Реферат: Интеллектуальные системы принципы конструирования интеллектуальных систем

ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ

Принципы конструирования
интеллектуальных систем

Ю.М. Арский, В.К. Финн

Аннотация. В статье сформулированы принципы интеллектуального анализа данных и рассмотрен ДСМ-метод автоматического порождения гипотез, содержащий КПЭ-рассуждения. Практика применения КПЭ-рассуждений (в виде ДСМ-рассуждений) дает основание сформулировать тезис о наименьшем «шуме» при порождении гипотез о зависимостях причинно-следственного типа. Кроме того, предложена идея интеллектуализации информационно-вычислительных систем, связанных с имитацией интеллектуальной деятельности.
^ 1. Основные определения: искусственный интеллект и интеллектуальные системы
Стратегия развития информационного
общества в России, проект которой был одобрен на заседании Совета Безопасности РФ в июле 2007 года, предусматривает, в частности, совершенствование информационной инфраструктуры, расширение и использование информационных и телекоммуникационных технологий в жизни общества. Технологии же рождаются в результате взаимодействия науки и промышленности, поэтому наука, как один из «родителей» технологий, ответственна за их высокие качества и эффективность применения. Информационные системы, информационно-вычислительные системы и интеллектуальные системы являются инструментами информационных технологий, широко применяемыми для решения задач управления,
обороны, медицины, образования и поддержки научных исследований. В процессе информатизации общества особую роль играют интеллектуальные системы – основной продукт направления исследований «искусственный интеллект». Целью «искусственного интеллекта» является имитация и усиление рационального поведения человека, основанного на анализе данных, порождении гипотез и поддержки принимаемых решений.

В научно-популярной литературе «искусственный интеллект» часто понимается метафорически как устройство равносильное разуму человека, способное порождать поведение подобное рациональному поведению людей. Однако научные задачи направления исследований «искусственный интеллект» (ИИ) в настоящее время являются более скромными и реалистичными.

Для понимания задач ИИ прежде всего следует уточнить феномен естественного интеллекта. ИИ как направление исследований является аппроксимацией интеллекта естественного, точнее, совокупности способностей, образующих его реальный феномен. Таковыми являются:

способность выделять существенное в наличных знаниях, т.е. упорядочивать их (она – необходимый аспект интуиции);

способность к целеполаганию и планированию поведения – порождение последовательностей «цель  план  действие»;

способность к отбору знаний (посылок выводов, релевантных цели рассуждения);

способность извлекать следствия из имеющихся знаний, т.е. способность к рассуждению, которое может содержать как правдоподобные выводы, используемые для выдвижения гипотез, так и достоверные выводы (следовательно, под рассуждением понимается последовательность правдоподобных и достоверных выводов);

способность к аргументированному принятию решений, использующему упорядоченные знания (представление знаний) и результаты рассуждений, соответствующие поставленной цели;

способность к рефлексии – оценке знаний и действий;

наличие познавательного любопытства: познающий субъект должен быть способен задавать вопрос «что такое» и искать на него ответ;

способность и потребность находить объяснение (не обязательно дедуктивное!), как ответ на вопрос «почему?»;

способность к синтезу познавательных процедур, образующих эвристику решения задач и рассмотрения проблем, например, таковой является взаимодействие индукции, аналогии и абдукции (с учетом фальсификации выдвигаемых гипотез посредством поиска контрпримеров) с последующим применением дедукции;

способность к обучению и использованию памяти;

способность к рационализации идей: стремление уточнить их как понятия;

способность к созданию целостной картины относительно предмета мышления, объединяющей знания, релевантные поставленной цели (т.е. формирование, по крайней мере, приближенной «теории» предметной области);

способность к адаптации в условиях изменения жизненных ситуаций и знаний, что означает коррекцию «теорий» и поведения.

Главным продуктом научных исследований являются компьютерные системы, осуществляющие конструктивное приближение и имитацию способностей (1) – (13), представляющих феноменологию познавательной деятельности человека (она охарактеризована как «идеальный тип интеллекта»). «Ядром» приближенного отображения познавательных способностей человека, охарактеризованных в перечне (1) – (13), являются способности, необходимые для реализации рассуждений и представления знаний, к которым они применимы. Таковыми являются способности (1), (3), (4), (5), (6), (8), (9) и (10), которые конструктивно имитируются в современных системах ИИ в автоматическом режиме работы, способности же (2), (7), (12) и (13) могут имитироваться лишь в интерактивном режиме с участием человека.

