CC BY
90
нутся ли мыслящие машины всего лишь машинами или мы вынуждены будем считать их членами нашего человеческого общества со всеми правами и обязанностями. Нужны ли вообще мыслящие машины или это - чисто научная, абстрактная цель, которую лучше не воплощать в реальную практику. Большинство этих проблем видится нам в таком отдаленном и фантастическом будущем времени ..., но на все эти вопросы ответы надо искать уже сейчас, уже сегодня, когда только фор, .
Выводы. Необходим переход от термина "искусственный интеллект" к термину "активное отражение". Предметом теории активного отражения являются процессы активного отражения, в том числе мышление и обработка информации в компьютерах. Ее методом является формализованное знаковое моделирование, а
- , , , , , , , -, -нием. Предложен критерий определения степени интеллектуальности систем: если система способна к порождению, генезису знака значит она - интеллектуальна.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Варламов ОХ). Эволюционные базы данных и знаний для адаптивного синтеза интеллектуальных систем. Миварное информационное пространство. - М.: Радио и связь, 2002. - 288 с.
2. www.ovar.narod.ru.
Л.А. Гладков, С.Н. Щеглов
СОВРЕМЕННЫЕ ТЕНДЕНЦИИ РАЗВИТИЯ ТЕХНОЛОГИЙ ИЗВЛЕЧЕНИЯ
ЗНАНИЙ*
Эффективность работы большинства современных информационных систем определяется мощностью и адекватностью баз знаний, которые используются для выработки решений и рекомендаций. До настоящего времени в качестве основного источника знаний рассматривались эксперты предметной области. Отсутствие проверенных источников является одной из главных причин относительно слабого промышленного и коммерческого использования систем, основанных на знаниях. Подобная информация является источником знаний, необходимых для развития науки и производства, создания новых технологий, управления бизнес-процессами и т.п.
Особое внимание в современных интеллектуальных информационных системах уделяется различным областям человеческой деятельности, где накоплено много данных. Но данные сами по себе не имеют практической ценности, поскольку они нуждаются в серьезной обработке. Пользователи прикладных систем сегодня предъявляют серьезные требования к результатам исследования данных, которые не могут быть получены чисто статистической обработкой. Их интересу,
решений [1].
Развитие технологий обработки данных позволило оптимизировать средства доступа и механизмы контроля целостности данных. Был стандартизирован язык обработки 8РЬ, который дал разработчикам настольных приложений универсаль-
* Работа выполнена при поддержке РФФИ (гранты № 07-01-00511, № 06-01-00272) и программ развития научного потенциала высшей школы 2006-2008 гг. (РНП.2.1.2.3193, РНП 2.1.2.2238).
ное средство общения. Информационные системы, ориентированные главным образом на ввод информации, получили название OLTP-системы (On-Line Transaction Processing, оперативная транзакционная обработка данных). Функциональным расширением баз данных (БД) являются объектно-ориентированные, мультимедийные БД, а также многомерные хранилища (Data Warehouses) и витрины данных (Data Marts) [2].
Объектно-ориентированные БД позволяют распространить принципы объектно-ориентированного программирования (ООП) на уровень хранения данных. Появление таких БД обусловлено тем, что стандартные реляционные подходы плохо применимы для работы с данными новых типов. Для решения подобных
- ( ). Состояние объектов в них описывается как значения их атрибутов, а поведение и применимые к ним операции определяются реализацией этих методов. Это позволяет представлять объекты предметной области в естественном семантически значимом виде, что упрощает разработку и модификацию схемы данных [1,2]. Примерами таких приложений являются САПР, CASE- и мультимедиа системы.
Интеллектуализация информационных технологий влечет за собой соответствующие процессы по отношению к компьютерам и программному обеспечению [2]. Интеллектуализация вычислительной техники производится за счет разработки и применения специальных устройств, таких как устройства распознавания речи и , , -пьютеры, параллельные вычислительные устройства и т.д. Повышение интеллектуальности программного обеспечения связано с использованием систем извлече-, , , позволяющих принимать решения в сложных неформализованных условиях. Также широко используются методы нечеткой математики, математические модели на базе искусственных нейронных сетей и оптимизационные алгоритмы на основе методов эволюционного, бионического и квантового поиска [3].
