CC BY
121
Методологические основы и основные парадигмы и направления развития
искусственного интеллекта Мешков В. Е.1, Кочковая Н. В.2, Чураков В. С.3
1 Мешков Владимир Евгеньевич /Meshkov Vladimir Evgenyevich - кандидат технических наук, доцент;
2Кочковая Наталья Владимировна / Kockovaya Natalia Vladimirovna - кандидат технических наук,
Федеральное государственное бюджетное образовательное учреждение высшего профессионального образования
«Донской государственный университет», филиал ДГТУ, г. Волгодонск;
3Чураков Вадим Сергеевич / Churakov Vadim Sergeevich - кандидат философских наук, доцент, автономная некоммерческая организация высшего профессионального образования «Институт открытого образования», г. Шахты
Аннотация: в статье рассматриваются методологические основы и основные парадигмы и направления развития искусственного интеллекта. Анализируются традиционные и перспективные направления исследования и разработки ИИ.
Abstract: the article considers the methodological foundations and the basic paradigms and directions for the development of artificial intelligence. Examines traditional and promising areas of research and development of AI.
Ключевые слова: искусственный интеллект, методология, парадигма, глобальные сети, многоагентные технологии, моделирование.
Keywords: artificial intelligence, methodology, paradigm, global networks, multi-agent technology, simulation.
УДК 004.8
Методология в философии понимается как «тип рационально-рефлексивного сознания, направленный на изучение, совершенствование и конструирование методов (см. Метод) в различных сферах духовной и практической деятельности. Существуют методологические представления и концепции разной степени разработанности и конструктивности, различного уровня и широты охвата (М. на уровне философской рефлексии, общенаучная М. и М. науки междисциплинарного уровня, М. частных наук). В настоящее время разрабатываются методологические концепции, связанные с отдельными видами деятельности (М. образования, М. инженерного дела, М. проектирования и т. д.) [12, с. 495].
В словаре-справочнике по естествознанию [6] сказано, что методология - это: «1) учение о методе; исследование метода, особенно в области философии и в частных науках и нахождение, выдвижение, разработка и развитие новых, более целесообразных методов. Как самостоятельная общая теория М. впервые появилась в Новое время после отделения частных наук от философии. При этом параллельно и относительно независимо развивались и пересекались два направления в М.: общенаучное (внутри научное) и собственно философское. Частные науки стали обращаться не только к изучению свойств тех или иных объектов, но и к изучению самих методов, на которых это изучение базируется. Главная задача М. науки (М. научного познания) как одной из форм М. - анализ, систематизация и развитие приемов и средств постижения объектов, представляющих научный интерес. В то же время вопросы метода не могут быть относимы только к области науки и философии, они должны касаться и практики, ставиться и решаться в широком социокультурном аспекте; 2) совокупность методов, применяемых в к. -л. науке.
М. научного исследования и проектирования - особая рефлексивная (по отношению к другим научным дисциплинам) область науки, предметом которой являются методы познания и преобразования действительности. М. направлена на анализ научного и технического знания и деятельности на разработку рекомендаций и правил осуществления новых видов исследовательской и проектной деятельностей, создание средств, приемов и понятийных схем этих деятельностей, определение форм организации научного и технического знания (норм, образцов, идеалов)» [6, с. 196].
Термин методология составлен из двух слов: метод (греческое methodos) - путь к чему-либо и логос (греческое logos) - мысль, разум, учение, рассуждение, обоснование. Методология, если дать ей краткое и потому несколько упрощённое определение, есть мысленное, разумное обоснование метода познания, пути к истине через определение содержания основных понятий и логику фундаментальных идей (теорий, гипотез и т. п.) данной науки или отрасли знания.
Методология не может быть самостоятельной наукой или её отдельной частью. Она - неотъемлемая внутренняя сторона науки, её непременный общетеоретический, логико-гносеологический, мировоззренческий, словом, философский аспект, который и выступает в качестве основного теоретического подхода при исследовании той или иной области действительности. Начиная с постановки проблемы и кончая истолкованием добываемых результатов, те или иные методологические принципы цементируют различные стороны и моменты познания в определённую научную систему. Они определяют стратегию дальнейшего познания данной области.
