Консультационные системы в юридической деятельности

8.1. Основные концепции моделирования рассуждений

 Информатизация общества, развитие кибернетики и компьютерных технологий привело к возникновению новой междисциплинарной отрасли – правовой информатики. В рамках правовой информатики осуществляется синтез данных юридических и прочих – технических, естественных, гуманитарных наук.

Первые компьютеры были названы ЭВМ не случайно: они были предназначены для вычислений. Однако вычисления позволяют решить только малую долю задач – основную часть человеческой деятельности составляют не расчеты, а рассуждения, поиски путей достижения поставленной цели. Такая деятельность называется интеллектуальной. Естественно, что информатики попытались создать программы, способные к интеллектуальной деятельности – искусственный интеллект.

Существует много определений этого понятия. Одним из определений можно считать тест Тьюринга (рис. 8):

«Испытатель через посредника общается с невидимым для него собеседником – человеком или системой. Интеллектуальной может считаться та система, которую испытатель в процессе своего общения не может отличить от человека».

 

Рисунок 8. Тест Тьюринга. Испытатель пытается определить, находится ли в «черном ящике» человек или техническое устройство.

Другое определение – более конкретное.

Искусственный интеллект ­– информационная система, способная к дедуктивному выводу, т.е. к генерации информации, которая в явном виде не содержится в системе.

 

Краткая историческая справка

Первые исследования, относимые к искусственному интеллекту, были предприняты почти сразу же после появления вычислительных машин. В 50‑е годы начались исследования по автоматическому переводу текстов (как вы знаете, эта проблема не решена до сих пор). В 1957 году Розенблат предложил устройство по распознаванию образов – персептрон, положивший начало разработкам множества других подобных устройств. Тогда же попытались создать машину, играющую в шахматы.

Все алгоритмы сводились к перебору возможных решений и выбора лучшего результата. Чтобы уменьшить количество проб, использовали правила отбрасывания части вариантов. Постепенно исследователи стали понимать, что для эффективной работы программа должна иметь знания в соответствующей области. Это понимание, возникшее в начале 70-х годов, по существу, означало качественный скачок в работах по искусственному интеллекту.

Как вы помните, человеческий мозг хранит не только информацию, но и знания.

Знание – осознанное понимание и толкование информации с учетом путей наилучшего ее использования для достижения конкретных целей.

В процессе принятия решений человек использует разные формы мышления. Среди них можно выделить вербальные (их можно сформулировать) и невербальные. Вербальные формы мышления используют накопленные знания. Невербальные формы могут опираться на опыт, интуицию, инстинкт и пр.

  Искусственный интеллект использует только вербальные формы. Поэтому во многих предметных областях эксперты принимают решения лучше, чем компьютер.

Исследования в области искусственного интеллекта ведутся в нескольких направлениях:

представление знаний (создание баз знаний, формализация специальных знаний);

манипулирование знаниями (обучение ИС методом использования знаний);

общение (понимание речи, текстов, ведение диалога, генерация музыки, стихов);

восприятие информации (распознавание образов: анализ зрительной, акустической, тактильной информации, распознавание запахов);

обучение ИС решению новых задач, с которыми она еще не сталкивалась;

создание моделей поведения (ситуационного, целесообразного и т.д.)

 

Уже к середине 70-х годов появляются первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач – экспертные системы.

Экспертная система – человеко-машинный комплекс, основанный на профессиональных данных специалистов соответствующей сферы, имеющий внутреннюю логику и способный генерировать решения по существу рассматриваемой проблемы.

Хотя экспертные системы всегда жестко связаны с предметной областью, структура всех экспертных систем одинакова (рис. 9):

 

1) контур накопления и обработки знаний для формирования базы знаний (КП); 2) база знаний, на основе которой принимается решение (БЗн); 3) база данных (БД); 4) система обработки запроса пользователя (ОЗ); 5) система объяснений, которая с разным уровнем детализации объясняет, на основе каких рассуждения получен результат (СОб); 6) интерфейс пользователя (ИП).

Рисунок 9. Структура экспертной системы.

 

Формирование базы знаний происходит в процессе совместной работы эксперта – узкого специалиста в области права, и инженера знаний. Последний должен в процессе интервьюирования эксперта формализовать его опыт и знания для дальнейшего ввода в программу. Сложность задачи заключается в том, что человек не всегда может логически объяснить свое решение, принимая его за интуицию. Методики когнитивной психологии позволяют разбить процесс принятия решения на простые составляющие.

В процессе или по результатам решения задачи пользователь может попросить объяснение или обоснование хода решения. С этой целью экспертная система должна предоставить соответствующий механизм объяснения. Объяснительные способности экспертной системы определяют возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя, как и почему получено решение или запрошены те или иные данные, система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически.

Существует несколько способов построения Базы знаний.

Продукционная модель (модель правил), наиболее распространенная в настоящее время. Модель состоит из цепочки правил

ЕСЛИ (а И б И в..) ТО (х ИЛИ у…)

 

Если высказывание в левой части правила истинно, истинно и высказывание в правой части.

Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.

Например, пусть в БЗн записаны следующие правила поиска неисправностей в бытовой технике

ЕСЛИ (отключено электричество) ТО (не работает электрический чайник И не работает телевизор)

ЕСЛИ (телевизор испорчен)
          ТО (нет звука ИЛИ нет изображения)

ЕСЛИ (отключена вилка телевизора) ТО (не работает телевизор)

ЕСЛИ (не работает электрический чайник И не отключено электричество) ТО (электрический чайник испорчен)

ЕСЛИ (телевизор не работает)
          ТО (нет звука И нет изображения)

 

 

Задаем системе

Факт 1 (В телевизоре есть звук, но нет изображения) И

Факт 2 (электрический чайник не работает).