Однако следует отметить, что приведенная выше характеризация феномена естественного интеллекта является лишь идеальным типом в смысле Макса Вебера, выражающим существенные черты феномена рационалистического интеллекта (разумеется, не всегда присущего конкретному индивиду).

Термин «интеллектуальный» стал весьма употребляемым словом, но, к сожалению, его употребление далеко не всегда имеет определенный смысл, выразимый в соответствующей понятийной системе компьютерной науки.

Процедуры, имитирующие способности идеального типа интеллекта, которые реализованы в компьютерных программах, будем называть интеллектуальными. Заметим, что не каждая вычислительная процедура может в этом смысле считаться интеллектуальной. Таковой будет процедура, реализующая познавательные способности из перечня (1) – (13).1

Познавательная деятельность, осуществляемая компьютерными средствами, имеет три необходимых аспекта: представление данных и знаний, рассуждения и вычисления, комфорт для пользователя, обеспечивающий доступное и удобное общение с компьютером.

Два первых упомянутых аспекта существенным образом определяют «интеллектуальность» компьютерной системы – возможность получения нового знания посредством использования наличного знания в качестве посылок рассуждения (это предполагает реализацию способностей (1) – (6) и (8) – (10)). Дедуктивное рассуждение подчинено принципу переноса истинности посылок на заключение, а также переносу ложности заключения на посылки: если посылки истинны, то результатом дедуктивного вывода будет истинное заключение; если же заключение ложно, то результатом дедуктивного вывода будет ложность посылок. Такова природа дедукции, а адекватным способом представления знаний для дедукции являются аксиоматические системы (системы аксиом и правил вывода, выраженные в логических языках [1], [2]).

Автоматическое выведение следствий из посылок и автоматическое доказательство теорем является разработанной областью прикладной логики и искусственного интеллекта [3, 4].

Аксиоматические системы и автоматизация дедукции используют представление знаний 0 «замкнутых мирах»: предполагается, что предметная область охарактеризована аксиомами (правда, допускается добавление посылок в качестве гипотез и выводимость из них следствий посредством аксиом и правил вывода). Однако имеются многочисленные проблемы и задачи такие, что знания о соответствующих предметных областях открыты (т.е. постоянно пополняются), а для них требуется выдвинуть гипотезы, допускающие проверку и фальсификацию. В свою очередь выдвижение гипотез (как рациональных догадок) требует создания формализованных методов их порождения из множеств эмпирических фактов с использованием имеющегося
знания. Следовательно, возникает потребность разработки формализованных эвристик, допускающих автоматизацию в компьютерных системах, таких, что они содержат различные познавательные процедуры для извлечения нового знания из имеющихся фактов (баз фактов) с использованием наличных знаний (баз знаний). Таким образом, мы приходим к заключению, что имеется необходимость разрабатывать компьютерные системы, содержащие как средства извлечения знаний из баз фактов (knowledge discovery), так и средства порождения гипотез и способы объяснения имеющихся фактов с использованием порожденных гипотез. Это означает, что имеется необходимость в реализации способностей (8) – (10), упомянутых выше как обязательных черт идеального типа интеллекта.

Итак, анализ данных посредством автоматизированных познавательных процедур с использованием баз фактов и баз знаний, автоматическое порождение гипотез, процедуры объяснения исходного состояния баз фактов с целью оправдания и принятия гипотезы, наконец, дедуктивный вывод из имеющихся ранее знаний и знаний, полученных в результате индуктивного обобщения сходных фактов из баз фактов (т.е. машинного обучения), реализованные в компьютерной системе, дают основание охарактеризовать ее как интеллектуальную.