В среде исследователей распространено мнение, что методологические принципы бывают разной степени общности. Все они, однако, органически связаны с теоретической областью наук: естественных, общественных или технических. Методология всегда имеет общий характер. Теоретическая область естествознания, будь то физика или химия, кибернетика или биология, содержит в себе такие обобщения,
которые приобретают общее, мировоззренческое или теоретико-познавательное (гносеологическое) значение. Такие обобщения являются как бы философско-теоретическим завершением данной науки на определённом этапе её развития и одновременно её методологической основой, определяющей главный метод, принципиальный теоретический подход к исследуемым явлениям, дающий обоснование логики её основных идей и понятий. По своему значению, однако, такие обобщения зачастую не укладываются в рамки только своей науки, они выходят в сферу общенаучных философских проблем.
Методология науки - это её мировоззренчески-гносеологическое содержание, реализующееся через постоянное движение науки по пути всё более глубокого отражения диалектики идей.
Методология как орудие познания, как искусство открытий совершенствуется вместе с ростом естественнонаучных открытий, с одной стороны, а с другой - на основе философских обобщений естественных, технических и общественных наук, то есть в результате философских идей эпохи.
В современной методологии сильна абстракция (отвлечение) или демаркация (разграничивание) от индивидуальных, психологических, коллективистских или исторических и культурных условий. Можно сказать, что сфера методологии - это та достаточно устойчивая сфера, в которой арсенал средств, методов, принципов и ориентаций имеется в наличии и готов к применению, а не изготовляется для каждого отдельного случая. Поэтому можно встретиться с определением методологии, в котором последнюю считают предельной рационализацией мировоззрения.
Принято различать общую и частную методологию. В первой анализируются методы, общие для многих наук, во второй - для отдельных групп наук. Многоуровневая концепция методологического знания обосновывает выделение следующих ступеней:
- частнонаучных методов;
- дисциплинарных методов;
- методов междисциплинарного исследования;
- общенаучных методов;
- философских методов.
Считается, что каждый из уровней обладает относительной автономией и не дедуцируется из других уровней. Однако более общий уровень выступает в качестве возможной предпосылки развития более низшего уровня. В основе подобной классификации лежит диалектика единичного и всеобщего, где на уровне единичного фиксируются многообразные методы частных наук и отдельных дисциплин. На уровне особенного располагаются междисциплинарные и общенаучные методы. Уровень всеобщего занимают философские методы [7].
Многоуровневость методологии, как и сама необходимость её развития, связана с тем, что в настоящее время исследователь, как правило, сталкивается с исключительно сложными познавательными конструкциями и ситуациями. Поэтому с очевидностью просматривается тенденция усиления методологических изысканий внутри самой науки.
На этом основании выделяют внутри философскую и собственно профессиональную методологии и датируют период обособления методологии и приобретения ею самостоятельного статуса в 50-60-е годы XX-го века. Выделение методологии из проблемного поля философии в самостоятельную сферу объясняется тем, что если философия по существу своему обращена к решению экзистенциальных проблем и дилемм, то цель профессиональной методологии - создание условий для развития деятельности, любой деятельности: научной, инженерной, художественной, методологической и так далее.
Самостоятельный статус методологии объясняется ещё и тем обстоятельством, что она включает в себя моделирующую мир онтологию - в данном случае понимается, прежде всего, некоторый специализированный словарь понятий, образов и явлений, в соответствие которому ставится ассоциативное восприятие модели мира, а в частном случае - закрепляются некоторые действия. Именно так понимается онтология в направлении обработки данных. Однако такой подход оставляет методологию искусственного интеллекта и исследование знаний в той же точке и, таким образом, оставляет вопрос открытым.
Поэтому на методологию возлагается задача - изучить образцы всех видов, типов, форм, способов и стилей мышления.
Для методологии характерно изучение не только методов, но и прочих средств, обеспечивающих исследование, к которым можно отнести принципы, регулятивы, ориентации, а также понятия. Весьма актуально на современном этапе развития науки, который именуют постнеклассикой, выделение ориентации как средств методологического освоения действительности в условиях неравномерности, нестабильного мира, когда о жестких нормативах и детерминациях вряд ли правомерно вести речь. Можно сказать, что на смену детерминации приходят ориентации.
