Исследование систем, основанных на знаниях в подсистемах естественного интеллекта

Рассмотрены вопросы возможного использования концепции функционирования систем, основанных на знаниях в подсистемах естественного интеллекта обучаемого. Розглянуті питання можливого використання концепції функціонування систем, побудованих на знаннях в підсистемах природнього інтелекту суб’єкта навч...

Full description

Saved in:

Bibliographic Details
Published in:	Комп’ютерні засоби, мережі та системи
Date:	2010
Main Author:	Ходаковский, Н.И.
Format:	Article
Language:	Russian
Published:	Інститут кібернетики ім. В.М. Глушкова НАН України 2010
Online Access:	https://nasplib.isofts.kiev.ua/handle/123456789/46361
Tags:	Add Tag No Tags, Be the first to tag this record!
Journal Title:	Digital Library of Periodicals of National Academy of Sciences of Ukraine
Cite this:	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта / Н.И. Ходаковский // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 37-46. — Бібліогр.: 11 назв. — рос.

Institution

Digital Library of Periodicals of National Academy of Sciences of Ukraine

id	nasplib_isofts_kiev_ua-123456789-46361
record_format	dspace
spelling	Ходаковский, Н.И. 2013-06-29T16:02:23Z 2013-06-29T16:02:23Z 2010 Исследование систем, основанных на знаниях в подсистемах естественного интеллекта / Н.И. Ходаковский // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 37-46. — Бібліогр.: 11 назв. — рос. 1817-9908 https://nasplib.isofts.kiev.ua/handle/123456789/46361 681.3 Рассмотрены вопросы возможного использования концепции функционирования систем, основанных на знаниях в подсистемах естественного интеллекта обучаемого. Розглянуті питання можливого використання концепції функціонування систем, побудованих на знаннях в підсистемах природнього інтелекту суб’єкта навчання. The article describes the possible use of knowledge-systems in subsystems natural intelligence at training. ru Інститут кібернетики ім. В.М. Глушкова НАН України Комп’ютерні засоби, мережі та системи Исследование систем, основанных на знаниях в подсистемах естественного интеллекта Research of the knowledge-systems in subsystems of the natural intelligence Article published earlier
institution	Digital Library of Periodicals of National Academy of Sciences of Ukraine
collection	DSpace DC
title	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта
spellingShingle	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта Ходаковский, Н.И.
title_short	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта
title_full	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта
title_fullStr	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта
title_full_unstemmed	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта
title_sort	исследование систем, основанных на знаниях в подсистемах естественного интеллекта
author	Ходаковский, Н.И.
author_facet	Ходаковский, Н.И.
publishDate	2010
language	Russian
container_title	Комп’ютерні засоби, мережі та системи
publisher	Інститут кібернетики ім. В.М. Глушкова НАН України
format	Article
title_alt	Research of the knowledge-systems in subsystems of the natural intelligence
description	Рассмотрены вопросы возможного использования концепции функционирования систем, основанных на знаниях в подсистемах естественного интеллекта обучаемого. Розглянуті питання можливого використання концепції функціонування систем, побудованих на знаннях в підсистемах природнього інтелекту суб’єкта навчання. The article describes the possible use of knowledge-systems in subsystems natural intelligence at training.
issn	1817-9908
url	https://nasplib.isofts.kiev.ua/handle/123456789/46361
citation_txt	Исследование систем, основанных на знаниях в подсистемах естественного интеллекта / Н.И. Ходаковский // Комп’ютерні засоби, мережі та системи. — 2010. — № 9. — С. 37-46. — Бібліогр.: 11 назв. — рос.
