Монотонность производственной обстановки (время пассивного наблюдения за ходом техпроцесса в % от времени смены) менее 75 76—80 81—90 более 90
V. Режим работы
Фактическая продолжительность рабочего дня 6—7ч 8—9ч 10—12ч более 12 ч
Сменность работы Односменная работа (без ночной смены) Двухсменная работа (без ночной смены Трехсменная работа (работа в ночную смену) Нерегулярная сменности с работой в ночное время
Наличие регламентиро- ванных перерывов и их продолжительность Перерывы регламентированы, достаточной продолжительно-сти: 7 % к более рабочего времени Перерывы регламентирова ны, недостаточной продолжительности: от 3 до 7 % рабочего времени Перерывы не регламентированы и недостаточной продолжитель ности: до 3 % рабочего времени Перерывы отсутствуют
УДК 658.382.3
КОНЦЕПТУАЛЬНАЯ МОДЕЛЬ ПСИХОЛОГИИ СОВМЕСТНОЙ ДЕЯТЕЛЬНОСТИ ЕСЕТЕСТВЕННОГО И ИСКУССТВЕННОГО
ИНТЕЛЛЕКТОВ
В.И. Божич, Н.В. Горбатюк, М.Б. Савченко
Единственным способом моделирования и экспериментального подтверждения новых моделей принятия решений может быть симбиоз образного и символьного представления и обработки знаний в интеллектуальных системах, позволяющих работать с образами также оперативно как с символами на основе нечетких
когнитивных схем. По многим оценкам они являются эффективными средствами «фокусировки внимания» и генерации решений лицом, принимающим решение (ЛПР). Проблема учета активности ЛПР становится первичной и требует отступления от концепции «нормативных моделей управления» к моделям «совместной деятельности». Современные результаты когнитивной психологии и искусственного интеллекта дают основания для построения интегрированных компьютерных систем «совместной деятельности». Такие системы должны реализовывать процедуры управленческой деятельности, наделенные психикой деятельности. При этом важным вопросом является выбор технологических средств искусственного интеллекта, которые будут удовлетворять целостности объектов, порождаемых естественным и искусственным интеллектами.
Анализ субъектно-ориентированного подхода к моделированию совместной деятельности указывает, что такой вид деятельности возможен посредством учета интенциональных характеристик естественного и искусственного интеллектов. Для организации совместной деятельности различных подсистем мышления человека и компьютерной техники необходимо разработать метод совместной интерпретации образа и инструментальные средства адаптации к обрабатываемой когнитивной информации, так как отличительной особенностью образного мышления ЛПР является осмысление незнакомого объекта в виде легко понимаемой геометрической модели. Понимание со стороны ЛПР характера изменения визуальных соотношений стандартного образа позволяет определить качественную меру отклонения от стандартного уровня и принять соответствующие решения. Высокая скорость интерпретации образа человеком может быть учтена посредством свойств когнитивной карты с целью формирования внимания ЛПР и учета его когнитивных особенностей ускоренного мышления. Иными словами, при таком подходе ЛПР является ускорителем мышления системы искусственного интеллекта (системы ИИ), подобно электронным ускорителям для решения некоторого класса математических задач.
Анализ когнитивных свойств современных средств представления информации
- гипертекстовых информационных пространств показывает, что для разработки принципов организации «совместной деятельности» в таких пространствах особое внимание должно быть уделено технологии адаптивной аннотации - интегративному восприятию информации ЛПР, которая отражает специфику ментальных и интенциональных характеристик «совместной деятельности». Построение концептуальной модели «совместной деятельности» предопределяет использование когнитивных агентов. Такие агенты имеют систему ментальных ценностей и определяют варианты поведения в виде семантической конструкции «агент -действие - объект».
Модель когнитивного агента «совместной деятельности» представляет собой тезаурус с размеченными семантическими связями. При этом «знания и убеждения», а также «цели и намерения», можно отнести к категории нечеткого отношения между состоянием агента и предполагаемым результатом его деятельности. С помощью указанных функций поведения когнитивного агента можно описать процесс подготовки решения с учетом ментальных характеристик.