Из всех наук только физика на сегодняшний день обладает развитой методологией, о которой В. А. Ацюковский пишет, что «современная методология теоретической физики в значительной степени основана на постулативных подходах. Схема при этом такова. На основе анализа результатов ограниченного числа экспериментов формулируется некоторое противоречие фактов с существующими теориями. Далее выдвигаются постулаты - предположительные утверждения, которым, по мнению авторов, природе полагается соответствовать. На основе постулатов создается новая теория, дающая некоторые следствия. А затем следствия из теории сопоставляются с результатами новых экспериментов. Если результаты этих
экспериментов соответствуют предсказанным, то считается, что теория получила экспериментальное подтверждение, и что она верна, а тем самым верны и постулаты, положенные в ее основу.
Однако при этом упускается из виду, что каждая конечная совокупность фактов может предсказываться различными теориями, часто взаимоисключающими друг друга. И таким образом, ни один факт, взятый сам по себе, не может подтвердить именно данную теорию. Этот же факт может таким же образом подтвердить и другую теорию, отличающуюся от проверяемой в корне» [1].
Таким образом, можно сказать, что методология - это совокупность познавательных установок - в нашем случае, применительно к нашей теме - методологии искусственного интеллекта.
В популярной сетевой энциклопедии Википедии искусственный интеллект определяется как «наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ» [3].
В нашей предыдущей работе [9] мы писали, что «под интеллектом мы понимаем способность любого организма (или устройства) достигать некоторой измеримой степени успеха при поиске одной из многих возможных целей в обширном многообразии сред. Необходимо отличать знания от интеллекта, имея в виду, что знания - полезная информация, накопленная индивидуумом, а интеллект - это его способность предсказать состояние внешней среды в сочетании с умением преобразовать каждое предсказание в подходящую реакцию, ведущую к заданной цели.
По-разному дается и определение искусственного интеллекта. Полагают, что о реализации искусственного интеллекта можно будет говорить лишь тогда, когда автомат начнет решать задачи, непосильные для человека, причем сделает это не в результате высокого быстродействия, а в результате применения нового найденного метода. Однако не все с этим согласны. Большинство случаев исследований по искусственному интеллекту лишь соизмеримы с результатами, полученными человеком, и не столь оригинальны» [9, с. 8-9].
В настоящее время в науке всё еще нет единого понимания термина искусственный интеллект. Чаще всего он употребляется обычно в трех значениях: 1) научное направление, ставящее целью моделирование процессов познания и мышления, использование применяемых человеком методов решения задач для повышения производительности вычислительной техники; 2) различные устройства, механизмы, программы, которые по тем или иным критериям могут быть названы «интеллектуальными»; 3) совокупность представлений о познании, разуме и человеке, делающих возможным саму постановку вопроса о моделировании интеллекта. Таким образом, под ИИ может пониматься как научное направление, так и различные устройства, способные к рефлексии, моделирующие (имитирующие) подобие человеческого интеллекта.
В современной науке круг вопросов, объединяемых термином «искусственный интеллект», довольно обширный. В настоящее время искусственный интеллект объединяет большое число разделов. К искусственному интеллекту относят как общую теорию очувствления или восприятия, так и специальные методы типа игры в шахматы, доказательства математических теорем, написания стихов или диагностики заболеваний. Ученые, специальностью которых не является искусственный интеллект, находят в нем основу для систематизации и решения интеллектуальных задач, которым они посвятили значительную часть своей жизни. И наоборот, специалисты применяют методы искусственного интеллекта в самых различных областях, где без них не удается достичь успеха. Именно поэтому искусственный интеллект является воистину универсальной областью знаний [11, с. 3-15].
Таким образом, можно сказать, что область искусственного интеллекта определяется следующим образом: в самом общем смысле - это решение интеллектуальных задач с помощью автоматических методов, с применением вычислительных машин.
Всё вышесказанное об ИИ дополняет Е. А. Никитина: «Существенный интерес с точки зрения формирования проблематики информационно-технологического направления эпистемологии представляет направление научных исследований, получившее название «искусственный интеллект» (ИИ). Искусственный интеллект - научно-техническая дисциплина, изучающая человеко-компьютерные системы и обеспечивающая инженерию (приобретение, представление, порождение, пополнение, поддержку и передачу) знаний. В рамках ИИ как научно-технической дисциплины осуществляется разработка теории, методов, моделей, программно-аппаратных средств и прикладных компьютерных систем, нацеленных на выполнение интеллектуальных функций, ранее считавшихся прерогативой человека» [10, с. 96].
