Понятие интеллектуальной информационной системы

Нейроподобные структуры

 

История развития Computer science свидетельствует о неуклонно растущем уровне информационных технологий и интеллектуализации вычислительных систем.

Становление новой информационной технологии тесно связано с развитием искусственного интеллекта и обусловлено (по утверждению Г.Поспелова) тем, что в теории искусственного интеллекта были разработаны логико-лингвистические модели, позволяющие формализовать конкретные знания об объектах и протекающих в них процессах [1].

В.М.Глушков уделял большое внимание проблемам обработки информа­ции и разработки интеллектуальных систем. В своих работах он подчеркивал важность интеллектуализации процессоров с двух позиций. Он говорил: "Идея интеллектуализации процессоров, решая свою основную задачу - упрощение общения пользователя с ЭВМ, способствует в то же время и решению другой важнейшей задачи - увеличению производительности ЭВМ"[2]. Действительно, использование макроопераций в вычислительном процессе существенно повышает общее быстродействие ЭВМ. Так, ЭВМ "МИР-2" успешно конкурировала в скорости выполнения ряда аналитических преобразований с большими ЭВМ.

Национальный японский проект ЭВМ пятого поколения также следует расценивать как дальнейшее развитие идей интеллектуализации вычислительной техники.

Другим компьютерным течением, получившим развитие параллельно с развитием ЭВМ с традиционной архитектурой, являются нейрокомпьютеры. Все возрастающий интерес к нейроинтеллектуальным системам объясняется значительными трудностями, возникающими при классической реализации искусственного интеллекта, и успехами в области разработки нейрокомпьютеров и систем на их основе. В нейронных сетях, применяемых в нейрокомпьютерах, в отличие от традиционных ЭВМ, элементы имеют множество параллельных соединений, и информация распределяется по всей сети, осуществляя параллельные вычисления. Это позволяет решать задачи в реальном времени на высоком интеллектуальном уровне.

С целью поддержки фундаментальных исследований в этом направлении в Японии с 1993 года принята программа “Real world computing program”. Ее основная цель- создание адаптивной, эволюционирующей ЭВМ. Проект рассчитан на 10 лет. Основой разработки является нейротехнология, используемая для распознавания образов, обработки семантической информации, управления роботами, которые способны адаптироваться к окружающей обстановке.

Анализ современного состояния Computer science показывает, что в настоящее время вычленились составляющие, которые фактически превратились в отдельные научные направления, уже имеющие явно выраженные признаки отдельных научных дисциплин. Это нейрокомпьютерные дисциплины и дисциплины, изучающие классические формы ЭВМ.

В истории развития науки подобная дифференциация знаний не является специфичной только для Computer science. Дифференциация и обособление научных знаний в отдельные научные дисциплины является историческим фактом. Этот факт стал для Л. фон. Берталанфи исходной позицией в разработке общей теории систем. Главная цель этой теории определена Берталанфи как синтез научных знаний, выработанных отдельными научными дисциплинами, в единое целое - знания об окружающей человека действительности.

“Общая теория систем определяет совокупность общесистемных свойств реальных систем, в которой центральное положение занимает свойство иерархичности. Оно состоит в том, что каждая данная система является метасистемой по отношению к составляющим ее подсистемам и одновременно подсистемой системы более высокого ранга (уровня), выступающей по отношению к ней метасистемой. Из этого следует, что мир является системой, знания о которой должны быть сведены в целое путем установления связей и отношений между отдельными научными дисциплинами. Это означает, что знания, выработанные каждой научной дисциплиной, представляют собой части целого и должны быть подвергнуты операции синтеза путем выявления связей и отношений между частями. А связи и отношения могут быть выявлены только проведением междисциплинарных исследований” [3].

Таким образом, вычленение и обособление научных знаний в Computer science, следует считать объективным процессом, который должен завершиться синтезом этих знаний в единое целое. Этот синтез открывает возможность, благодаря междисциплинарным исследованиям, выработать знания о тех закономерностях, которые являются общими для дисциплин, образующих междисциплинарную область, так как познать эти закономерности, находясь в рамках каждой отдельной дисциплины нельзя.