В целом концептуальная модель когнитивного агента «совместной деятельности» представляет собой тезаурус с размеченными семантическими связями - множество понятий и отношения между ними Т (NET) = (G, PM, R, X, n), где G = Gi x ... x Gn - семейство понятий для различных подграфов сети; PM с G -множество ментальных понятий и суждений; X: G ^ [0, 1] - функция принадлежности, которая упорядочивает понятия; n: R ^ [0, 1] — функция принадлежности, которая описывает веса связей. При таком подходе к представлению семантической информации когнитивный агент косвенно учитывает
информацию путем изменения его тезауруса, что дает возможность говорить об обобщающем тезаурусе, например Т (NET) = Т (NET1) n ... п Т (NETk), где Т (NETi) - подграф исходного образа сети.
Для реализации возможности семиозиса знаков с учетом интенциональных отношений в работе используются М-сети, так как для формирования множества мотивов и стремлений ментальная подсистема когнитивных агентов должна содержать механизмы обработки знаний и планирования действий. При этом «знания и убеждения» & «цели и намерения» можно отнести к категории нечеткого отношения моделирования - нечеткого соответствия между состоянием агента и предполагаемым результатом его деятельности. Содержание убеждений и знаний рассматривается в форме лингвистических предложений, а содержание намерения рассматривается как действие в рамках норм и обязательств, которые их ограничивают. Для формирования множества мотивов и стремлений ментальная подсистема когнитивных агентов должна содержать механизмы обработки знаний и планирования действий.
Соотношение между побуждением и действием определяет нечеткое отношение интенционального моделирования агента. Простейший способ описания модели действий агента - это математическое выражение, определяющее различия в начальной и конечной точках действия. Деятельность интенционального агента связана: с формированием желаний Ж = T(Gi) x PM, выполнением намерений (действий) Н = T(Gj) ^ T(GS) и пересмотром убеждений У = T(Gi). В связи с наличием у агента шкалы собственных предпочтений, которая не может охватить моделируемый мир, целесообразно интенциональные характеристики агента (показатели уверенности) также описывать на основе нечетких множеств. Тогда состояние агента в любой момент времени характеризуется тройкой (Ж, Н, У).
Пусть F(^) - класс нечетких множеств на множестве (•). Тогда функция пересмотра убеждений g агента может быть задана на основе текущего восприятия и текущих убеждений (определенных нечеткими множествами) формированием нового нечеткого множества убеждений в следующем виде g: F(B) x F(У) ^ F(У). В свою очередь, функция формирования выбора q может быть записана как отображение декартового произведения множества убеждений и намерений во множество желаний q: F(Y) x F(H) ^ F^).
В рамках «доски объявления совместной деятельности» оператор текущего восприятия определяет нечеткое отношение процесса моделирования семиозиса знаков, как со стороны агента, так и со стороны ЛПР В: T(Gi) x PM А x PЛПР ^ [0, 1], где PM А - ментальные представления агента; P.nm- - ментальные представления ЛПР на уровне образного мышления. С помощью указанных функций можно описать процесс рекурсивного уточнения некоторой иерархической структуры плана действий с учетом ментальных характеристик, благодаря формированию каждый раз более конкретных намерений через процесс восприятия - «фокусировку внимания» ЛПР с помощью интеллектуальных инструментальных средств когнитивных агентов.
Отличительной особенностью подхода является интеграция нейросетевой модели, которая имитируют характеристики объекта в виде отношения «вход -выход», и семантической сети, отражающую внутреннюю детализацию объектов и их отношений. Предлагается развитие концепции М-автоматов и сетей для решения задачи, направленной на «включение» образного мышления ЛПР в контур «объект управления - система управления». Семантическая М-сеть является статической моделью, отражающей совокупность объектов (i-моделей) и их взаимоотношения. Способ представление информации через М-сеть носит отпечатки классической
парадигмы моделирования путем декомпозиции сложного объекта на части и установления взаимосвязи каждой части объекта с физическим смыслом каждого нейрона или нейронного ансамбля в отдельности. Такое представление нейронной сети в виде семантического графа фактически является процессом когнитивного обучения нейронной сети, который по своей сути отличается от процесса классического обучения нейронных сетей с помощью обучающих выборок. Когнитивное обучение определяется двумя последовательными процедурами: 1) обучение через формирование множества объектов и установление их значимости; 2) обучение через формирование множества отношений между объектами путем задания весов связей между объектами. Вторая процедура когнитивного обучения по своей сути, но не по процедуре, напоминает обучение классических нейронных сетей.