work_keys_str_mv	AT hodakovskiini issledovaniesistemosnovannyhnaznaniâhvpodsistemahestestvennogointellekta AT hodakovskiini researchoftheknowledgesystemsinsubsystemsofthenaturalintelligence
first_indexed	2025-11-25T20:16:40Z
last_indexed	2025-11-25T20:16:40Z
_version_	1850522712168988672
fulltext	Комп’ютерні засоби, мережі та системи. 2010, № 9 37 M.I. Khodakovskyi RESEARCH OF THE KNOWLEDGE-SYSTEMS IN SUBSYSTEMS OF THE NATURAL INTELLIGENCE The article describes the possible use of knowledge-systems in subsys- tems natural intelligence at training. Key words: knowledge-systems, subsystems of natural intelligence, training. Розглянуті питання можливого використання концепції функціо- нування систем, побудованих на знаннях в підсистемах природньо- го інтелекту суб’єкта навчання. Ключові слова: системи, побудо- вані на знаннях, підсистеми при- роднього інтелекту, навчаючі сис- теми. Рассмотрены вопросы возмож- ного использования концепции функционирования систем, осно- ванных на знаниях в подсисте- мах естественного интеллекта обучаемого. Ключевые слова: системы, осно- ванные на знаниях, подсистемы естественного интеллекта, обу- чающие системы.  Н.И. Ходаковский, 2010 УДК 681.3 Н.И. ХОДАКОВСКИЙ ИССЛЕДОВАНИЕ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ В ПОДСИСТЕМАХ ЕСТЕСТВЕННОГО ИНТЕЛЛЕКТА Вступление. Процессы формализации поня- тий и действий позволили существенно уси- лить обмен информацией, интенсивность ко- торого особенно стремительно растет в со- временном информационном мире. В среде специалистов по информационным техноло- гиям и смежным направлениям, занятых по- иском подходов к решению проблемы пони- мания механизмов мышления обучаемого субъекта появляется устойчивое понимание того, что можно рассчитывать на форми- рование каких-то осмысленных действий в активной и достаточно большой нелинейной системе [1]. Поскольку такая информаци- онная система может анализировать и со- вершенствовать собственное состояние, а также изучать внешнее окружение и воздей- ствовать на него, то она будет способна к са- моорганизации – основному требованию са- мообучения системы при наличии допол- няющих адекватных систем обучения. Постановка задачи. Цель данной работы − исследование возможностей систем, осно- ванных на знаниях в подсистемах естествен- ного интеллекта. Также ставилась задача найти подходы к пониманию механизмов работы систем формирования знаний обу- чаемого. Анализ возможностей и приемов обуче- ния для системы обработки информации обучаемого субъекта. Основополагающим фактором для данных исследований будем считать утверждение, что информационно- решающая система (ИРС) обработки инфор- Н.И. ХОДАКОВСКИЙ Комп’ютерні засоби, мережі та системи. 2010, № 9 38 мации обучаемого является самодостаточной системой, способной использо- вать, как известные на сегодня приемы обработки информации в компьютерных системах, так и еще в значительной степени незадействованные широкие воз- можности обработки информации в нейронных сетях и молекулярной памяти обучаемого [1, 2]. Важный этап формирования систем обучения − это формализация и струк- турирование изучаемых знаний. Одним из основных требований к формирова- нию структур знаний в ИРС является способность формализации полученных опытным путем знаний. Затем объединения на основе сформированных поня- тий сущности и действия по одинаковым признакам при условии наличия тес- ной связи ИРС с внешней средой [3]. Процесс формализации дает возможность выбирать из многих частных оп- ределений главные, необходимые для выполнения той или иной задачи. Таким образом, можно придти к тому, что для принятия конечного решения (в нашем случае − усвоения необходимых знаний) необходимо четко уяснить, что будет объектом формализации и анализа поступающих в ИРС данных, определений и знаний. Другими словами, обучаемый, не заметно для себя, сам становится учи- телем, создающим в своей ИРС структуру иерархических экспертных систем. Существенным признаком формализации является также выделение общих признаков для множества подобных определений путем обобщения. В ре- зультате формализации легко