Цель и задачи. Исходя из этого,была определенацель – разработать новую технологию обработки информации, основанную на синтезе знаний выработанных сложившимися в Computer science направлениями.

Для достижения поставленной цели необходимо решить следующие задачи:

- в результате синтеза знаний, заключенных в технологиях обработки информации в нейронных сетях, семантических сетях, растущих пирамидальных сетях и интеллектуальных системах, разработать новую нейроподобную структуру;

- описать топологию и логику функционирования этой структуры, сформулировать определения и разработать правила ее построения;

- разработать математический аппарат построения новой структуры;

- для повышения уровня интеллектуализации ЭВМ разработать модель представления знаний на базе новой структуры.

Из проведенных междисциплинарных исследований было установлено, в новую информационную структуру должны быть “погружены” функции, обеспечивающие “жизнеспособность” интеллектуальных систем.

К этим функциям относятся:

а) восприятие – функция, обеспечивающая прием и трансформацию визуальной, текстовой, звуковой и др. видов информации во внутреннее представление системы, обработку визуальной информации и соотнесение ее с обработкой текстовой информации, а также порождение визуальных образов на основе внутренних представлений хранимых в системе;

б) представление знаний и их обработка – функция, формирующая понятия, обеспечивающая накопление, обобщение, структурирование и классификацию знаний о внешнем мире (о проблемной области);

в) общение и обучение – функция, преобразующая во внутренние образы различные текстовые, речевые, зрительные и др. сообщения. Система, обеспечивающая поддержку данной функции, должна воспринимать вопросы, адресуемые ей и синтезировать ответы и свои вопросы, обучаться решению проблем возникающих в процессе ее функционирования;

г) поведение – функция, вырабатывающая механизмы поведения системы с целью адекватного взаимодействия с окружающей средой.

С целью синтеза новой информационной технологии были проанализированы технологии обработки информации в семантических сетях, растущих пирамидальных сетях (РПС), разработанных и исследованных профессором В.П.Гладуном [4], и нейросетях. Ни одна из этих технологий полностью не удовлетворяет требованиям, предъявляемым к синтезируемой структуре (не содержит всей совокупности вышеперечисленных функций).

Однако анализ показал, что РПС содержат привлекательный механизм восприятия, структурирования, обобщения и классификации информации одновременно с перестройкой (ростом) самой структуры сети. Но в РПС отсутствует механизм определения весовых коэффициентов связей между вершинами сети и порогов возбуждения самих вершин. В результате РПС лишаются свойств пластичности сети и тем самым лишаются возможности обработки неточной информации, чем в совершенстве обладают нейронные сети.

Вообще, термин «искусственный интеллект» предложен в 1956 г. на семинаре с аналогичным названием в Стенфордском университете (США). Таким образом, проблема созданияискусственного интеллекта (ИИ), возникшая в прошлом столетии, и по сей день решается лучшими умами человечества. Чл.-корр. НАНУ, ректор Донецкого университета информатики и искусственного интеллекта А.И. Шевченко в [1] пишет: «Анализ проблематики исследований в области искусственного интеллекта показывает, что в настоящее время, с одной стороны, идет интенсивная дифференциация ее предметных областей и, с другой стороны, происходит своеобразная интеграция исследований в рамках поиска возможностей построения общей теории. Интеграция исследований диктуется необходимостью объединения всего комплекса исследований в области искусственного интеллекта в единое целое на основе общей универсальной концепции или идеи, восходящей к своему функциональному прототипу: думающей (мыслящей) и действующей (физически) личности – человеку».

В теории искусственного интеллекта такой общей универсальной концепцией являются многомерные рецепторно-эффекторные нейроподобные растущие сети, которые восходят к своему функциональному прототипу – биологическим нейронным сетям.

Основные положення теории искусственного интеллекта.