ЭС строит логическую цепочку

Правило 1 à Правило 5 à электричество не отключено (промежуточный результат)

Правило 4 à испорчен чайник.

Заключение ЭС: чайник испорчен.

Объяснение ЭС: электричество не отключено, а чайник не работает.

 

Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а ценность одного невыводимого (нового, дополнительного) правила весьма высока. Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений результатов работы системы.

Основной недостаток продукционных экспертных систем — трудность обеспечения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий. Кроме того, время формирования итогового заключения может быть достаточно большим.

2) Фреймовая модель. Сравнительно новая модель представления знаний.

Фрейм — это минимальная структура информации, необходимая для представления знаний о классах объектов, явлений, ситуаций, процессов и др. Фрейм состоит из узлов и отношений.

Фреймы связаны друг с другом. С помощью фреймов можно моделировать знания о самых разнообразных объектах предметной области — важно лишь, чтобы эти объекты составляли класс стереотипных объектов, процессов и т.п. Примерами стереотипных жизненных ситуаций могут служить собрание, совещание; сдача экзамена или зачета; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др. Примеры стереотипных понятий: алгоритм; действие; методика и др. Понятия права по своей природе стереотипны. На рис. 10 показан пример фрейма Понятие для понятия Право. Этому фрейму соответствуют 4 слота. Для каждого слота есть набор значений, которое он может принимать.

Кто имеет права? – Гражданин.

Какие виды прав он имеет? – Конституционное, гражданское, избирательное, земельное и т.д.

На что распространяются права гражданина? – право на вещь/право на действие

Существуют правила связи слотов между собой. Фрейм Право имеет слот Избирательное право. Он связан с соответствующим Фреймом «Избирательное право». Фрейм «Избирательное право» будет иметь слоты

 

Возраст? (> 18)

Пол? (м, ж)

Гражданство? (РФ)

Болезнь? (кроме психических)

судимость? (отбывает наказание)

 

При запросе слоты с одинаковыми значениями активизируются, из них поступает информация и формируется ответ на запрос

Соответственно, Фрейм «Иванов» будет иметь конкретные значения слотов: 16 лет, мужской, РФ.  Соответственно, следует, что он не имеет права избирать…

Рисунок 10. Фрейм со слотами.

 

Одной из первых была создана экспертная система DENDRAL, разработанная в Станфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром.

Система PROSPECTOR прогнозирует залежи полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты залежи молибдена, ценность которых превосходит 100 миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR несколько лет назад, определила причины превышения предельно допустимых концентраций загрязняющих веществ в Москве-реке в районе Серебряного Бора.

В настоящее время разработка и реализация экспертных систем из научных разработок превратилась в самостоятельную инженерную область.

Большую роль ЭС играют в правоприменительной практике.

ЭС широко используются ФБР, Полицейским управлением Японии. В Европе приняты специальные программы внедрения ИС в правовую сферу.

ЭС отнесены к основным компонентам информационной инфраструктуры Генеральной прокуратуры РФ.

 

2. Задачи обработки естественного языка.

Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. По-прежнему актуальны обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов. Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации, на анализ текстовой информации, на извлечение данных из текстов. Таким образом, значение методов автоматического анализа текстов будет в дальнейшем возрастать.

Самообучающиеся системы

Искусственная нейронная сеть (ИНС, нейронная сеть) - набор нейронов, соединенных между собой. Некоторые входы нейронов помечены как внешние входы нейронной сети, а некоторые выходы - как внешние выходы нейронной сети. Подавая любые числа на входы нейронной сети, мы получаем какой-то набор чисел на выходах нейронной сети. Таким образом, работа нейронной сети состоит в преобразовании входного вектора в выходной вектор (рис. 11).  Однако преобразование основано не на 

Рисунок 11. Формирование нейронной сети.

Пусть стоит задача по 9 параметрам, описывающим лицо, определить пол (человек может приклеить усы или надеть парик). Для этого можно использовать нейронную сеть с 9 входами и 2 выходами (м, ж).

Теперь сеть нужно обучить. Берем некую выборку из базы фотографий, вводим параметры на вход и получаем ответ (возможно, неверный). Вычисляем ошибку и вводим это значение в программу. На основе этой информации нейронная сеть изменит способ преобразования. После многократного предъявления фотографий ошибка будет равна нулю или близка к нулю. Нейронная сеть обучена.

Если теперь ввести параметры произвольной фотографии (например, загримированного человека), можно ожидать верный ответ.

Важно отметить, что вся информация, которую нейронная сеть имеет о задаче, содержится в наборе примеров. Поэтому качество обучения нейронной сети напрямую зависит от количества примеров в обучающей выборке, а также от того, насколько полно эти примеры описывают данную задачу. Если предъявлять ей фотографии одного и того же человека, скорее всего, она не сумеет определять пол других людей.

 Нейронные сети хорошо решают задачи кластеризации, разделяя набор данных на подгруппы со сходными свойствами. Так, например, можно выявить «группы риска» среди автомобилистов или налогоплательщиков.

Нейронные сети также применяют в задачах распознавания образов:

Распознавание речи, идентификация подписи, графологическая экспертиза.