определяются образы с последующей активацией индуцированного воображения. Процессам эффективной формализации способствует обширный арсенал обратных связей при работе ИРС. Такие обратные связи могут выражаться в общении с учителем или коллегами по обучению. Возникновение положи- тельной обратной связи способно вызвать экспоненциальный рост степени фор- мализации образов, понятий и усложнение самого обмена информацией с окру- жающими. Необходимо выделить роль программных экспертных систем (ПЭС) и ней- ронных сетей (НС) – атрибутов систем искусственного интеллекта (ИИ) в моде- лировании работы ИРС. Современные экспертные системы используют знания экспертов – специалистов в данной предметной области. Можно полагать, что и своеобразные экспертные системы ИРС представляют собой некую вычисли- тельную структуру, самостоятельно формирующую алгоритм решения из воз- можного набора имеющихся подсистем логического отбора и специфических вычислительных операций. Выбор тех или иных подсистем операторов может осуществляться согласно оценкам и сравнениям, поступающих из подсистем нужной иерархии ИРС. Сравнение работы ПЭС в системах ИИ и специальных экспертных систем в ИРС позволяет говорить о значительном преобладании форм и методов, исполь- зуемых последними. Способ решения задач экспертной системы в структурах ИИ основывается на рассчитанной по представлениям экспертов степени воз- можности реализации того или иного сценария, а также с помощью схем, ими- ИССЛЕДОВАНИЕ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ В ПОДСИСТЕМАХ... Комп’ютерні засоби, мережі та системи. 2010, № 9 39 тирующих ассоциативный выбор приемлемого варианта. При этом не преду- смотрен механизм самообучения данных систем на основе опыта решения задач, в значительной степени потому, что нет воздействия на объект исследования и нет изучения его состояния, т. е. отсутствуют полноценные активные элементы и эффективная обратная связь. В большом числе экспертных систем не преду- смотрен автономный самоанализ и самосовершенствование собственной внут- ренней структуры [4]. Современные динамические экспертные системы уже в какой-то мере учитывают изменения внешней среды и способны менять соб- ственную структуру базы знаний, но пока это лишь осторожные шаги в нужном направлении. Совершенствование программного обеспечения стандартных оболочек экс- пертных систем, заполнение которых теперь может осуществлять каждый экс- перт независимо и даже без помощи инженеров-программистов дает возмож- ность постепенно приближать конструкцию и работу ПЭС для ИИ к специали- зированным ПЭС в составе ИРС. Другим важным направлением в понимании механизмов работы ИРС явля- ются в системах ИИ нейронные сети, использующиеся при распознавании обра- зов. Нейронные сети используют в качестве элементов нелинейные математиче- ские модели нейронов. Значительное количество нейронов может быть подверг- нуто настройке через изменение их реакции на поступающий на вход сигнал. В случае наличия достаточного количества задействованных нейронов с извест- ным заранее состоянием для решения нужного класса задач, можно приступать к обучению нейронной сети в составе нейрокомпьютера. Настройка сети осуще- ствляется в виде своеобразного обучения путем пропускания через неё всех из- вестных решений с последующим контролем получения требуемых ответов на выходе. Обучение сети при этом происходит по заданной программе с подбором в конечном итоге необходимых параметров нейронов. При рассмотрении процессов обучения в нейронных сетях ИРС очень важ- ным является реализация возможности самонастройки НС. Нейроны в ИРС в составе мозговых структур способны настраиваться при обучении путем мно- гократного повторения поступающей информации, а также требуемого реше- ния. Такой способ позволяет сохранять параметры задействованных в решении задачи нейронов определенный промежуток времени с последующей потерей полученных знаний. Но при этом срабатывает очень важное свойство молеку- лярной памяти ИРС обучаемого. Поскольку каждый из значительного множест- ва активных нейронов биологической НС принимает участие одновременно в ряде решений и является общим элементом для последовательности активиро- ванных нейронных структур различной топологии, то в рассматриваемой НС появляется возможность создания своеобразной запоминающей структуры. Ведь при каждом решении требуемой задачи путем обучения активируется соответст- вующая схема НС с появлением ассоциативной связи между решениями задач. Таким образом, создание определенного количества таких ассоциативных схем в сети нейронов ИРС позволяет весьма эффективно проводить поиск нужного решения после ряда процедур обучения. Н.