Отражение образного и логического мышления в искусственном интеллекте

Реализация образно-логических представлений в системах искусственного интеллекта представляет серьезные трудности. В настоящее время можно говорить лишь о рассмотрении различных, принципиально отличающихся подходов к представлению образов в базе знаний.

Моделирование, наряду с логическим процессом анализа данных, механизма интуитивно-образных представлений специалиста позволит перейти к целостному восприятию явлений, не поддающихся декомпозиции или теряющих при этом свою познавательную основу. Рассмотрим некоторые подходы к реализации образных представлений в системах искусственного интеллекта.

Нечеткие модели. Образ может быть целостным и, в то же время, полным или неполным, чему соответствует разная степень приближения к исходному («идеальному») образу. Например, один и тот же тип лица может встречаться многократно (хотя каждое из этих лиц будет иметь индивидуальные отличия), что определяется понятием сходства, в связи с чем следует отметить, что именно на основе сходства, а не тождества происходит идентификация образов в псевдооптических нейронных сетях [Кузнецов, 1998].

Особенность человеческого восприятия зрительных образов позволяет до определенной степени игнорировать имеющиеся отличия объектов, например, возрастные изменения. В этом случае в лице сохраняется нечто только ему свойственное, несмотря на появление морщин и других изменений. В этом случае психический (мысленный) образ как бы сохраняет нечто типичное, позволяющее субъекту осуществлять опознание близких образов, иногда «при первом взгляде». Если обратиться к эффекту ассимиляции (уподобления), то можно считать, что «типичный образ» способен замещать множество «близких образов» [Фоминых, 1998]. Это позволяет поставить в соответствие нечеткие представления и на этой основе делать вывод о сходстве/различии.

Рассмотрим применение аппарата нечеткой логики с определением функции совместимости не на множестве математически точно определенных объектов, а на множестве обозначенных некими символами впечатлений [Батыршин, 1996] на случай вербализуемых образов (например, в медицинских приложениях, таких обобщенных понятий как «рыбий рот», «птичье лицо»). Для их обработки может использоваться шкала свойств, в основе которых лежат не объективно-измеримые значения, а оценка свойств наблюдаемого явления экспертом. При интерпретации образов как множеств нечетких объектов более естественно рассматривать некоторое упорядоченное множество, выражаемое лингвистическими оценками, (например, «резко выражено» или «скорее всего», …, «напоминает» или «сомнительно, но не исключено»). При этом следует принимать во внимание как нечеткость самих понятий (терминов)), так и возможную нечеткость в оценке их отнесения к определенному классу, которая может изменяться (уменьшаться/увеличиваться) как в результате субъективности наблюдателей (врачей), обладающих различным опытом, так и относительно объективно за счет разнообразных ассоциативных связей с другими признаками. Необходимо учитывать, что нечеткость и вероятность, моделирующие разные типы неопределенности, взаимно дополняют друг друга, а мера нечеткости нечеткого множества может служить и мерой неопределенности, возникающей при принятии решения о том, к какому из классов отнести объекты анализируемого множества.

Ассоциативность и кластеры. Образам могут быть сопоставлены в базе знаний, с одной стороны, ситуации-аналоги в визуальной или другой форме (сходные в определенных отношениях, но нетождественные «объекты»), с другой Ї комплексы ассоциирующих признаков, позволяющие «достраивать» представления, сформировавшиеся по результатам описанных экспертами реальных объектов, т. е. обеспечивать дополнение в целях восстановления целостности базового образа. Аналогично процессу «прямого» формирования цельного образа в форме индуктивного вывода или инсайта, должна быть организована система активации образов в базе знаний под влиянием вводимых признаков-посылок.

Ассоциативности можно сопоставить обратимость источника и объекта в псевдооптических нейронных сетях. Процессы узнавания и классификации могут реализовываться в таких сетях на основе понятия интерферирующего нейрона [Кузнецов, 1998]. Если обратиться к принципам организации естественных нейроструктур, то существует точка зрения [Соколов, 1996], что нейроны на разных уровнях гештальт-пирамиды «подсвечиваются» активирующими влияниями под действием адекватного стимула.

