Жасанды интеллект: Білімді ұсыну және есептеулер

Кіріспе

Жасанды интеллект саласы Білімді бейнелеу және логикалық қорытынды шығару (KRR, KR&R, KR²) – жасанды интеллект (AI) саласы, әлем туралы ақпаратты компьютерлік жүйелерге медициналық диагноз қою сияқты күрделі міндеттерді шешуге немесе табиғи тілде әңгімелесуге мүмкіндік беретін форматта ұсынуға бағытталған. Білімді бейнелеу адамдардың проблемаларды қалай шешетіні және білімді қалай ұйымдастыратыны туралы психологиялық зерттеулерді қамтиды, бұл күрделі жүйелерді жобалау мен құруды жеңілдететін формализмдерді жасау үшін жасалады. Білімді бейнелеу және логикалық қорытынды шығару сонымен қатар логикадан алынған нәтижелерді әртүрлі ойлау түрлерін автоматтандыру үшін пайдаланады. Білімді бейнелеу формализмдеріне семантикалық желілер, фреймдер, ережелер, логикалық бағдарламалар және онтологиялар жатады. Автоматтандырылған қорытынды шығару жүйелеріне қорытынды шығару машиналары, теореманы дәлелдеушілер, модельдерді құрушылар және жіктеуіштер жатады.

Тарих

Компьютерлік білімді бейнелеудегі алғашқы жұмыстар жалпы проблемаларды шешушілерге, мысалы, Аллен Ньюэлл мен Герберт А. Саймон 1959 жылы әзірлеген Жалпы проблемаларды шешуші (GPS) жүйесі мен Джон Маккарти 1959 жылы ұсынған Кеңес алушыға бағытталған. GPS жоспарлау мен бөлшектеу үшін дерек құрылымдарын қамтиды. Жүйе мақсатпен басталады. Содан кейін ол мақсатты кіші мақсаттарға бөледі, содан кейін әрбір кіші мақсатты жүзеге асыратын стратегияны құруға кіріседі. Кеңесші Тейкер, керісінше, жалпы ақыл-ойының қисындылығын көрсету үшін предикат калькулясын пайдалануды ұсынды. AI-да білімді бейнелеудің алғашқы тәсілдерінің көбі графикалық бейнелеулер мен семантикалық желілерді қолданды, бұл қазіргі білім графикаларына ұқсас. Мұндай тәсілдерде проблеманы шешу A* іздеу алгоритміне ұқсас графикті кесіп өту немесе жолды табу түрі болды. Типтік қолданбалар робот жоспарын құру және ойын ойнауды қамтиды. Басқа зерттеушілер математиканы формализациялау және математикалық теоремалардың дәлелін автоматтандыру үшін математикалық логиканы қолдану арқылы бірінші реттік логика үшін автоматтандырылған теорема дәлелдегіштерді әзірлеуге назар аударды. Бұл бағыттағы маңызды қадам Джон Алан Робинсонның шешім әдісін әзірлеуі болды. Осы арада Джон Маккарти мен Пэт Хейс себеп пен салдар заңдары туралы жалпы ақыл-ой білімінің логикалық бейнесі ретінде жағдайды есептеуді жасады. Корделл Грин өз кезегінде робот жоспарларын құруды қалай жасауға болатынын көрсетті. Ол сондай-ақ сұрақ-жауап беру және автоматты бағдарламалау үшін шешімді қалай қолдану керектігін көрсетті. MIT зерттеушілері біркелкі дәлелдеу рәсімінің парадигмасын қабылдамай, оның орнына білімді рәсімдік ендіруді ұсынды. Логикалық бейнелеуді пайдалану мен процестік бейнелеуді пайдалану арасындағы туындаған қақтығыс 1970-ші жылдардың басында логикалық бағдарламалау мен Прологтың дамуымен шешілді, SLD шешімін пайдалану арқылы Хорн шарттарын мақсатты азайту процедуралары ретінде қарастыру. Логикалық бағдарламалаудың алғашқы дамуы негізінен еуропалық құбылыс болды. Солтүстік Америкада Эд Фейгенбаум және Фредерик Хейс Рот сияқты AI зерттеушілері жалпы мақсатты ойлаудан гөрі домендік белгілі бір білімді білдіруді жақтады. Бұл күш-жігерлер психологиядағы танымдық революцияға және 1970 және 80-жылдардағы сарапшы жүйелерге, өндіріс жүйелеріне, кадрлық тілдерге және т.б. бағытталған AI фазасына әкелді. Жалпы проблемаларды шешудің орнына, AI өз назарын медициналық диагностика сияқты белгілі бір тапсырмада адамның құзыретіне сәйкес келетін сарапшы жүйелерге аударды. Сараптамалық жүйелер бізге әлі күнге дейін қолданылып жүрген терминологияны берді, онда AI жүйелері білім базасына бөлінеді, ол проблемалық домен туралы фактілер мен ережелерді қамтиды, және қорытынды жасау тетігі, ол білім базасындағы білімді сұрақтарға жауап беру және домендегі проблемаларды шешу үшін қолданады. Бұл ерте жүйелерде білім базасындағы фактілер өте жазық құрылымға ие болды, негізінен ережелерде қолданылатын айнымалылардың мәндері туралы мәлімдемелер. Осы арада Марвин Минский 