Агентно-ориентированный подход

Агентно-ориентированный подход, развиваемый с начала 1990-х гг., основан на использовании интеллектуальных агентов. Согласно этому подходу, интеллект – это вычислительная часть (планирование) способности достигать поставленных перед интеллектуальной машиной целей. Сама такая машина будет интеллектуальным агентом, воспринимающим окружающий его мир с помощью датчиков и способным воздействовать на объекты в окружающей среде с помощью исполнительных механизмов.

Этот подход акцентирует внимание на тех методах и алгоритмах, которые помогут интеллектуальному агенту выживать в окружающей среде при выполнении его задачи.

Интеллектуальные агенты в искусственном интеллекте

В искусственном интеллекте под термином интеллектуальный агент понимаются разумные сущности, наблюдающие за окружающей средой и действующие в ней, при этом их действия всегда направлены на достижение какой-либо цели. Такой агент может быть как роботом, так и встроенной программной системой. Об интеллектуальности агента можно говорить, если он взаимодействует с окружающей средой примерно так же, как действовал бы человек.

В искусственном интеллекте существует несколько типов агентов.

1. Физический агент – агент, воспринимающий окружающий мир через некоторые сенсоры и действующий с помощью манипуляторов.

2. Временной агент – агент, который использует изменяющуюся с ходом времени информацию и предлагает некоторые действия или предоставляет данные компьютерной программе или человеку.

Агентов всех типов можно разделить на пять групп в зависимости от вида обработки воспринимаемой информации:

1. Агенты с простым поведением действуют только на основе текущих знаний. Их агентская функция основана на схеме условие-действие –– IF (условие) THEN действие

Такая функция может быть успешной, только если окружающая среда полностью поддается наблюдению.

2. Агенты с поведением, основанным на модели, могут оперировать со средой, лишь частично поддающейся наблюдению. Внутри агента хранится представление о той части, что находится вне границ обзора.

3. Целенаправленные агенты могут выбрать среди многих путей тот, что приведет к нужной цели. Целенаправленные агенты различают только состояния, когда цель достигнута, и когда не достигнута. Они хранят информацию о тех ситуациях, которые для них желательны.

4. Практичные агенты способны различать насколько желанно для них текущее состояние. Такая оценка может быть получена с помощью «функции полезности», которая проецирует множество состояний на множество мер полезности состояний.

5. Обучающиеся агенты способны к обучению и приспосабливанию к изменяющимся обстоятельствам. Система ОА должна проявлять следующие способности:

· обучаться и развиваться в процессе взаимодействия с окружающей средой;

· приспосабливаться в режиме реального времени;

· быстро обучаться на основе большого объёма данных;

· пошагово применять новые способы решения проблем;

· обладать базой примеров с возможностью её пополнения;

· иметь параметры для моделирования быстрой и долгой памяти, возраста и т.д.;

· анализировать себя в терминах поведения, ошибки и успеха.

Субагенты

Чтобы активно выполнять свои функции, интеллектуальные агенты обычно имеют иерархическую структуру, включающую много «субагентов». Интеллектуальные субагенты обрабатывают и выполняют низкоуровневые функции. Интеллектуальные агенты и субагенты составляют полную систему, которая способна выполнять сложные задачи. При этом поведение системы создаёт впечатление разумности.

Существует несколько типов субагентов:

1. Временные агенты (для принятия оперативных решения)

2. Пространственные клиенты (для взаимодействия с реальным миром)

3. Сенсорные агенты (обрабатывают сенсорные сигналы)

4. Обрабатывающие агенты (решают проблемы типа распознавания речи)

5. Принимающие решение агенты

6. Обучающие агенты (создают структуры и базы данных для остальных интеллектуальных агентов)

7. Мировые агенты (объединяют в себе остальные классы агентов для автономного поведения)

Накопление и использование знаний в искусственном интеллекте

Согласно мнению многих учёных, важным свойством интеллекта является способность к обучению. Таким образом, на первый план выходит инженерия знаний, объединяющая задачи получения знаний из простой информации, их систематизации и использования. Достижения в этой области затрагивают почти все остальные направления исследований ИИ.

В этом плане нужно отметить два направления:

1 – машинное обучение – самостоятельное получение знаний интеллектуальной системой в процессе её работы.

2 – создание экспертных систем – программ, использующих специализированные базы знаний для получения достоверных заключений по какой-либо проблеме.

К области машинного обучения относится большой класс задач на распознавание образов. Например, это распознавание символов, рукописного текста, речи, анализ текстов.

Инженерия знаний – область искусственного интеллекта, связанная с разработкой экспертных систем и баз знаний, которая изучает методы и средства извлечения, представления, структурирования и использования знаний.

