Символьно-образный подход в искусственном интеллекте

Рассмотрение различных формальных процедур представления знаний на предмет их соответствия манипуляциям с образами. Основания для попыток перехода к символьно-образным базам знаний интеллектуальных систем в отличие от общепринятых символьно-логических.

Рубрика Программирование, компьютеры и кибернетика
Вид статья
Язык русский
Дата добавления 19.01.2018
Размер файла 24,1 K

Отправить свою хорошую работу в базу знаний просто. Используйте форму, расположенную ниже

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Размещено на http://www.allbest.ru/

Символьно-образный подход в искусственном интеллекте

Б.А. Кобринский

Аннотация

символьный образный база логический

Символьно-образный подход в искусственном интеллекте

Б.А.Кобринский

Мышление специалистов, имеющих дело со слабо структурированными областями знания, к которым относятся гуманитарные и естественные науки, основано на сочетании аргументационной компоненты и интуитивно-образных представлений. В процессе принятия решения происходит переключение с одного типа мышления на другой. Этот факт является основанием для попыток перехода к символьно-образным базам знаний интеллектуальных систем в отличие от общепринятых символьно-логических, при условии, что в обоих случаях мы будем манипулировать может быть и нечеткими, но не абстрактными понятиями. Из этого следует рассмотрение различных формальных процедур представления знаний на предмет их соответствия манипуляциям с образами.

Annotation

The Symbol-and-Image Approach in an Artificial Intelligence

Boris A. Kobrinsky

Moscow Research Institute of Pediatrics and Children Surgery

The thinking of the experts working with weakly structured areas of knowledge, to which the humanitarian and natural sciences concern, is based on a combination reasoning and intuitively-images representations. During decision making there is a switching from one type of thinking on another. This fact is the basis for attempts of transition to symbol-and-image knowledge bases of intellectual systems as against generally accepted symbol-and-logical. In both cases we shall manipulate can be and indistinct, but not by abstract concepts. This implies treating of various formal procedures of representation of knowledge for their correspondence to manipulations with images.

Введение

Интеграция аргументационной и образной компонент мышления специалиста в базах знаний систем, относящихся к слабо структурированным областям, несомненно является залогом эффективного и быстрого процесса принятия решений. Как отмечает Д.А.Поспелов [1989], обе функциональные системы мозга - логико-символическая и образная - всегда работают во взаимосвязи, осуществляя взаимообмен информацией.

Активизация известных из прошлого времени образно-метафорических представлений происходит подсознательно, по ассоциации, при наблюдении определенных явлений окружающего мира (например, в медицине - признаков конкретного случая болезни). Бесчисленные психические элементы, объединяющиеся в едином интенциональном акте, образуют объемлющее их целое [Ясперс, 1997]. Что касается символа как знака или опознавательной приметы, то он неотделим от его образной структуры и характеризуется многозначностью своего содержания (сродни аллегории).

Относительно четкие зависимости в системе отношений “следствие - результат (идентификация состояния)” справедливы для более или менее стандартных ситуаций, в которых аргументация в пользу определенного решения опирается на классические признаки. К примеру, в медицине - это типичная картина болезни, когда предварительная гипотеза о диагнозе формируется у врача путем мысленного сопоставления признаков с узким кругом известных заболеваний непосредственно в процессе осмотра больного. В более сложных случаях возникает ряд альтернативных предположений с различной степенью неопределенности. Последующее обследование и/или наблюдение пациента является необходимым условием получения дополнительной информации для аргументации в процессе дифференциальной диагностики и подтверждения/отклонения первичной диагностической гипотезы.

Логическая и образная компоненты в мышлении

Интуитивно-образные представления широко распространены в гуманитарной сфере (литература, живопись, музыка) и у субъектов с преобладанием правополушарного мышления в естественных науках медицина, археология и др.).

Образным по своей природе восприятия является идеографическое письмо. В древнеегипетской, шумерской, китайской иероглифике один знак-рисунок соответствует понятию (например, человек, женщина, огонь). Понятия-образы широко представлены в поэзии символистов. В области медицины отдельные условно специфические характеристики патологического процесса могут вызвать у “правополушарного” врача зримый образ болезни (своего рода “имажинистская” медицина).