1970-ші жылдардың ортасында кадр тұжырымдамасын әзірледі. Фрейм – бұл объект класына ұқсас: ол әлемдегі нәрселерді, проблемаларды және ықтимал шешімдерді сипаттайтын категорияның абстрактілік сипаттамасы. Фреймдер бастапқыда адам қарым-қатынасына бағытталған жүйелерде пайдаланылды, мысалы, табиғи тілді түсіну және әлеуметтік жағдайларды түсіну, онда әртүрлі әдеттегі күтулер, мысалы, мейрамханада тамаққа тапсырыс беру іздеу кеңістігін шектейді және жүйенің динамикалық жағдайларға тиісті жауаптарды таңдауына мүмкіндік береді. Фреймдік қауымдастықтар мен ережеге негізделген зерттеушілер олардың тәсілдері арасында синергия бар екенін білгенге дейін көп уақыт өтпеді. Фреймдер нақты әлемді бейнелеуге жарамды, олар сыныптар, субкластар, слоттар (деректер мәндері) ретінде сипатталады, мүмкін мәндер бойынша әртүрлі шектеулер бар. Ережелер медициналық диагноз қою процесі сияқты күрделі логиканы бейнелеу мен пайдалану үшін жақсы болды. Бұл жүйелер жүйелер мен ережелерді біріктіретін интеграцияланған жүйелер әзірленді. Ең күшті және танымал 1983 жылы Intellicorp компаниясының Білімді инженерлік ортасы (KEE) болды. KEE-де алдыңғы және артқы тізбектері бар толық ережелі қозғалтқыш болды. Сонымен қатар, оның триггерлері, слоттары (деректер мәндері), мұрагерлігі және хабарламалар беруі бар толық кадрлық білім базасы болды. Хабарламалар беру ИЖ-ден гөрі объектке бағдарланған қоғамда пайда болғанмен, ол KEE және Symbolics, Xerox және Texas Instruments компанияларының Lisp машиналарының операциялық жүйелері сияқты орталарда AI зерттеушілері тарапынан да тез қабылданып алынды. Фреймдердің, ережелердің және объектке бағдарланған бағдарламалаудың интеграциясы KEE және Symbolics сияқты коммерциялық кәсіпорындармен, сондай-ақ әртүрлі зерттеу жобаларынан туындағандармен айтарлықтай жетекке шығарылды. Сонымен қатар, коммерциялыққа бағытталмаған және математикалық логика мен автоматты теорема дәлелдеумен жетекке шығарылған зерттеулердің тағы бір бағыты болды. Бұл зерттеудегі ең ықпалды тілдердің бірі 1980-ші жылдардың ортасындағы KL ONE тілі болды. KL ONE кадр тілі болды, ол қатаң семантикаға, концепциялар үшін формальды анықтамаларға, мысалы, Is A қатынасына ие болды. KL ONE және оған ықпал еткен Loom сияқты тілдер IF-THEN ережелеріне емес, формальды логикаға негізделген автоматты қорытынды жасау қозғалтқышына ие болды. Бұл қорытынды жасаушы классификатор деп аталады. Классификатор мәлімдемелер жиынтығын талдай алады және жаңа мәлімдемелерді қорытындылай алады, мысалы, басқа кластың субклассы немесе суперклассы ретінде формальды түрде көрсетілмеген класты қайта анықтай алады. Осылайша классификатор қорытынды жасау қозғалтқышы ретінде жұмыс істей алады, қолданыстағы білім базасынан жаңа фактілерді шығарады. Классификатор сонымен қатар білім базасының дұрыстығын тексеруді қамтамасыз ете алады (KL ONE тілдерінде онтология деп те аталады). Білімді бейнелеу зерттеулерінің тағы бір саласы жалпы ақыл-ойының қисындылығы мәселесі болды. Адамның табиғи тілімен жұмыс істейтін бағдарлама жасауға тырысқанда алынған алғашқы түсініктердің бірі - адамдар әлем туралы кең білімге үнемі сүйенеді, біз оны әдетте ескермейміз, бірақ ол жасанды агент үшін ешқандай түсініксіз емес. Негізгі қағидалар жалпы физика, себеп-салдар, ниеттер және т.б. Мысалы, жағдайлық логикада, егер бірдеңе сыртқы күшпен жылтыратылмаса, бір сәттен екіншісіне орнын сақтауы керек екенін көрсететін аксиомалар болуы керек. Адамдармен табиғи тілде сөйлесе алатын және әлем туралы негізгі мәлімдемелер мен сұрақтарды өңдей алатын нағыз жасанды интеллект агентін жасау үшін осы сияқты білімді бейнелеу өте маңызды. Маккарти мен Хейстің жағдайлық есептеуіне қоса, осы мәселені шешуге бағытталған ең амбициялы бағдарламалардың бірі Даг Ленаттың Cyc жобасы болды. Cyc өзінің кадр тілін құрды және осы тілде жалпы ақыл-ойының қисындылығының әртүрлі салаларын құжаттаған көптеген сарапшыларды жұмыға алды. Cyc-та тіркелген білімге уақыт, себеп-салдар, физика, ниеттер және т.б. туралы жалпы ақыл-ойының модельдері кірді. Білімді бейнелеудің бастапқы нүктесі - Брайан С. Смит 1985 жылы алғаш ресми түрде жариялаған білімді бейнелеу гипотезасы:

The earliest work in computerized knowledge representation was focused on general problem solvers such as the General Problem Solver (GPS) system developed by Allen Newell and Herbert A. Simon in 1959 and the Advice Taker proposed by John McCarthy also in 1959. GPS featured data structures for planning and decomposition. The system would begin with a goal. It would then decompose that goal into sub goals and then set out to construct strategies that could accomplish each subgoal. The Advisor Taker, on the other hand, proposed the use of the predicate calculus to represent common sense reasoning. Many of the early approaches to knowledge represention in AI used graph representations and semantic networks, similar to knowledge graphs today. In such approaches, problem solving was a form of graph traversal or path finding, as in the A* search algorithm. Typical applications included robot plan formation and game playing. Other researchers focused on developing automated theorem provers for first order logic, motivated by the use of mathematical logic to formalise mathematics and to automate the proof of mathematical theorems. A major step in this direction was the development of the resolution method by John Alan Robinson. In the meanwhile, John McCarthy and Pat Hayes developed the situation calculus as a logical representation of common sense knowledge about the laws of cause and effect. Cordell Green, in turn, showed how to do robot plan formation by applying resolution to the situation calculus. He also showed how to use resolution for question answering and automatic programming. In contrast, researchers at MIT rejected the resolution uniform proof procedure paradigm and advocated the procedural embedding of knowledge instead. The resulting conflict between the use of logical representations and the use of procedural representations was resolved in the early 1970s with the development of logic programming and Prolog, using SLD resolution to treat Horn clauses as goal reduction procedures. The early development of logic programming was largely a European phenomenon. In North America, AI researchers such as Ed Feigenbaum and Frederick Hayes Roth advocated the representation of domain specific knowledge rather than general purpose reasoning. These efforts led to the cognitive revolution in psychology and to the phase of AI focused on knowledge representation that resulted in expert systems in the 1970s and 80s, production systems, frame languages, etc. Rather than general problem solvers, AI changed its focus to expert systems that could match human competence on a specific task, such as medical diagnosis. Expert systems gave us the terminology still in use today where AI systems are divided into a knowledge base, which includes facts and rules about a problem domain, and an inference engine, which applies the knowledge in the knowledge base to answer questions and solve problems in the domain. In these early systems the facts in the knowledge base tended to be a fairly flat structure, essentially assertions about the values of variables used by the rules. Meanwhile, Marvin Minsky developed the concept of frame in the mid 1970s. A frame is similar to an object class: It is an abstract description of a category describing things in the world, problems, and potential solutions. Frames were originally used on systems geared toward human interaction, e. g. understanding natural language and the social settings in which various default expectations such as ordering food in a restaurant narrow the search space and allow the system to choose appropriate responses to dynamic situations. It was not long before the frame communities and the rule based researchers realized that there was a synergy between their approaches. Frames were good for representing the real world, described as classes, subclasses, slots (data values) with various constraints on possible values. Rules were good for representing and utilizing