Пример действия системы, базирующейся на инженерии знаний:

· Рассмотрение задачи

· Запрос к базам данных по задаче

· Внесение и структурирование полученной информации (IPK модель)

· Создание базы данных по структурированной информации

· Тестирование полученной информации

· Внесение корректировок и эволюция системы.

С середины 1980-х, в инженерии знаний появилось несколько принципов, методов и инструментов которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:

· Существуют разного рода типы знаний и для работы с ними должны использоваться конкретные методы и техника.

· Существуют различные типы экспертов и опыта. Для работы с ними должны использоваться определенные методы и техника.

· Существуют разные способы предоставления, использования, понимания знаний. Работа с ними может помочь переосмыслить и использовать уже имеющиеся знания по-новому.

В инженерии знаний существует несколько теорий работы со знаниями.

Трансляционная (традиционная) предполагает прямой перенос человеческих знаний в машину.

Модельная (альтернативный взгляд) предполагает моделиро-вание задачи и её способов решения самой системой искусственного интеллекта.

Гибридные предполагают применение сразу нескольких моделей. Причём, эти модели могут браться из разных систем, построенных на основании различных подходов.

Общие понятия инженерии знаний

Данные – это представление фактов и идей в формализованном виде, пригодном для передачи и обработки в некотором информационном процессе. Данные – это зарегистрированные сигналы. Они могут рассматриваться как записанные наблюдения, которые не используются, а пока хранятся.

Традиционно выделяют два типа данных — двоичные (бинарные) и текстовые.

Множество данных может иметь надмножество, называемое метаданными.

Операции с данными. Для повышения качества данные преобразуются из одного вида в другой с помощью методов обработки. Обработка данных включает операции:

1) Ввод (сбор) – накопление данных с целью обеспечения достаточной полноты для принятия решений

2) Формализация – приведение данных поступающих из разных источников, к одинаковой форме, для повышения их доступности.

3) Фильтрация – это отсеивание «лишних» данных, в которых нет необходимости для повышения достоверности и адекватности.

4) Сортировка – это упорядочивание данных по заданному признаку с целью удобства использования.

5) Архивация – это организация хранения данных в удобной и легкодоступной форме.

6) Защита – применение мер, направленных на предотвращение утраты, воспроизведения и модификации данных.

7) Транспортировка – прием и передача данных между участниками информационного процесса.

8) Преобразование – это перевод данных из одной формы или структуры в другую.

Метаданные – это информация об используемых данных. Они могут представлять собой структурированные данные, т.е. характеристики описываемых данных для их идентификации, поиска, оценки или управления ими.

Обычно невозможно провести однозначное разделение на данные и метаданные в документе, поскольку данные и метаданные могут меняться ролями. Таким образом, отнесение к одной или другой категории зависит от точки зрения.

Метаданные используются для повышения качества поиска. Информируя компьютер о том, какие элементы данных связаны и как эти связи учитывать, можно осуществлять достаточно сложные операции по фильтрации и поиску. Например, если поисковая система «знает» о том, что «Ван Гог» является «голландским художником», то она может выдать в ответ на запрос о голландских художниках веб-страницу о Ван Гоге, даже если слова «голландский художник» не встречаются на этой странице.

Другие описательные метаданные могут использоваться автоматизированными рабочими потоками. Например, если некоторая программа «знает» содержимое и структуру данных, то эти данные могут быть автоматически преобразованы и переданы другой программе как входные данные.

Классификация метаданных

Метаданные можно классифицировать по ряду критериев:

· По содержанию. Метаданные могут либо описывать сам ресурс (например, название и размер файла), либо содержимое ресурса (например, «в этом файле содержатся данные по точности обработки на различных видах оборудования»).

· По отношению к ресурсу. Метаданные могут относиться к ресурсу в целом или к его частям. Например, название изделия относится к технологическому процессу изготовления этого изделия в целом, а описание операции отдельное для каждой операции этого процесса.

· По возможности логического вывода. Метаданные можно подразделить на три слоя: нижний слой – это данные сами по себе; средний слой – метаданные, описывающие эти данные; верхний слой – метаданные, которые позволяют делать логический вывод, используя второй слой.

Метаданные обычно представляют в соответствии с одним из форматов. Формат метаданных – это стандарт, предназначенный для формального описания некоторой категории ресурсов (объектов, сущностей и т.п.). Такой стандарт обычно включает в себя набор полей (атрибутов, свойств, элементов метаданных), позволяющих характеризовать рассматриваемый объект.

Форматы можно классифицировать:

1) по охвату и подробности типов описываемых ресурсов;

2) по ширине и подробности области описания ресурсов и мощности структуры элементов метаданных;

3) по предметным областям, целям разработки или использования формата метаданных.