Логический анализ и образные представления могут сменять друг друга в процессе анализа картины мира. Это объясняется двойственностью восприятия и познания, представленных образным и аналитическим свойствами высших психических процессов. Можно сказать, что разум (логическое рассуждение) и чувственное восприятие действительности (“отраженный свет”) - два лика сфинкса, именуемого постижением мира.

Образные представления можно подразделить на объективно существующие знаковые образы (символы) и образы как субъективные картины, отражающие реальность объективного мира через рефлексию субъекта.

Знания, в обязательном плане включающие отношения между объектами, могут быть представлены “мысленными образами” явлений внешнего мира, сформировавшимися в прошлом на основе фактов (но не являющимися их простым отражением). И появление новых образов, как и новых данных, может приводить к изменению направления мыслительного процесса. Например, интуиция в медицине способствует выбору рационального пути обследования больного, что оптимизирует диагностический процесс. Намек (деталь) как ориентир вызывает у врача или цепочку признаков, складывающихся в образ (симультанное объединение признаков), или “всплывание” образа (“инсайт”, момент мгновенного проникновения в суть вещей). Можно представить этот процесс как двухэтапный - вначале инсайт-феномен, позволяющий выделить некий обобщенный (возможно размытый) образ, с последующим его уточнением в положительную или отрицательную сторону в процессе симультанного узнавания, обеспечивающего различный уровень “разрешения”.

Обращаясь к принципу ассоциативности мышления, следует понимать, что активируемый на основе ассоциативных отношений образ способен подвергаться “искажениям” (трансформироваться), приобретая отсутствующие в исходном изображении детали. Можно говорить о стимуляции образов под действием “внутренних” факторов, ассоциированных с внешними воздействиями.

Формальное представление логико-образных решений

Общие принципы последовательности действий специалиста (в гуманитарной и естественной областях) при принятии решения формально можно отразить в форме следующей последовательности актов. Мысленное сравнение наблюдаемых явлений (или образа) с известными - формирование первичной гипотезы - рассуждения (не аргументированные мысли, возникающие по “примитивной” аналогии) - аргументация (за и против гипотезы, представляющейся наиболее вероятной) - рабочая гипотеза окончательного решения - верификация или фальсификация (проверка истинности рабочей гипотезы) - пополнение данных и знаний - ревизия предшествующей совокупности знаний - повторный цикл рассуждения и аргументации - коррекция рабочей гипотезы - принятие окончательного решения. Этот процесс сродни “познавательному циклу продуктивного мышления” (Финн В.К., 1991).

В процессе решения находят применение как объективные, так и субъективные (экспертные) знания. При часто встречающейся в гуманитарной и естественной сфере нечеткой интерпретации субъективных суждений о правдоподобности и истинности фактов, об интенсивности отношений между элементами семиотической системы (степени сходства, предпочтения) возникают множества нечетких представлений, в том числе и образного характера. Они могут носить псевдовизуальный или псевдовербальный характер, в части случаев поддающийся семантической оценке. В этой связи, для представления образных знаний в семиотических сетях следует подумать о возможности обращения к соответствующим моделирующим процедурам [Pospelov, Osipov, 1997].

Если строить некую логику перцептивных образов, то она будет, конечно, отличной от логики формирования понятий. Хотя бы в силу двух кардинальных различий между образами и понятиями: целостности восприятия и существования эталонных образов и представлений [Поспелов, 1998]. Это касается истинного образа или метафоры как не подлежащей структурированию системы, в то время как “комплексный” образ представляет собой обобщенное понятие, которому может соответствовать визуальное представление, например, гаргоил (ср. грубые черты лица) - комплексный признак, который можно структурировать.

Отражение образного и логического мышления в искусственном интеллекте

Реализация образно-логических представлений в системах искусственного интеллекта представляет серьезные трудности. В настоящее время можно говорить лишь о рассмотрении различных, принципиально отличающихся подходов к представлению образов в базе знаний.

Моделирование, наряду с логическим процессом анализа данных, механизма интуитивно-образных представлений специалиста позволит перейти к целостному восприятию явлений, не поддающихся декомпозиции или теряющих при этом свою познавательную основу. Рассмотрим некоторые подходы к реализации образных представлений в системах искусственного интеллекта.