Так, в частности, под ИИ понимается распознавание образов, распознавание речи, и т. д. в этом ключе. В своё время Ф. Джордж [5] также показал, что создание ИИ, подобное человеческому мышлению, невозможно в полной мере (на тот момент развития ИИ). Он обосновал такой вывод отсутствием и невозможностью создания некоторой части системы, которая бы позволяла восстанавливать систему в случае ее уничтожения и была бы сама неуничтожима (по аналогии, можно сказать - имела бы бессмертную «Душу» или «идею» по Платону). Однако на сегодня развитие глобальных сетей, вирусных и многоагентных технологии позволяет практически реализовать программы, теоретически существующие, пока существует глобальная сеть. Следовательно, ограничения Ф. Джорджа могут быть сняты.
При всем разнообразии трактовок понятия искусственного интеллекта общим для большинства из них является признание того, что системы искусственного интеллекта направлены на моделирование или имитацию человеческого мышления, в частности способности к рефлексии и ассоциации [9].
Отметим, что объектно-ориентированный подход к моделированию мира в последнее время сталкивается с проблемами ограниченности, и, как следствие, неадекватности объектных моделей. Очевидно, что существует настоятельная потребность перехода на более высокие уровни абстракции моделей. Такими моделями, с точки зрения авторов, могли бы стать модели образов объектов, явлений, ситуаций окружающего мира. Под образом, в этом случае, авторы понимают [8, с. 242] некоторое ассоциативное представление, взятое в динамике и с учетом контекста. Авторам представляется, что именное такой подход к моделированию может быть положен в основу концепции новой методологии представления знаний об окружающем мире.
Большое внимание к проблемам естественного и искусственного интеллекта заставило специалистов из многих областей начать изучение конкретных черт естественного интеллекта, чтобы в дальнейшем применить эти результаты для построения искусственного интеллекта.
Представление знаний - основная проблема систем ИИ.
Знание - логическая модель реальности.
Человеческое знание само по себе обезличенно, но живет в личных способностях.
В науках об искусственном это - понятие знания: что понимать под знанием?
Следует отметить, что в отношении знания существует довольно много определений и подходов, вот, к примеру, некоторые из них:
«Данные - беспорядочные наблюдения, лишенные контекста. Пример необработанных данных - список телефонных номеров.
Информация - данные, организованные кем-то, но не вами, по какой-то системе, нацеленной на то, чтобы сделать их востребованными и хорошо бы полезными для кого-либо, например, для вас. Расположение номеров в телефонной книге по алфавиту организует «сырые» данные в «годный к употреблению» документ (Винер Н. в книге «Кибернетика и общество», пер. Е. Г. Панфилова. М.: Иностранная литература, 1958, стр. 31, даёт следующее определение информации: «Информация - это обозначение содержания, полученного из внешнего мира в процессе нашего приспособления к нему наших чувств. Процесс получения и использования информации является процессом нашего приспособления к случайностям внешней среды и нашей жизнедеятельности в этой среде. Действительно, жить - это значит жить, располагая правильной информацией» [4]).
Знание - информация, которая была усвоена вами, интегрирована в общую систему ваших представлений, полученных из непосредственного жизненного опыта и в результате обучения, и поэтому стала неким основанием ваших поступков и жизненных взглядов. Скажем, вы знаете, что вот этот телефонный номер принадлежит вашему другу, и этот набор цифр связан со всем остальным, что вы знаете о своём друге. Быстро растёт важность отрасли знания о том, как искать полезную вам информацию» [2, с. 138-139].
В ИИ понятие «знание» весьма дискуссионно и находится в процессе развития и становления.