Теория искусственного интеллекта – область знаний, рассматривающая закономерности построения и функционирования интеллектуальных систем на базе многомерных рецепторно-эффекторных нейроподобных растущих сетей. Теория искусственного интеллекта включает учение о нейроподобных элементах и многомерных нейроподобных растущих сетях, временной и долговременной памяти, учение о функциональной организации «мозга» систем с искусственным интеллектом, о сенсорной системе, модулирующей системе, моторной системе, условном и безусловном рефлексах, рефлекторной дуге, мотивации, целенаправленном поведении, о «мышлении», «сознании», «подсознании и искусственной личности, формируемой в результате обучения и воспитания».

Аксиома 1.В основе теории искусственного интеллекта лежит аналогия с нервной системой человека.

Система формирования естественного интеллекта – головной мозг, состоящий из множества нейронов, связанных между собой синаптическими связями. Взаимодействуя посредством этих связей, нейроны формируют сложные электрические импульсы, которые контролируют деятельность всего организма и позволяют познавать, обучаться, мыслить логически, систематизировать информацию путем ее анализа, классифицировать, находить в ней связи, закономерности и отличия, ассоциировать ее с подобной и пр. [2].

Функциональная организация мозга. В работах физиологов П.К. Анохина, А.Р. Лурия, Е.Н. Соколова [3, 4] и др. с позиции системной организации функций деятельности мозга выделяют различные функциональные системы и подсистемы. Классический вариант интеративной деятельности мозга может быть представлен в виде взаимодействия трех основных функциональных блоков:

1) блок приема и переработки сенсорной информации – сенсорные системы (анализаторы);

2) блок модуляции, активации нервной системы – модулирующие системы (лимбико-ретикулярные системы) мозга;

3) блок программирования, запуска и контроля поведенческих актов – моторные системы (двигательный анализатор).

Сенсорные системы ( анализаторы ) мозга. Сенсорная (афферентная) система начинает действовать тогда, когда какое-либо явление окружающей среды воздействует на рецептор. В каждом рецепторе воздействующий физический фактор (свет, звук, тепло, давление) преобразуется в потенциал действия, нервный импульс. Анализатор – это многоуровневая система с иерархическим принципом организации. Основанием анализатораслужит рецепторная поверхность, а вершиной – проекционные зоны коры головного мозга.

Каждый уровень представляет собой совокупность клеток, аксоны которых идут на следующий уровень. Взаимоотношения между последовательными уровнями анализаторов построены по принципу «дивергенции – конвергенции».

Модулирующие системы мозга являются аппаратом, выполняющим роль регулятора уровня бодрствования, также осуществляющим избирательную модуляцию и актуализацию приоритета той или иной функции. Первым источником активации является внутренняя активность организма или его потребности. Второй источник активации связан с воздействием раздражителей внешней среды.

Моторные ( двигательные ) системы мозга. Для двигательных областей коры характерен прежде всего синтез возбуждений различной модальности с биологически значимыми сигналами и мотивационными влияниями. Им свойственна дальнейшая, окончательная трансформация афферентных влияний в качественно новую форму деятельности, направленную на быстрейший выход афферентных возбуждений на периферию, т.е. на аппараты реализации конечной стадии поведения.

Система формирования искусственного интеллекта – «мозг» системы, представляющий собой активную, ассоциативную, однородную структуру – многомерную рецепторно-эффекторную нейроподобную растущую сеть, состоящую из множества нейроподобных элементов, связанных синаптическими связями. Нейроподобные элементы воспринимают, анализируют, синтезируют и сохраняют информацию, позволяют системе познавать, обучаться, мыслить логически, систематизировать и классифицировать информацию, находить в ней связи, закономерности, отличия и вырабатывать сигналы управления внешними устройствами.

Основные правила и определения теории искусственного интеллекта.

Аксиома 2. Основная функциональная единица структуры «нервной системы» интеллектуальных систем - искусственный нейрон (нейроподобный элемент).