Нечеткие модели. Образ может быть целостным и, в то же время, полным или неполным, чему соответствует разная степень приближения к исходному (“идеальному”) образу. Например, один и тот же тип лица может встречаться многократно (хотя каждое из этих лиц будет иметь индивидуальные отличия), что определяется понятием сходства, в связи с чем следует отметить, что именно на основе сходства, а не тождества происходит идентификация образов в псевдооптических нейронных сетях [Кузнецов, 1998].

Особенность человеческого восприятия зрительных образов позволяет до определенной степени игнорировать имеющиеся отличия объектов, например, возрастные изменения. В этом случае в лице сохраняется нечто только ему свойственное, несмотря на появление морщин и других изменений. В этом случае психический (мысленный) образ как бы сохраняет нечто типичное, позволяющее субъекту осуществлять опознание близких образов, иногда “при первом взгляде”. Если обратиться к эффекту ассимиляции (уподобления), то можно считать, что “типичный образ” способен замещать множество “близких образов” [Фоминых, 1998]. Это позволяет поставить в соответствие нечеткие представления и на этой основе делать вывод о сходстве/различии.

Рассмотрим применение аппарата нечеткой логики с определением функции совместимости не на множестве математически точно определенных объектов, а на множестве обозначенных некими символами впечатлений [Батыршин, 1996] на случай вербализуемых образов (например, в медицинских приложениях, таких обобщенных понятий как “рыбий рот”, “птичье лицо”). Для их обработки может использоваться шкала свойств, в основе которых лежат не объективно-измеримые значения, а оценка свойств наблюдаемого явления экспертом. При интерпретации образов как множеств нечетких объектов более естественно рассматривать некоторое упорядоченное множество, выражаемое лингвистическими оценками, (например, “резко выражено” или “скорее всего”, …, “напоминает” или “сомнительно, но не исключено”). При этом следует принимать во внимание как нечеткость самих понятий (терминов)), так и возможную нечеткость в оценке их отнесения к определенному классу, которая может изменяться (уменьшаться/увеличиваться) как в результате субъективности наблюдателей (врачей), обладающих различным опытом, так и относительно объективно за счет разнообразных ассоциативных связей с другими признаками. Необходимо учитывать, что нечеткость и вероятность, моделирующие разные типы неопределенности, взаимно дополняют друг друга, а мера нечеткости нечеткого множества может служить и мерой неопределенности, возникающей при принятии решения о том, к какому из классов отнести объекты анализируемого множества.

Ассоциативность и кластеры. Образам могут быть сопоставлены в базе знаний, с одной стороны, ситуации-аналоги в визуальной или другой форме (сходные в определенных отношениях, но нетождественные “объекты”), с другой Ї комплексы ассоциирующих признаков, позволяющие “достраивать” представления, сформировавшиеся по результатам описанных экспертами реальных объектов, т.е. обеспечивать дополнение в целях восстановления целостности базового образа. Аналогично процессу “прямого” формирования цельного образа в форме индуктивного вывода или инсайта, должна быть организована система активации образов в базе знаний под влиянием вводимых признаков-посылок.

Ассоциативности можно сопоставить обратимость источника и объекта в псевдооптических нейронных сетях. Процессы узнавания и классификации могут реализовываться в таких сетях на основе понятия интерферирующего нейрона [Кузнецов, 1998]. Если обратиться к принципам организации естественных нейроструктур, то существует точка зрения [Соколов, 1996], что нейроны на разных уровнях гештальт-пирамиды “подсвечиваются” активирующими влияниями под действием адекватного стимула.

Учитывая то, что образные представления далеко не всегда формируются в мозге человека как четкие структуры, что рассматривалось выше, представляет интерес использование алгоритма нечеткой кластеризации (Fuzzy c-Means), позволяющего получить для каждой переменной кластеры со значениями центра и дисперсии. Таким путем может быть разработан подход к уточнению первично возникшего недостаточно четкого или противоречивого образа после “перецентрирования” на другие его составляющие. На основе полученных кластеров определяются термы входных и выходных переменных, т.е. каждый кластер инициализирует определенный терм. Это может соответствовать переходу от одного субобраза к другому в условиях предположения о том, что образ - это совокупность субобразов (образный ряд), характеризующихся различными или различно выраженными составляющими, что можно представить как наложенные друг на друга полупрозрачные маски, включающие разные сочетания свойств или вторичных признаков образа. Это объясняет и то, что образ отличается недоопределенностью, а восприятие образа или метафоры всегда связано с рефлексией воспринимающего или представляющего субъекта, формирующийся у которого субобраз является частным случаем “базового” образа. Не следует забывать и то, что переходу субобразов нужно сопоставить сохранение равномерности топологических свойств перцептивного (здесь воспринимающего) пространства.