complex logic such as the process to make a medical diagnosis. Integrated systems were developed that combined frames and rules. One of the most powerful and well known was the 1983 Knowledge Engineering Environment (KEE) from Intellicorp. KEE had a complete rule engine with forward and backward chaining. It also had a complete frame based knowledge base with triggers, slots (data values), inheritance, and message passing. Although message passing originated in the object oriented community rather than AI it was quickly embraced by AI researchers as well in environments such as KEE and in the operating systems for Lisp machines from Symbolics, Xerox, and Texas Instruments. The integration of frames, rules, and object oriented programming was significantly driven by commercial ventures such as KEE and Symbolics spun off from various research projects. At the same time, there was another strain of research that was less commercially focused and was driven by mathematical logic and automated theorem proving. One of the most influential languages in this research was the KL ONE language of the mid '80s. KL ONE was a frame language that had a rigorous semantics, formal definitions for concepts such as an Is A relation. KL ONE and languages that were influenced by it such as Loom had an automated reasoning engine that was based on formal logic rather than on IF THEN rules. This reasoner is called the classifier. A classifier can analyze a set of declarations and infer new assertions, for example, redefine a class to be a subclass or superclass of some other class that wasn't formally specified. In this way the classifier can function as an inference engine, deducing new facts from an existing knowledge base. The classifier can also provide consistency checking on a knowledge base (which in the case of KL ONE languages is also referred to as an Ontology). Another area of knowledge representation research was the problem of common sense reasoning. One of the first realizations learned from trying to make software that can function with human natural language was that humans regularly draw on an extensive foundation of knowledge about the real world that we simply take for granted but that is not at all obvious to an artificial agent. Basic principles of common sense physics, causality, intentions, etc. An example is the frame problem, that in an event driven logic there need to be axioms that state things maintain position from one moment to the next unless they are moved by some external force. In order to make a true artificial intelligence agent that can converse with humans using natural language and can process basic statements and questions about the world, it is essential to represent this kind of knowledge. In addition to McCarthy and Hayes' situation calculus, one of the most ambitious programs to tackle this problem was Doug Lenat's Cyc project. Cyc established its own Frame language and had large numbers of analysts document various areas of common sense reasoning in that language. The knowledge recorded in Cyc included common sense models of time, causality, physics, intentions, and many others. The starting point for knowledge representation is the knowledge representation hypothesis first formalized by Brian C. Smith in 1985:

Кез келген механикалық түрде жүзеге асырылған интеллектуалды процесс мынадай құрылымдық ингредиенттерді қамтиды: a) біз, сыртқы бақылаушылар ретінде, осы процестің көрсететін білімі туралы ұсыныс есебін беру үшін табиғи түрде қабылдайтын, және b) мұндай сыртқы семантикалық атрибуциядан тәуелсіз, осы білімді көрсететін мінезді тудыруда формальды, бірақ себептік және маңызды рөл атқаратын. Білімді бейнелеу зерттеулерінің ең белсенді салаларының бірі – Семантикалық веб. Семантикалық веб қазіргі интернеттің үстіне семантиканың (мағынаның) қабатын қосуға тырысады. Веб-сайттар мен беттерді кілт сөздер арқылы индексирлеудің орнына, Семантикалық веб концепциялардың үлкен онтологияларын жасайды. Концепцияны іздеу дәстүрлі іздеуден гөрі тиімді болады...