Другим важным направлением интеллектуализации информационных систем является моделирование знаний о предметных областях. Разработка новых моделей представления знаний, семантических сетей, онтологий, систем интеллектуальной верификации знаний позволяют реализовать принципиально новые информационные системы извлечения и обработки знаний для решения сложных плохо .
Интеллектуальные информационные системы, такие как экспертные системы, системы обработки естественного языка и нейронные вычислительные системы увеличивают производительность и облегчают выполнение сложных задач. Они также обеспечивают поддержку, когда информационный поток неполный или «нечеткий» [1-3]. Интеллектуальные системы могут использоваться индивидуально, но во многих случаях они интегрированы между собой и с другими информацион-.
История развития и анализ современных тенденций в области создания сложных технических систем на базе искусственного интеллекта позволяет сделать вывод о том, что наиболее эффективными на сегодняшний день являются системы, построенные на основе гибридизации различных направлений, методов и технологий [4]. Свидетельством того, что речь в данном случае идет не о механическом объединении разнородных структур, является синергетический (нелинейный) эф, . отдельных составляющих (методов, технологий) и повышению эффективности системы в целом [5]. Примерами подобной интеграции могут служить нейро-
, - , , -. . [6].
Так для нечетких множеств основной областью применения являются задачи представления и обработки знаний, они также используются для управления неоп-.
Нейронные сети обладают способностью к самообучению и активно используются для решения таких задач искусственного интеллекта как классификация и . -проксимации функций с нелинейными ландшафтами, их с успехом применяют при решении задач прогнозирования поведения в финансовой, экономической и соци-.
,
также эволюционное (генетическое) программирование и эволюционные стратегии
[7] -
тимизации, возникающих в ходе управления и проектирования сложных интеллек-
,
.
Методы теории нечетких множеств используются как для подбора параметров генетических алгоритмов, так и для выбора коэффициентов определяющих скорость обучения нейронных сетей.
Одной из таких гибридных технологий получившей в последнее время широкое распространение являются нечеткие генетические (адаптивные, эволюцион-) .
, , основываются на символическом представлении. В искусственном интеллекте
- , , объектов процессов и их отношений. Объектами могут быть люди, идеи, понятия, события или утверждения о фактах [8].
, ( ), -, . -цессы при манипулировании символами для генерации советов или рекомендаций при решении задач. Несмотря на то, что решение задач при помощи ИИ не реализуется напрямую алгоритмически, алгоритмы используются для осуществления .
Предметно-ориентированные аналитические системы являются одним из наиболее популярных разновидностей систем, позволяющих извлекать знания [1]. Наиболее широкий их подкласс, получивший основное распространение в области исследования финансовых рынков, носит название систем «технического анализа». В него входят несколько десятков систем, предназначенных для прогноза динамики цен и выбора оптимальной структуры инвестиционного портфеля на основе различных эмпирических моделей развития рынка.
, . систем подобного типа является пакет PolyAnalyst. В нем гипотезы о зависимости целевой переменной от других переменных формулируются в виде программ написанных на внутреннем языке программирования [1]. Процесс построения программ похож на то, что используют генетические алгоритмы. При нахождении программы, близко отображающей необходимую зависимость, в нее вносятся небольшие модификации и среди полученных дочерних программ отбирают те, которые повышают точность работы. В результате создается несколько конкурирующих генетических линий. Специальный транслирующий модуль переводит найденные зависимости во внешний
язык, понятный обычному пользователю (формулы, таблицы, графики и пр.). Для повышения доступности программного пакета в нем предусмотрен широкий спектр различных средств визуализации. Также предусмотрена возможность контроля статистической значимости выводимых зависимостей с помощью различных .
