близкие по своей семантике, образуют компактные скопления – кластеры. Одно из таких скоплений образуют слова, использованные на рис. 25. Весьма много для анализа методов разрешения пропорции Лейбница сделал математик из ГДР Д. Пёчке. Его подход мы продемонстрировали при описании поиска
ДСМ-метод. Этот метод изложен в [71, 72]. Интересно, что его авторы, пожалуй, впервые описали его не на уровне алгоритмов и программ, реализующих эти алгоритмы, а на уровне некоторой формальной логической системы. До них попытку такого рода сделали лишь авторы ГУХА- метода, созданного для формирования гипотез на основе статистических методов и логических рассуждений [73]. Сравнение этих двух методов с точки зрения правил правдоподобного вывода, используемых в них, дано в работе [74]. В [75] высказано немало соображений об ошибочных умозаключениях на основе наблюдаемых в экспериментах фактах. Многие из этих ошибок основаны на особенностях человеческих рассуждений, на неумении людей объективированно вводить оценки достоверности гипотез. В этой же книге дан анализ различных видов причин, частично использованный при написании данного раздела.
В настоящее время причинно-следственные отношения широко используются для описания знаний в интеллектуальных системах, например при описаниях течения разного рода заболеваний или знаний о последствиях многошагового управления в больших технических или организационных системах. Начинает создаваться специальная каузальная логика, в которой описываются общие процедуры для работы с причинно-следственными отношениями [76]. Интересно ознакомиться с работой [77], в которой решается ряд задач, аналогичных тем, которые решались и ДСМ-методом, но на иных принципах. Еще раз отметим близость многих постановок задач и методов их решения в индуктивных рассуждающих системах и системах распознавания образов, опирающихся на идею обучения на примерах [66].
Нечеткий вывод. Оператор «только» с логической точки зрения обсуждался в ряде работ, например в [78]. Приведенные в этом разделе примеры заимствованы из этой монографии, а также из [79]. Для углубленного знакомства с идеями нечетких множеств и различных методов, основанных на них, можно рекомендовать монографию [80]. Более подробно со схемами нечеткого вывода можно ознакомиться по соответствующим разделам книги [76], в которой, в частности, описана процедура порождения квантификаторов в заключительном утверждении, опирающаяся на идею «универсальной шкалы» И.В. Ежковой (ссылки на ее работы есть в [76]) в свое время был предложен принципиально иной метод определения квантификаторов заключения. Он основан на вычислении суперпозиции функций принадлежности для посылок в схеме, являющейся прямым обобщением на нечеткий случай правила вывода модус поненс.
Нечеткая силлогистика. Исследования в этой области – большое достижение специалистов нашей страны. Первые публикации по D-силлогизмам появились в 1984 году [81]. Они опираются на развитый С.В. Чесноковым детерминационный анализ (отсюда название D-силлогизмы), относящийся к обработке статистического материала, характерного для социологии и психологии [82]. История о силлогизме бабушки полностью заимствована из работы С.В. Чеснокова, которая на русском языке не публиковалась. Отголоски данной истории можно найти в [83]. Несколько иной взгляд на нечеткую силлогистику содержится в работах [84, 85], но общие принципы, лежащие в основе идеи «вычисления» значения нечеткого квантификатора, в этих исследованиях практически совпадают.
Коллекция схем. Систематические исследования в области схем умозаключений правдоподобного типа в середине 50-х годов начал известный математик Д. Пойа. Его монография [86], в которой описано более полусотни схем правдоподобных рассуждений, и сейчас является настольной книгой специалистов, работающих в этой области. Кроме схем, заимствованных из этого труда, в данном разделе приведен ряд схем, предлагавшихся в различное время на конференциях по искусственному интеллекту специалистами из разных стран.
Глава пятая
Что такое интеллектуальная система. В этой книге мы не можем уделить много места обсуждению особенностей систем, работа которых основана на знаниях. Кроме упомянутых в книге ЭВМ пятого поколения, интеллектуальных роботов для производства и экспертных систем можно указать еще на расчетно-логические системы, используемые в проектировании и планировании, интеллектуальные пакеты прикладных программ, облегчающие труд многих специалистов, системы автоматизации научных исследований и т.д. Все такие системы содержат базу знаний и блок, имитирующий профессиональные рассуждения. Более полное представление о специфике подобных систем и их работе можно получить из популярной [87, 88] и научной [89, 90] литературы.
Продукционные системы. Продукционные системы описывались в литературе неоднократно. Их модели, связанные с уточнением понятия алгоритма, излагаются, например, в [91]. В работах [92, 93] отражены многие аспекты применения продукции в интеллектуальных системах. Часто представление процессов в виде продукционных систем считают особым стилем программирования для ЭВМ новых поколений. Во всяком случае, с этой точки зрения они обладают рядом несомненных преимуществ по сравнению с классическими языками программирования.
Можно отметить по крайней мере три таких преимущества. Первое – естественная модульность, позволяющая весьма несложно вставлять и убирать продукции. Если в продукционной системе нет прямой связи между продукциями (например, нет ссылок на конкретные продукции в метапродукциях; выбирающих продукции из фронта или чего-нибудь подобного), то такая замена не вызывает никаких переделок. Однако при вставке и изъятии продукций надо учитывать и эффект их взаимодействия через базу знаний. Учет этого фактора может оказаться весьма непростым делом. Вторым преимуществом продукций является возможность одновременного описания с их помощью как фрагментов базы знаний, так и самих операторов преобразований. Другими словами, в продукциях можно однотипно описывать как декларативные, так и процедурные знания. Наконец, присущая продукциям асинхронность, встроенная в продукционные системы параллельность позволяют при наличии ЭВМ соответствующей архитектуры выполнять описываемую системой продукций процедуру параллельным способом. Однако за все приходится платить. И за эти достоинства продукционных систем, когда они выступают в качестве языка программирования, приходится расплачиваться весьма тяжелыми процедурами отладки и поиска ошибок.
Тем не менее, подобный стиль программирования находит в мире все больше сторонников. Заметим, что известные языки программирования ПРОЛОГ и РЕФАЛ многое как бы «заимствовали» из продукционных систем. Отметим также, что в возникшем в нашей стране еще до работ в области искусственного интеллекта ситуационном управлении [76] системы, подобные продукционным, использовались для поиска решений при оперативном управлении в сложных технических и организационных системах. Это были так называемые системы логико-трансформационных правил [94]. Пример с преобразованием схем химических реакций в продукционную систему принадлежит Т. Яхно.
Управление выводом. Обзор различных методов управления выводом в продукционных системах можно найти в [92, 93]. Поскольку продукционные системы часто выступают в качестве средства представления знаний в экспертных системах и осуществляют с помощью некоторого механизма управления выводом вывод на знаниях, то об этих механизмах можно найти достаточно богатые сведения в литературе по экспертным системам. Укажем в связи в этим на обзорные работы [95, 96].
Вывод на семантической сети. Вывод с помощью «поиска по образцу» на
