Своевременные замечания о ДСМ-методе автоматического порождения гипотез

В книге «Ситуационное управление. Теория и практика» [26] Д.А. Поспелов систематически описал и исследовал класс информационных ситуаций для управления промежуточными между ограниченными (специфическими) ситуациями и ситуациями здравого смысла (human-level AI согласно Д. Маккарти [19]). В [26] Д.А. Поспелов сформулировал принципы управления, зависящего от ситуаций, охарактеризовал его психологические предпосылки, предложил языки для описания объекта управления и соответствующих ситуаций. Он также охарактеризовал динамический процесс пополнения ситуаций и нестандартные логические средства принятия решений. Важно отметить, что он попытался выявить особенности человеческих рассуждений здравого смысла. Таким образом, книга [26] является вкладом в исследование и создание «очеловеченных» систем ИИ (human-level AI).

Исследования в области ПИИ весьма интересны, но практические результаты в ней достижимы не столь быстро, как в ТИИ. Пути развития ПИИ очерчены в [27], где сформулированы ментальные характеристики человека и особенности языка мышления, а также хорошо спроектированный логический робот ребенка. Поведение этого робота, по-видимому, дает основание для изучения самосознания, т.е. наблюдения за некоторыми собственными ментальными процессами, что является существенным для научного понимания природы интеллекта.

Таким образом, имеются, по-видимому, три направления развития исследований ЕИ в рамках парадигмы ИИ:

(1) технологический ИИ - имитация решения задач достаточной интеллектуальной трудности и с обзором массивов данных, который недоступен человеку в реальное время;

(2) психологический ИИ - имитация поведения человека, включающего ментальную активность и психологические особенности человеческой познавательной деятельности (идеи этого направления исследований представлены в [19] и [27], а его продуктом должны быть системы human-level AI);

(3) интеллектуальные системы, имитирующие рациональные аспекты ЕИ (доступную феноменологию сознания) (1) - (13), сформулированные в данной статье (см. также [1, 2, 3, 11]), примером которых являются ИС-ДСМ (к этому направлению исследований относится и ситуационное управление [26]).

Заметим, что важным этапом в понимании логической природы умственной активности были исследования Ж. Пиаже относительно генезиса элементарных логических структур у детей [28], среди которых изучалась способность к классификации, применению отрицания и кванторов «все» и «некоторые». Таким образом, изучалось становление продуктивного мышления у детей (ср. с идеями Д. Маккарти в [27]), понимание которого представлено в [21]. Однако, наличие современных логических средств ИИ создает возможность изучать рождение и применение в различных информационных ситуациях (у детей и взрослых) неэлементарных логических структур - синтеза познавательных процедур (например, индукции - аналогии - абдукции) как реализации правдоподобных рассуждений (в том числе, и порождения гипотез).

Как было отмечено выше, ИС-ДСМ, реализующие ДСМ-метод, удовлетворяют концептуальному принципу П XI - приобретению нового знания в соответствии со схемой роста знаний эволюционной эпистемологии: Р1Решатель(БФ, БЗ)ЕЕР2. Это означает изменение и развитие ИС-ДСМ в соответствии с возникающими новыми проблемами Р2. Перечислим ниже некоторые из проблем, решение которых повлияет на создание новых версий ИС-ДСМ.

1°. ИС-ДСМ помимо предикатов простых прямого и обратного методов сходства M_a,n(V,W) и _a,n(V,W) [2, Часть III, Глава 3] должны содержать их расширения посредством условий для методов различия d₁ и d₂, а также предикаты для обобщенного метода сходства, предикаты сходства с отношением порядка и ситуационное расширение предикатов сходства [1, Часть I, Главы 1, 2], [2, Часть III, Глава 3]. Эти предикаты простых методов сходства индуцируют соответствующие элементарные и неэлементарные ДСМ-стратегии, которые представлены в БЗ ИС-ДСМ. Их выбор возможен после препроцессинга и сравнения результатов соответствующих стратегий Str.

2°. Деликатной проблемой является сравнение применений ДСМ-метода и других методов анализа данных [29, Часть IV, Машинное обучение] (одним из них является метод деревьев решений ID3). Дело в том, что ДСМ-метод интеллектуального анализа данных (ИАД) может применяться в двух режимах - автоматическом и интерактивном. Последний основан на процессе ДСМ-рассуждений и формировании адекватных БФ и БЗ посредством абдукции и абдуктивной сходимости [3]. А, следовательно, ДСМ-метод не сводится к системе процедур, примененных к единственному состоянию БФ. Более того, целью ДСМ-метода является не только ИАД в БФ, но в существенной мере - формирование фрагментов БЗ, соответствующей КАТ. Поэтому сравнение с результатами, относящимися лишь к одному состоянию БФ, является неполным сравнением ДСМ-метода и других методов ИАД. Более того, сравнению должны подлежать различные стратегии Str ДСМ-метода.