Рассуждения, применяемые для формализации эвристик решения задач в компьютерной системе таких, что необходимо выдвижение гипотез (рациональных догадок), согласующихся с базой фактов, будем называть правдоподобными рассуждениями.2

Правдоподобные выводы, содержащиеся в правдоподобных рассуждениях, не подчиняются принципу дедукции, ибо из истинных посылок в правдоподобных выводах могут следовать неистинные заключения. Таковыми, например, являются индуктивные обобщения сходных фактов (результат процедуры индукции), а также выводы по аналогии, применяемые при решении творческих задач. Заключения правдоподобных выводов имеют оценку некоторой степени правдоподобия. Задачей формализации правдоподобных выводов является построение средств конструктивного порождения степени правдоподобия выводов и формулирование критериев принятия гипотез, являющихся результатом правдоподобного рассуждения.

Формализованные эвристики, применяемые в современных компьютерных системах для решения различных классов задач (соответствующих «целям» рассуждения, представляющих способность к целеполаганию идеального типа интеллекта (2)), формулируются как взаимодействие некоторых познавательных процедур. Примером такой формализованной эвристики является взаимодействие индукции, аналогии и абдукции (принятия гипотез посредством объяснения исходного множества фактов) [6,7].3

Подчеркнем еще раз, что общей характеристикой правдоподобных выводов является их не дедуктивный характер: из истинности посылок не вытекает истинность следствия, следствие является лишь правдоподобным высказыванием. Следовательно, рассуждения, содержащие правдоподобные выводы, имеют лишь правдоподобные следствия. Правдоподобные выводы, следствия которых есть результат догадки, оформленной в виде некоторого правила, называют амплиативными выводами (этот термин использовал автор идеи абдукции американский математик и философ Ч.С. Пирс).

Охарактеризуем теперь класс правдоподобных рассуждений, называемых когнитивными правдоподобными рассуждениями (КП-рассуждениями).

КП-рассуждения подразделяются на три подкласса: вероятностные (например, использующие байесовские правила); приближенные (например, использующие аппарат нечетких множеств [8]); правдоподобные рассуждения, являющиеся организацией различных взаимодействующих познавательных процедур.

Сформулируем некоторый подкласс КП-рассуждений, который будем называть когнитивными правдоподобными эмпирическими рассуждениями (КПЭ-рассуждениями), характеризуемыми утверждениями А1 – А9. КПЭ - рассуждения являются эффективным инструментом для компьютерной имитации интеллектуальных способностей (1) – (13). Заметим, что в современных компьютерных системах, реализующих методы искусственного интеллекта, используются все указанные выше подклассы правдоподобных рассуждений, а также автоматизированные дедуктивные выводы.

Применение рассуждений в компьютерных системах не является делом произвольного выбора, ибо их эффективность зависит от соответствия приведенных выше подклассов правдоподобных рассуждений типам предметных областей W («миров»). Можно выделить три типа предметных областей W, знания о которых используются в компьютерных системах, имитирующих интеллектуальную активность человека, охарактеризованную посредством способностей (1) – (13):

(а) предметные области W («миры», «универсумы») такие, что факты, принадлежащие им, являются случайными событиями; соответственно, правила вывода, применяемые в рассуждениях о W, используют аппарат теории вероятностей (в том числе различные статистические методы анализа данных);

(в) предметные области W такие, что факты, принадлежащие W, причинно обусловлены; соответственно, правила вывода, применяемые в рассуждениях о W, порождают гипотезы о причинно-следственных зависимостях и основанные на них обобщения;

(с) предметные области W такие, что факты, принадлежащие W, могут быть как причинно обусловленными, так и случайными событиями. Это означает, что W является объединением «миров» (а) и (в); а рассуждения, применяемые к знаниям о W, должны использовать правила, порождающие гипотезы о зависимостях причинно-следственного типа с учетом вероятностных соображений (например, частоты появления причинно-следственного эффекта).

Приведем ниже утверждения А1 – А9, характеризующие КПЭ-рассуждения.

А1. Знания, используемые в КПЭ-рас­суждениях, должны некоторым образом соответствовать типам предметных областей (в) и (с), содержащих зависимости причинно-следственного типа (т.е. детерминациям изучаемых эффектов)4.

А2. Знания, используемые в КПЭ-рассуждениях, являются открытым множеством высказываний. Это знание пополняется в соответствии с некоторым критерием, контролирующим принятие гипотез, полученных посредством амплиативных выводов.