И. ХОДАКОВСКИЙ Комп’ютерні засоби, мережі та системи. 2010, № 9 40 При создании моделей НС для исследования процессов обучения в ИРС приходится учитывать, что вопросы самонастройки для нейрокомпьютеров на- ходятся на пути совершенствования и в принципе могут быть в той или иной степени реализованы путем поиска необходимых процедур обучения. Здесь нужно выделить важную роль молекулярной памяти (МП) ИРС, которая сама определяет необходимое количество нейронов, участвующих в решении той или иной задачи. Количество нейронов, принимающих участие в решении конкрет- ной задачи может при этом очень отличаться в зависимости от сложности при- нимаемого решения. При увеличении сложности решений и разнообразия количество активи- рованных элементов в МП увеличивается. При этом отдельные области МП в определенных структурах мозга специализируются на решении определенных классов задач, поэтому если объем задач этих классов и темп их решения уж слишком велики, организм, по свидетельствам медиков, оказывается способен даже пойти на увеличение количества нервных клеток в этих участках мозга [2]. Выявление способности к решению более сложных задач является важной характеристикой разрабатываемых обучающих систем. На этом пути приходит- ся сталкиваться с наличием низкого, среднего и высокого уровня структуриро- ванной ассоциативной МП в ИРС обучаемого. Указанные уровни определяют уровень развития интеллекта в обучаемого. Как не парадоксально, но высокий уровень интеллекта, позволяющий эффективно решать сложные задачи, сталки- вается с проблемами при решении простых задач. Более высокий интеллект при решении простых задач начинает заниматься проверкой полученных решений путем перебора ряда вариантов. При этом обучающая система должна для решения одной и той же задачи использовать различные процедуры обучения для каждого обучаемого индиви- дуально. Для некоторых групп обучаемых эффективным является использование довольно простого предписания действий для принятия решения. Важность понимания механизмов эффективного обучения ИРС обуча- емого. Необходимо подчеркнуть, что понимание механизмов эффективного обучения ИРС обучаемого является краеугольным камнем всех теорий обуче- ния, включая и компьютерные системы обучения. Здесь на первое место выдви- гается вопрос о верности и полноте описаний, которые поступают на вход систе- мы распознавания образов в процессе разных этапов обучения. Из опыта обучения искусственной интеллектуальной системы (ИС) можно говорить, что в случае обучения ИРС обучаемого предметом обучения является адекватный перенос на нейронные сети обучаемого субъекта структур метазна- ний, множества методов описания различных наблюдаемых явлений – теорий и наборов многочисленных методик решения. Также как и для искусственных ИС, в случае обучения человека, превыше- ние числа активных элементов в интеллектуальной системе по сравнению с не- которым их оптимальным числом, приводит к нестабильности выбора метазна- ний, методов описания, методик и т. д. Критерием правильности этого обучения всегда являются новые данные, предоставленные природой, опытом, различны- ИССЛЕДОВАНИЕ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ В ПОДСИСТЕМАХ... Комп’ютерні засоби, мережі та системи. 