Знание – субъективный образ объективной реальности, то есть адекватное отражение внешнего и внутреннего мира в сознании человека в форме представлений, понятий, суждений, теорий.

Знание в теории искусственного интеллекта, базах знаний и экспертных системах – совокупность данных, фактов и правил вывода о мире, включающих в себя информацию о свойствах объектов, закономерностях процессов и явлений, а также правилах использования этой информации для принятия решений. Правила использования включают систему причинно-следственных связей. Главное отличие знаний от данных состоит в их активности, то есть появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений.

Классификация знаний

Выделяют различные виды знания: научное, обыденное (здравый смысл), интуитивное, религиозное и др. Обыденное знание служит основой ориентации человека в окружающем мире, основой его повседневного поведения и предвидения, но обычно содержит ошибки, противоречия. Научному знанию присущи логическая обоснованность, доказательность, воспроизводимость результатов, проверяемость, стремление к устранению ошибок и преодолению противоречий.

По природе знания могут быть:

· декларативные содержат в себе лишь представление о структуре неких понятий;

· процедурные имеют активную природу. Они определяют представления о средствах и путях получения новых знаний, проверки знаний. Это алгоритмы разного рода.

По степени научности знания могут быть научными и вненаучными.

Научные знания могут быть эмпирическими (на основе опыта или наблюдения) и теоретическими (на основе анализа абстрактных моделей).

Вненаучные знания могут быть:

· паранаучными – знания несовместимые с имеющимся гносеологическим стандартом;

· лженаучными – сознательно эксплуатирующие домыслы и предрассудки;

· квазинаучными – ищут себе сторонников и приверженцев, опираясь на методы насилия и принуждения;

· антинаучными – утопичные и сознательно искажающие представления о действительности;

· псевдонаучными – представляют собой интеллектуальную активность, спекулирующую на совокупности популярных теорий;

· обыденно-практическими – доставлявшими элементарные сведения о природе и окружающей действительности;

· личностными – зависящими от способностей субъекта и от осо-бенностей его интеллектуальной познавательной деятельности.

По местонахождению выделяют:

· личностные (неявные, скрытые) – знания людей.

· формализованные (явные) знания – знания в документах, на компакт дисках, в персональных компьютерах, в Интернете, в базах знаний, в экспертных системах.

Отличительные характеристики знания

Для того чтобы нечто считалось знанием, это нечто должно удовлетворять трем критериям:

· быть подтверждаемым,

· быть истинным

· заслуживающим доверия.

Управление знаниями

Управление знаниями пытается понять способ, которым знание используется и распространяется в организациях и рассматривает знание как соотносящееся с самим собой и возможное к повторному использованию. Повторное использование означает, что определение знания находится в состоянии постоянного изменения.

Метазнание. В широком смысле – знание о знании и о возможностях работы со знанием. В узком смысле – знание экспертной системы, о собственном функционировании и процессах построения логических выводов.

Представление знаний

Представление знаний – вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в искусственном интеллекте.

В Искусственном интеллекте основная цель представления знаний – научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Такие методы как фреймы, правила и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.

В области искусственного интеллекта, решение задач может быть упрощено правильным выбором метода представления знаний. Определенный метод может сделать какую-либо область знаний легко представимой. Неправильный выбор метода представления затрудняет обработку. Однако не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

Под термином «Представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку современными компьютерами, и в частности, представления, состоящие из явных объектов («класс сверлильных станков», или «2BV-25B/400 – экземпляр»), и из суждений или утверждений о них («2BV-25B/400 – сверлильный станок», или «сверлильные станки используют для получения отверстий»). Представление знаний в подобной явной форме позволяет компьютерам делать дедуктивные выводы из ранее сохраненного знания («2BV-25B/400 можно использовать для получения отверстий»).

В 1980-х годах появились формальные компьютерные языки представления знаний. Основные проекты того времени пытались закодировать (занести в свои базы знаний) огромные массивы общечеловеческого знания. Например, в проекте «Cyc» была обработана большая энциклопедия и кодировалась не сама хранящаяся в ней информация, а знания, которые потребуются читателю чтобы понять эту энциклопедию.

Было разработано несколько языков программирования ориентированных на представление знаний. Язык «Пролог», разработанный в 1972, но получивший популярность значительно позже, описывает высказывания и основную логику, а также может делать выводы из известных посылок.

В области электронных документов были разработаны языки явно выражающие структуру хранимых документов, такие как SGML а впоследствии XML. Они облегчили задачи поиска и извлечения информации, которые в последнее время всё больше связаны с задачей представления знаний.