Б. К.Минеев

Проблема представления знаний в компьютерных системах

(Материалы «Круглого стола»)

(Источник: Вопросы философии. 1987. № 1, 52−61.)

В апреле 1986 г. в Московском Доме ученых журналом «Вопросы философии», секцией кибернетики Дома ученых и Научным советом АН СССР по комплексной проблеме «Философские и социальные проблемы науки и техники» был проведен «Круглый стол». Дискуссия, развернувшаяся за «Круглым столом», была посвящена одной из важнейших проблем в области искусственного интеллекта – возможности представления знаний в компьютерных системах. Отличительная особенность этого «Круглого стола» – широкое многообразие подходов и суждений. Выступившие затрагивали многие важные вопросы: принципиальная возможность создания искусственного интеллекта на основе компьютерных систем; будет ли искусственный интеллект ЭВМ, если его удастся создать, подобен человеческому по форме восприятия и осмысления реального мира или это будет интеллект совершенно иного качества; есть ли возможность уже сегодня сделать ЭВМ подлинными «усилителями» интеллектуальной, творческой деятельности человека, учитывая способность компьютеров оперировать с большими объемами данных при высоком быстродействии и ряд др.

Актуальность проблемы представления знаний в компьютерных системах очевидна. Для человека уже недостаточно того, что ЭВМ быстро и точно решает самые сложные расчетные задачи, сегодня человеку становится необходимой помощь ЭВМ для быстрой интерпретации, семантического анализа огромного объема поступающей информации. Эта проблема потребовала приступить к разработке нового – пятого поколения ЭВМ, – основное отличие которого от предшествующих в том, что новые, ЭВМ должны быть оснащены системами представления знаний в тон или иной области человеческой деятельности. Такие ЭВМ будут способны самостоятельно строить цепочки логических заключений, давать рекомендации человеку при принятии им решения, проводить семантический анализ огромных массивов информации.

Однако системы представления знаний – это не только будущие ЭВМ пятого поколения. Успешная работа математиков, лингвистов, инженеров и т. д. позволила уже сейчас решить некоторые принципиальные вопросы представления знаний, в результате чего созданы и успешно эксплуатируются на современных ЭВМ сложные информационно-поисковые системы, экспертные системы, системы машинного перевода, которые позволяют надеяться на использование уже в скором времени ЭВМ в совершенно новом качестве – как интеллектуального помощника человека.

Однако участники «Круглого стола» единодушны в том, что нерешенных проблем еще значительно больше, чем уже решенных.

В своем выступлении академик Г. С.Поспелов (зав. лабораторией ВЦ АН СССР) подчеркнул, что проблема представления знаний в компьютерных системах – одна из основных в области искусственного интеллекта (ИИ). ИИ – это образное метафорическое название целого научного направления, цель которого состоит в создании таких ЭВМ, которые позволили бы усилить интеллектуальную творческую деятельность человека. Но создать искусственный интеллект, подобный человеческому, по мнению Г. С.Поспелова, в настоящем и обозримом будущем – задача нереальная, имеется по крайней мере две принципиальные проблемы, которые делают эту задачу неразрешимой на сегодняшний день.

Первая проблема состоит в том, что, согласно одной из гипотез, каждая отдельная мозговая клетка обрабатывает входящие в нее сигналы подобно мощной вычислительной машине. Таким образом, человеческий мозг – это как бы огромная совокупность ЭВМ, объединенных в единый комплекс, десятки тысяч супер-ЭВМ; искусственное создание подобного комплекса – это задача будущего.

Вторая проблема вытекает из того, что каждому полушарию человеческого мозга присущ свой, совершенно отличный от другого способ функционирования. Левое полушарие оперирует логическими понятиями, правое имеет дело с образами. И если принцип функционирования левого полушария относительно ясен, то практически ничего не известно о принципах работы правого полушария, и тем более сложно говорить о том, как эти полушария, взаимодействуя, создают присущий человеку интеллект. Может быть, в отдаленном будущем и удастся создать машины, способные в какой-то степени приблизиться к человеческому интеллекту. Однако это станет возможно в случае, если произойдет непредсказуемая пока революция в вычислительной технике.

Но это задачи отдаленного будущего, подчеркнул академик Г. С.Поспелов, сейчас же огромной, практически важной становится задача представления знаний в компьютерных системах. Ее решение позволит специалистам, не обученным программированию, непосредственно на языке «деловой прозы» в диалоговом режиме работать с ЭВМ и с ее помощью формировать необходимые решения. Таким образом, решение проблемы представления знаний в компьютерных системах позволит существенно усилить интеллектуальную творческую деятельность человека за счет ЭВМ.

Далее в своем выступлении Г. С.Поспелов подробно остановился на истории развития этой проблемы.

С появлением ЭВМ открылась возможность электронного представления знаний. На первом этапе это были и сами данные, и обрабатывающие их программы. Взаимодействие специалистов разных профилей, в интересах которых использовались ЭВМ, осуществлялось через математиков-прикладников и программистов. В дальнейшем произошло отделение данных от программ – появились базы и банки данных, что, в свою очередь, позволило создавать информационно-справочные, информационно-поисковые системы различных типов. Появился диалоговый режим взаимодействия человека с ЭВМ, который в определенных пределах позволил обеспечить работу специалистов, не обученных программированию с ЭВМ.

Для этой цели были разработаны меню-системы ц различные сервисные программы. Особенно интенсивно стали оснащаться такими средствами персональные компьютеры. Это относительно новый тип ЭВМ, предназначенный для индивидуального пользования.

