Состояние работ в области искусственного интеллекта в Европе



Дата22.12.2012
Размер60.2 Kb.
ТипДокументы

УДК 004.896(06) Интеллектуальные системы и технологии


Г.С. ОСИПОВ

Институт системного анализа РАН, Москва
Состояние работ в области искусственного интеллекта в Европе
Представлен анализ современных направлений исследований в области искусственного интеллекта в Европе.
В работе анализируются следующие основные направления искусственного интеллекта (ИИ):

  1. Когнитивное моделирование.

  2. Ограничения и поиск.

  3. Распределенный интеллект и агенты.

  4. Преставление знаний и рассуждения.

  5. Машинное обучение.

  6. Обработка естественного языка.

  7. Планирование и составление расписаний.

  8. Роботика и восприятие.

Отмечается, что в целом резко уменьшилось число работ в области немонотонных рассуждений, ревизии убеждений, логического программирования, генетических алгоритмов и нейронных сетей; сложились крупные научные направления со своими методами исследования и лидерами; внутри ИИ появились междисциплинарные направления; появился некоторый «стандарт публикаций».

Когнитивное моделирование. Здесь характерно явление междисциплинарности, а именно: «поверка» формальных моделей логического характера психологическими экспериментами; «психологическое правдоподобие» модели причинности; строится модель причинности, приписываемой агентам, основанная на фоновом знании; фоновое знание представлено немонотонными отношениями следования. Кроме того, исследуются свойства причинности: предпочтения, транзитивность, логическая корректность и стабильность относительно логических операций. В серии экспериментов испытуемым задаются вопросы о причинной связи событий. Таким образом, устанавливается «психологическое правдоподобие» моделей. Экспериментальным образом исследуются процедуры оценки множеств качественных аргументов за и против. Предпринимаются попытки моделирования процессов классификации и категоризации информации популяциями нейронов человеческого мозга.

Ограничения и поиск. Основное направление связано с разработкой эффективных алгоритмов решения переборных задач при наличии ограничений, например, времени, стоимости или еще каких-либо. Важное место занимают мягкие ограничения – функции, ставящие в соответствие каждому значению переменной элемент некоторого частично-упорядоченного множества А, (которое можно интерпретировать как множество значений предпочтений или стоимости). При различном комбинировании ограничений появляются новые их значения, а выбор подходящих операций позволяет ускорить сходимость процесса. Подходящими конструкциями являются:

  • полукольца с операциями + и * (А, +) –коммутативная полугруппа;

  • a £ b if a+b = b;

  • (a+(a * b) = a+ (b * a) = a);

  • - коммутативная полугруппа.


Мягкое ограничение на переменных x, y можно рассматривать как отображение с: (V ® D) ® A, которое определено только на значениях переменных x и y из V, V – конечное множество переменных, D - область интерпретации V; ограничение (V ® D) ® A есть функция, связывающая значения из А с каждым значением функции; h: V®D. Ряд работ посвящен взаимодействию методов поиска решения, основанных на удовлетворении ограничений и методов машинного обучения. Рассматриваются операции над ограничениями, приводящие к решению проблемы.

Распределенный интеллект и агенты. Рассматриваются задачи переговоров агентов: протоколы переговоров – множества правил, управляющих взаимодействием агентов; объекты переговоров – задачи или атрибуты, относительно которых должны быть достигнуты соглашения; «агентские» модели принятии решений – функциональность агентов, используемая для действий в соответствии с протоколом переговоров. Рассматриваются задачи формирования коалиций агентов: агенты инициируют формирование коалиции с переговоров и рассылки своих задач; каждый агент опрашивает других на предмет посылки своей задачи; каждый агент получает при этом множество задач; агент–инициатор вычисляет комбинацию наиболее предпочтительных задач и рассылает соответствующее предложение членам коалиции; строятся соответствующие модели, впрочем, довольно примитивные. Некоторое время назад начали изучаться интеллектуальные агенты с эмоциями. Для этой цели разработаны специальные языки программирования агентов с эмоциями (счастье, печаль, страх, гнев).