Каждому объекту М-сети соответствует нечеткое понятие, определенное через экспертные оценки, выраженные в значениях весов синапсов и значениях порогов 1-моделей. Данное обстоятельство позволяет рассматривать модель М-сети, как нейронную сеть по сути построения, а нечеткую систему по процессу функционирования. При этом можно рассматривать выходной слой, как агрегатор и дефуззификатор, которые обобщает нечеткую информацию, поступающую от нейронов. Параметры всех нейронов-объектов среднего слоя являются нечеткими понятиями, функция принадлежности которых определяется системой «усиления-торможения». Такая система управляет процессом возбуждения 1-моделей: если возбужденность элемента выше некоторого заданного параметра или выше возбужденности других элементов, то порог такого элемента уменьшается. В результате, исходный семантический граф М-сети можно представить подграфом, состоящим из вершин, которые имеют повышенную возбужденность и связей между ними. Если отобразить возле каждой 1-модели значимость ее возбуждения с помощью цифры, цвета или другого визуального способа, то получим когнитивный граф-образ. Представление М-сети, как когнитивной карты, позволяет осуществлять манипуляции со смыслом символов: вершины соответствуют некоторым объектам, связи определяют отношения между объектами.
Система «усиления-торможения», воздействуя на нейронную М-сеть, каждый раз представляя ЛПР наиболее активную когнитивную информацию и динамику ее изменения. Визуальный анализ такого графа позволяет ЛПР учитывать на сознательном или подсознательном уровнях сложившуюся ситуацию, оценить ее и принять соответствующие решения и действия. В результате, ЛПР имеет возможность управлять детализацией просмотра когнитивного графа в зависимости от целей и его особенностей восприятия информации. Таким образом, предлагаемая модель позволяет позволяет соотнести (связать, объединить) действия ЛПР и системы искусственного интеллекта, и, тем самым соединить субъективные и объективные не только декларативные знания, но и процедурные знания (действия).
В работе предлагается использовать механизм настройки классических нейронных сетей для настройки параметров когнитивной нейронной сети. Такой механизм рассматривает нейронную сеть, как модель, которая отражает только поведение моделируемого объекта и не учитывает внутреннюю детализацию (семантику) нейронной сети. Процедура формирования такой модели фактически является процедурой когнитивного сжатия информации об объекте через обучение нейронной сети в соответствии с заданной обучающей выборкой. При этом задача обучения разбивается на две части: 1) поиск набора обучающей выборки, что можно выполнить путем анализа отношений «объект управления - система управления»; 2) применением процедуры настройки когнитивной нейронной сети путем предъявления набора обучающих выборок по аналогии с обучением нейронных рекуррентных или рециркуляционных сетей. Процесс настройки параметров когнитивной нейронной сети должен содержать этап предварительного
экспериментального тестирования, а также должен учитывать фактор учета субъективности ЛПР. Семантический граф М-сети, определяющий ту или иную ситуацию (сценарий) может иметь вершины-объекты (1-модели), отражающие ментальные и интенциональные характеристики (грусть, апатия, радость, слезы и т.д.). Наличие таких вершин позволяет контролировать и понимать психофизиологическое состояние ЛПР в процессе работы с когнитивной нейро-нечеткой моделью.