Кластеризация близких в некотором смысле элементов исследуемой фигуры, характеризующихся нечеткими признаками, является необходимым этапом предварительной обработки изображений, к которым можно отнести и псевдозрительные мысленные образы (субобразы). Выделение элементов одного класса на бинарном изображении возможно с использованием меры подобия объектов, которая может быть положена в основу правила отнесения их к некоторому классу. Последующая процедура кластеризации на основе эвристического критерия является основой для отнесения объектов к одному из классов (аналогией может служить ряд сходных портретов, создаваемые фотороботом).

Мультиагентный подход. В естественном интеллекте реализуется быстрое переключение с образного представления на логический процесс мышления (“передача управления” от правого полушария к левому) и обратно. При предъявлении объекта (наблюдении определенной ситуации) в правом полушарии активизируется соответствующий образ, при необходимости уточняющийся путем “центрирования”. Затем - в процессе цепочки логических умозаключений - формируется окончательное решение. Рассмотрим в связи с этим возможность обращения к мультиагентным системам, позволяющим работать с неполной, неопределенной и нечеткой информацией, характерной для образов. Так, “размышляющий” (deliberative) агент позволяет принимать решения на основе символьных рассуждений, например, метода сравнения по образцу (Wooldridge M., Jennings N., 1995), в качестве которого можно рассматривать и образ (субобраз).

Условно поставим в соответствие ситуации активизации мысленного образа под действием внешнего стимула систему интеллектуальных агентов. Будем исходить из того, что генетическое поведение агентов включает две линии [Хорошевский, 1999] - активную (Donor Master Behaviour) и пассивную (Recipient Master Behaviour). Пассивными агентами являются как знаки-символы, так и мысленные образы (псевдовизуальные, псевдовербальные), а активными - воздействия внешнего мира (явления, состояния). В этом случае агент, реализующий активную линию - признак, связанный с образом, является инициатором общения, в то время как агент, реализующий пассивную линию, является как бы зеркальным отображением и отвечает на активность различных агентов (например, признаков динамического процесса, являющихся стимулами активизации образа). В задаче на примере медицинской диагностики, при введении в систему наблюдаемого у больного признака, должна происходить активизация связанного с ним образа. В качестве активного агента (стимула процесса принятия решения) может выступать и сам образ или метафорическое высказывание, активизация которого будет делать его инициатором общения, приводя к установлению контакта со связанными с ним агентами-признаками. Агенты должны обеспечивать и контакты между ассоциирующими признаками.

Аргументация в принятии решения. На этапе выбора окончательной гипотезы может быть осуществлен переход к аппарату аргументации [Финн, 1991]. Его особенностью должно быть использование то, что механизм управления выводом интеллектуальной системы должен содержать как “внеличностное знание”, так и “личностное знание”. Первое будет включать проверки на непротиворечивость аргументов с целью рассуждения, проверки на невыводимость, критерии релевантности аргументов цели рассуждения (смысловое соответствие между информационным запросом и полученным сообщением), процедуры обнаружения сходства объектов, входящих в аргументы, релевантные цели рассуждения. Второе - навыки в отборе подходящих аргументов, выдвижение подцелей на основе аналогий с личным опытом, знание трудных тестовых примеров, играющих роль фальсификаторов, аналогично тому, как это имеет место в работе литературоведа, археолога, врача.