3°. В [3] ДСМ-рассуждения были представлены как немонотонные рассуждения с пересматриваемыми (defeasible) истинностными значениями. По-видимому, можно построить версию ДСМ-рассуждений с правилами немонотонного вывода [30], использующими аксиомы каузальной полноты (АКП⁽⁾, +, -), представляющие условия абдуктивного объяснения БФ [3].

4°. ДСМ-метод, как уже отмечалось выше, является средством формирования пробной теории (ТТ в эволюционной эпистемологии) - КАТ. Поэтому выбор Str осуществляется после применения процедур препроцессинга, настраивающих ИС-ДСМ на адекватное применение (согласно принципам П III и П IV). Таковыми являются процедура распознавания недостаточности фактов в БФ ИС-ДСМ относительно решаемой проблемы Р1, процедура распознавания недостаточности набора параметров, образующих факты из БФ; а также свойствами отношений, представимых в БФ.

Распознавание недостаточности фактов в БФ (неполнота БФ относительно Р1) должна осуществляться посредством реализации процесса ДСМ-рассуждений - установления абдуктивной расходимости (степени необъясненности БФ посредством ()-гипотез о причинно-следственных зависимостях [3]). Создание соответствующего модуля в ИС-ДСМ необходимо для совершенной системы.

Более сложной проблемой является распознавание неполноты набора параметров, содержащихся в фактах, и обнаружение существенных скрытых параметров, влияющих на наличие (отсутствие) исследуемого эффекта, представленного в фактах из БФ О.М. Аншаков высказал соображение, что неполнота набора параметров может диагностироваться посредством обнаружения избыточного множества гипотез с оценкой «фактически противоречиво».. Естественно, что решение этой проблемы связано с изменением языка представления знаний.

Распознавание свойств отношений ₂* (отношение причины) и *₃ (отношение следствия), представимых предикатами V₂W и W ₃V, соответственно, выявляет характер онтологии Термин «онтология» в настоящее время употребляется в весьма широком смысле как набор знаний о предметной области, язык их представления и способ информационного поиска. (модели предметной области). В частности, требуется установить выполнимость формул V!WJ_{1, n}(V₂W) для множества гипотез с истинностными значениями 1, n, где n >0 (аналогично для J-_{1, n}(V₂W) с n>0). Очевидно, что выполнимость этих формул означает, что ₂* есть функциональное отношение Квантор !W означает, что «существует W и притом единственное: !W(W) ? W(W)&U((U)U=W).

Аналогично распознается функциональность отношения *₃ («быть следствием») посредством проверки выполнимости формулы V!WJ_{, n}(W ₃V), где = 1, n>0.

Заметим, что фактически рассматриваются два отношения ₂*⁺ и ₂*- (соответственно, ⁺*₃ и -*₃), которые определяются посредством формул J_{, n}(V₂W), где = 1, n>0.

Можно также установить инъективность отношения ₂* (*₃), проверив выполнимость формул

V₁V₂W₁W₂((J_{, n}(V₁₂W₁)&J_{, n}(V₂₂W₂)&(V₁=V₂))(W₁=W₂)), где = 1, n>0.

Для объединения двух стратегий Str₁ (для прямого ДСМ-метода) и Str₂ (для обратного ДСМ-метода) можно определить операции композиции _ и слабой композиции _, соответственно, следующим образом:

V₁(₂*_*₃)V₂?nmW(J_{, n}(V₁₂W)&J_{, m}(W ₃V₂)),

V₁(₂*_*₃)V₂?nmW₁W₂(J_{, n}(V₁₂W₁)&J_{, m}(W_{2 3}V₂)&W=W₁W₂&(W=)), где = 1.

Знания о свойствах отношений ₂* и *₃ и выполнимости аксиом каузальной полноты АКП⁽⁾ для =

XYV(J_{, 0}(X₁Y)n(V₂Y)&(VX)&(V=))) [3]

характеризует модель предметной области, представленную в БФ и БЗ ИС-ДСМ (АКП⁽⁾, приведенные выше аксиомы, соответствуют лишь случаю с единственной ()-причиной V; АКП⁽⁾ имеют и общую формулировку).

Важной нерешенной проблемой ДСМ-метода, имеющей большое прикладное значение, является декомпозиция больших БФ на составляющие такие, что ДСМ-метод в них реализуется в реальное время так, что результаты применения ДСМ-метода к декомпозированным частям БФ интегрируются в единое непротиворечивое знание. Возможно, что при этом могут применяться приближенные процедуры ДСМ-метода (например, генетические алгоритмы для порождения сходств фактов - кандидатов в гипотезы о ()-причинах).

