Мова експертних систем: штучна чи природна?

- категорія числа: @sg, @pl;

- тема-рематичні характеристики: @emphasis, @focus;

- категорія модальності: @obligation, @possibility та ін.

Стає зрозуміло, що ключові категорії лінгвістики відіграють вирішальну роль у процесі формалізації лінгвістичної інформації й моделювання змістових характеристик концептуальних елементів у штучній мові UNL. Наприклад, зміст англійського речення The dog caught a wild cat матиме таку UNL-репрезентацію: agt(catch(icl>#event). @past. @pred. @entry, dog(icl>animal). @def) obj(catch(icl>#event). @past. @pred. @entry, cat(icl>animal).@indef mod(cat(icl>animal).@indef,wild(icl>#state, ant>domestic)) [6].

Передбачено, що система UNL установлюватиметься на всіх серверах мережі Інтернет і користувач, не володіючи мовою оригіналу сторінки, викликатиме програму перегляду файла у форматі UNL та читатиме інформацію рідною мовою. Отже, лінгвістичні репрезентації безпосередньо ґрунтуватимуться на формальних морфосинтаксичних і семантичних моделях знань.

До власне лінгвістичних проблем, розв'язання яких сприятиме оптимізації мовленнєвого спілкування людини й комп'ютера, традиційно відносять створення формальних структурних моделей природної мови за допомогою формалізованого опису елементів мови та їхніх параметрів. Перевагу надають таким теоріям формалізації, які уможливлюють віднаходження якнайбільше мовних закономірностей й узагальнення стосовно цілої мовної системи.

Наведемо декілька прикладів застосування процедури моделювання в різних галузях мовознавства. У структурному синтаксисі використано два види формальних синтаксичних моделей - безпосередніх складників і залежностей. Обидва види широко застосовано в автоматичному синтаксичному аналізі текстів природної мови, у машинному перекладі та в інших технологіях автоматичної обробки мови.

Щодо способів семантичного моделювання слід зауважити, що всі вони поєднують власне лінгвістичні методи з методами логічної семантики й теорії класифікацій. Під час моделювання лексичної семантики в структурній лінгвістиці виникли та успішно використовуються методи семантичного поля, компонентного аналізу, тезаурусного опису лексики. Окрім того, у синтаксичній семантиці розроблено багато концепцій моделювання семантичної структури речення.

Однак питання про придатність розроблених формальних моделей з огляду на ефективність їх застосування для комп'ютерного кодування лінгвістичних знань залишалося поза увагою науковців. Тому виявилося, що запропоновані лінгвістичні моделі, відтворюючи власне мову й мовлення, не розглядали механізми їх породження та розпізнавання, у тому числі й комп'ютерного.

Для більшості сучасних концепцій категоризації характерне чітке усвідомлення зв'язку між категоризацією й моделюванням когнітивних процесів, що відбуваються під час аналізу та синтезу знань людиною. Дж. Сова наголошує на тому, що «будь-яка процедура класифікації врешті-решт зводиться до застосування моделей, які дають змогу відносити елементи до категорій» [11]. Такий підхід до категоризації є підставою вважати її когнітивною процедурою. На думку П. Тагарда та І. Тумбса, «когнітивна категоризація - це процес розподілу інформації про об'єктивний світ на категорії, під час якого конструюються концепти, що уможливлює створення ментальних репрезентацій категорій у мозку людини» [12].

У сучасній когнітивній парадигмі катетеризацію розглянуто як спосіб конструювання знань про світ, що виступає ключовим компонентом процесу пізнання. Одне з першочергових завдань сучасної когнітивної науки - «установлення й опис типів знань, що реалізуються під час когнітивної діяльності людини із перспективою їх комп'ютерного моделювання» [9, с. 2].

Усі сучасні когнітивні теорії катетеризації оперують поняттям когнітивної моделі. Дж. Лакофф визначає такі риси когнітивних моделей [10, с. 13]:

— когнітивні моделі є «втіленими», тобто безпосередньо пов 'язані з роботою тіла людини; концепти, які вони характеризують, розуміються через способи втілення когнітивних моделей;

— когнітивні моделі структурують думки людини й застосовуються під час мисленнєвої діяльності;

— більшість когнітивних моделей «втілені» з метою їх подальшого використання у психомоторній діяльності; ті ж, що не пов'язані безпосередньо з роботою тіла людини, застосовуються за допомогою усвідомлених ментальних зусиль;

— когнітивні моделі не є цілком абстрактними, вони мають референтний фокус і характеризують так зване «метонімічне міркування»;

— когнітивні моделі дають змогу здійснити субординативний розподіл між елементами категорій, якщо концепт, що позначається моделлю, має скалярні властивості;

— когнітивні моделі можуть утворювати складні угрупування (сім'ї) на основі часткової категоріальної подібності центральних концептів;

— системні зв'язки, у які вступають декілька когнітивних моделей та елементи однієї моделі, приводять до проявів полісемії.