А3. КПЭ-рассуждения являются синтезом некоторых познавательных процедур, включающих индукцию. Индукция используется для сравнения фактов установления их сходства и порождения гипотез о причинно-следственных зависимостях. Примером такого синтеза может служить взаимодействие индукции, аналогии и абдукции [7].

А4. Индуктивные процедуры, реализующие идею индукции (порождение обобщения сходства рассматриваемых фактов), представимы в виде специальных правил амплиативного вывода, отличных от перечислительной индукции.

А5. При формализации КПЭ-рассуждений используется неклассическая концепция истины такая, что:

различаются оценки фактов, гипотез и металогических утверждений о них [9];

оценки гипотез есть некоторые степени правдоподобия, эффективно порождаемые посредством амплиативных правил;

используемые металогические утверждения имеют истинностные значения «истина» или «ложь» двузначной логики.

А6. Правила амплиативных выводов формулируются в аргументативном языке [10] так, что порождаемые гипотезы проверяются на наличие аргументов за их принятие и аргументов против их принятия (контраргументов).

А7. Утверждение А6 предполагает, что в «мирах» W типа (в) или (с) существуют как положительные примеры (факты) исследуемого эффекта ((+)-примеры), так и отрицательные примеры (факты) (()-примеры), а порожденные гипотезы о зависимостях причинно-следственного типа являются аргументами или контраргументами для предсказания наличия или отсутствия изучаемого эффекта у соответствующих объектов из имеющегося массива фактов. Это означает, что в процессе реализации КПЭ-рассуждений автоматически порождаются фальсификаторы гипотез.

А8. Исходными данными КПЭ-рассуждений (в компьютерной системе они образуют базу фактов (БФ)) являются множества высказываний, представляющих факты, т.е. результаты эмпирического исследования (например, описание экспериментов или наблюдений). Эти факты содержат объекты со сложной структурой (множества, кортежи, графы, системы отношений и т.п.), характеризуемые как качественными, так и количественными параметрами. Отсюда следует невозможность манипулирования (в том числе – установление сходства) массивами этих фактов в реальное время без применения компьютерных систем.

А9. Исходные данные КПЭ-рассуждений (т.е. начальные состояния БФ компьютерных систем) расширяются в зависимости от полученных результатов и выполнимости критерия принятия гипотез (в соответствии с А2). Это расширение является динамическим формированием БФ достаточно информативной для того, чтобы порожденные гипотезы объясняли начальное состояние БФ и были приняты.

Утверждения А1-А9 характеризуют класс формализованных эвристик, реализуемых в компьютерных системах посредством КПЭ-рассуждений, которые содержат индуктивные процедуры. Эти процедуры основаны на установлении сходства фактов, имеющего осмысленную интерпретацию. При этом осуществляется принцип качественного анализа данных: сходство фактов влечет наличие (отсутствие) изучаемого эффекта и его повторяемость.

Компьютерные системы, которые являются средством автоматизации способностей (1) – (13), представляющих явную характеризацию феномена естественного интеллекта (они образуют идею интеллекта как идеального типа) будем называть интеллектуальными системами (ИС), если они имеют специфическую архитектуру, допускающую определенные вариации. Схематически эта архитектура может быть представлена следующим образом:

ИС = Решатель задач + Информационная среда + Интеллектуальный интерфейс. Решатель задач = Рассуждатель + Вычислитель + Синтезатор. Информационная среда = База фактов (БФ) + База знаний (БЗ). Интеллектуальный интерфейс состоит из средств представления результатов (в том числе графического), диалога на естественном языке и научения работе с компьютерной системой. Существенной особенностью ИС является реализация в Рассуждателе КПЭ-рассуждений в интерактивном режиме с целью соответствующего пополнения БФ для формирования информативности представлений изучаемых эффектов и подбора посылок, релевантных цели рассуждения. Обратим внимание на соответствие этого подбора посылок КПЭ-рассуждений способностям (1) – (13) в характеризации интеллекта как идеального типа.

Подбор посылок, релевантных цели рассуждения, возможен в ИС благодаря процедурам КПЭ-рассуждения (индукции и аналогии, использующих сходство фактов в БФ и сходство знаний в БЗ).