Решение перечисленных проблем 1° - 5° осуществимо в силу наличия в ДСМ-методе металогических средств в соответствии с принципом П IХ (наличие метауровня ИС).

В заключение этой статьи обсудим место ДСМ-метода и ИС-ДСМ в структурной когнитологии [11]. Напомним, что структурная когнитология должна последовательно осуществлять направление исследований (когнитивную технологическую магистраль - КТМ): ИС - когнитивные системы - ИИ-роботы. Конкретизацией этой схемы будет использование ИС-ДСМ как интеллектуальных систем, имитирующих способности (1) - (13) в соответствии с принципами конструирования ИС и интеллектуального анализа данных П I - П ХI. Существенно, что ИС-ДСМ осуществляют синтез познавательных процедур - эвристику типа «индукция - аналогия - абдукция», порождая новую проблему Р2 согласно П ХI (эволюционной эпистемологии решения проблем Р1). Для когнитивных наук, конечно, существенно то, сколь информативно имитирует (и, возможно, усиливает) познавательный процесс ИС-ДСМ? Положительный ответ на этот вопрос основан на том, что ДСМ-метод приближенным образом отображает процесс порождения нового знания (гипотез, имеющих обоснования и не опровергнутых фальсификаторами) и, кроме того, дает примеры информативных и верифицируемых результатов применения ИС-ДСМ для широкого класса предметных областей ( в соответствии с П VIII - инвариантности структуры Рассуждателя относительно варьируемости предметных областей и структур данных [3]). Предметными областями, к которым применялись ИС-ДСМ, являются фармакология, биохимия, медицинская диагностика, социология, криминалистика, техническая диагностика и робототехника (см. в связи с этим [2]).

В [31] К. Ясперс охарактеризовал интеллект как совокупный умственный потенциал данного человека, те инструменты реализации способностей, которые он целесообразно использует для адаптации к жизни. Он различает предпосылки интеллекта, багаж знаний и интеллект в собственном смысле. Под предпосылками интеллекта (они, согласно [11], относятся к СМЛ) К. Ясперс понимает способность к запоминанию, память, утомляемость, механизмы, лежащие в основе двигательных явлений, речевого аппарата ([31], § 3. Интеллект, стр. 266 - 268). Он отмечает, что феноменология интеллекта (умственных способностей) отличается большим разнообразием, однако весьма важны способности к суждению и мышлению, умение отделить существенное от второстепенного (эти способности охвачены нашим перечнем (1) - (13)). К. Ясперс не очень определенен в отнесении системы знаний к содержанию интеллекта. В [11] было отмечено, что необходимым условием процесса мышления является осуществление интеллектуальных способностей (2), (3), (4), (5) и (9). Под естественным интеллектом (ЕИ) в [11] понимается эмерджентная структура, образованная системой знаний субъекта, способностями (1) - (13) и интуицией, т.е. ЕИ = система знаний (субъекта) + {(1) - (13)} + интуиция, где интуиция - функция системы знаний и СМЛ. Таким образом, включение знаний в понятие интеллекта существенно как для понятия ЕИ, так и для понятия ИИ. Аргументом в пользу этой идеи является эффект немонотонности рассуждений, обнаруженный Д. Маккарти. Немонотонность вывода связана с пополнением системы знаний и, конечно, является характеристикой рассуждений, которые являются феноменологией мышления.

Имитация ЕИ осуществима в объединении двух направлений исследований ИИ - ПИИ и ТИИ, которое реализуется в когнитивной технологической магистрали; а ИС-ДСМ, осуществляющие верифицируемую эвристику «индукция + аналогия + абдукция», оказались реальным инструментом когнитивной науки. Остается, однако, проблема имитации различных аспектов СМЛ (например, в создании интерфейсов, адекватных различным типам личностей).

Проблемы исследований ПИИ, согласно [22, 23], включающие имитацию интеллектуальной активности детей, могут, по-видимому, содержать также имитации патологии мышления [31], осуществленные в «больных роботах». Это могут быть, в частности, нарушения эвристик - синтеза познавательных процедур (в том числе: торможение обобщений посредством индукции или торможение переноса обобщений посредством аналогии, или неспособность к объяснению фактов - исключение абдуктивного инстинкта в смысле Ч.С. Пирса).

Литература

1. ДСМ-метод автоматического порождения гипотез: Логические и эпистемологические основания. Сост. О.М. Аншаков, Е.Ф. Фабрикантова; Под общ. Ред. О.М. Аншакова. - М.: Книжный дом «Либроком», 2009.