В свою очередь, создание банков и баз данных, а также самых сложных программ во многом стало возможным потому, что коренным образом изменился и язык и принципы программирования. Практически вся представленная здесь эволюция, подчеркнул Г. С.Поспелов, опиралась на трудный, но настойчиво осуществляемый процесс сближения языка ЭВМ с человеческим языком. Определенные успехи в этой области позволили говорить даже об интеллектуализации ЭВМ. В первую очередь проблема сближения языков решалась для создания больших информационно-поисковых систем, где пользователь общался с ЭВМ на ограниченном естественном языке, т. е. на языке «деловой прозы».

Возникшая здесь проблема смыслового анализа текстов сразу поставила вопрос о построении семантической (смысловой) модели определенной предметной области. Однако такие модели могли быть построены только в случае успешной формализации знаний в этой области. В связи с этим в теории ИИ были разработаны формализмы представления знаний – семантические сети, фреймы, продукционные системы. Если семантические сети и фреймы отображают различные объекты и реалии внешнего мира и отношение между ними, то продукционные системы отражают такую сторону знаний, как способность ответить на вопрос: «А если X, то что?»

Формализмы ИИ позволили, с одной стороны, строить базы знаний как абстрактную надстройку над базой данных. а с другой – создавать модели знаний множества областей описательных и слабо формализованных наук (медицина, биология, геология, общественные, другие науки).

Для применения ЭВМ в обычном случае, т. е. для решения расчетных задач, требуется реализация триады «модель – алгоритм – программа», и так для каждой отдельно взятой задачи. В свою очередь, формализмы ИИ являются как бы универсальной программой, способной решать разные задачи, по в строго ограниченной предметной области. Их применение ориентировано прежде всего на те области, где знания представляются в описательной форме. Формализмы ИИ и базы знаний образуют так называемый интерфейс пользователя ЭВМ. Такой интеллектуальный интерфейс обеспечивает непрограммирующему специалисту любого профиля прямой доступ к введенной в ЭВМ информации. При этом взаимодействие с ЭВМ происходит в диалоговом режиме на языке «деловой прозы».

В заключение Г. С.Поспелов подчеркнул, что дальнейшее развитие этого направления связано с объединением ЭВМ в сети с помощью средств связи, что позволит вместо бумажно-совещательного взаимодействия между людьми использовать электронно-совещательное, и в результате человечество перейдет к безбумажной технологии, о чем писал в своей последней книге академик В. М.Глушков.

Продолживший далее дискуссию Д. А.Поспелов (д. т.н., профессор, зав. сектором ВЦ АН СССР) также подчеркнул, что проблема представления знаний в области ИИ является центральной. От ее решения зависит успех в создании аффективных систем планирования целесообразной деятельности интеллектуальных систем, и в частности роботов. Эта проблема тесно связана с возможностями организации эффективного диалога между человеком и компьютером. Наконец, система обработки внешней информации и восприятия во многом должна опираться на развитую систему представления знаний.

Системный анализ проблемы представления знаний позволил выделить ряд особенностей, которыми обладают знания как таковые.

Первой и важнейшей из них является возможность внутренней интерпретации знаний. Поясню это на следующем примере. Пусть в память ЭВМ введена некоторая таблица, отражающая анкетные данные сотрудников учреждения. Если в память ЭВМ ввести лишь ту часть таблицы, которая находится ниже шапки. то в памяти образуется файл, с которым может работать определенная программа для бухгалтерии или отдела кадров, но если ввести в ЭВМ запрос: «Перечисли всех женщин, работающих на предприятии» или «Сколько на предприятии монтажников?», то она ответить не сможет, потому что отсутствует «шапка» таблицы, которая в данном случае является интерпретатором содержащейся в памяти информации. Именно благодаря процессу интерпретации данные обобщаются, получают имена и приобретают некоторую семантику.

Вторая особенность – это введение отношений над единицами информации, хранимыми в памяти. Если продолжить рассмотрение нашей кадровой таблицы, то можно увидеть, что все анкетные данные, относящиеся к одному индивиду, связывают определенные отношения. Существует множество возможных типов отношений, например, родовидовые, временные, каузальные, пространственные и т. п.

В реально существующих сейчас системах представления знаний именно отношения и взаимные связи через ссылки в информационных единицах определяют саму организацию и целостность этих систем. В то же время система отношений, вводимых в знания, позволяет получать алгебраические и логические модели представления знаний.

Еще одной особенностью того, что принято называть знаниями, является шкалированность. Сущность шкалирования состоит в том, что знания о некоторой предметной области как бы размещены в специальном семантическом пространстве, шкалами которого являются некоторые обобщенные характеристики этой области. Близость расположения понятий в той или иной шкале характеризует их ситуативную близость. Исследования показывают, что, кроме ситуативных шкал, существуют еще шкалы, отражающие частоту встречаемости тех или иных явлений и фактов во внешнем мире. В настоящее время уже созданы системы представления знаний, в которых реализованы свойство внешней интерпретации л возможность установления родовых связен пли вероятностных шкал.