В. Турчин определяет знание следующим образом: «В кибернетической гносеологии знание, принадлежащее кибернетической системе, определяется как некая модель части мира, воспринимаемого этой системой. Модель есть устройство, генерирующее предсказания относительно событий вокруг; эти предсказания используются системой при принятии решений. Понятия смысла и истины следует определять на этой основе. Знание одновременно субъективно и объективно, ибо оно является результатом взаимодействия субъекта (кибернетической системы) и объекта (среды). Знание об объекте всегда относительно: оно существует только как часть какого-либо субъекта. Мы можем изучать взаимоотношение между знанием и реальностью (прежде всего, истинно или ложно данное знание), тогда субъект знания становится, в свою очередь, объектом для нового субъекта знания. Но знание в любой форме безотносительно какого-либо субъекта есть логическая бессмыслица. Детальное развитие кибернетической гносеологии на основе этих определений крайне важно для формализации естественных наук и философии, а также для интерпретации математических систем» [13].
Определение знания в контексте искусственного интеллекта даёт Никитина: «Понятие «знание», наряду с традиционными понятиями «интеллект», «мышление» как объектами моделирования, начинает применяться в исследованиях искусственного интеллекта, начиная с 80-х гг. XX в. Вызвано это было тем, что разработчики информационных систем столкнулись с необходимостью выявления и упорядочивания разнообразных данных, сведений эмпирического характера, теоретических положений и эвристических соображений из соответствующих областей науки или профессиональной деятельности, а также с необходимостью задать такой способ их компьютерной обработки, чтобы информационная система могла успешно использоваться для решения задач, для которых она предназначается (поиск информации, постановка диагноза и т. п.). Соответственно, данные, находящиеся в памяти компьютера, стали усложняться и структурироваться, появились списки, документы, фреймы, семантические сети. Стали создаваться интеллектуальные системы, основанные на знаниях, базы и банки знаний, разрабатывались понятия «представление», «приобретение» и «использование» знаний. Сложился технологический подход к знанию - инженерия знаний. В рамках технологического подхода к знанию, осуществляемого в искусственном интеллекте, рассматриваются вопросы экономичности представления знаний с помощью тех или иных средств, их дедуктивных возможностей, эффективности в решении задач. Специалисты отмечают, что совершенствование информационных систем во многом зависит от решения задач и проблем
представления знаний, а проблемы представления знания связаны, в свою очередь, с разработкой соответствующих языков и моделей: логических, продукционных, фреймовых, семантических сетей и др. Даже история ИИ стала интерпретироваться как история исследования методов представления знания» [10,
с. 97].
Сюда следовало бы также добавить, что с точки зрения синергетики накопление знаний - это процесс нелинейный, система знаний представляет сложную самоорганизующуюся систему, в которой один новый факт может вызвать радикальные подвижки в привычной структуре представлений.
Довольно часто даётся определение: знание - это хорошо структурированные данные или метаданные, или данные о данных. Но - это технологически хорошие определения, они позволяют технарям работать в этом плане, но с точки зрения методологии именно развития - это определение довольно узковато. Второе нам представляется несколько больше, поскольку оно ориентировано на объекты - это начиная с фреймов, это Минский, это Дейт, это и вопрос формализации информации об объектах и явлениях и попытки работать с ними. Первое мы бы так и назвали: фрейм. Но сейчас уже понятно, что ОБЪЕКТ - это достаточно низко абстрагированная категория, и она становится недостаточной для решения некоторых задач ИИ, и поэтому переходят к понятию ОБРАЗА, как мы об этом уже сказали выше. Но пока перехода такого явного нет, а есть попытки работать с образом. И нет хорошей формализации понятия образа, образа как отображения, или вернее - как некой модели явлений, в том числе природы, социальных явлений и т. д. [и здесь стоит предложить какие-то идеи - возможно, что основное внимание следует обратить на то, как мыслит человек - это тоже в общем-то категория проблематичная]. На то, что тесты Тьюринга, которые когда-то были предложены: «интеллектуальна ли машина?» - они уже сейчас практически не работают... то, что компьютерная программа может реагировать так же, как человек - то тут ещё следует посмотреть: «Какой человек?», а то программа.