Определение 1.Нейроподобный элемент – упрощенная модель биологического нейрона, состоящая из устройства (аналога тела клетки) с множеством возбуждающих и тормозных входов, модулирующим входом и одним выходом. Выход (аналог аксона) состоит из множества проводников и множества окончаний. На входы устройства поступает информация (коды, пачки импульсов). Устройство обрабатывает информацию в соответствии с правилами формирования нейроподобной растущей сети, генерирует коды (пачки импульсов) и по нитям аксона одновременно или с разделением во времени передает их на входы других нейронов. Входы нейрона (аналог синапсов) представляют собой рецепторы, реагирующие или не реагирующие на ту или иную часть поступающего на них кода, тем самым увеличивая или уменьшая уровень возбуждения нейроподобного элемента и интенсивность его ответной реакции. При этом амплитуда и частота сигнала могут регулироваться.

Аксиома 3.Все свободные от информации нейроподобные элементы есть нейроподобные элементы новизны.

Аксиома 4. Все нейроподобные элементы, несущие (запомнившие) в себе некую информацию, есть нейроподобные элементы тождества.

Аксиома 5. При отсутствии информации на рецепторах нейроподобных элементов новизны они находятся в режиме слабого случайного фонового возбуждения.

Аксиома 6.Фоновое возбуждение есть постоянно изменяющаяся случайная величина возбуждения нейроподобного элемента.

Определение 2.Нейроподобные элементы чувства – элементы, у которых порог возбуждения увеличивается или уменьшается в зависимости от состояния внутренних подсистемсистемы или от результата исполняемой функции. Нейроподобные элементы чувства имеют связи с мотонейронами управления результатом выполняемых действий.

Определение 3. Временная память. Время, необходимое для анализа и запоминания информации нейроном новизны. При поступлении информации (которая системе неизвестна) на рецепторы сенсорной области между ближайшим нейроподобным элементом новизны (уровень возбуждения которого невысокий, но выше всех остальных ближайших нейроподобных элементов новизны) и рецепторами сенсорной области образуются связи, связям присваиваются весовые коэффициенты, а нейроподобному элементу некоторый порог возбуждения. При неоднократном повторении этой информации порог возбуждения увеличивается. При достижении максимального возбуждения нейроподобный элемент становится нейроподобным элементом тождества и переводится в долговременную память.

Определение 4.Долговременная память – все нейроподобные элементы тождества.

Определение 5. Нейронная сеть – это параллельная связная сеть простых адаптивных элементов, которая взаимодействует с объектами реального мира аналогично биологической нервной системе.

Определение 6. Нейроподобная растущая сеть – это совокупность взаимосвязанных нейроподобных элементов, предназначенных для приема анализа и преобразования информации в процессе взаимодействия с объектами реального мира, причем в процессе приема и обработки информации сеть изменяет свою структуру.

Нейроподобные растущие сети.

Нейроподобные растущие сети ( н - РС ) – новый тип нейронных сетей, включающий в себя следующие классы: многосвязные (рецепторные) нейроподобные растущие сети (мэн-РС); многосвязные (рецепторные) многомерные нейроподобные растущие сети (ммн-РС); рецепторно-эффекторные нейроподобные растущие сети (рэн-РС); многомерные рецепторно-эффекторные нейроподобные растущие сети (мрэн-РС).

Н-РС описываются в виде направленного графа, где нейроподобные элементы представляются его вершинами, а связи между элементами его ребрами.

Таким образом, сеть представляет собой распараллеленную динамическую систему с топологией направленного графа, которая выполняет переработку информации посредством изменения своего состояния и структуры в ответ на воздействия внешней среды.

В теории нейроподобных растущих сетей основными понятиями являются понятия структуры и архитектуры, раскрывающие схему связей и взаимодействия между элементами сети:

топологическая (пространственная) структура – это направленный граф связей элементов сети;

логическая структура определяет принципы и правила формирования связей и элементов сети, а также логику ее функционирования;

физическая структура – схема связей физических элементов сети (в случае аппаратной реализации нейроподобной растущей сети).