Еще одна важная особенность знаний – это наличие такой формы представления, которая допускает рекурсивное вложение одних информационных единиц в другие. И наконец, важная особенность знаний – это их активность. Исторически сложилось так, что в ЭВМ роль активного начала всегда играла программа, данные же играли пассивную роль. Сами по себе они не инициировали никаких процессов. Со временем задача усложнилась – при включении ЭВМ в контур управления определенным объектом инициация начала процесса решения задачи могла осуществляться не программистом, а некоторыми данными, приходящими в виде сигналов от объекта. Это был первый шаг на пути активизации данных. В дальнейшем при создании развитых систем представления знаний практическая реализация активности данных будет заключаться в том, что инициатором тех или иных программ станет состояние самой базы знаний, например, когда будет обнаружена неполнота тех или иных знаний или частично противоречивые знания. Активность знаний – необходимое условие для реализации задач синтеза логических процедур. Этот факт сближает знания в современных ЭВМ с когнитивными структурами, присущими животным и человеку, ибо у живых существ именно знания являются тем активизирующим началом, которое вызывает к исполнению необходимые процедуры пли формирует нужные процедуры из готовых блоков.

В настоящее время ведется попек таких моделей представления данных, которые позволили бы вводить процедуры активизации знаний. Важное место в решении этой проблемы принадлежит языкам представления знаний. Одним из перспективных классов языков этого типа считают фреймовые языки. Анализ фреймовых представлений показал пх высокую способность к активизации – это связано прежде всего с тем, что в качестве значений слотов фреймов могут выступать имена некоторых стандартных процедур, программы которых хранятся либо в самом слоте, либо в хранилище программ.

В заключение своего выступления Д. А.Поспелов подчеркнул, что системы представления знаний играют центральную роль при решении всех основных задач, связанных с созданием интеллектуальных систем – ни планирование их целесообразной деятельности, ни осуществление коммуникативной функции между ними и человеком, ни организация коллективного взаимодействия интеллектуальных систем между собой невозможны без развитых систем и языков обработки и представления знаний.

В своем выступлении Л. Т.Кузин (д. т.н.. профессор МИФИ) так же. как и Д. А.Поспелов, подробно остановился на идее активизации знаний. Сейчас практически все специалисты в области компьютерных систем широко пользуются такими понятиями, как база данных и база знаний, однако необходимо ввести еще такое основополагающее понятие, как база целей.

С точки зрения лингвистики информацию необходимо анализировать с позиций синтаксиса, семантики и прагматики, и если база данных – это практически синтаксис, а база знаний – семантика, то база целей – это понятие, характеризующее прагматический подход к машинной информации.

Л. Т.Кузин считает, что источником активизации знаний должна быть именно база целей. Благодаря наличию базы целей стало возможным активизировать соответствующие процедуры, в результате чего произойдет образование стройной логической цепочки структур из базы знаний, которая сможет быть представлена п на ограниченном естественном языке. Пока человек не научится создавать в компьютерных системах базу целей как высшую логическую надстройку над базой знаний, ему не удастся сделать компьютерные знания активными.

Далее в своем выступлении Л. Т.Кузин остановился на проблеме формализации знаний в компьютерных системах. ЭВМ сейчас способны обрабатывать только формализованные данные, и потому понятны попытки программистов, лингвистов и др. в формализованном виде представить целые области человеческой деятельности и на этой основе создавать сложнейшие информационно-поисковые, экспертные системы и т. д. Однако нельзя не учитывать и того, что создавать искусственный интеллект, подобный человеческому, путем полной формализации всего окружающего мира – это безуспешная попытка. Там, где начинается абсолютная формализация, заканчивается подлинный интеллект, содержащий творческое начало, свойственное человеку. Интерпретируя это положение для компьютерных систем, можно утверждать, что полная формализация – это враг искусственного интеллекта.

Если проследить историческую последовательность взаимодействия человека п ЭВМ. то можно увидеть следующее. Вначале человек создал компьютер, способный во много раз быстрее него работать с формализованными данными, отлично справляющийся с расчетными задачами. Теперь же человеку этого свойства компьютера недостаточно, п он пытается создать у ЭВМ «интеллект», но продолжает загружать машину все теми жо формализованными данными (пусть даже их массивы сейчас и огромны). Суть остается все такой же: формализованные данные – это данные, подготовленные для расчетных задач. Попытки создания формализованных моделей, отражающих свойства реалий внешнего мира, приводят к утере полной объективности, формализованные модели «огрубляют» изначальную концептуальную модель. Поэтому возникает важнейший вопрос: а можно ли в принципе говорить о возможности представления в ЭВМ, если информация представлена в них в строго формализованной форме?

Продолжая дискуссию, В. А.3вегинцев (д. филол. н., профессор МГУ) подробно остановился на проблеме правомерности считать информацию, представленную в ЭВМ, даже в случае создания самых современных экспертных систем, подлинными знаниями Очевидно, подчеркнул В. А.Звегинцев, что знания вырабатываются в процессе мыслительной деятельности человека и фиксируются естественным языком. Таким образом, вначале есть информация, затем определенный мыслительный процесс, и только после этого возникает подлинное знание. Таким образом, соотношение между информацией, знанием и мыслительным процессом можно представить в следующем виде: информация – это знания минус мыслительный процесс.

Те, кто проводит аналогию между ЭВМ и человеком в представлении знаний, утверждают, что в ЭВМ вначале имеется исходная информация, затем срабатывают логические системы, имитирующие мыслительную деятельность человека, и в результате получаются знания. В качестве примера приводят работы современных экспертных систем.