Заключение

Основой для перехода к работе с образами может служить тот факт, что реализованы и разрабатываются архитектуры, исповедующие лингвистический подход, использующие приближенные знания и правдоподобные рассуждения, способные строить частичное представление среды на основе ее восприятия, т.е. перцептивных навыков и умений. Построение логико-символьно-образных баз знаний может быть основано на сочетании системы аргументов с обработкой различных составляющих нечеткой образной компоненты или целостного визуального образа. В идентификации образов могут помочь псевдооптические сети, кластерные процедуры и учет ассоциативности. В качестве одного из подходов, позволяющих осуществить синтез логического и образного подхода в системах искусственного интеллекта, возможно использование мультиагентной технологии.

Список литературы

1. [Батыршин, 1996] Батыршин И.З. Методы представления и обработки нечеткой информации в интеллектуальных системах // Новости искусств. интеллекта. - 1996. - №2.

2. [Кузнецов, 1998] Кузнецов О.П. Образное мышление и быстрые процессы // Новости искусств. интеллекта. - 1998. - №2.

3. [Поспелов, 1989] Поспелов Д.А. Моделирование рассуждений. - М.: Радио и связь. - 1989.

4. [Поспелов, 1998] Поспелов Д.А. Метафора, образ и символ в познании мира // Новости искусств. интеллекта. - 1998. - №1.

5. [Соколов, 1996] Соколов Е.Н. Проблема гештальта в нейробиологии // Журнал высшей нерв. деят. - 1996. - Т.46. - Вып.2.

6. [Финн, 1991] Финн В.К. Интеллектуальные системы: проблемы их развития и социальные последствия // Будущее искусственного интеллекта. - М.: Наука. - 1991.

7. [Фоминых, 1998] Фоминых И.Б. Интеграция логических и образных методов отражения информации в системах искусственного интеллекта // Новости искусств. интеллекта. - 1998 - №3.

8. [Хорошевский, 1999] Хорошевский В.Ф. Поведение интеллектуальных агентов: модели и методы реализации // Тр. 4-го Междунар. семинара по прикладной семиотике, семиотическому и интеллектуальному управлению ASC/IC'99. - М. - 1999.

9. [Ясперс, 1997] Ясперс К. Общая психопатология. - М.: Практика. - 1997.

10. [Pospelov, 1997] Pospelov D.A., Osipov G.S. Knowledge in semiotic models // Seventh Intern. conf. Artif. Intell. and Information-Control systems of robots: Second workshop on applied semiotics. - Smolenice Castle, Slovakia. - 1997.

11. [Wooldridge, Jennings] Wooldridge M., Jennings N. Intelligent Agents: Theory and Practice // The Knowledge Engineering Review. - 1995. - Vol.10, 2.

Размещено на Allbest.ru

...

Подобные документы

  • Представление знаний в когнитологии, информатике и искусственном интеллекте. Связи и структуры, язык и нотация. Формальные и неформальные модели представления знаний: в виде правил, с использованием фреймов, семантических сетей и нечетких высказываний.

    контрольная работа [29,9 K], добавлен 18.05.2009

  • Построение баз знаний для семантической сети. Цели создания и язык представления онтологий. Структура исследований в области многоагентных интеллектуальных информационных систем, архитектура агента. Экономическое обоснование разработки базы знаний.

    дипломная работа [1,6 M], добавлен 29.09.2013

  • Проблема представления знаний. Представление декларативных знаний как данных, наделенных семантикой. Представление процедурных знаний как отношений между элементами модели, в том числе в виде процедур и функций. Представление правил обработки фактов.

    курсовая работа [33,1 K], добавлен 21.07.2012

  • Инструментальные средства проектирования интеллектуальных систем. Анализ традиционных языков программирования и представления знаний. Использование интегрированной инструментальной среды G2 для создания интеллектуальных систем реального времени.

    контрольная работа [548,3 K], добавлен 18.05.2019

  • Понятия в области метрологии. Представление знаний в интеллектуальных системах. Методы описания нечетких знаний в интеллектуальных системах. Классификация интеллектуальных систем, их структурная организация. Нечеткие системы автоматического управления.

    курсовая работа [768,2 K], добавлен 16.02.2015

  • Понятие искусственного интеллекта и интеллектуальной системы. Этапы развития интеллектуальных систем. Модели представления знаний, процедурный (алгоритмический) и декларативный способы их формализации. Построение концептуальной модели предметной области.

    презентация [80,5 K], добавлен 29.10.2013

  • Проблема представления знаний в компьютерных системах – одна из основных проблем в области искусственного интеллекта. Исследование различных моделей представления знаний. Определения их понятия. Разработка операции над знаниями в логической модели.