БЗ в ИС задана посредством процедур, реализуемых Рассуждателем и Вычислителем, аксиом структур данных (например, аксиом булевой алгебры, если объекты и их свойства, содержащиеся в БФ, представлены множествами элементов), а также дескриптивных аксиом, характеризующих соответствующую предметную область.

Архитектура ИС является структурой, соответствующей следующим основным функциям ИС: представлению данных и знаний в компьютерной системе; осуществлению рассуждений и вычислений для решения класса задач, представляющего цель познавательного процесса, реализуемого в ИС; а также комфортному для пользователя интерфейсу.

ИС, осуществляющие КПЭ-рассуждения, способны анализировать данные, порождать гипотезы о зависимостях между параметрами представленных в БФ фактах посредством выдвинутых гипотез ИС, способны объяснять наличие или отсутствие эффектов, которыми обладают объекты из БФ, имеющей структуру «объект – эффект». Порожденные Решателем задач гипотезы используются для предсказания эффектов, содержащихся в БФ, которая соответствует определенному классу задач.

Анализ данных посредством ИС будем называть интеллектуальным анализом данных (ИАД)5.
^ 2. Принципы конструирования
интеллектуальных систем
и интеллектуальный анализ данных
Сформулируем принципы интеллектуального анализа данных, образующих методологию извлечения знаний из БФ. Формулируемые принципы ИАД естественным образом соответствуют характеризации КПЭ-рассуждений посредством условий А1 – А9, так как КПЭ-рассуждения являются логическим средством извлечения знаний из объединения БФ и БЗ.

Принцип I (цель ИС)

Для создания ИС должна быть сформулирована проблема Р1, которой соответствует класс формализуемых задач.

Примерами Р1 являются медицинская диагностика по клиническим данным и выбор наилучшего способа лечения, предсказание биологической активности химических соединений (в том числе токсичности и канцерогенности), планирование и интерпретация химических экспериментов, контроль загрязнения окружающей среды6, техническая диагностика, поддержка принятия решений с использованием предыдущего опыта, предсказание социального поведения (действий, установок, мнений) и распознавание его рациональности, формирование типологии преступлений на основе базы прецедентов с последующим распознаванием типа конкретного преступления (например, преступлений рецидивистов и т.п.), автоматическая классификация текстов, выбор решения роботом посредством анализа ситуации, принятие решений в многоагентных системах и т.д.

^ Принцип II (типы «миров» и представление знаний о них)

Ранее были охарактеризованы три типа предметных областей W («миров») (а), (в) и (с) такие, что факты, принадлежащие W и знания о W используются в ИС: цель Р1 ИАД формулируется посредством представления знаний в соответствии с типами W (а), (в) и (с).

^ Принцип III (адекватность предметной области W и Решателя для Р1)

Рассуждатель и Вычислитель должны содержать методы рассуждений и вычислений, соответствующие типам W (а), (в) и (с).

Очевидно, что для типа (а) адекватнымии методами анализа данных будут статистические методы, а для W типа (в) адекватными методами рассуждений будут правдоподобные рассуждения, формализующие анализ отношений причинно-следственного типа.

^ Принцип IV (условие применимости ИС для ИАД)

Этот принцип является развитием Принципов II и III. Он сосотоит в том, что условия применимости Решателя задач должны быть точно сформулированы. Например, для миров типа (в) может быть охарактеризован класс каузальных моделей, к которым применим метод автоматического порождения гипотез, осуществляемый посредством КПЭ-рассуждений [7] соответствующим Рассуждателем. БФ, представляющая предметные области W типа (в), должна содержать позитивные и негативные примеры изучаемого эффекта. В БФ в неявном виде должны содержаться причинно-следственные зависимости как позитивные (вынуждающие наличие эффекта), так и негативные (вынуждающие отсутствие эффекта). Кроме того, структура данных, используемая для представления фактов в БФ, должна быть пригодна для формализации структурного сходства фактов. Это обстоятельство делает возможным реализацию условия: сходство фактов влечет сходство эффектов и их повторяемость (это условие лежит в основе формализованного качественного анализа данных).