Онтологиялық инженерия

Білімге негізделген жүйелердің алғашқы жылдары білім базалары салыстырмалы түрде шағын болды. Нақты проблемаларды шешуге бағытталған білім базалары, концепцияны дәлелдеу үшін емес, жақсы анықталған проблемаларға назар аудару қажеттігі болды. Мысалы, жалпы медициналық диагноз емес, белгілі бір аурулардың медициналық диагнозы. Білімге негізделген технология кеңейген сайын, үлкен білім базаларының және бір-бірімен байланыс жасай алатын және интеграциялана алатын модулдік білім базаларының қажеттілігі анық болды. Бұл онтологиялық инженерияның пайда болуына әкелді, көптеген жобаларда қолданылатын үлкен білім базаларын жобалау және құру. Осы саладағы маңызды зерттеу жобаларының бірі Cyc жобасы болды. Cyc сарапшы білімін ғана емес, сонымен қатар жалпы ақыл-ойды қамтитын үлкен энциклопедиялық білім базасын құруға бағытталған. Жасанды интеллект агентін жобалау кезінде, адамдардың қарапайым деп қабылдайтын жалпы ақыл-ойды бейнелеу, табиғи тілді қолдана отырып адамдармен өзара әрекеттесе алатын жасанды интеллект құру үшін маңызды екендігі тез түсінілді. Cyc осы мәселені шешу үшін жасалды. Олар анықтаған тіл CycL деп аталды. CycL-ден кейін бірнеше онтология тілдері әзірленді. Көбінесе олар декларативтік тілдер болып табылады және фрейм тілдеріне немесе бірінші реттік логикаға негізделген. Модульділік – белгілі бір салалар мен проблемалық кеңістіктерде шекараларды анықтау қабілеті – осы тілдер үшін маңызды, өйткені Том Грубер айтқандай, «әрбір онтология – ортақ мақсатта ақпаратты бөлісу бойынша адамдар арасындағы әлеуметтік келісім». Кез келген мақсаттағы онтологияны мүмкін емес ететін көптеген бәсекелестік және әртүрлі көзқарастар әрқашан болады. Жалпы мақсаттағы онтология кез келген салада қолданылуы керек және білімнің әртүрлі салалары біріктірілуі керек. Әртүрлі міндеттер салалары үшін онтологияларды құруға жасалған көптеген талпынулар бар, мысалы, сұйықтықтарға арналған онтология, электрондық тізбектерді бейнелеуде кеңінен қолданылатын жиынтық элементтер моделі (мысалы), сондай-ақ уақыт, сенім және тіпті бағдарламалау үшін онтологиялар. Олардың әрқайсысы әлемнің бір бөлігін қарауға мүмкіндік береді. Мысалы, жиынтық элементтер моделі тізбектерді олардың арасындағы байланысы бар компоненттер ретінде қарастыруды ұсынады, сигналдар байланыстар бойымен бірден ағып тұрады. Бұл пайдалы көзқарас, бірақ жалғыз мүмкін емес. Егер құрылғыдағы электродинамикаға назар аудару қажет болса, онда басқа онтология пайда болады: Мұнда сигналдар шекті жылдамдықпен таралады және бұрын I/O мінез-құлқы бар бір компонент ретінде қарастырылған объект (мысалы, резистор) енді электромагниттік толқын ағып жатқан кеңейтілген орта ретінде қаралуы мүмкін. Онтологияларды, әрине, әртүрлі тілдерде және жазуларда (мысалы, логика, LISP және т.б.) жазуға болады; маңызды ақпарат – тілдің формасы емес, мазмұны, яғни әлем туралы ойлау тәсілі ретінде ұсынылатын ұғымдар жиынтығы. Қарапайым айтқанда, маңызды бөлігі – байланыстар мен компоненттер сияқты ұғымдар, оларды предикаттар немесе LISP конструкциялары ретінде жазудың арасындағы таңдау емес. Бір немесе басқа онтологияны таңдау міндеттің қолдағы түсінігіне қатысты өте әртүрлі көзқарас тудыруы мүмкін. Бір құрылғының электродинамикалық көрінісіне қарағанда схеманың жиынтық элементтер көрінісін таңдаудың айырмашылығын қарастырайық. Екінші мысал ретінде, ережелер тұрғысынан қарастырылған медициналық диагноз (мысалы, MYCIN) кадрлар тұрғысынан қарастырылғаннан (мысалы, INTERNIST) айтарлықтай өзгеше көрінеді. MYCIN медицина әлемін симптомдарды аурумен байланыстыратын эмпирикалық қатынастардан тұратын деп санайды, ал INTERNIST қарастырылатын жағдайға сәйкес келетін прототиптер жиынтығын, әсіресе прототиптік ауруларды қарастырады.