Таке розуміння когнітивних моделей свідчить про їх безпосередній зв'язок із концептосферою людини й дає підстави вважати їх зручним і дієвим інструментом моделювання знань із метою подальшого формалізованого представлення в комп'ютерних базах знань. Когнітивні моделі знань - основний матеріал для наповнення баз знань сучасних експертних систем. Особливої значимості прикладним мовознавчим студіям надає перспектива комп'ютерного кодування лінгвістичних й екстралінгвістичних знань задля їх подальшої автоматичної обробки. Природну мову на сучасному етапі використовують не лише як засіб формалізації інформації, але і як інструмент для комп'ютерного моделювання знань і забезпечення вербальної взаємодії між людиною й машиною. Це спричиняє додаткове зацікавлення представників когнітивної лінгвістичної парадигми, зокрема у виявленні закономірностей інтелектуальної та вербальної діяльності людини, які можна було б представити як універсальні комунікативно-когнітивні моделі знань, згодом інтегровані в експертні системи й системи штучного інтелекту [4].

Проблема катетеризації та комп'ютерного подання знань зобов'язана своїм виникненням процесам, що відбуваються в розвитку інформаційних технологій і дослідженнях у галузі ШІ протягом останніх десятиліть, а саме появі та розповсюдженню систем, які називають системами, заснованими на знаннях [1; 2]. Це, насамперед, інтелектуальні інформаційно-пошукові й експертні системи.

У будь-якій сучасній інтелектуальній інформаційній системі передбачено наявність особливого блоку - бази знань, - у якому змодельовано знання з предметної галузі з можливістю їх автоматичної обробки [2]. Формування бази знань інтелектуальної системи включає розробку знакових структур, що дають змогу фіксувати знання з галузі, для роботи в якій призначена система, і забезпечити виконання необхідних операцій із ними [3]. У нашому дослідженні робимо припущення про те, що вербально-дедуктивне виведення, яке застосовують у сучасних експертних системах, перебуває на межі між природною мовою й штучними мовами.

Структура інтелектуальної інформаційної системи передбачає наявність тих або інших способів набуття знань, необхідних для її нормального функціонування, зокрема одержання знань із книг або текстів, що використовуються в цій галузі (автоматична обробка текстів), а також отримання інформації від користувача в процесі організованої певним чином комунікації (під час розгортання дискурсивного спілкування користувача й системи за допомогою графічних інтерфейсів користувача).

Когнітивні моделі знань, якими оперує експертна система, представлено у вигляді силогізмів та суджень, що використовують синтаксис і граматику природної мови, але не схожі на типові вислов - лювання, що їх генерують люди під час міжособистісної комунікації. Розглянемо, яким чином когнітивні моделі інтегруються в структуру експертної системи. Експертна система - це комп'ютерна програма, яка репрезентує глибоко спеціалізовані (експертні) знання в конкретній предметній галузі (медицина, право, соціологія й ін.). На відміну від традиційних баз даних, які оперують винятково статистичною інформацією, експертні містять знання, які можна умовно поділити на чотири класи:

1) знання, отримані внаслідок опрацювання даних (переважно цифрові або статистичні);

2) судження, або емпірично суб'єктивні знання (синтезовані та визнані експертами);

3) загальнонаукові знання, що апелюють до законів здорового глузду і є універсально визнаними;

4) стратегічні знання, що мають процедурний характер й апелюють до конкретних дій та досвіду експертів.

Репрезентовані таким чином знання дають змогу експертній системі виконувати функції посередника між експертом (фахівцем) і користувачем, який звертається за експертною консультацією до комп'ютера. Одним із найпотужніших прикладів сучасних експертних систем є MYCIN - експертна система медичної діагностики й моніторингу результативності лікування пацієнтів. Проаналізуємо процедурний алгоритм когнітивного моделювання знань, зреалізований в окремому блокові MYCIN, що називається VM (Ventilator Manager). Основне призначення VM - здійснювати он-лайн-моніто- ринг вентилювання легень у післяопераційних хворих. VM пропонує чотири режими вентилювання VOLUME, CMV, ASSIST, T-PIECE. Вибір конкретного режиму залежить від зіставлення показників кров'яного тиску й частоти серцебиття. Тобто підбір режиму вентилювання легень здійснюється індивідуально для кожного пацієнта на основі апелювання до конкретних моделей знань та встановлення інтегративного зв'язку між ними. Нижче наводимо процедурний алгоритм моделювання висновку про стабільну гемодинаміку в пацієнта, що використовується в модулі VM (під стабільною гемодинамікою розуміють оптимальне співвідношення між артеріальним тиском і частотою серцевих скорочень):

Status rule: stable-hemodynamics

Definition: defines stable hemodynamics based on blood pressures and heart rates.

Applies to patients on volume, cmv, assist, t-piece

Comment: look at me an arterial pressure for changes in blood pressure and systolic blood pressure for maximum pressures.