2010, № 9 41 ми экспериментальными исследованиями. Интеллектуальная система их усваи- вает, но при дальнейшем росте числа активных элементов и их связей проблема нестабильности и неадекватности всего комплекса метазнаний и методов описа- ния остается [5]. Поэтому развитие интеллектуальных систем, в частности и групп обучаемых при быстро увеличивающемся инструментарии интеллекту- альных средств и средств связи, опирается на неустранимую нестабильность выбора обучающих алгоритмов и формируемой структуры метазнаний в процес- се обучения. Важную помощь в понимании процессов обучения в ИРС может оказать исследование работы искусственных нейронных сетей (ИНС). Рассматривае- мые сети располагаются на нескольких простых процессорах. Примером ИНС может быть фид-форвард ассоциатор в виде взаимосвязанных слоев для вхо- дящих и исходящих сигналов. При этом ассоциативная память закодирована с помощью модификации силы, связывающей слои соответствующим образом. При этом новый входящий паттерн (образ) анализируется и сравнивается с имеющимся [6]. Более комплексная сеть ИНС составляет рекуррентную нейронную сеть, которая состоит из одного слоя, где каждая отдельная единица взаимосвязана и все единицы могут служить как проводники входящих и исходящих сигналов. Как не удивительно, но такая конструкция сети дает возможность больше сохранять паттерны, чем буквально пару единиц информации. Декодирование аутоассоциативной сети приводит к обнаружению сохраненного паттерна. В се- ти из 1000 единиц можно восстановить таким способом около 150 паттернов до появления в восстановленных паттернах недопустимых ошибок [6]. Таким образом, ИНС, как в нашем случае и ИРС позволяет анализировать процессы сохранения и обработки информации на этапе получения знаний и в дальнейшем будет полезна нам при формировании метазнаний. При таком ана- лизе информации не требуется дополнительное место для хранения памяти, как в случае процессора цифрового компьютера, когда арифметический процессор и адреса ячеек памяти разъединены. Вместо ячеек используется адресно- содержимое хранилище. В ИНС информация сохраняется в плотности связей точно, так как синапсы в биологических сетях изменяют свою силу при обуче- нии. Более того, ИНС не запрограммирована для производства какой-либо про- цедуры, поскольку каждый специальный нейрон внутри системы просто отвеча- ет на входящие сигналы. Эффект обучения можно идентифицировать в случае, когда реализуется его правило, заключающееся в модификации силы межней- ронных связей. При этом оцениваются входящий и исходящий сигнал, и сравни- ваются с необходимым анализирующимся сигналом. Последующая ошибка ис- пользуется для достижения более близкого к требуемому исходящему сигналу. В результате сеть сводит неправильные сигналы к минимуму, хотя дос- таточно медленно. При этом ошибки являются важной компонентой сети, по- скольку система не может обучиться при безошибочном функционировании. Процесс обучения без ошибок − признак переобученности системы, так как безошибочно работающая система не способна отвечать на стимулы. Ответ воз- Н.И. ХОДАКОВСКИЙ Комп’ютерні засоби, мережі та системи. 2010, № 9 42 можен при единственном типе стимуляции, а это уже не обучение, в выполнение инструкции в автоматическом режиме. Важная особенность ИНС − возможность создавать паттерны, с которыми они никогда не встречались в процессе обучения. Структуры ИНС способны ви- деть взаимоотношения, схватывают ассоциации и обнаруживают повторения в паттернах. Подобно ИРС обучаемого структуры ИНС могут ошибаться при при- нятии решений. Хотя такие структуры способны восстановить сохраненный пат- терн даже в том случае, если входящий паттерн неполон и нечист. Такой факт − важная особенность как биологической ИРС, так и искусственных нейронных сетей. Доказательством возможностей использования ИНС для объяснения работы ИРС обучаемого является то, что ИНС можно симулировать математически на цифровом компьютере. Хотя их применение в реальном мире ограничивается, так как симуляции требуют дополнительного времени, что не совсем удовлетво- ряет разработчиков ИНС. С другой стороны, ИНС достаточно эффективны при реализации систем для вождения автомобиля или управления самолетом, по- скольку работают в условиях, когда единицы сети выходят из строя. Можно сделать заключение, что как эксперт (он же преподаватель в обу- чающих системах), так и обучаемый имеют в составе своей ИРС иерархию