Примером цели Р1 и ИАД в БФ является предсказание токсичности химических соединений в БФ такой, что в ней представлено отношение «химическое соединение – токсичность» [13]. ИАД состоит в том, что ИС посредством Рассуждателя порождает гипотезы о фрагментах химических соединений, которые ответственны за наличие (отсутствие) эффекта токсичности. Позитивные гипотезы ((+)-гипотезы) о причинах наличия токсичности и негативные гипотезы (()-гипотезы) о причинах отсутствия токсичности порождаются как индуктивные обобщения сходства позитивных и негативных фактов, соответственно, представленных в БФ. Порожденные индукцией (+)-гипотезы и ()-гипотезы образуют автоматически образованный фрагмент БЗ в соответствии с условием – «сходство фактов влечет сходство эффектов и их повторяемость».

Другим примером БФ типа (в) для ИАД является база историй болезней для диагностики двух заболеваний глаз – дегенеративного ретиношизиса и наследственных витреоретинальных дистрофий, созданная в Лаборатории клинической физиологии зрения МНИИ глазных болезней им. Гельмгольца. В соответствии с приведенным выше условием установления сходства посредством индуктивных обобщений Рассуждатель порождает (+)-гипотезы и ()-гипотезы, являющиеся достаточными условиями для диагностики указанных глазных заболеваний (эти гипотезы образуют фрагмент БЗ соответствующей ИС)7.

^ Принцип V (синтез познавательных процедур для ИАД в БФ)

ИС, используемые для ИАД в соответствии с Принципом IV, применяются для предметных областей W таких, что знания о них слабо формализованы, а данные (факты) пригодны для структурирования для установления сходства. Поэтому для достижения цели ИАД необходима соответствующая W формализованная эвристика. В силу этого актуален следующий принцип: формализованная эвристика для решения задач посредством ИС, соответствующих цели (проблеме) Р1, должна быть синтезом познавательных процедур, применение которого к объединению БФ и БЗ (БФБЗ) порождает новые знания, расширяющие БЗ.

Решатель задач, осуществляющий этот синтез посредством своих подсистем Рассуждателя, Вычислителя и Синтезатора, использует эвристики в соответствии с Принципом III при условии выполнимости Принципа IV.

Принцип V соответствует интеллектуальной способности (9) – возможности синтеза познавательных процедур, образующих эвристику для решения определенного класса задач.

Примером синтеза познавательных процедур является эвристика, объединяющая процедуры индукции, аналогии и абдукции (принятие порожденных гипотез посредством объяснения начального состояния БФ). Эта эвристика реализуется посредством КПЭ-рассуждений типа «индукция + аналогия + абдукция», используемых в ДСМ-методе автоматического порождения гипотез [7, 15, 16]8.

^ Принцип VI (фальсифицируемость и
аргументируемость результатов работы
Решателя)

Уточним предварительно идею «знание в компьютерной системе». Знания в компьютерной системе (КС) подразделяются на процедурные и декларативные. Под процедурными знаниями понимают задание алгоритмов и их комбинаций, применяемых в Решателе для достижения цели, и представимой классом задач. Процедурными знаниями являются стратегии решения задач, образованные посредством комбинирования различных видов рассуждений и вычислений, которые, соответственно, осуществляются Рассуждателем и Вычислителем. Взаимодействие же Рассуждателя и Вычислителя производится Синтезатором.

Под декларативным знанием понимают систему утверждений, которая определяет класс решаемых задач. Таковыми утверждениями являются дескриптивные утверждения, характеризующие как предметную область, так и структуру данных, представленных, в частности, в БФ (примерами структур данных являются булевские структуры, а также структуры данных, в которых объектами являются графы, пространственные графы, системы отношений и т.п.).

Декларативными знаниями в ИС являются также утверждения, выражающие в импликативном виде (если …, то …) правила правдоподобного вывода Рассуждателя (в том числе правила вывода в КПЭ-рассуждениях для индукции и аналогии). Эти утверждения входят в метатеорию ИС и создают возможность исследования процесса функционирования ИС на логическом уровне. Если КС есть ИС, то цель Р1 достигается посредством осуществления Принципа V, применяемого к БФ и БЗ.