Архитектура сети определяется схемой связей физических элементов сети и правилами формирования связей и элементов, а также логикой ее функционирования.

При рассмотрении основ теории нейроподобных растущих сетей используются некоторые положения теории графов.

Направленными или ориентированными графами называются графы, в которых ориентация дуг имеет принципиальное значение. Дуга на графе может рассматриваться как упорядоченная пара вершин или как направленная линия, соединяющая вершины.

Вершины графа S = (A,D) называются смежными, если они соединены дугой.

Смежными дугами называются дуги d_im, d_jm, имеющие общую вершину a_m.

Исходящей дугой называется дуга, которая исходит из вершины a_m, т.е., если вершина a_m является началом, но не является концом дуги d_mі. Заходящей дугой называется дуга d_im, которая заходит в вершину a_m, т.е., если вершина a_m является концом дуги d_im, но не является началом дуги d_mі.

Топологическая структура н-РС представляется связным ориентированным графом (рис. 1).

Рис. 1. Топологическая структура мн-РС

 

С помощью графов в теории мн-РС рассматриваются процессы прохождения и запоминания информации в сети.

Определение 7.Многосвязной (рецепторной) нейроподобной растущей сетью называется ациклический граф, в котором минимальное число заходящих дуг на вершины графа a_i равно переменному коэффициенту n, а каждой дуге d_i, приходящей на вершину a_i, соответствует определенный весовой коэффициент m_i. Каждой вершине a_i присваивается определенный порог возбуждения. Вершины, не имеющие заходящих дуг, называются рецепторами, остальные вершины называются нейроподобными элементами.

Правило.Если при восприятии информации возбуждается подмножество вершин F из множества вершин, имеющих непосредственную связь с вершиной a_i, и F ³ h, то связи вершины a_i с вершинами из подмножества F ликвидируются, и к сети присоединяется новая вершина a_і+l, входы которой соединяются с входами всех вершин подмножества F, а выход вершины a_і+l соединяется с одним из входов вершины a_i, причем входящим связям вершины a_і+l присваиваются весовые коэффициенты m_g, соответствующие весовым коэффициентам ликвидированных связей вершины a_i, а вершине a_і+l присваивается порог возбуждения P_i, равный сумме весовых коэффициентов связей, входящих в вершину a_і+l, или присваивается порог возбуждения P_i, равный f (m_i), (некоторой функции от весовых коэффициентов связей, входящих в вершину a_і+l).

Исходящей связи вершины a_і+l присваивается весовой коэффициент m_і+l. Связям, исходящим из рецепторов, присваивается весовой коэффициент m _ri (рис. 2).

Рис. 2. Правило

Функциональная организация « мозга » систем с искусственным интеллектом.

«Мозг» системы с искусственным интеллектом состоит из множества нейроподобных элементов, связанных между собой связями. Взаимодействуя между собой, нейроподобные элементы формируют управляющие сигналы, которые контролируют познавательную и мыслительную деятельность всей системы.

1.Сенсорная система.

Функция восприятие – информация поступает из внешнего мира в рецепторную зону, активирует рецепторы, которые в свою очередь активируют нейроподобные элементы различных уровней обработки информации – уровней безусловных рефлексов – первичных автоматизмов, уровней формирования условных рефлексов – вторичных автоматизмов, уровней классификации, обобщения и запоминания. В формальном представлении: определяются отношения и выполняется операция

Безусловные рефлексы задаются при создании системы.

При функционировании системы они возникают при появлении «специфического» для каждого из них раздражителя, обеспечивая тем самым неуклонность выполнения наиболее важных функций системы независимо от случайных, преходящих условий среды.