ин- дивидуальных экспертных систем (ИЭС). Более того, интересен подход к обу- чению самого эксперта, но в малоизученной для него предметной области [7]. Теперь обучаемый может стать экспертом-учителем для своего вчерашнего учи- теля. Здесь на лицо виден феномен наличия заготовок (оболочек) ИЭС обучае- мого, способных воспринять знания от нового эксперта-преподавателя. Необходимость глубокой структурированности знаний при передаче в ИЭС обучаемого. Поскольку мы приняли в виде рабочего предположения нали- чие иерархической системы ИЭС обучаемого, то нужно остановиться на пред- полагаемом качестве как самих ИЭС, так и оболочек для формирования послед- них. Исходя из изучения феноменологической структуры построения, как сис- тем деятельности человека, так и структур, из которых состоит сам человек, можно говорить об очень высоком уровне совершенства наличных построений. В первую очередь это касается двух основных компонентно-образующих начал. Первое − это нанотехнологические и молекулярные концепции построения систем самого человека и очень сложная иерархия программ по построению этих систем (от функциональных органов до систем жизнеобеспечения организ- ма человека). Второе – это информационный аспект деятельности человека в виде наличия иерархии очень сложных программ (ИЭС и механизмов построе- ния оболочек для их формирования) по переработке информации в ИРС. Для такой информационной переработки необходимо выделить значение наличия специфической ассоциативно-молекулярной памяти и биологических нейрон- ных сетей. Здесь мы подошли к необходимости осознания того, что работа по пере- работке информации, в первую очередь при обучении, требует создания КЭС, ИССЛЕДОВАНИЕ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ В ПОДСИСТЕМАХ... Комп’ютерні засоби, мережі та системи. 2010, № 9 43 которые обладают объективностью и свойствами ИЭС. Если еще вчера разра- ботчики КЭС говорили о том, что КЭС не способны обучаться, что они не обла- дают здравым смыслом и интуицией, то уже сегодня ведутся разработки экс- пертных систем, реализующих идею самообучения [8]. Если КЭС состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы объяснения, подсистемы приобретения знаний и диалогового процессора, то надо полагать, что аппаратная поддержка ИЭС на порядки лучше. Учитывая это необходимо активизировать исследования и раз- работки методов создания соответствующего программного обеспечения для процессов обучения и создания необходимых КЭС путем феноменологического анализа результатов обучения очень опытных экспертов-преподавателей. Уже сегодня КЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений и такие системы спо- собны найти решение задач, которые неструктурированны и плохо определены. При этом они справляются с отсутствием структурированности путем привлече- ния эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает воз- можность проведения полного анализа [9]. Поскольку в КЭС известен алгоритм обработки знаний, а не алгоритм ре- шения задачи, то использование алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен. Более того, алгоритм обработки знаний заранее неизвестен и строится по ходу решения задачи на основании эвристических правил. Реше- ние задачи в КЭС сопровождается понятными пользователю объяснениями. Качество получаемых решений обычно не хуже, а иногда и лучше достигаемого специалистами. В системах, основанных на знаниях, правила (или эвристики), по которым решаются проблемы в конкретной предметной области, хранятся в базе знаний. Проблемы ставятся перед системой в виде совокупности фактов, описывающих некоторую ситуацию, и система с помощью базы знаний пытает- ся вывести заключение из этих фактов. Таким образом, из вышеизложенного можно сделать вывод об острой необ- ходимости разработки КЭС с алгоритмами обработки знаний для исполь- зования таких систем при обучении персонала. Более того, нужно как можно скорее отказаться от стереотипов, при которых развитой иерархией ИЭС обла- дает лишь эксперт-преподаватель. Ведь, как отмечалось выше, вчерашний сту- дент успешно может выполнять функции преподавателя для своего вчерашнего преподавателя по другой предметной области. Из сказанного вытекает, что на- бор ИЭС и соответствующих оболочек можно формировать в процессе обучения с помощью КЭС. Требования к разработке КЭС. Качество КЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в сле- дующем циклическом режиме: выбор данных или запрос результатов анализов, наблюдений, интерпретация результатов, выдвижении с помощью правил вре- Н.