Одна из задач ИИ - это игровая: шахматы, шашки - здесь продвижение очень мощное: программа обыграла чемпиона мира Г. Каспарова, не говоря уже о шахматных юзерах, и поэтому здесь следует проанализировать - ещё раз: а что ж такое разумность с точки зрения её моделирования?.. А что такое «разумное поведение»?.. Много здесь было исследований, их следует проанализировать, обобщить, выделить какие-то моменты, например, всё те же поведенческие... А это и синергетика, и множество всяких других направлений. Но до сих пор осталось два основных подхода к ИИ: первый подход - это подход нейронных сетей - то, что мы моделируем именно работу мозга человека, и тогда мы получаем некие разумные программы. Второй подход - это подход «черного ящика» - кибернетический подход, когда некая программно-аппаратная вещь делает то же самое, что и человек в тех же самых условиях, а каким способом - не важно. Вот два основных направления. На самом деле сегодня такое чёткое разделение провести уже нельзя, поскольку мы имеем, по крайней мере, гибриды этих подходов - именно гибриды этих двух подходов следует проанализировать: может быть, мы тут на чем-то зациклились? А вдруг здесь есть или может быть есть третий подход? Вот именно здесь. Авторы, например, над этим очень много размышляли, и им представляется, что здесь очень внимательно следует проанализировать понятие ассоциативного мышления. Именно ассоциативной реакции. Начиная, может быть, с условных и безусловных рефлексов и их моделирования - именно обратить внимание: что является безусловным рефлексом - генетически переданным и т. д. - и, собственно, условным рефлексом и его закрепление (работы Павлова), обучение и
т. д. В этом случае, скорее, больше всего подходят нейронные сети - сетевые модели, которые каким-то образом как-то закрепляют эти реакции. Может быть, это онтологии и т. д. Вот этот уровень. Здесь идея в ИИ, как нам представляется - это переход на более высокие уровни абстрагирования представлений данных, знаний и т. д. Это первое. Но оно же требует - этот переход туда требует и формализации новых абстракций. Выделения формализаций. И некоего математического аппарата для работы с ними - с этими абстракциями. Вот, скорее всего, здесь как раз очень хороши нечеткие системы, нечеткие логики, многомерные и многозначные логики и т. д. В этом ключе следует поработать. А теперь, когда всё это сформулировано в виде поставленных целей, можно посмотреть уже на те модели - математические модели, логико-математические модели, которые сейчас используются в подобных задачах - и здесь следует сделать их аналитический обзор. Это и логики - т. е. логические рассуждения, моделирование логических рассуждений с учётом того, как это всё продвинуто - в многозначных логиках, небулевых логиках, нечётких, вероятностных и т. д. Это онтологии и это сети - семантические сети, нейронные сети, гибридные сети, а также ситуационное моделирование, те же работы Пушкина, Поспелова, Клыкова... Это синергетика, синергетический подход, синергетические модели - и ряд других. Опять же, возвращаясь, здесь можно уже сейчас применять довольно хорошо наработанный математический аппарат. Но проблема именно в том: что формализуется? Сейчас всё идёт пока на уровне объектного моделирования. Объектное моделирование есть разное - есть и объектно-ориентированное и целый ряд других ориентаций в построении объектов, но там всё более-менее наработано. И надо все эти модельные представления - их математические основы -проанализировать их достоинства и их недостатки - и рассмотреть: в каких задачах они применяются? Провести их анализ и сделать соответствующие выводы: чего не хватает прежде всего? Какие проблемы в этих моделях? Вот объектная модель - весьма вроде бы хороша, если рассматривать именно объект как совокупность неких признаков, параметров и совокупность некоторых методов, которые можно на основе этих признаков осуществлять при работе с этим объектом. Весьма хороша. Но здесь, может быть, следует поработать над вопросом: а какие должны быть признаки? Т. е. не вообще, как сейчас выделяются
(признаки) под конкретную задачу, а может быть - попытаться провести некую обобщенную формализацию
- типа того, что мы в своё время создавали семимерную модель объектов на основе их полезности - что-то подобное следует посмотреть, потому что формально человек, как нам представляется, должен быть устроен проще - и, возможно, здесь ещё необходимо учитывать, что ведь недаром же у нас правое и левое полушария мозга имеют свои сферы ответственности: правая ответственна за ассоциативные реакции, интуицию, а левое - за логические реакции, которые жестко формализованы. А ведь есть ещё и мозжечок, и вообще это всё как-то складывается в единое целое, в систему собирается. А может быть, там есть ещё что-то? Вот, например, на основе нейроисследований удалось бы заполнить существующую неполноту, пробел в знаниях - посмотреть: чего здесь не хватает? В описательном смысле и, может быть, здесь же опять стоит исследовать - как мы об этом говорили - о семимерии [8], что мы семимерно воспринимаем мир на основе наличия чувств и т. д. - посмотреть: здесь, может быть, эти параметры каким-то образом надо формализовать - это должен быть минимум, которым можно достаточно адекватно описывать объект, а потом уже с ним и работать - тогда можно было бы формализовать процедуры, которые могут быть. Вот как реализованы для объекта такие понятия, как наследование, инкапсуляция, свойства классов объектов, полиморфизм. (Возможный аналог как для файлов: создание, переименование, перемещение, копирование, слияние). Наверное, это всё возможно и для образов. Там у нас бывают ошибки при ассоциативности. Но надо разобраться, чем они объясняются? Почему они бывают? То ли в силу недостатка знаний, то ли искажаются при неправильном восприятии. Вот над этим стоило бы поработать.