Обозначим множество декларативных знаний ИС посредством , тогда применение Решателя к объединению  и БФ представим как Решатель (БФ)= [R], где R=БФ, Решатель - упорядоченная пара, называемая каркасом ИС, а [R] – множество всех результатов применения Решателя к БФ.

Принцип VI состоит в том, что в ИС должны содержаться средства фальсификации результатов применения Решателя к БФ. Таковыми могут быть утверждения из , которые накладывают ограничения на [R], или же автоматически порожденные фальсификаторы, которые извлекаются из отрицательных примеров БФ и запрещают некоторые гипотезы, порождаемые Решателем.

Аргументируемость результатов из [R] означает, что порождаемые Решателем гипотезы имеют аргументы за их применение и не имеют контраргументов, их запрещающих. Очевидно, что этот принцип ИАД соответствует интеллектуальной способности (5) и свойству А6 КПЭ-рассуждений.

^ Принцип VII (синтез теорий истины)

Для ИС, аппроксимирующих базисные
способности интеллекта (1) – (13) (в том числе выделение существенных факторов, синтез познавательных процедур, правдоподобные рассуждения и порождение гипотез, машинное обучение на примерах из БФ) неадекватной оказывается аристотелевская теория истины как теория соответствия, формализованная А. Тарским средствами двузначной логики для дедуктивных наук [17] (см. также [18], глава 9). Дело в том, что порождаемые Решателем гипотезы либо правдоподобны, если порождены Рассуждателем посредством правдоподобных рассуждений [19], либо имеют некоторую вероятность, если порождены Решателем с использованием статистических методов. Однако и в том, и в другом случае имеются критерии принятия гипотез на основе БФ и БЗ.

Уточним строение БЗ. Напомним, что Решатель (БФ)= [R]. Применение Решателя к БФ порождает множество высказываний [R], но так как Решатель имеет три подсистемы – Рассуждатель, Вычислитель и Синтезатор, то он использует для решения проблемы Р1 (цели ИС) множество правил правдоподобного и достоверного (дедуктивного) вывода Г и множество вычислительных процедур С. Правила из Г и процедуры из С реализуются в Рассуждателе и Вычислителе, соответственно, а их комбинирование осуществляет Синтезатор (напомним, что Решатель = Рассуждатель + Вычислитель + Синтезатор).

Если результат работы Решателя, содержащейся в [R], получен с применением Синтезатора и Вычислителя и является высказыванием, то он принадлежит , где [R]. Если же результаты получены только применением Рассуждателя, то все такие высказывания обозначим посредством , где =Рассуждатель (БФ), а .

Теперь можно охарактеризовать строение БЗ для ИС, осуществляющей ИАД для решения проблемы Р1:

БЗ=, , Г, С.

Отметим, что  - вторая компонента этой упорядоченной четверки, является открытым множеством, ибо последовательное применение Решателя с изменением БФ или изменением стратегий решения Р1 изменяет .

Таким образом, применение Решателя к БФ и использование БЗ, содержащей гипотезы, принятые посредством соответствующих критериев, порождают оценки вновь полученных знаний в силу согласованности с имеющимися знаниями в БЗ и посредством правил правдоподобного вывода. Следовательно, теория соответствия Аристотеля – Тарского недостаточна для понимания истинностных оценок высказываний из . В связи с этим фактически в ИС используется теория истины, называемая теорией когерентности [18], в которой значения истинности высказываний основаны на имеющихся знаниях, а не на соответствии реальности.

Наконец, результаты работы ИС могут иметь практическую полезность, хотя их истинность не была установлена. В этом случае можно говорить о применимости прагматической теории истины [18]: истинно то, что полезно.

Таким образом, когнитивный процесс порождения нового знания в ИС, включающий ИАД и выдвижения гипотез, может быть охарактеризован посредством трех теорий истины – теории соответствия, теории когерентности и прагматической теории. В самом деле, БФ формируется при соблюдении теории соответствия, гипотезы оцениваются согласно теории когерентности, а результаты работы ИС могут быть оправданы согласно прагматической теории истины. Таков Принцип VII для ИС, использующих автоматическое порождение гипотез и машинное обучение.

