(Направления символьного ИИ.)
Символьный ИИ.
Пункт 4. Основные направления символьного ИИ.
- 11.04.26 г.
- 9772225665000 26012
Символьный ИИ никогда не был монолитным. В рамках этой парадигмы развивалось несколько направлений, каждое из которых было со своей методологией, инструментарием и областями применения. Ниже перечислены основные направления с пояснениями и примерами за исключением экспертных систем, которые были рассмотрены ранее.
1.Инженерия знаний.
Суть: направление, связанное с извлечением, структурированием и представлением экспертных знаний в форме, понятной для компьютерной обработки. Инженерия знаний – это не технология, а методология создания интеллектуальных систем.
Основные задачи:
– интервьюирование экспертов для извлечения неявных знаний,
– выбор формальной модели представления (продукционные правила, фреймы, онтологии),
– верификация и поддержка базы знаний.
Ключевая проблема: «бутылочное горлышко знаний» (knowledge acquisition bottleneck) – извлечение знаний из экспертов трудоемко, эксперты часто не могут явно сформулировать свою интуицию, а поддержка базы знаний требует постоянных усилий.
Роль в истории: инженерия знаний показала, что создание интеллектуальных систем – это не только программирование, но и когнитивная работа по формализации знаний. Опыт инженерии знаний используется сегодня при построении онтологий и семантического веба.
2. Автоматическое доказательство теорем.
Суть: направление, использующее символьные методы для формального доказательства математических утверждений. Это одно из старейших направлений ИИ, восходящее к Logic Theorist (1956).
Функционирование: системы автоматического доказательства теорем (ATP) используют методы логического вывода (резолюция, унификация) для поиска доказательства заданной теоремы в рамках формальной теории.
Примеры:
– Logic Theorist (1956) – первый успех,
– Coq, Isabelle, Lean – современные системы интерактивного доказательства теорем, используемые в математике и верификации программ.
Роль в истории: это направление показало, что машины могут выполнять сложные интеллектуальные задачи, которые ранее считались исключительно человеческой прерогативой. Сегодня автоматическое доказательство теорем используется в верификации критически важного ПО (авионика, криптография).
3. Логические системы.
Суть: методы, основанные на формальной логике и правилах вывода для решения задач. Логический подход предполагает, что задача формулируется в виде логических формул, а решение находится путем логического вывода.
Ключевые разновидности:
– логическое программирование – язык Prolog (1972) позволяет описывать задачу в виде фактов и правил, а поиск решения поручается механизму логического вывода,
– дескриптивная логика – основа для онтологий и семантического веба.
Пример: на Prolog можно описать родственные связи («Анна – мать Ивана», «Иван – отец Петра») и задать правило («X – дедушка Y, если X – отец Z и Z – отец Y»). Система сама выведет, что Анна – бабушка Петра.
Роль в истории: логические системы продемонстрировали, что можно отделить знание (факты и правила) от механизма вывода (логический движок). Эта архитектура стала основой для экспертных систем и остается актуальной в гибридных подходах.
4. Системы продукционных правил.
Суть: подход, где знания представляются в виде правил преобразования одних символьных выражений в другие. Это расширение логического подхода, ориентированное на эффективность и модульность.
Функционирование: продукционная система состоит из
– рабочей памяти (факты, текущее состояние),
– базы правил (продукции вида «условие → действие»),
– интерпретатора правил (цикл: сопоставить условия, выбрать правило, выполнить действие).
Преимущества: модульность (правила можно добавлять независимо), естественность для описания эвристик, прозрачность.
Пример: системы конфигурирования (XCON), диагностические системы (MYCIN), системы управления (автоматическое планирование).
Роль в истории: продукционные системы стали доминирующей архитектурой экспертных систем. Они показали, что сложное поведение может возникать из взаимодействия простых правил.
5. Символьное представление знаний.
Суть: направление, занимающееся разработкой способов представления информации в виде символов и их взаимосвязей. Это фундаментальная проблема: в какой форме хранить знания, чтобы машина могла ими эффективно пользоваться?
Основные формальные модели:
– семантические сети – графы, где узлы – понятия, а дуги – отношения («является», «имеет частью», «причиняет»),
– фреймы (Марвин Мински, 1975) – структуры, описывающие стереотипные ситуации (например, фрейм «комната» имеет слоты «стены», «пол», «потолок», «окна», которые могут заполняться конкретными значениями),
– онтологии – формальные спецификации понятий и отношений в предметной области (OWL, RDF).
Пример: в семантической сети для «Сократ – человек – смертен» связь «является» между Сократом и человеком и свойство «смертен» у класса «человек» позволяют вывести, что Сократ смертен.
Роль в истории: символьное представление знаний – это то, что отличает символьный ИИ от субсимвольного ИИ. Сегодня онтологии и семантический веб (Tim Berners-Lee, 2001) являются прямым продолжением этой линии.
6. Деревья решений.
Суть: метод, позволяющий создавать понятные человеку правила для прогнозирования результатов на основе входных данных. Дерево решений представляет собой последовательность вопросов (проверок признаков), ведущих к ответу.
Функционирование: каждый узел дерева – проверка значения атрибута (например, «температура > 37?»), каждая ветвь – ответ, лист – решение. Дерево может быть построено автоматически на основе обучающих примеров (алгоритмы ID3, C4.5).
Преимущества: прозрачность (легко интерпретировать), способность работать с разнородными данными, устойчивость к шуму.
Пример: система диагностики: «температура > 37?» → «да» → «кашель?» → «да» → «грипп».
Роль в истории: деревья решений находятся на границе между символьным и статистическим ИИ – они используют символьные правила, но строятся на основе данных, а не вводятся экспертом вручную. Поэтому в строгой классификации их относят скорее к методам машинного обучения, однако по своей объяснимости (прозрачности) они ближе к символьному ИИ, чем к нейросетям. Это один из наиболее успешных методов, сохраняющих объяснимость.
7. Системы символьной обработки.
Суть: технологии, работающие с текстовой и символьной информацией, включая обработку естественного языка (NLP), анализ семантических сетей и построение баз знаний. Это «инструментальное» направление, обеспечивающее работу символьных систем.
Основные задачи:
– обработка естественного языка (NLP): синтаксический анализ, семантический разбор, построение логической формы,
– анализ семантических сетей: поиск путей, вывод по аналогии, распространение активации,
– построение баз знаний: извлечение информации из текстов, интеграция разнородных данных.
Примеры:
– SHRDLU (Терри Виноград, 1970) – система, управляющая блоком в виртуальном мире по командам на естественном языке (например: «Поставь красный куб на зеленый цилиндр»),
– вопросно-ответные системы (LUNAR, 1970-е) – отвечали на вопросы о геологии Луны на естественном языке.
Роль в истории: системы символьной обработки показали, что в ограниченных доменах (микромирах) машина может понимать и исполнять естественно-языковые команды. Однако попытки масштабирования на реальный мир натолкнулись на непреодолимые сложности, что привело к повороту в сторону статистических методов.
8. Обобщение.
Как видно из этой статьи, символьный ИИ охватывал широкий спектр направлений – от чисто теоретических (автоматическое доказательство теорем) до практически ориентированных (экспертные системы). Однако у всех этих направлений есть общий принцип: интеллект есть работа с символами по правилам. Именно этот принцип, как мы увидим в следующих разделах лекции, столкнулся с непреодолимыми ограничениями, что привело к «зимам ИИ» и возрождению альтернативных подходов.
>> Дискуссии и конференции. AI