Если всё это сделать - и сделать ещё какие-то выводы, рекомендации - на что обратить внимание, т. е. показать направление: вот здесь следует наработать более высокие уровни абстракции моделей представления, а здесь - наиболее подходящим на сегодня является матаппарат, или они все неподходящие
- и тогда следует искать что-то подходящее, адекватное - что-то такое, что обладает такими-то свойствами или позволяет их реализовать.
В раздел формализации знаний и формализации образа следует, конечно, добавить упоминание об абстракции. Потому что модели создаются у нас в голове... но следует разобраться: абстрактны ли они сами по себе? И что такое в этом смысле абстракция? Абстрактные модели надо понимать такими, которые реально не существуют. Они не существуют на этом описательном уровне представлений, вообще не существуют. Является ли абстракцией понятие «стул»? Формально. В формальном представлении. Это раз. И, во-вторых - обратим внимание: во всех этих моделях, что сейчас существуют, абсолютно не используется и не учитывается понятие времени, а ведь время - это один из феноменов нашего восприятия -ведь мы же всё воспринимаем в динамике, а динамика в моделях практически не используется и не учитывается. Поэтому здесь следует исследовать описание объектов в динамике и проанализировать: что понимается под динамикой? Понятно, что здесь присутствует время. Но как оно здесь присутствует? Нам представляется, что здесь, скорее всего, речь идёт о динамическом изменении параметров объекта и какой-то оценке этого изменения, причём совокупное. Приведём пример: едешь на автомобиле, смотришь в зеркало заднего обзора и видишь какую-то точку на горизонте, которая тебя догоняет. Ты ещё пока не знаешь, что это. Но ты знаешь, что это движущийся объект. Потом ты всё-таки выясняешь, что это не мотоцикл, а машина. Потом выясняешь, что это легковая машина. Потом ты даже можешь определить её марку или хотя бы вид кузова. А получается, во-первых, что идёт постоянное уточнение расширения параметров описания объекта, но оно идёт динамично и на каком-то уровне динамики - спустя некоторое время мы распознаём объект, т. е. идентифицируем его. И вообще-то по жизни мы так и поступаем: мы смотрим - вроде знакомый. Потом мы к нему присматриваемся. Сначала мы ловим общий образ, а потом мы его уточняем (конкретизируем) в динамике. Т. е. мы и сами динамичны в опознавании, и сами объекты тоже динамичны: они меняются. Они постоянно меняются, меняются и их параметры. И именно такие модели, мы считаем, сейчас должны быть востребованы в задачах ИИ. В задачах распознавания, в том числе текста. Иногда так происходит при беглом прочтении текста: быстро пробежали глазами - и решили, что в тексте речь идёт о. но при внимательном прочтении оказывается, что текст посвящён вообще другой теме или об этом, но в абсолютно другом ключе. Т. е. после того как мы его более точно идентифицировали, то получили на выходе совсем другой результат. Получается, что здесь, во-первых, иерархия получается идентификацией с точки зрения описания модели - от общего к частному - это понятный подход, но тогда следует определиться с этими иерархиями - каким образом? Понятно, что здесь лучше всего действительно подходят деревья, и именно даже не сети, а деревья. Этот вопрос тоже следует сюда включить и тоже его проанализировать.
Итак, резюмируем: на сегодня наиболее общепринятой точкой зрения о том, что такое знание с точки зрения ИИ является такая: знание - это хорошо структурированные данные, это данные о данных: метаданные.