На мой взгляд, такое сопоставление совершенно неправомерно, так как человеческое мышление во многом нелогично, парадоксально, эвристично, – а именно это в современных ЭВМ реализовать и не удается. Следовательно, утверждение о том, что в экспертных системах представлено действительно знание, аналогичное знанию человека, неправомерно, хотя само создание экспертных систем, подчеркнул В. А.Звегинцев, – это существенный шаг вперед в деле описании некоторых сущностных свойств реального мира на языках представления знаний, активно разрабатываемых для современных и будущих ЭВМ. Если имеется конкретная предметная область реального мира, которую необходимо отобразить в памяти ЭВМ, то вначале отрабатывается концептуальная модель, в которой с помощью естественного языка отображаются объекты данной области, их связи, задается динамика взаимодействия объектов. Однако для того, чтобы такая модель могла быть реализована в ЭВМ. необходима ее дальнейшая формализация. Сейчас детально отработано несколько способов представления таких данных в ЭВМ – прежде всего это реляционные, иерархические, сетевые модели данных. Однако если сравнить изначальную концептуальную модель заданной предметной области с ее интерпретацией для реализации на ЭВМ в виде реляционной пли другой модели данных, то станет очевидным, что в компьютерной модели появились дополнительные ограничения, исчезли определенные связи, т. е. произошла потеря естественности отображения объектов реального мира. Эта естественность утрачена главным образом из-за необходимости строгой формализации первоначальной концептуальной модели.

Несовершенство представления реального мира в ЭВМ приводит к попыткам создания более совершенных моделей данных. Так появились новые модели данных – семантические, инфологические. Однако и они предполагают строгую формализацию. Создание экспертных систем стало возможным благодаря последним разработкам в области представления моделей данных в ЭВМ. Все объекты той или иной предметной области, для которой разрабатывается конкретная экспертная система, связываются в наиболее общем виде причинно-следственным отношением, и вследствие этого ЭВМ с такой экспертной системой становится способной ответить на вопрос «если…, то…?». Использование таких систем, например, в медицине помогает ставить диагноз.

За рубежом появление экспертных систем называют второй компьютерной революцией. Мощный импульс развитию экспертных систем на Западе, по мнению В. А.Звегинцева, дал процесс перенасыщения рынка персональными компьютерами. В связи с падением спроса ведущие фирмы были вынуждены искать новые сферы применения своих персональных компьютеров. Стали появляться специальные ВЦ, где сосредоточивались знания з той или иной области, оформленные в виде экспертных систем, а владелец персонального компьютера, выпущенного соответствующей фирмой, мог приобрести абонемент, который позволял бы ему подключаться к такому центру и пользоваться возможностями этой экспертной системы. Так образовались распределенные вычислительные сети, информационным ядром которых становились экспертные системы. Здесь важно отметить преимущества, которые возникают при использовании персональных компьютеров в качестве интеллектуальных терминалов в распределенных сетях. Дело в том, что системы управления базами знаний, хранимых в центральных супер-ЭВМ сети, могут быть построены на основе различных моделей данных. И тогда достаточно мощный персональный компьютер способен интерпретировать изначальный запрос в соответствии со структурой базы знаний, куда он должен быть направлен.

Ю. А.Шрейдер (д. ф.н., профессор, старший научный сотрудник ВИНИТИ АН СССР и ГКНТ СССР) в своем выступлении за «Круглым столом» отметил, что сегодня ЭВМ сознательно используются как средство представления знания. Однако сами ЭВМ содержат не знание, а информацию, т. е. представление или модель знания. На основе этой модели пользователь воссоздает необходимое ему знание. Содержимое памяти ЭВМ не равносильно человеческому знанию, которое является гораздо сложным феноменом, но может служить удобной для коммуникаций моделью этого знания. Этот принцип моделирования профессиональных знаний лежит в основе экспертных систем (ЭС), значение которых справедливо подчеркнул В. А.Звегинцев. Поскольку экспертные системы непосредственно помогают в осуществлении интеллектуальной деятельности человека, то разработку ЭС часто относят к достижениям в области искусственного интеллекта (ИИ). Однако многие специалисты считают экспертные системы эффективной альтернативой ИИ, хотя в их создании использован ряд современных достижений из области ИИ.

В то время как ИИ ставит задачу создания интеллектуальных моделей действительности, обеспечивающих целесообразное поведение, главное в разработке экспертных систем – это модель профессиональных знаний об определенном аспекте действительности, присущих человеку-эксперту или нескольким экспертам.

Разработки в области ИИ направлены на замену интеллектуальных функций человека функциями ЭВМ. В противовес этому экспертные системы не только не предполагают вытеснения человека из каких-либо интеллектуальных сфер деятельности, но, наоборот, ориентируются на то, что профессиональные знания специалиста, как правило, лучше описывают плохо структурированную действительность, чем любая искусственная модель, а роль экспертных систем состоит в том, чтобы сделать знания одного или нескольких экспертов достоянием любого специалиста в данной независимо от пространственно-временных ограничений. При этом от пользователя экспертной системы в качестве условия эффективного использования представляемых консультаций требуется профессиональное творческое владение предметом. В идеале пользователь в процессе взаимодействия с экспертной системой сам становится экспортом, знания которого учитываются в этой системе. Если ИИ традиционно отводит человеку пассивную роль лица, перекладывающего на ЭВМ тяжесть трудных решений, то экспертные системы ориентируются на творчество пользователя, способного самостоятельно принимать ответственные решения с учетом профессиональных знаний, которые представляются ему через экспертные системы.

Ортодоксальная точка зрения на ИИ состоит в недоверии к интеллектуальным способностям и стремлении отвести ему подчиненную роль во взаимодействии с ЭВМ. В противовес в рамках экспертных систем возникла идея использовать ЭВМ как средство интеграции и активизации личностных потенций человека. В этом смысле роль ЭВМ как средства представления знаний в виде информации не отличается принципиально от роли книги.

По сути дела, экспертная система – это «настольная книга» для умного, ответственного и творческого профессионала или новичка. Проблема состоит в том. как ее «написать» и сделать «удобочитаемой».