2. Автоматическое порождение гипотез в интеллектуальных системах. Сост Е.С. Панкратова, В.К. Финн; Под общ. Ред. В.К.Финна. Предисл. Ю.М. Арского - М.: Книжный дом «Либроком», 2009.

3. Арский Ю.М., Финн В.К. Принципы конструирования интеллектуальных систем. Информационные технологии и вычислительные системы. №4, 2008, стр. 4-37.

4. Милль Д.С. Система логики силлогистической и индуктивной, М.: Книжное Дело, 1900.

5. Rosser J.B. and Turquette A.R. Many-valued Logics. Amsterdam. North-Holland Publ. Co., 1952.

6. Многозначные логики и их применения. Т.2. Логики в системах искусственного интеллекта. Сост.О.М. Аншаков., Д.В.Виноградов, В.К.Финн. Под ред. В.К.Финна - М.: Издательство ЛКИ, 2008, Глава 2: Применения многозначных логик, стр. 113-235.

7. Поппер К.Р. Эволюционная эпистемология. В кн.: Эволюционная эпистемология и логика социальных наук. Карл Поппер и его Критики. М.: Эдиториал УРСС, 2000, стр. 57-74.

8. Abductive Inference: Computation, Philosophy, Technology. Eds. J.R.Josephson, S.G. Josephson. Cambridge Univ. Press, 1994.

9. Поппер К.Р. Объективное знание. Эволюционный подход. М.: УРСС, 2002, стр. 12,15,22,38,39,88.

10. Бочвар Д.А. Об одном трехзначном исчислении и его применении к анализу парадоксов классического расширенного функционального исчисления. В кн.: Многозначные логики и их применения. Т. 1. Логические исчисления, алгебры и функциональные свойства. Сост. О.М. Аншаков, Д.В.Виноградов, В.К. Финн; Под ред. В.К. Финна. - М.: Издательство ЛКИ, 2008, стр. 23-46.

11. Финн В.К. К структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта. Вопросы философии, №1, 2009, стр. 88-103.

12. Практический интеллект. Под общей редакцией Р. Стремберга. СПб., 2002.

13. Солсо Р. Когнитивная психология. СПб.: Тривола, 1996.

14. Финн В.К. Об интеллектуальном анализе данных. Новости искусственного интеллекта.. №3, 2004, стр. 3-18.

15. Джексон П. Введение в экспертные системы. - М.: Издательский дом «Вильямс», 2001.

16. Дюркгейм Э. Метод социологии. М.: Наука, 1991, Глава VI. Правила, касающиеся доказательств, стр.511-527.

17. Ланкастер Ф. Информационно-поисковые системы. М.: Мир, 1972, Глава 6, стр.81-88.

18. Гаек П., Гавранек Т. Автоматическое порождение гипотез: математические основы общей теории. М.: Наука, Главная редакция физико-математической литературы, 1984.

19. McCarthy J. From here to human-level AI. Artificial Intelligence, vol. 171, 2007, pp. 1174 - 1182.

20. Финн В.К. Интеллектуальные системы и общество: идеи и понятия В кн.: Финн В.К. Интеллектуальные системы и общество. М.: КомКнига, 2007, стр. 286-321.

21. Вертгеймер М. Продуктивное мышление. М.: Прогресс, 1987.

22. Boden M.A. Mind as Machine: A History of Cognitive Science. Clarendon, Oxford, 2006, 2 volumes.

23. Boden M.A. Odd man out: Reply to reviewers. Artificial Intelligence, vol. 172, 2008, pp.1944-1964.

24. Будущее искусственного интеллекта. М.: Наука, 1991, Редакторы-составители К.Е.Левитин и Д.А.Поспелов.

25. Поспелов Д.А. Моделирование рассуждений. М.: Радио и связь, 1989.

26. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука. Главная редакция физико-математической литературы, 1986.

27. McCarthy J. The Well-Designed Child. Artificial Intelligence, vol. 172, 2008, pp. 2003 - 2014.

28. Пиаже Ж., Инельдр Б. Генезис элементарных логических структур. М.: Издательство иностранной литературы, 1963.

29. Люггер Д.Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем. М. - СПб. - Киев: Издательский дом «Вильямс», 2003.

30. McDermott D., Doyle J. Non-monotonic Logic I. Artificial Intelligence, vol. 13, 1980, pp. 14 - 72.

31. Ясперс К. Общая психопатология. М.: Практика, 1997. Перевод с немецкого: Karl Jaspers. Allgemine Psycho-Pathologie. Berlin - Heidelberg - New York, 1973.

Размещено на Allbest.ru