Учитывая то, что образные представления далеко не всегда формируются в мозге человека как четкие структуры, что рассматривалось выше, представляет интерес использование алгоритма нечеткой кластеризации (Fuzzy c-Means), позволяющего получить для каждой переменной кластеры со значениями центра и дисперсии. Таким путем может быть разработан подход к уточнению первично возникшего недостаточно четкого или противоречивого образа после «перецентрирования» на другие его составляющие. На основе полученных кластеров определяются термы входных и выходных переменных, т. е. каждый кластер инициализирует определенный терм. Это может соответствовать переходу от одного субобраза к другому в условиях предположения о том, что образ — это совокупность субобразов (образный ряд), характеризующихся различными или различно выраженными составляющими, что можно представить как наложенные друг на друга полупрозрачные маски, включающие разные сочетания свойств или вторичных признаков образа. Это объясняет и то, что образ отличается недоопределенностью, а восприятие образа или метафоры всегда связано с рефлексией воспринимающего или представляющего субъекта, формирующийся у которого субобраз является частным случаем «базового» образа. Не следует забывать и то, что переходу субобразов нужно сопоставить сохранение равномерности топологических свойств перцептивного (здесь воспринимающего) пространства.

Кластеризация близких в некотором смысле элементов исследуемой фигуры, характеризующихся нечеткими признаками, является необходимым этапом предварительной обработки изображений, к которым можно отнести и псевдозрительные мысленные образы (субобразы). Выделение элементов одного класса на бинарном изображении возможно с использованием меры подобия объектов, которая может быть положена в основу правила отнесения их к некоторому классу. Последующая процедура кластеризации на основе эвристического критерия является основой для отнесения объектов к одному из классов (аналогией может служить ряд сходных портретов, создаваемые фотороботом).

Мультиагентный подход. В естественном интеллекте реализуется быстрое переключение с образного представления на логический процесс мышления («передача управления» от правого полушария к левому) и обратно. При предъявлении объекта (наблюдении определенной ситуации) в правом полушарии активизируется соответствующий образ, при необходимости уточняющийся путем «центрирования». Затем — в процессе цепочки логических умозаключений — формируется окончательное решение. Рассмотрим в связи с этим возможность обращения к мультиагентным системам, позволяющим работать с неполной, неопределенной и нечеткой информацией, характерной для образов. Так, «размышляющий» (deliberative) агент позволяет принимать решения на основе символьных рассуждений, например, метода сравнения по образцу (Wooldridge M., Jennings N., 1995), в качестве которого можно рассматривать и образ (субобраз).

Условно поставим в соответствие ситуации активизации мысленного образа под действием внешнего стимула систему интеллектуальных агентов. Будем исходить из того, что генетическое поведение агентов включает две линии [Хорошевский, 1999] - активную (Donor Master Behaviour) и пассивную (Recipient Master Behaviour). Пассивными агентами являются как знаки-символы, так и мысленные образы (псевдовизуальные, псевдовербальные), а активными — воздействия внешнего мира (явления, состояния). В этом случае агент, реализующий активную линию — признак, связанный с образом, является инициатором общения, в то время как агент, реализующий пассивную линию, является как бы зеркальным отображением и отвечает на активность различных агентов (например, признаков динамического процесса, являющихся стимулами активизации образа). В задаче на примере медицинской диагностики, при введении в систему наблюдаемого у больного признака, должна происходить активизация связанного с ним образа. В качестве активного агента (стимула процесса принятия решения) может выступать и сам образ или метафорическое высказывание, активизация которого будет делать его инициатором общения, приводя к установлению контакта со связанными с ним агентами-признаками. Агенты должны обеспечивать и контакты между ассоциирующими признаками.

Аргументация в принятии решения. На этапе выбора окончательной гипотезы может быть осуществлен переход к аппарату аргументации [Финн, 1991]. Его особенностью должно быть использование то, что механизм управления выводом интеллектуальной системы должен содержать как «внеличностное знание», так и «личностное знание». Первое будет включать проверки на непротиворечивость аргументов с целью рассуждения, проверки на невыводимость, критерии релевантности аргументов цели рассуждения (смысловое соответствие между информационным запросом и полученным сообщением), процедуры обнаружения сходства объектов, входящих в аргументы, релевантные цели рассуждения. Второе — навыки в отборе подходящих аргументов, выдвижение подцелей на основе аналогий с личным опытом, знание трудных тестовых примеров, играющих роль фальсификаторов, аналогично тому, как это имеет место в работе литературоведа, археолога, врача.