Системы на основе генетических алгоритмов. Как уже отмечалось, выше генетические алгоритмы являются эффективным средством для решения различных комбинаторных задач оптимизации, проектирования и принятия решений. Однако их вполне можно использовать и для решения задачи извлечения полезной информации и знаний из баз данных. Известно также, что в настоящее время генетические алгоритмы входят в состав стандартного инструментария методов KDD.
, , некоторому заданному критерию. Каждое возможное решение полностью описывается неким набором атрибутов нечисловой природы. Они представляются в виде
« » ( ). « » ( ), -ставленная последовательностью генов, является закодированным представлением одного варианта решения. Поиск оптимального решения моделируется процессом эволюции популяции индивидов [1,9].
Основными механизмами создания новых решений в процессе эволюции являются операторы кроссинговера и мутации. В результате смены поколений в процессе « » « » .
Основными недостатками генетических алгоритмов является возможность схождения процесса поиска на решении далеком от оптимального, а также вероятность исключения перспективных решений из дальнейшего процесса поиска Это особенно заметно при решении задач высокой размерности со сложными внутренними связями. Тем не
, ,
. -темы является пакет GeneHunter фирмы Ward Systems Group [1,3].
Еще одним перспективным направлением развития гибридных интеллекту-
« ». -гласно определению [10] нечеткий генетический алгоритм - это генетический ал, -ментов нечеткой логики. Такими компонентами можно считать нечеткие операторы и нечеткие правила для создания генетических операторов с различными свойствами; системы нечеткого логического контроля параметров ГА в соответствии ; -
.
случае для кодирования, подбора оптимальных параметров генетических алгоритмов, значений вероятности генетических операторов, выбора функции пригодности и критерия останова, создания нечетких генетических операторов. Рассмотрим эти возможности более подробно.
Одним из ключевых моментов построения любого генетического алгоритма, .
числового значения в некоторую последовательность символов конечного алфавита, состоящего обычно из небольшого числа элементов. Наиболее известный пример такого кодирования - это двоичное кодирование и представление решений в виде последовательности нулей и единиц.
Что касается нечеткого кодирования, то здесь можно провести аналогию между процессами кодирования и фаззификации, т.е. преобразования исходных числовых величин в распределения, соответствующие термам лингвистической пе-
ременной. При этом каждое числовое значение описывается одним или несколь-
,
нечеткому множеству [5].
Термины конечного алфавита нечетких множеств могут включать такие по-« », « », « ( )», «
(меньше)», «примерно ноль», «мапая отрицательная (положительная)» и др. Использование таких алфавитов при кодировании решений в генетических алгоритмах дает возможность построить неоднородное разделение пространства поиска. ,
.
Степень детализации и характер распределения решений в пространстве поиска может определяться на основе начальных знаний о решаемой задаче. Такое кодирование позволяет сосредоточить основные усилия на поиске в наиболее пер. (
, ), -ляют последовательности относительно низкой степени детализации.
, , -ния. Во-первых, кодовые последовательности могут быть неоднородными и ориентироваться на отдельные многообещающие области поиска, что позволит сократить область поиска и соответственно вычислительные затраты. Кроме того, в закодированную последовательность может быть неявным образом включена функция пригодности [11].
- , -бое кодирование оптимизируемых структур. Слабое кодирование, в отличие от обычного (сильного) кодирования, не подразумевает жесткое соответствие типа «один-к-одному» между генотипом и фенотипом в кодируемой структуре.
Основная идея слабого кодирования состоит в использовании отношений ти-« - - » - . -даря этому мы получаем единственный генотип, которому соответствует нечеткое . -тических переменных при сохранении двоичного кодирования.
Также при решении различных практических задач оптимизации используется кодирование на основе вещественных чисел [12]. Кодирование на основе вещественных чисел наиболее эффективно решении задач параметрической оптимизации с переменными заданными в непрерывных областях значений. В таком кодировании хромосома обычно представляет собой вектор чисел с плавающей запятой, причем размер чисел соответствует длине вектора, который является решением рассматриваемой проблемы [13]. Генетические алгоритмы, основанные на вещественном представлении чисел, называют генетическими алгоритмами с вещественным кодированием (real-coded GAs - RCGA).