И. ХОДАКОВСКИЙ Комп’ютерні засоби, мережі та системи. 2010, № 9 44 менных гипотез и затем переход на новый цикл обработки информации. Такой процесс выполняется до тех пор, пока не поступит информация, достаточная для окончательного заключения. В сформированной КЭС существуют три типа знаний: структурированные знания − статические знания о предметной области, структурированные дина- мические знания − изменяемые знания о предметной области (они обновляются по мере выявления новой информации) и рабочие − знания, применяемые для решения конкретной задачи или проведения обучения. Для хранения этих зна- ний используются базы знаний. Создание баз знаний предусматривает специ- альный опрос экспертов-специалистов в конкретной предметной области, а за- тем систематизацию полученных знаний с присвоением для них указателей для легкого извлечения из баз знаний [9]. Компьютерные системы, которые могут лишь повторить логический вывод эксперта, принято относить к КЭС первого поколения. Но при решении интел- лектуально сложной задачи, часто недостаточно возможностей системы, спо- собной имитировать деятельность человека. В большинстве случаев для разра- ботчика важно, чтобы КЭС выступала в роли полноценного помощника, спо- собного проводить анализ нечисловых данных, выдвигать и отбрасывать гипоте- зы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецеден- тов и, может быть, даже порождать решение новых, ранее не рассматривавших- ся задач. Наличие таких возможностей является характерным для КЭС второго поколения, концепция которых продолжает совершенствоваться. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличи- тельными чертами является умение обучаться и развиваться, т. е. эволюциони- ровать [8]. Знания в КЭС второго поколения представлены следующим образом: ис- пользуются более глубинные знания с возможностью дополнения предметной области. При этом КЭС способна решать задачи динамической базы данных. Системы, основанные на знаниях − составная часть компьютерных систем обучения. КЭС второго поколения позволяют получать информацию о деятельности обучаемого и анализировать его поведение. При этом база знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации обучаемого. Довольно интересной обучаю- щей КЭС является разработанная система EURISCO, которая использует простые эвристики. Эта система была опробована в игре, имитирующей боевые действия [6]. Большинство КЭС включают знания, по содержанию которых их можно от- нести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планиро- ИССЛЕДОВАНИЕ СИСТЕМ, ОСНОВАННЫХ НА ЗНАНИЯХ В ПОДСИСТЕМАХ... Комп’ютерні засоби, мережі та системи. 2010, № 9 45 вание. Она определяет способности обучаемого по основным направлениям кур- са, а затем с учетом полученных данных составляет учебный план [10]. Существующие системы, основанные на знаниях, пока еще не пригодны для решения задач методами проведения аналогий или абстрагирования (человече- ский мозг справляется с этим лучше), но уже имеются предпосылки моделиро- вания в КЭС ассоциативной памяти человека [11]. При этом системы, основанные на знаниях, имеют определенные преиму- щества перед человеком-экспертом. КЭС работают объективно без предубеж- дений и поспешных выводов. Эти системы работают систематизировано, выби- рая наилучшую альтернативу из возможных. База знаний может быть достаточ- но большой, поскольку знания, введенные в машину, сохраняются навсегда. Че- ловек же имеет ограниченную базу знаний, и если знания долгое время не ис- пользуются, то они забываются и навсегда теряются. Системы, основанные на знаниях, в отличие от эксперта, устойчивы к влиянию внешних факторов. Выводы. Исследование возможностей