В работе разработана гибридная нейронная модель на основе совмещенного синтеза М- и АРТ-сетей, позволяющая учитывать ментальные и интенциональные характеристики «совместной деятельности» в процессе фокусировки внимания естественного и искусственного интеллектов. Рассматривается сеть Гроссберга с позиции искусственного когнитивного анализатора образов. Такая сеть реализует алгоритм кластеризации, при этом образцом первого кластера считается первый входной вектор. Все последующие входные векторы сравниваются с образцом первого кластера. С точки зрения задачи распознавания образов второй входной вектор может стать образцом второго кластера, если в рамках некоторой метрики второй вектор более значим, чем первый входной вектор. Для всех последующих входных векторов происходит «измерение» значимости текущего входного вектора с имеющимися образцами кластеров. При этом результатом измерения является либо новый кластер и соответствующий ему образец, либо отнесение входного вектора к тому или иному кластеру. В качестве метрики может служить некоторая заранее задаваемая величина расстояния между векторами в виде порога. Тогда когнитивный анализатор в виде сети АРТ определяет множество абстрактных образов - образцов кластеров: входной вектор - набор признаков абстрактного образа, значения порогов
- мера определения множества таких абстрактных образов.
Таким образом, нейронная сеть Гроссберга может выполнять
дополнительные функции системы «торможения-усиления» М-сети, связанные с искусственным когнитивным анализом, как отдельных вершин семантического графа М-сети, так и подграфов, выделенных в процессе функционирования М-сети. Данное обстоятельство может быть учтено при описании принципов эволюции и роста семантического графа с целью когнитивного представления информации для ЛПР и «вмешательства» естественного когнитивного мышления ЛПР путем добавления или исключения образов тех или иных понятий в семантическом графе. Указанная специфика позволяет реализовать алгоритм функционирования искусственного когнитивного анализатора путем корректировки (усреднения) весов нейронов в зависимости от желаемых выходов.
В результате каждый вновь рассматриваемый образ может создавать дополнительные классификационные категории, оставляя неизменными результаты предшествующего обучения (стабильность и пластичность гибридной нейронной сети). Таким образом, нейронная АРТ-сеть Гроссберга корректно распознает образ, никогда не виденный ранее, и реализует бионический принцип распознавания, подобный процессу восприятия информации человеком. Известно, что геометрическая интерпретация распознавания может быть трансформирована в лингвистический подход с помощью выделения набора типичных фрагментов образов и характеристик взаимного расположения фрагментов (слева, снизу, внутри и др.). На основе такого словаря и правил можно строить различные четкие и нечеткие логические высказывания. Такой подход имеет «когнитивную аналогию» и требует не столько знаний основ математической лингвистики, сколько специальных приемов для лингвистической обработки образов. Заданием пространства признаков формулируется свойство компактности, под действием которого образы в этом пространстве легко разделяются. Понятие компактности дает понятие абстрактного образа, который может быть построен на основе абстрактного пространства. Заметим, что при этом понятие компактности является только признаком возможности удовлетворительного решения задачи распознавания тех или иных
образов на основе когнитивной нейро-нечеткой модели, так как процедуры способны выделять только абстрактные образы. Если в нейронной сети входной вектор-образ не соответствует ни одному из ранее запомненных образов, то создается новая категория для запоминания образа. Данное обстоятельство может быть учтено с целью «вмешательства» естественного когнитивного мышления ЛПР путем изменения семантического графа.
Наличие эволюционных процедур формирования нейронной сети и системы «усиления-торможения» М-сети приводит к важному достоинству - генерации факта существования заранее неизвестной информации в заданном пространстве образов, о которых ранее ЛПР - пользователь не имел никакого представления. Таким образом, обучение и самообучение, как системы искусственного интеллекта, так и/или естественного интеллекта, может служить мерой пригодности (мерой оценки) выбранного пространства образов. Степень совпадения абстрактных образов, выделяемых в процессе такого самообучения относительно реальных образов, может служить оценкой правильности выбора абстрактного пространства. Оценка деятельности через визуализацию некоторых образов позволяет создавать систему управления на позициях когнитивной психологии и осуществить совместную деятельность искусственного и естественного интеллектов при решении задач формирования внимания ЛПР.