Профессиональное знание отличается от дилетантского тем, что оно не может быть адекватно выражено на рассудочном уровне и передано в виде текста -^ исчерпывающей инструкции. Сам эксперт не может по собственной воле поставить содержание своих профессиональных знаний под контроль сознания: оно существует как фрагмент сознания, который не может быть осознан как целостность, вербализован и отчужден от своего носителя. В этом смысле профессиональное знание в значительной мере является бессознательным – неотъемлемой составляющей личности знающего.

Именно это обстоятельство делает столь трудной проблему отчуждения экспертных знаний в базе знаний. Вопрос о том, как формализовать эти знания и как с ними оперировать, решается в ЭС с помощью уже разработанных методов ИИ: знания представляются в виде так называемых фреймов, продукций, классификаций и т. п. Нужный порядок их применения к данному случаю определяется самой экспертной системой. Для того, чтобы получить от эксперта его профессиональные знания и заполнить ими базу знаний, нужны специалисты в особого рода области так называемых инженерных знаний, или иначе когнитологи, которых готовят в течение двух лет на основе высшего образования в области системотехники или программирования. Главным в их обучении является методика выявления вербализации и отчуждения профессиональных знаний экспертов и способы представления этих знаний в базе знаний. Главная трудность состоит в том, что этого не может сделать сам специалист.

Задача когнитолога – получить из общения со специалистом-экспертом необходимое для функционирования экспертной системы профессиональное знание. Для этого в его распоряжении имеются методики интервьюирования экспертов и способы представления экспертных знаний. При интервьюировании когнитолог имеет возможность демонстрировать эксперту работу создаваемой экспертной системы с теми продукциями, которые удалось выявить к текущему моменту беседы. Такая демонстрация способствует углублению рефлексии специалиста и развитию его «сокритического диалога» с когнитологом. До известной степени правомерна аналогия последнего с психоаналитиком, но разница состоит в том, что когнитолог помогает осознавать бессознательное знание специалиста для того, чтобы его закрепить, а не преодолеть какие-либо тенденции или скрытые мотивы творчества. В. П.Зинченко в одном из обсуждений подчеркнул опасность чрезмерного уподобления методики извлечения знаний психоаналитическими приемами, так как последние могут разрушать психологические механизмы творчества. Эксперт должен быть уверен, что проводимое с ним интервью может только способствовать укреплению его знаний и творческих потенций, а запись их в экспертной системе гарантирует авторские права. В противном случае эксперт будет явно или неявно сопротивляться интервьюированию, а оно может быть успешно лишь при гарантированном сотрудничестве. Когнитолог должен уметь задавать эксперту те вопросы, которые он никогда не задает себе сам (это принцип исследования бессознательного по А. А.Брудному), но на который только он и в состоянии дать полноценный ответ (а это принцип уникальной компетентности эксперта). От эксперта нельзя требовать обоснования его суждений – контроль здесь может только помешать, а задача интервью – выявить знания эксперта (вплоть до противоречивых), а не получить адекватное и обоснованное описание действительности. В отличие от гносеолога, исследующего знания, когнитолог конструирует описание знаний экспертов (не случайно он называется инженером). От экспорта нельзя требовать специальных обобщений своих знаний, формулировки общих принципов. В ряде случаев его профессиональные знания описываются как прецеденты с посильной мотивировкой предлагаемых действий. Все такого рода предосторожности необходимы, чтобы сохранить оригинальность описаний профессиональных знаний, не исказить их внушением того, как «полагается формулировать знания».

В заключение Ю. А.Шрейдер подчеркнул, что фундаментальное значение для успешного создания и использования автоматизированных информационных систем сегодня приобретают гносеология в психология, поскольку необходимо создавать такие представления человеческих знаний в ЭВМ, которые помогали бы пользователю творчески восстанавливать на основе этого представления полноценное знание.

Оригинальный подход к проблеме представления знаний в компьютерных системах предложил В. П.Зинченко (чл.-корр. АПН СССР, д. психол. н., зав. кафедрой эргономики МИРЭА), он справедливо отметил, что человек в своей деятельности еще с давнего времени уверенно пользуется такими понятиями, которые не может строго научно определить и по сей день. Например, такое явление, как движение. Есть движение механическое, неживое, и есть биологическое, т. е. живое движение, причем наука не может концептуально отличить живое движение от неживого. Однако человеческому глазу для того, чтобы отличить живое движение от неживого, достаточно четверти секунды. Аналогичная ситуация с живым и неживым веществом. Еще В. И.Вернадский писал, что никто не может дать точного научного определения того, что есть живое, а что неживое. Однако человек, не зная этого определения, практически не ошибается. Подобная же ситуация создалась и с такими понятиями, как пространство и время, интеллект, интуиция, знание.

Во всех случаях мы имеем не определение, а культурный смысловой образ явления (или даже понятия). Этот образ с течением времени эволюционирует, хотя термин остается неизменным. Например, исходный образ понятия – интеллект – это «божественная функция». Затем его «ранг» снижался: человеческий, животный, машинный интеллект. В обратном направлении эволюционировал образ интуиции: от частного свойства интеллекта к «божественной функции», хотя и погружаемой нередко в глубины мозга или в тайны бессознательного. И если посмотреть под этим же углом на проблему представления знания в компьютерных системах, отметил В. П.Зинченко, то она выглядит следующим образом: если есть машина и есть человек, то как сделать, чтобы, не имея строго научного определения понятия знания, человек все-таки понял машину, и наоборот. Эта проблема взаимопонимания возникла сразу же после появления первой ЭВМ. И опыт ее решения уже есть, пусть даже и чисто эмпирический. Например, в сложных автоматизированных системах управления разработчики систем добивались того, чтобы операторы понимали реальность, отраженную информационной моделью в АСУ, причем понимали достаточно. Это достигалось за счет того, что при создании информационных моделей учитывались задачи, которые должен решать оператор. При решении, например, задач обнаружения или информационного поиска необходимо приведение информации к виду, резко отличающемуся от способа ее представления, необходимого для решения оперативных задач. Таким образом, подчеркнул В. П.Зинченко, отсутствие точного научного определения того или иного знания и возникающие в связи с этим проблемы его представления в ЭВМ не должны приостанавливать процесс разработки и внедрения сложных АСУ и других компьютерных систем.