In the early years of knowledge based systems the knowledge bases were fairly small. The knowledge bases that were meant to actually solve real problems rather than do proof of concept demonstrations needed to focus on well defined problems. So for example, not just medical diagnosis as a whole topic, but medical diagnosis of certain kinds of diseases. As knowledge based technology scaled up, the need for larger knowledge bases and for modular knowledge bases that could communicate and integrate with each other became apparent. This gave rise to the discipline of ontology engineering, designing and building large knowledge bases that could be used by multiple projects. One of the leading research projects in this area was the Cyc project. Cyc was an attempt to build a huge encyclopedic knowledge base that would contain not just expert knowledge but common sense knowledge. In designing an artificial intelligence agent, it was soon realized that representing common sense knowledge, knowledge that humans simply take for granted, was essential to make an AI that could interact with humans using natural language. Cyc was meant to address this problem. The language they defined was known as CycL. After CycL, a number of ontology languages have been developed. Most are declarative languages, and are either frame languages, or are based on first order logic. Modularity—the ability to define boundaries around specific domains and problem spaces—is essential for these languages because as stated by Tom Gruber, "Every ontology is a treaty a social agreement among people with common motive in sharing." There are always many competing and differing views that make any general purpose ontology impossible. A general purpose ontology would have to be applicable in any domain and different areas of knowledge need to be unified. There is a long history of work attempting to build ontologies for a variety of task domains, e. g., an ontology for liquids, the lumped element model widely used in representing electronic circuits (e. g.,), as well as ontologies for time, belief, and even programming itself. Each of these offers a way to see some part of the world. The lumped element model, for instance, suggests that we think of circuits in terms of components with connections between them, with signals flowing instantaneously along the connections. This is a useful view, but not the only possible one. A different ontology arises if we need to attend to the electrodynamics in the device: Here signals propagate at finite speed and an object (like a resistor) that was previously viewed as a single component with an I/O behavior may now have to be thought of as an extended medium through which an electromagnetic wave flows. Ontologies can of course be written down in a wide variety of languages and notations (e. g., logic, LISP, etc. ); the essential information is not the form of that language but the content, i. e., the set of concepts offered as a way of thinking about the world. Simply put, the important part is notions like connections and components, not the choice between writing them as predicates or LISP constructs. The commitment made selecting one or another ontology can produce a sharply different view of the task at hand. Consider the difference that arises in selecting the lumped element view of a circuit rather than the electrodynamic view of the same device. As a second example, medical diagnosis viewed in terms of rules (e. g., MYCIN) looks substantially different from the same task viewed in terms of frames (e. g., INTERNIST). Where MYCIN sees the medical world as made up of empirical associations connecting symptom to disease, INTERNIST sees a set of prototypes, in particular prototypical diseases, to be matched against the case at hand.