Представление знаний и рассуждения. Характеризуется возрастанием роли различных неклассических исчислений, таких как модальные логики, продукционные теории, неполные теории, p2p системы вывода, исчисления для разрешения конфликтных множеств, вероятностный вывод и др. Модальные логики применяются для описания коммуникаций агентов, для чего используются Хорновские варианты логики, расширенные конструкциями вида: “tell (I,j) l “,“ask (I,j) l “, “i tells j that l” и “i ask j whether l in the case”. Иначе говоря, допускаются Хорновские формулы вида: l1 , ... , ln ® ask (I,j) l и tell (I,j) l ® l. Такие исчисления интерпретируются в системах переходов, напоминающих семантику Крипке, однако, в каком-то смысле, более изощренную. Исследуются вопросы корректности и полноты таких семантик. Аппарат систем переходов используется для разрешения конфликтов действий и некоторых иных задач. В ряде работ серьезное внимание уделяется исследованию причинности. Для формализации причинности используются системы правил. Изучаются модификации логических теорий пространства–времени.

Машинное обучение. Активно изучаются и применяются Марковские и полумарковские процессы, т.е. процессы, в которых текущее состояние зависит от истории (последовательности троек <состояние, действие, оценка>) и, так называемые, полумарковские опции < I, p, b >, I Í S, p : S x A ® [0, 1]. Такого рода фундаментальные конструкции применяются для задач обучения, в частности, восстановления прецедентной информации, приведшей систему к тому или иному состоянию. Имеются линейные (по числу переменных) алгоритмы для поиска решений, если проблема представлена в виде Марковской модели. Появились, наконец, работы по взаимодействию методов машинного обучения с экспертными знаниями. В частности, в методах обучения по примерам стали использоваться так называемые аргументированные примеры. Понятно, что это уменьшает размерность пространства гипотез. На этом пути предлагается и метод извлечения темпоральных отношений. Байесовский подход к классификации применяется для извлечения, категоризации терминов и построения тезаурусов в различных Интернет-приложениях. В рассуждениях, основанных на прецедентах предметно-зависимый шаг-адаптация. Предлагается использовать для этого базу прецедентов и трансформационную аналогию.

Планирование и составление расписаний. Здесь проводятся попытки рассмотрения процесса планирования как вывода в различных исчислениях, например, в 4-значной логике Лукасевича. Задача планирования рассматривается как система переходов, а если речь идет о планировании в недетерминированных областях – система переходов с частичной наблюдаемостью: D = < S, A, O, I, T, X> , где S- множество состояний; A - множество действий; O - множество наблюдений; I Í S - множество начальных состояний, I ¹ Æ; T : S x A ®2 S - функция переходов, так что для всяких sÎ S и aÎ A T(s, a) Í S; X: S ® 2 O - функция наблюдения, для всякого sÎ S X (s) Í O. Используются понятия контекста планирования и строго циклического планирования. Последнее, в отличие от строгого планирования, не требует достижения цели за конечное число шагов. Ряд работ посвящен обоснованию различных эвристик в задачах планирования.