Что же касается самой проблемы представления знаний, то прежде всего необходимо выделить многообразие языков представления и выражения знаний у человека, В первую очередь это естественный язык, далее – это язык жестово-кинетический (например, великий актер, мим Марсель Марсо – его язык был понятен всем). Следующий язык – это язык образов. На этом языке мы решаем огромное количество задач.

Вполне возможно, что все эти языки имеют один базис, один фундамент. Лингвисты предполагают, что это некоторые глубинные семантические структуры, лежащие в основе мышления человека. Сейчас исследователи пытаются найти, «прощупать» некоторый первоязык представления знаний, своеобразный знаниевый эсперанто. Это язык, на котором могли бы работать такие глубинные семантические структуры человека, если они действительно существуют.

Человеческие знания многомерны в многомодельны. А. Н.Леонтьев говорил, что знаниевая картина мира в целом амодельна. Поэтому, решая проблемы представления знаний в компьютерных системах, необходимо двигаться не по пути усложнения логических, строго формализованных структур, а скорее от них.

Но в какой форме предъявлять машинную информацию человеку, чтобы ею удобно было пользоваться и она была понятна? В этом плане. подчеркнул В. П.Зинченко, особый интерес представляет такое человеческое понимание, как «знание до знания». Если человек хорошо знает ЭВМ и ту задачу, с которой она работает, то его возможности понимания информации, представляемой такой системой, огромны. Но они могут стать еще больше, если пользователь сможет выбрать из некоторого множества способов представления знаний тот, который более удобен ему и вместе с тем адекватен стоящей перед ним задаче. Например, высококвалифицированный шахматист может за доли секунды оценить сложную позицию на шахматной доске. Но если эту же позицию предъявить в виде шахматной нотации, то ему потребуется значительно большее время,

В заключение В. П.Зинченко отметил, что особенности человеческого восприятия мира – эмоциональность, образность, действенность – и способность ЭВМ оперировать огромными информационными массивами и быстро решать сложные расчетные задачи делают просто необходимым такой союз человека и компьютера, где недостатки одного успешно перекрываются возможностями другого.

Продолжая дискуссию, В. Ю.Городецкий (д. филол. н., доцент МГУ) указал на то, что при исследовании проблемы представления знаний в компьютерных системах необходим не только чисто логический анализ. Не менее важен лингвистический подход к когнитивным явлениям, особенно подход с позиций лингвистической семантики.

Сейчас становится все более очевидным, что общение человека и машины должно вестись на естественном языке, точнее на том или ином его подъязыке, но чтобы научить машину естественному языку, надо понять, каким образом представляются знания в той изначальной когнитивной системе, которой является естественный язык. Ведь любые рабочие промежуточные искусственные языки представления знаний – это результат тех или иных преобразований семантических механизмов естественного языка.

В этой связи представляют интерес следующие аспекты языка. Во первых, его семантическая структура (система когнитивных единиц и когнитивных отношений) как определенный способ представления знаний. Ведь, например, словарь – это не что иное, как модель организации памяти. Во-вторых, речевая деятельность на основе языковой структуры – это естественная когнитивная деятельность, элементарные такты которой составляют такие фундаментальные процессы, как понимание и вербализация. В-третьих, речевые произведения (тексты) – это естественные когнитивные записи, строение которых отработано на протяжении всей истории человеческого интеллекта. Фундаментальные исследования естественного языка именно в этих плоскостях помогут более отчетливо осознать, каков же изначальный механизм представления знаний.

В своем выступлении Г. И.Сыркин (младший научный сотрудник ВНИИ системных исследований АН СССР) подчеркнул, что привлекать теорию рефлексивных игр для описания так называемого знания о знаниях, т. е. для интерпретации знаний (необходимой для решения проблемы их активизации), не всегда целесообразно. На практике построить модель знания о знаниях как структуру второго уровня адекватно структуре первого уровня чаще всего не представляется возможным. Теория рефлексивных игр может быть использована только в случае строго проблемно ориентированной системы. Именно здесь структура каждого последующего уровня адекватна структуре предыдущего уровня. В настоящее время уже имеется ряд разработок, основанных на этом принципе, однако использование теории рефлексивных игр в любом другом случае не представляется возможным.

Г. Н.Поваров (к. т.н., доцент МИФИ) отметил, что необходимо разграничивать такие понятия, как знание и представление знания. Например, энциклопедия есть хорошая форма представления знания, но само знание извлекается из нее пользователем. Читая текст, он его осознает, интерпретирует. Информация только тогда станет знанием, когда в компьютерной системе соответствующими программными средствами будут реализованы как все основные синтаксические и семантические аспекты естественного языка, так и сложная структура базы целей, которая является конкретным овеществлением прагматического уровня языка. Именно тогда машина начнет познавать окружающий мир, исследовать его изменения, принимать осмысленные решения в сложной обстановке. В этом случае мы будем иметь дело с интеллектом, хотя бы в простейшей форме. Как далеко здесь можно идти, покажет будущее.