Одним из наиболее перспектвных подходов к организации процесса поиска оптимальных решений является организация на основе мультиагентных архитектур. Под «агентом» может пониматься все, что способно воспринимать свою среду обитания с помощью датчиков (сенсоров) и воздействовать на нее с помощью исполнительных механизмов [8]. Внутреннее описание агента должно включать таб,
помощью программы агента. При этом различают понятия функции и программы агента. Функция агента представляет собой абстрактное математическое описание, а программа агента - это конкретная реализация, действующая в рамках архитектуры агента [5,8].
Понятие агента применительно к различным прикладным системам может
- . , -риваться как искусственный организм в популяции себе подобных, стремящийся обучаться и адаптироваться к внешней среде, для того чтобы выжить в ней.
Тогда многоагентная система может рассматриваться как популяция простых и независимых агентов, каждый агент которой самостоятельно реализуется в локальной среде и взаимодействует с другими агентами. Связи между различными агентами являются горизонтальными, а глобальное поведение агентов определяется на основе расплывчатых правил [8].
При этом можно предложить использовать формальный механизм нечетких множеств для создания и вывода нечетких правил. С этой точки зрения такой механизм может восприниматься как функция агента, а программа, реализующая эту функцию применительно к решению каждой конкретной оптимизационной задачи, будет представлять собой нечеткий генетический алгоритм, настраиваемый в соответствии с текущими результатами.
В целом структура каждого агента может быть условно обозначена следующей формулой:
Агент = Архитектура + Программа.
Применение принципов построения многоагентных систем к задаче извлечения знаний позволит организовать распараллеливание основных технологических процессов при поиске и выборе решений.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Городецкий В.К, Самойлов В.В., Малое АХ). Современное состояние технологий извлечения знаний из баз и хранилищ данных // Новости искусственного интеллекта, №3, 2002. - С. 3-13.
2. Башм аков AM., Башмаков КА. Интеллектуальные инфо рмационные технологии. - М.: Изд-во МГТУ им. Н.Э. Баумана, 2005.
3. . ., . . . - .: -
, 2000.
4. Ярушкина КГ. Основы теории нечетких и гибридных систем. Учебное пособие. - М.:
, 2004.
5. . . : ,
психология, информатика. - М.: Эдиториал УРСС, 2002.
6. Bezdek J.C. On the relationship between neural networks, pattern recognition and intelligence. Int. J. Approximate Reasoning, 6, 1992. - pp. 85-107.
7. Емельянов В.В., Курейчик В.В., Курейчик В.М. Теория и практика эволюционного моделирования. - М.: Физматлит, 2003.
8. Рассел С., Нореиг П. Искусственный интеллект: современный подход. - М.: Издательский дом «Вильямс», 2006.
9. ГладкоеЛ.А., Курейчик В.В., Курейчик В.М. Генетические алгоритмы. - М.: Физматлит, 2006.
10. Galantucci L.M., Percoco G., Spina R. Assembly and Disassembly Planning by using Fuzzy Logic & Genetic Algorithms // International Journal of Advanced Robotic Systems, Vol. 1,
2, 2004. - pp. 67-74.
11. . . -
// . . -пуск второй. - М.: Физматлит, 2007. - С. 31-47.
12. Herrera F., Lozano M. Adaptation of genetic algorithm parameters based on fuzzy logic controllers. In: F. Herrera, J. L. Verdegay (eds.) Genetic Algorithms and Soft Computing, Physica-Verlag, Heidelberg, 1996. - pp. 95-124.
13. Lozano M., Herrera F., Krasnogor N., Molina D. Real-Coded Memetic Algorithms with Crossover Hill-Climbing. Evolutionary Computation 12(3), 2004. - pp. 273-302.
1QQ