обучения для системы обработки информации обучаемого субъекта в виде иерархии индивидуальных систем, ос- нованных на знаниях, позволили определить подходы к пониманию механизмов работы систем, отвечающих за формирование знаний в обучаемого. Процессы формализации понятий и действий позволили существенно уси- лить обмен информацией, интенсивность которого особенно стремительно рас- тет в современном информационном мире посредством развития более совер- шенных информационных технологий. Предыстория развития исследований по искусственному и естественному интеллектам позволяет делать утверждение, что информационно-решающая система обработки информации обучаемого является самодостаточной систе- мой, способной использовать, как известные на сегодня приемы обработки ин- формации в компьютерных системах, так и еще в значительной степени неза- действованные широкие возможности обработки информации в нейронных се- тях и молекулярной памяти обучаемого. Моделирование информационной решающей системы обучаемого показы- вает, что последняя может анализировать и совершенствовать собственное со- стояние, а также изучать внешнее окружение и воздействовать на него, что ведет к самоорганизации – основному требованию самообучения системы. Для получения эффективных компьютерных обучающих систем необхо- димо активизировать исследования и разработки методов создания соответст- вующего программного обеспечения для процессов обучения путем феномено- логического анализа результатов обучения опытных экспертов-преподавателей. Информационный аспект деятельности человека может быть представлен в виде наличия иерархии очень сложных программ, таких как индивидуальных экспертных систем и механизмов построения оболочек для их формирования. Для такой информационной переработки необходимо выделить значение нали- чия специфической ассоциативно-молекулярной памяти и биологических ней- ронных сетей. Н.И. ХОДАКОВСКИЙ Комп’ютерні засоби, мережі та системи. 2010, № 9 46 Со временем компьютерные экспертные системы или системы, основанные на знаниях, смогут рассматриваться пользователями как разновидность нового способа записи и распространения знаний. Подобно другим видам компью- терных программ, экспертные системы не будут заменять человека в решении задач, а будут напоминать орудия труда, которые дают ему возможность решать задачи быстрее и эффективнее. 1. Ходаковский Н.И. Исследование принципов создания обучающих компьютерных систем на основе эффекта молекулярной памяти и специальных экспертных систем // Комп’ютерні засоби, мережі та системи. – 2004. – № 3. – С. 111 –116. 2. Wang Y. Novel Approaches in Cognitive Informatics and Natural Intelligence. – University of Calgary Press, 2009. – 396 p. 3. Зінченко В.П., Ходаковський М.І., Зінченко С.В., Татулашвілі Т.І. Онтологічний підхід до проектування автоматизованих навчаючих систем // Комп’ютерні засоби, мережі та системи. – 2009. – № 8. – С. 113 – 122. 4. Куклин В.М. Заражение разумом, или пути создания искусственного интеллекта. "Universitates. Наука и просвещение". – Харьков: Медиа-группа "Окна", 2004. – № 4. – C. 84 – 90. 5. Ходаковский Н.И. Исследование информационных нанотехнологий обработки ин- формации для построения систем на основе знаний // Комп’ютерні засоби, мережі та системи. – 2008. – № 7. – С. 23 – 31. 6. Антонов А., Карнаух Н. Может ли компьютер мыслить. – Образовательный портал. – http: // www.osvita.org.ua. 7. Элти Д., Кумбс М. Экспертные системы: концепции и примеры. – М.: Финансы и ста- тистика, 1997. – 432 с. 8. Estep M.L. Self-Organizing Natural Intellegence. – Berlin: Springer Science + Busines Media, 2006. – 359 p. 9. Букович У., Уильямс Р. Управление знаниями: руководство к действию. – М.: Инфра, 2002. – 504 с. 10. Попов Э.В. Общение с ЭВМ на естественном языке. – М.: Едиториал УРСС, 2004. – 360 с. 11. Васильев В.И., Шевченко А.И. Формирование и опознавание образов. – Донецк: ДонГИИИ, 2000. – 359 с. Получено 09.07.2010 ( Н.И. Ходаковский, 2010 УДК 681.3 Н.И. Ходаковский

Исследование систем, основанных на знаниях в подсистемах естественного интеллекта

Institution

Similar Items