If:

Heart rate is acceptable

Pulse rate does not change by 20 beats/minute in 15 minutes

Mean arterial pressure is acceptable

Mean arterial pressure does not change by 15 torr in 15 minutes

Systolic blood pressure is acceptable

Then:

The hemodynamics are stable

У цьому прикладі продемонстровано механізм логічного виведення твердження про стабільну гемодинаміку The hemodynamics are stable (правопис згідно з оригіналом скрипту MYCIN) на основі п'яти умов, що слідують після логічного оператора IF: ... Зрозуміло, що експертна система оперує знаннями, отриманими від медичних експертів, тобто кожна з п'яти зазначених вище умов є результатом експертної оцінки лікарів-кардіологів. У випадку порушення однієї з п'яти умов система зробить висновок про нестабільну гемодинаміку й активує модуль для штучної вентиляції легень (VM). Залежно від типу порушення умови, VM автоматично обере один із чотирьох режимів вентиляції VOLUME, CMV, ASSIST, T-PIECE. Увесь процес автоматичного прийняття рішень експертною системою зведено до вербально-дедуктивного виведення суджень, які ґрунтуються на моделях знань експертів, але їх вербальне є симпліфікованим, максимально скомпресованим із погляду інформаційної насиченості. Наведені в прикладі повідомлення можуть бути сприйняті людиною, однак вони відрізняються від того, яким чином експерт описав би цю ситуацію у своєму експертному висновку.

Висновки й перспективи подальшого дослідження

Отже, на підставі аналізу скрипту VM можемо зробити висновок, що проаналізований вище алгоритм логічного виведення апелює до когнітивних моделей знань за Дж. Лакофом, а саме моделі знань є:

1) «втіленими», тобто безпосередньо пов'язаними з роботою тіла людини;

2) структурованими, зокрема відображають структурування думок людини; концепти;

3) передбачають психомоторну діяльність, тобто роботу тіла людини;

4) мають референтний фокус і характеризують так зване «метонімічне міркування»;

5) дають змогу здійснити субординативний розподіл між елементами категорій (у нашому випадку - умовами стабільної гемодинаміки), якщо концепт, що позначається моделлю, має скалярні властивості.

Водночас вербальні засоби, що актуалізують зазначені знання, репрезентують інший, відмінний від стандартного варіант природної мови. Він перебуває значно ближче до формальних мов і мов програмування, ніж до варіанта природної мови, якою послуговуються люди під час інтерперсональної комунікації. Запропонована спроба інвентаризації когнітивних моделей, представлених у сучасних експертних системах, засвідчує потребу в комплексних дослідженнях механізмів когнітивного моделювання задля оптимізації вербально-дедуктивного виведення у системах штучного інтелекту.

Сучасні експертні системи переважно застосовують формально-логічний підхід до моделювання суджень без урахування вербальних властивостей висловлювань, репрезентованих у базах знань. Варіант мови в експертних системах - це ще не штучна формальна мова, але вже й не нормативний варіант сучасної англійської мови. Перспективи подальших досліджень убачаємо в розробці моделей знань на основі виявлення спільних ознак між формальними штучними мовами, мовами програмування та категоріями природної мови.

Джерела та література

1. Алексеева И.Ю. Человеческое знание и его компьютерный образ / И.Ю. Алексеева. - М.: Наука, 1992. - 150 с.

2. Андон Ф.И. Логические модели интеллектуальных информационных систем / Ф.И. Андон, А.Е. Яшунин, В.А. Резниченко. - Киев: Наук. думка, 1999. - 398 с.

3. Гаврилова Т.А. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф. Хорошевский. - СПб.: Питер, 2000 - 384 с.

4. Голубева Л.Н. Когнитивные структуры експертного знания: методологический аспект / Л.Н. Голубева // Новые информационные технологии в системотехнике. - М.: [б. и.], 1990. - С. 34-38.

5. Колкер Б.Г. Вклад русского языка в формирование и развитие эсперанто: автореф. дис. ... филол. наук: спец. 10.02.19 «Теория язика» / Б. Г. Колкер. - М., 1985. - 29 с.

6. Крейдлин Л. Что такое UNL? // Источник публикации: компьютер. - 2001.

7. Орел Е.А. Вербальные способности как фактор успешности в программировании / Е.А. Орел // Вестник МГУ. - Сер. 14: Психология. - М.: Изд-во Моск.ун-та, 2007. - Вып. 2. - С. 14-27.

8. Партико З.В. Прикладна та комп'ютерна лінгвістика: вступ до спеціальності: навч. посіб. / З.В. Партико. - Львів: Афіша, 2008. - 224 с.

9. Cohen H. Introduction / H. Cohen, C. Lefebvre // Handbook of Cognitive Science / еd. by H. Cohen and C. Lefebvre. - Elsevier LTD, 2005. - P. 2-15.

10. Lakoff G. Women, Fireand Dangerous Things: What Categories Reveal About the Mind / G. Lakoff. - Chicago and London: The University of Chicago Press, 1987 - 614 p.

11. Sowa J.F. Categorization in Cognitive Computer Science / J.F. Sowa // Handbook of Categorization in Cognitive Science / H. Cohen, C. Lefebvre [eds.]. - Elsevier LTD, 2005. - P. 141-163.

12. Thagard P. Atoms, Categorization and Conceptual Change / P. Thagard, E. Toombs // Handbook of Categorization in Cognitive Science / H. Cohen, C. Lefebvre [eds.]. - Elsevier LTD, 2005. - P. 243-254.

Размещено на Allbest.ru