В. К.Финн (к. т.н., старший научный сотрудник ВИНИТИ АН СССР и ГКНТ СССР) подчеркнул, что проблема представления знаний в компьютерных системах (КС), имитирующих различные аспекты умственной деятельности человека, находится в неразрывной связи с проблемой формализации рассуждений. Определение понятия знания равносильно определениям науки (а следовательно, «научного знания») и познания действительности субъектом («личностного знания»). Однако определение «знания в КС» дело более скромное в силу следующих причин. Во-первых, в современных КС представляется лишь «внеличностное знание»; во-вторых, «знание в КС» есть лишь фрагмент системы знаний соответствующей предметной области, относящейся к фиксированному классу задач, решаемых в КС, в-третьих, «знания в КС» представимы таким образом, чтобы быть исходными данными для алгоритмов решения указанных задач. Последнее обстоятельство требует формализации «знания в КС». Под формализацией «знания в КС» будем понимать его переводимость в логический язык, содержащий необходимые функции и отношения. Под «фактом в КС» будем понимать атомарное высказывание логики предикатов с некоторой оценкой (факт есть элементарное знание); под «неэлементарным знанием в КС» будем понимать замкнутую формулу логики предикатов, содержащую кванторы, с некоторой оценкой (оценкой, например, могут быть истинностные значения, вероятности, степени правдоподобия и т. п.).

Вазой знаний (БЗ) в КС будем называть множество неэлементарных знаний в КС, на котором заданы отношение логической выводимости и отношение релевантности знаний (сходства). Базой фактов (БФ) КС будем называть множество «фактов в КС».

КС разумно считать интеллектуальной, если она способна имитировать человеческое познание относительно соответствующих предметной области и класса допустимых задач. Это означает, что КС посредством рассуждений, применимых к БФ и БЗ, способна давать ответы на вопросы, являющиеся решениями соответствующих задач. Рассуждения в КС есть реализация вычислительной эвристики, суть которой выразима фразой «правдоподобный вывод + достоверный вывод». Правдоподобный вывод порождает гипотезы, полученные применением соответствующих правил к БФ; а посредством достоверного вывода порождаются следствия из гипотез и знаний из БЗ. Очевидно, что БФ – аналог «внешнего мира», БЗ – аналог наших знаний о нем, рассуждение в КС – аналог познания «внешнего мира» на основе знаний. Разумеется, если БФ и БЗ весьма бедны, а рассуждения тривиальны, то сомнительно говорить об интеллектуальности КС. Предположим, что БФ и БЗ достаточно богаты (с точки зрения квалифицированного эксперта). Пусть, далее, КС обладает следующими способностями: 1) автоматического упорядочения массивов данных по степеням существенности; 2) выбора подходящей стратегии рассуждения при ответе на вопрос к КС; 3) рефлексии, т. е. автоматической оценки и обоснования полученного результата; 4) коррекции полученных результатов посредством БЗ или пополнений БФ; 5) автоматического пополнения БФ из «информационной среды» (например, текстов на естественном языке, хранящихся в памяти компьютера): в частности, в связи с недостатком информации при ответе на некоторый вопрос, который автоматически диагностируется КС; 6) структура решающих правил, являющихся средством формализации, не изменяется, если фиксирована предметная область, но варьируется структура данных; и если фиксирована структура данных, но варьируются предметные области (примеры объектов различной структуры: множества, категории слова, графы). Это требование к правилам КС означает наличие универсальности применяемых эвристик относительно соответствующего класса задач (указанные правила являются «формами компьютерной мысли»). Таким образом, требование (6) выражает условие инвариантности организации знаний и рассуждений в КС относительно вариаций структур данных предметных областей. Выделение инвариантных фигур рассуждений – необходимый продукт понимания формальной структуры человеческих знаний (Аристотель: силлогизмы; Буль: двузначная логика). Если для КС выполняются (1) – (6), то будем ее называть «интеллектоподобной» (ср. с идеей А. Тьюринга об игре в имитацию в связи с ответом на вопрос: «Может ли машина мыслить?»). Если КС интеллектоподобна и способна решать некоторое множество задач на уровне квалифицированного эксперта, то будем ее называть интеллектуальной КС. Выполнимость сформулированного критерия интеллектуальности КС, разумеется, имеет прежде всего целевой характер, так что аппроксимации этого критерия более практичны. Рассуждение – это конечная последовательность высказываний, концом которой является цель рассуждения. Каждый элемент этой последовательности есть или достоверное знание из БЗ, или знание релевантное цели рассуждения, привлекаемое автоматически или в режиме диалога, или высказывания, полученные посредством правил вывода, примененных к предыдущим высказываниям указанной последовательности. Кроме того, в процессе рассуждения используются метасредства (например, проверки на невыводимость и непротиворечивость, приписывание оценок формулам). В связи со сказанным отметим, что множество посылок открыто (рассуждение может проводиться в условиях неполноты информации, а множество используемых посылок формируется посредством поиска информации релевантной цели).

Итак, интеллектуальные КС – это рассуждающие информационные системы, использующие в качестве посылок знания из ВФ и БЗ. Развитие интеллектуальных КС (и, в частности, экспертных систем) тесно связано с прогрессом прикладной логики (автоматическое доказательство теорем, логическое программирование, эффективная вычислимость, индуктивное обучение по примерам). Наличие развитых логических средств в КС и достаточно богатых (информативных) БФ и БЗ превращает КС в «усилители умственных способностей» в смысле Р. Эшби. Реализация таких «усилителей» с помощью компьютеров с нефоннеймановской архитектурой является одной из целей создания компьютеров 5-го поколения, провозглашенных в известном японском проекте.