Но такой подход только поднимает уровень абстрагирования и позволяет осуществлять более компактное хранение информации, однако, с точки зрения методологии, не решает с нашей точки зрения проблему. Потому что в этом случае мы остаёмся в рамках тех же методов и методик, которые существуют для СУБД - системы управления базами данных. Мы получаем СУБЗ - систему управления базами знаний, но максимум, чего мы тут добиваемся, так это связываем так или иначе понятие с некоторым действием, необходимым нам в рамках конкретного контекста. Однако знания человека являются субъективными и опираются преимущественно на его ассоциативный ряд, на какие-то его рефлекторные действия, и с этой
точки зрения подход данных или метаданных представляется не очень перспективным. Необходимо всё-таки связать понятие знаний, выделить в понятии знания человека и его место и действие в окружающем мире - и над такими моделями, которые позволят это сделать, и необходимо работать. На сегодня следует уходить от термина ИИ, потому что интеллект это не ум и уж тем более не разум, это не разумное поведение (в смысле - не реализуется разумное поведение), а разум - это нечто большее. Под интеллектом чаще всего понимаются накопленные знания и наборы шаблонов действий и крайне редко - генерация нового знания, а уж тем более с точки зрения разумной генерации нового знания или хотя бы практической точки зрения и практической полезности генерации нового знания. Генерация нового знания в конкретном контексте, ситуации, в реакции на явление, на взаимодействие объектов, и поэтому, в этом случае, следует говорить об искусственном разуме.
Литература
1. Ацюковский В. А. Накануне шестой физической революции (Состояние современной теоретической физики и пути ее развития) // Доклад на Второй международной конференции «Синтез науки и религии», Калькутта, Индия, январь 9-12, 1997 г. [Электронный ресурс] Режим доступа: URL: http://atsuk.da.ru (Дата обращения: 15.03.2015).
2. Бернар А. Лиетар. Будущее денег: новый путь к богатству, полноценному труду и более мудрому миру. М. : КРПА Олимп: АСТ: Астрель, 2007. 493 с.
3. Википедия. Свободная энциклопедия [Электронный ресурс] Режим доступа: URL:
http://ru.wikipedia.org/wiki/ (Дата обращения: 15.03.2015).
4. Винер Н. Кибернетика и общество / пер. Е. Г. Панфилова. М. : Иностранная литература, 1958.
5. Джордж Ф. Основы кибернетики: Пер. с анг. / Под ред. А. Л. Горелика. М. : Радио и связь, 1984. 272 с., ил.
6. Егоров Ю. В., Аркавенко Л. Н., Осипова О.А. Словарь-справочник по естествознанию. Екатеринбург: Издательский дом «Сократ», 2004. 432 с.: ил.
7. Лешкевич Т. Г. Философия науки: мир эпистемологов. Ростов-на-Дону, 1999. 139 с.
8. Коротков А. В., Мешков В. Е. Чураков В. С., Бабкина Т. А., Козоброд А. В., Прудий А. В. Многозначные и многомерные булевы и небулевы алгебры логики А. В.Короткова и пифагоровы числа в искусственном интеллекте и криптографических системах: монография. (Серия «Семимерная парадигма А. В. Короткова в информатике, искусственном интеллекте и когнитологии». Вып. 1). Новочеркасск: Изд-во НОК, 2011. 488 с.
9. Мешков В. Е., Мешкова Е. В., Чураков В. С. Современное состояние и основные вызовы искусственного интеллекта // Гуманитарные и социально-экономические науки. 2013. № 6.
10. Никитина Е. А. Познание. Сознание. Бессознательное. М. : Книжный дом «ЛИБРОКОМ», 2011. 224 с.
11. Родзин С. И., Титаренко И. Н. Философские проблемы взаимной интеграции нано-, био-, инфо- и когнитивных технологий // Труды Конгресса по интеллектуальным системам и информационным технологиям «IS& IT’ 13». Научное издание в 4-х томах. - М. : Физматлит, 2013. Т. 2. 430 с.
12. Энциклопедия эпистемологии и философии науки. М.: «Канон+» РОИИ «Реабилитация», 2009. 1248 с.
13. Turchin V., Joslyn С. С. Cybernetic Manifesto Kybernetes. 1991. Vol. 19. № 2, 3. Перевод с небольшими вариациями В. Турчина.