Обработка естественного языка. Наблюдается рост внимания к различным аспектам семантического анализа текстов. В частности, исследуются методы автоматической семантической разметки текстов, методы снятия лексической неоднозначности (например, в именовании тезок), методы поверхностного семантического анализа, методы выявления структуры предикатов и ряд иных задач. Автоматическая семантическая разметка выполняется с использованием информации о предметной области и парадигматической информации. Информация о предметной области используется в форме «онтологии» последней. «Онтология» строится методами машинного обучения без учителя. Одна из задач - снятие омонимии. Методы снятия лексической неоднозначности в именовании (при решении задач поиска, например) состоят в извлечении из Интернета таких фраз, которые превращают искомое имя в уникальное и тем самым снижают шум при поиске. Предлагается использовать для этой цели методы машинного обучения. Для каждого имени при этом будет строится кластер фраз, его однозначно характеризующих. Методы поверхностного семантического анализа используют классификацию глаголов Левина ( и иные «предикатные ресурсы») , основанную на синтаксических критериях, что делает её особенно привлекательной для применения методов машинного обучения (SVM). В качестве иных ресурсов выступают FrameNet, VerbNet и PropBank. Классы Левина были использованы для выделения семантических ролей на FrameNet. Использование различных ресурсов увеличивает точность описания глагола, а использование классов Левина может улучшить семантический анализ, основанный на ролевой структуре FrameNet. Можно отметить также работы, посвященные выделению аргументов предикатов на основе синтаксического анализа. Из предложения извлекаются синтаксические поддеревья, которые содержат потенциальные аргументы целевого предиката. Авторы считают, что этот механизм позволит немного прояснить сложные отношения синтаксиса и семантики.


ISBN 5-7262-0710-6. НАУЧНАЯ СЕССИЯ МИФИ-2007. Том 3

Похожие:

Состояние работ в области искусственного интеллекта в Европе iconЛ. М. Чайлахян искусственный интеллект и мозг (Можно ли моделировать мозг средствами искусственного интеллекта?)
Эта проблема подробно рассмотрена в номерах 1-3 журнала «Новости искусственного интеллекта» за 1998 г. [3-5]. На их страницах ведущие...
Состояние работ в области искусственного интеллекта в Европе iconО работе научного советаран по методологии искусственного интеллекта
Первой Всероссийской междисциплинарной конференции, посвященной философским, методологическим и теоретическим проблемам искусственного...
Состояние работ в области искусственного интеллекта в Европе iconМетоды оптимизации инновационных технологий средствами искусственного интеллекта
Целью данной публикации является разработка методов искусственного интеллекта, обеспечивающих многокритериальную оптимизацию технологий...
Состояние работ в области искусственного интеллекта в Европе iconДоклад, представленный на международном конгрессе: «Личность общество: перспективы 21 века» /Брага, Португалия,17-19 ноября 2005 г
Век – век информационных технологий. Их бурное развитие породило феномен искусственного интеллекта. Независимо от того насколько...
Состояние работ в области искусственного интеллекта в Европе iconЭкспертная система контроля и управления торговлей на валютном рынке
В современном мире экспертные системы являются ярким и быстро прогрессирующим направлением в области искусственного интеллекта
Состояние работ в области искусственного интеллекта в Европе iconЛабораторная работа №1 по дисциплине "Системы искусственного интелекта"
Исчисление предикатов первого порядка является теоретической основной множества формализмов методов искусственного интеллекта. Задачи...
Состояние работ в области искусственного интеллекта в Европе iconД противопоставления систем искусственного интеллекта и виртуальной реальности в преподавании когнитивной графики в университете
...
Состояние работ в области искусственного интеллекта в Европе iconЛекции №15, №16 Решение задач и искусственный интеллект
Эвристикой обычно принято называть любое правило, стратегию, прием, существенно помогающий решению некоторой задачи. В области искусственного...
Состояние работ в области искусственного интеллекта в Европе iconЛекции №15 и №16 Решение задач и искусственный интеллект
Эвристикой обычно принято называть любое правило, стратегию, прием, существенно помогающий решению некоторой задачи. В области искусственного...
Состояние работ в области искусственного интеллекта в Европе iconКурс кафедры Дискретной математики фивт по понедельникам, 17: 05-18-30, ауд. 515 Гк
В этом курсе вы познакомитесь с основами активно развивающейся области математической логики, имеющей множество приложений в других...
Разместите кнопку на своём сайте:
ru.convdocs.org


База данных защищена авторским правом ©ru.convdocs.org 2016
обратиться к администрации
ru.convdocs.org