Академик В. В.Ржевский (ректор Московского горного института) и В. А.Горбатов (д. т.н., профессор зав. кафедрой Московского горного института) подробно рассказали о практическом опыте создания и использования в МГИ автоматизированной системы «ЗНАНИЯ», реализующей функции накопления и оперирования данными по горным наукам.

В вычислительном комплексе, на котором реализована эта система, знания представлены в виде соответствующего графа знаний. В данном случае граф знаний – это граф, каждая вершина которого соответствует единице знаний – функциональной или структурной части знаний: понятию, категории, критерию, концепции, конструкции, параметру, алгоритму, технологии, машине, агрегату, комплексу и т. д., и две вершины соединены дугой, если соответствующие единицы знаний находятся в отношении непосредственного включения.

Система «ЗНАНИЯ» является автоматизированной интегрированной системой. Система предоставляет средства внесения, хранения и поиска информации об изучаемом объекте нескольким пользователям одновременно в диалоговом режиме. Она содержит развитые программные средства вывода не только текстовой, но и графической информации, позволяющей отображать движение объектов, развитие процессов в динамике, на экране дисплея; средства общения на естественном языке, средства представления знаний и модели предметной области.

В основу интеллектуальной системы «ЗНАНИЯ» положена классификация горных наук. По восходящему направлению в графе знаний выделена последовательность уровней – понятийные уровни; уровни концепций, критериев и конструкций; уровни алгоритмов и технологии; уровни машин, агрегатов, функциональных и структурных образований Пользователь системы «ЗНАНИЯ» с помощью дисплея имеет доступ к любой части системы: пакету прикладных программ, банку данных, фонду алгоритмов и формальных моделей, базе знаний; через эту же организацию общения происходит и пополнение знаний в системе.

Пополнение знаний происходит с учетом уже имеющихся в базе знаний. Если заносимая публикация не вносит новых знаний в базу, то в памяти ЭВМ фиксируются только лишь входные данные публикации, без раскрытия ее содержания.

Интеграция программного, информационного и технического обеспечения, реализуемая в системе «ЗНАНИЯ», позволяет пользоваться одному разработчику результатами работы другого, сокращает сроки разработки программных, информационных и технических средств, обеспечивает высокую доступность данных.

Эта система упрощает создание прикладных программ, сняв с их разработчика вопросы организации данных. В системе аккумулируются и систематизируются знания и практические достижения всех горных наук, на базе которых реализуются активные формы обучения.

Подытоживая дискуссию, развернувшуюся за «Круглым столом», необходимо отметить, что все участники считают проблему представления знаний в компьютерных системах одной из важнейших в области искусственного интеллекта.

Накапливая знания о внешнем мире, фиксируя данные (от лат. datum – факт), осмысливая их. человек создает сложную систему представлений – некую концептуальную модель, которая в конечном счете фиксируется естественным языком. Модель внешнего мира у человека слабо типизирована и слабо формализована, такая модель предполагает оперирование образами, и в ней можно выделить синтаксический, семантический и прагматический уровни. Однако необходимо помнить, что это только модель.

В ЭВМ также может быть создана модель внешнего мира, однако принципы функционирования компьютера таковы, что эта модель должна быть строго формализована.

Сегодняшний опыт заставляет сделать вывод, что такая формализованная модель описывает реальный мир очень неточно. Для адекватного отображения внешнего мира компьютерные модели должны обладать гибкостью, многоплановостью и т. д., но необходимость формализации накладывает существенные ограничения при отображении реально существующих объектов и связей между ними. Модель окружающего мира у современного компьютера настолько неточна, что задача создания искусственного интеллекта в обозримом будущем не может быть поставлена научно. Однако нельзя не видеть, что происходит постоянное совершенствование системы представления и оперирования данными, уже созданы и функционируют сложнейшие экспертные системы, которые оказывают существенную помощь специалистам в различных областях человеческой деятельности. И такие экспертные системы – это еще далеко не предел возможности представления знаний в ЭВМ.

Наблюдается еще один важный процесс – это объединение ЭВМ в сети. Если рассуждать согласно концепции, которую привел академик Г. С.Поспелов, что человеческий мозг есть сложнейший комплекс тысяч мозговых клеток, где каждую в отдельности можно сравнить с мощным компьютером, то резонно предположить, что соединение в единую глобальную информационно-вычислительную сеть тысяч, десятков тысяч суперЭВМ может привести к такому переходу количественных изменений в качественные, конечные результаты которых не поддаются сегодня строгой научной оценке.

Актуальность рассматриваемой проблемы очевидна еще и потому, что все быстрее расширяется круг специалистов, которые получают возможность пользоваться услугами ЭВМ. Прежде всего ото связано с появлением нового класса ЭВМ – персональных компьютеров. Дальнейшее развитие средств и систем связи позволит в будущем использовать такие персональные компьютеры в качестве интеллектуальных терминалов глобальной сети супер-ЭВМ, что сделает постоянным рабочий контакт между человеком и банком знаний сети ЭВМ.

Дискуссия четко выявила различия в понимании знания кибернетиками, психологами, лингвистами, философами и т. д. И что действительно может быть представлено в ЭВМ – непосредственно знание или нечто иное? За данным «Круглым столом» лишь ставятся эти сложные вопросы, которые требуют более детального и комплексного философского, методологического анализа.

Дата добавления: 2015-07-11