Условные рефлексы приобретаются в процессе функционирования системы. При действии индифферентного раздражителя возникает возбуждение в соответствующих рецепторах и импульсы поступают в сенсорную систему. При воздействии безусловного раздражителя возникает специфическое возбуждение соответствующих рецепторов. Таким образом, одновременно возникают два очага возбуждения. Между двумя очагами возбуждения образуется временная рефлекторная связь. При возникновении временной связи изолированное действие условного раздражителя вызывает безусловную реакцию.

Условные рефлексы являются универсальным приспособительным механизмом, обеспечивающим пластичные формы поведения.

Первичные автоматизмы (АВ1) – безусловные рефлексы

Вторичные автоматизмы (АВ2) – устоявшиеся условные рефлексы

2. Модулирующая система.

Модулирующая система регулирует уровень возбудимости нейроподобных элементов и осуществляет избирательную модуляцию той или иной функции системы. Первым источником активации является приоритетность внутренней активности подсистем системы. Закладывается при создании системы аналогично безусловным рефлексам. Любые отклонения от жизненно важных показателей системы приводят к активации (изменению порога возбудимости) определенных подсистем и процессов. Второй источник активации связан с воздействием раздражителей внешней среды. Приоритетность определенной активности приобретается в процессе «жизненного цикла» аналогично формированию условных рефлексов.

Мотивация – механизм, который способствует удовлетворению потребностей: он соединяет память о каком-либо объекте (например, недостатком энергии) с действием по удовлетворению этой потребности (поиском энергии). При этом формируется целенаправленное поведение, которое включает в себя три звена: поиск цели, взаимодействие с уже обнаруженной целью, покой после достижения цели.

Целенаправленное поведение – мотивационная постановка цели – озбуждение, действия, направленные на поиск алгоритма решения целевой задачи, достижение цели – снятие возбуждения.

3. Двигательная система.

Для двигательной системы характерен, прежде всего, синтез возбуждений различной модальности со значимыми сигналами и мотивационными влияниями. Им свойственна дальнейшая, окончательная трансформация афферентных влияний в качественно новую форму деятельности, направленную на быстрейший выход эфферентных возбуждений на периферию, т.е. на цепочки нейронов реализации конечной стадии поведения.

Двигательная система состоит целиком из ансамблей (цепочек) нейронов эфферентного (двигательного) типа и находится под постоянным притоком информации из афферентной (сенсорной) области. В отличие от афферентной области в области запуска и контроля поведенческих актов процессы активации идут в нисходящем направлении, начинаясь с наиболее высоких уровней. В высших уровнях формируются цепочки командных нейронов (двигательные программы), а затем переходят к нейронным цепочкам низ ших моторных уровней и двигательным нейронам – эффекторам участков двигательной эфферентной импульсации.

Функция действие – информация исходит из эффекторной зоны, через эффекторы и моторную область воздействует на внешний мир Д₁ ⇒ е.

Движение – последовательность действий (Д), найденная случайно (ребенок научился ходить самостоятельно) или с помощью учителя (ребенок научился ходить с помощью родителей):

Психическая функция или поведенческий акт – последовательность автоматизмов осуществляется в системе, функционирующей по рефлекторному принципу, в которой влияние центральных и рецепторно-эффекторных (периферических) зон взаимосвязаны и их совместная деятельность обеспечивает целостную реакцию. Система имеет многоуровневую организацию, где каждый уровень от рецепторных образований до эффекторных вносит свой «специфический» вклад в «нервную» деятельность системы.

Функция мысль – ансамбль возбужденных нейроподобных элементов на уровне подсознания (внутренняя модель внешнего или абстрактного мира, усиленная функцией мотивации в данный момент без выхода во внешний мир).

Функция мышление – последовательное взаимодействие ансамблей возбужденных нейроподобных элементов на уровне подсознания (внутренних моделей), направляемое уровнями возбуждения нейроподобных элементов, усиленными или ослабленными функцией мотивации. Информация циркулирует в замкнутом контуре – сенсорная область, уровни обработки информации (анализ, классификация, обобщение, запоминание, моторная область, сенсорная область) без выхода во внешнюю среду.