^ Принцип VIII (инвариантность структуры Рассуждателя относительно варьируемости предметных областей и структур данных)

Если Рассуждатель используется для решения некоторого класса задач посредством синтеза познавательных процедур согласно Принципу V, то структура Рассуждателя не изменяется при применении его к различным предметным областям W и различным структурам данных таким, что они удовлетворяют Принципу IV – условию применимости ИС. Таким образом, при варьировании W и структур данных не изменяется тип правил правдоподобного вывода и тип рассуждения. Например, сохраняется синтез познавательных процедур типа «индукция + аналогия + абдукция» с последующим применением дедукции, осуществляемый посредством КПЭ - рассуждений.

Это означает, что может быть задан класс интеллектуальных систем ИСj, соответствующих проблемам Р1(j), j=1, …, k, решения которых осуществляются одним типом формализованных эвристик. Этому классу эвристик соответствует один и тот же тип Рассуждателя и аналогичные условия его применимости, характеризуемые Принципами III и IV. Будем этот класс формализованных эвристик называть «ядром» Решателя. Очевидно, что конкретная ИСj есть «ядро» + его спецификация относительно предметной области W и проблемы Р1(j).

Класс проблем Р1, имеющих «ядро» интеллектуальных систем ИСj, будем называть суперпроблемой (очевидно, что Р1(j)Р1). Например, суперпроблемой Р1 является прогнозирование каких-либо эффектов посредством порождения гипотез о причинно-следственных зависимостях в БФ, а конкретными проблемами Р(1)1, Р(2)1 и Р(3)1 являются проблемы, соответственно, прогнозирования биологической активности химических соединений с помощью гипотез о фармакофорах (предполагаемых причин биологической активности химических соединений – их подструктур), прогнозирования электорального поведения посредством некоторых детерминант, содержащихся в описаниях индивидуальных социальных субъектов, а также прогнозирования диагноза посредством гипотез, полученных на основании сравнений историй болезней.

^ Принцип IX (наличие метауровня ИС)

Пусть заданы каркас ИС R=БФ, Решатель, Решатель (БФ)=[R] и Рассуждатель (БФ)= и БЗ=, , Г, С, где [R], выраженные посредством формального языка представления знаний L, выразительная сила которого не слабее языка логики предикатов 1-го порядка [1]. Будем полагать, что имеются метаматематические средства МL такие, что в языке МL можно формулировать дедуктивную имитацию Рассуждателя [20] и осуществлять анализ алгоритмов, соответствующих процедурам Решателя [21]. Из этого следует, в частности, возможность выбора стратегий решения задачи Р(j)1 на логическом уровне. Отметим, что изменение стратегии может иметь место после препроцессинга и экспериментальных (пробных) применений ИС. Принцип IX соответствует интеллектуальной способности (13) (адаптация в связи с изменением ситуаций и знаний). Кроме того, следует отметить, что этот принцип предполагает интерактивное использование ИС как человеко-машинной системы.

Таким образом, осуществление Принципа IX создает возможность планирования и выбора стратегии решения задачи в компьютерной системе на логическом уровне.

^ Принцип X (абдуктивное объяснение результатов ИАД посредством ИС)

Если исследуемая предметная область является «миром» W таким, что он характеризуется множеством аксиом А1, …, Аm, то объяснением события Е является следующая схема [22]:

А1, …, Аm

В

Е,

где В – условие реализации события Е, которое дедуктивно следует из посылок А1, …, Аm, В.

Однако, эта схема дедуктивного объяснения не охватывает случаев открытых теорий, для которых предметная область может быть охарактеризована аксиомами лишь частично, а массив экспериментальных данных расширяется, что может порождать новые обобщения. не принадлежащие ранее принятым утверждениям. В ИС этой ситуации открытости знаний о предметной области соответствуют процедуры машинного обучения в БФ посредством КПЭ - рассуждений, содержащих индукцию, выявляющую сходство фактов.

Для предметных областей таких, что схема дедуктивного объяснения не является применимой, используется схема абдукции Ч.С. Пирса [23]:

D – множество фактов

Н – множество гипотез

Н объясняют D

Всякая h, принадлежащая Н, является правдоподобной.

Если D есть БФ, Н