    курсовая работа [51,9 K], добавлен 18.02.2011

  • Присвоение значений параметров передаточных функций разомкнутой и замкнутой САР в виде полиномов и типовых динамических звеньев разомкнутой системы. Разработка математической модели электротехнической системы в символьном и символьно-цифровом виде.

    практическая работа [456,4 K], добавлен 05.12.2009

  • Изучение фреймового способа представления знаний, его специфики и основных характеристик. Обзор других методов представления знаний, их плюсы и минусы. Иерархическая структура данных фрейма. Механизм управления выводом с помощью присоединенной процедуры.

    реферат [2,6 M], добавлен 22.12.2014

  • Понятие базы знаний для управления метаданными. Особенности баз знаний интеллектуальной системы. Языки, используемые для разработки интеллектуальных информационных систем. Классические задачи, решаемые с помощью машинного обучения и сферы их применения.

    реферат [16,9 K], добавлен 07.03.2010

  • Определения знаний и приобретения знаний человеком. Виды знаний и способы их представления. Приобретение и извлечение знаний. Визуальное проектирование баз знаний как инструмент обучения. Программное обеспечение для проведения лабораторных работ.

    дипломная работа [960,9 K], добавлен 12.12.2008

  • Сущность данных и информации. Особенности представления знаний внутри ИС. Изучение моделей представления знаний: продукционная, логическая, сетевая, формальные грамматики, фреймовые модели, комбинаторные, ленемы. Нейронные сети, генетические алгоритмы.

    реферат [203,3 K], добавлен 19.06.2010

  • База знаний - структурированная информация из области знаний для использования кибернетическим устройством (человеком). Классификация, структура, формат представления знаний, интеллектуальные системы поиска информации. Базы знаний на примере языка Пролог.

    презентация [51,3 K], добавлен 17.10.2013

  • Классы и группы моделей представления знаний. Состав продукционной системы. Классификация моделей представления знаний. Программные средства для реализации семантических сетей. Участок сети причинно-следственных связей. Достоинства продукционной модели.

    презентация [380,4 K], добавлен 14.08.2013

  • Синтаксис логики предикатов. Преобразование унарных предикатов в бинарные. Функции, выполняемые экспертной системой. Правила "если-то" для представления знаний. Разработка оболочки в экспертных системах. Рассуждения, использующие логические формулы.

    курс лекций [538,1 K], добавлен 16.06.2012

  • Преимущества и недостатки моделей представления знаний. Модель, основанная на правилах, фреймовая модель. Семантическая сеть. Структура экспертных систем и этапы их разработки. Механизмы логического вывода. Стратегия "вверх-снизу", "от цели к ситуации").

    презентация [195,3 K], добавлен 29.10.2013

  • Основные виды и технологии интеллектуальных информационных систем. Аспекты представления знаний. Функциональная структура использования ИИС. Интеллектуальная поддержка дистанционного образования и экстерната. Электронные учебники и тесты.

    контрольная работа [93,8 K], добавлен 29.11.2006

  • Анализ процессов диагностики повреждений трубопровода. Разработка модели продукционной базы знаний: обзор методов представления знаний, описание создания базы знаний и разработки механизма логического вывода. Экономическое обоснование концепции проекта.

    дипломная работа [3,0 M], добавлен 16.04.2017

  • Понятия, классификация и структура экспертных систем. Базы знаний и модели представления знаний. Механизмы логического вывода. Инструментальные средства проектирования и разработки экспертных систем. Предметная область ЭС "Выбор мобильного телефона".

    курсовая работа [2,2 M], добавлен 05.11.2014

  • Потребность отражения человеческих знаний в памяти компьютера. Модели представления знаний. Продукционные и формально-логические модели. Исчисление предикатов первого порядка. Основные свойства теории фреймов. Аналитическая платформа Deductor.

    курсовая работа [538,2 K], добавлен 09.04.2015

Работы в архивах красиво оформлены согласно требованиям ВУЗов и содержат рисунки, диаграммы, формулы и т.д.
PPT, PPTX и PDF-файлы представлены только в архивах.
Рекомендуем скачать работу.