Мыслить, размышлять, значит, сознавать. В этом смысле «внутреннее проговаривание» – циклы передачи внутренней активной информации на вход системы – можно рассматривать как модель искусственного сознания интеллектуального компьютера, а циклы передачи внутренней активной информации на вход системы без включения «проговаривания» рассматривать как модель искусственного подсознания.

Функция сознание – распространение возбуждения по активным ансамблям нейроподобных элементов (внутренним моделям внешнего мира), усиленного функцией мотивации, отражающим важнейшие отношения в системе субъект – среда.

Функция подсознание – распространение возбуждения по активным ансамблям нейроподобных элементов (внутренним моделям внешнего мира), ослабленного функцией мотивации. Обеспечивает подготовку моделей для сознания, распознавания заученных образов и выполнения привычных движений.

Функция неосознанная реакция – внешняя информация на уровне подсознания вызывает обратное воздействие на внешний мир (безусловный и условный рефлексы, отработанные действия, вторичные автоматизмы).

Функция осознанная реакция – внешняя информация на уровне сознания вызывает обратное воздействие на внешний мир (осознанные действия в фазе формирования условных рефлексов и приобретения вторичных автоматизмов).

Функция интуиция – поиск новой информации, порождение гипотез и аналогий, создание новых временных связей, активация новых ансамблей нейроподобных элементови порождение из них новых комбинаций, которые автоматически формируются в подсознании, наиболее активные из них прорываются в область сознания.

Подражание – наблюдая за действиями других объектов (например, наблюдая за поведением родителей, ребенок) объект внутренне на уровне микродвижений повторяет их действия (возникает небольшое возбуждение ансамблей нейроподобных элементов, задействованных в выполнении этих действий). Затем, неоднократно повторяя эту последовательность в играх, закрепляет их (повторение приводит к увеличению порогов возбуждения ансамблей нейроподобных элементов), что приводит к выработке поведенческих стереотипов.

Искусственная личность.

Искусственная личность есть идеальный конструкт, способный к поглощению всего многообразия процессов преобразования информации, антропоморфно отображающий деятельность своего прототипа – современного разумного человека.

Производная искусственной личности по умственным возможностям дает концепт интеллекта, а производная по физическим возможностям – денотат интеллекта.

Если конструировать искусственную личность как реальную машину, способную преобразовывать не только информацию, но и выполнять вещественные операции в окружающем мире, то она может быть реализована как робот с высокоразвитым интеллектом, имитирующий биологическую, живую машину – человека. В этом случае конструкт может быть назван «антропоморфной искусственной личностью» с соответствующими естественными требованиями к нему: наличие сенсорных органов, аппарата движения и опоры, наличие развитого аппарата переработки информации, естественности движений и поведения.

Если же конструировать искусственную личность как виртуальную машину, способную перерабатывать только информацию, то в этом случае конструкт может быть назван «виртуальной искусственной личностью-роботом». В отличие от антропоморфной искусственной личности, виртуальная все свои органы и элементы только имитирует в форме изображений, однако процессы переработки информации по их результативности вполне реальны и правдоподобны [8–14].

Индивидуальность системы.

Индивидуальные различия системы проявляются в ее деятельности и поведенческих функциях, обусловлены как конструктивной природой ее организации, так и ее «жизненным» опытом, приобретаемым в результате обучения и функционирования.

Упрощенная виртуальная искусственная личность – робот реализована в проекте «VITROM». Проект демонстрировался в Ганновере на выставке CeBIT в 2000 – 2002 гг., в Пекине на выставке информационных технологий в 2000г.

В интеллектуальной системе «Диалог» (2005) осуществлено моделирование мышления. Система демонстрировалась на международной конференции "Knowledge-Dialog-Solution 2007" в Варне и на международной научно-технической мультиконференции «Актуальные проблемы информационно-компьютерных технологий, мехатроники и робототехники 2009» в России.

Таким образом, искусственная интеллектуальная система, обладающая механизмами искусственного мышления (размышления), получает возможность рассуждать, упорядочивать и корректировать свои знания. Осуществляя повторный неоднократный ввод хранящейся в памяти информации, снова распознавая ее и сравнивая с содержимым памяти, тем самым выполняет неоднократный просмотр и коррекцию формируемых внутри образов (моделей внешнего мира) в непрерывном потоке информации реального внешнего мира. Действительно, по существу, процесс осознания представляет собой ассоциативное воспоминание с обновлением и требует периодического распознавания информации, представляющей внутреннее состояние (образ) и внешнюю среду (реальный мир).

Модели, разработанные на базе предложенной теории искусственного интеллекта и осуществленные в проектах «VITROM» и «Диалог», показали возможность создания технических устройств, способных к восприятию визуальной и символьной информации, ее анализу, синтезу и накоплению. Обладать способностью обучаться, отвечать на заданные вопросы, логически мыслить и размышлять.

 

Вопросы для проверки компетентности

Один из способов определить масштаб онтологии – это набросать список вопросов, на которые должна ответить база знаний, основанная на онтологии, т.е. вопросы для проверки компетентности. Эти вопросы будут служить лакмусовой бумажкой: Содержит ли онтология достаточно информации для ответа на эти типы вопросов? Требуется ли для ответов особый уровень детализации или представление определенной области? Эти вопросы для проверки компетентности являются всего лишь формальными и не должны быть исчерпывающими.

В области вина и еды возможны следующие вопросы для проверки компетентности:

1. Какие характеристики вина мне следует учитывать при выборе вина?

2. Вино Bordeaux красное или белое?

3. Хорошо ли сочетается Cabernet Sauvignon с морскими продуктами?

4. Какое вино лучше всего подойдет к жареному мясу?

5. Какие характеристики вина влияют на его сочетаемость с блюдом?

6. Влияет ли с год производства вина на его букет или крепость?

7. Какие урожаи Napa Zinfandel были хорошими?

Судя по этому списку вопросов, онтология будет включать информацию о различных характеристиках вина и типах вин, годах производства вин (хороших и плохих), классификациях еды, которые нужно учесть при выборе подходящего вина, рекомендуемых сочетаниях вина и еды.

Шаг 2. Рассмотрение вариантов повторного использования существующих онтологий

Почти всегда стоит учесть, что сделал кто-то еще, и проверить, можем ли мы улучшить и расширить существующие источники для нашей конкретной предметной области и задачи. Повторное использование существующих онтологий может быть необходимым, если нашей системе нужно взаимодействовать с другими приложениями, которые уже вошли в отдельные онтологии или контролируемые словари. Многие онтологии уже доступны в электронном виде и могут быть импортированы в используемую Вами среду проектирования онтологии. Формализм онтологии часто не имеет значения, т.к. многие системы представления знаний могут импортировать и экспортировать онтологии. Даже если система представления знаний не может работать напрямую с отдельным формализмом, задача перевода онтологии из одного формализма в другой обычно не является сложной.

В литературе и всемирной паутине существуют библиотеки повторно используемых онтологий. Например, мы можем использовать библиотеку онтологий Ontolingua (http://www.ksl.stanford.edu/software/ontolingua/) или библиотеку онтологий DAML (http://www.daml.org/ontologies/). Существует также ряд общедоступных коммерческих онтологий (например, UNSPSC (www.unspsc.org), RosettaNet (www.rosettanet.org), DMOZ (www.dmoz.org)).

К примеру, база знаний по французским винам уже может существовать. Если мы можем импортировать эту базу знаний и онтологию, на которой она основана, то у нас будет не только классификация французских вин, но и первый шаг к классификации характеристик вин, использующихся для разделения и описания вин. Списки свойств вина уже могут быть доступны на коммерческих веб-сайтах, таких как http://www.wines.com/, которые клиенты используют при покупке вин.

Тем не менее, в этом руководстве мы будем считать, что соответствующих онтологий еще не существует, и нач