Кажани і проблема з пінгвінами

Семантичні ланцюги являють собою засіб представлення знань, що базується на формалізмі теорії графів. У таксономічному графі на мал. 2.4 і представлені наші пізнання про птахів, перепончатокрилих ссавців і навіть специфічних видіх риб — літаючих. Однак птахи є куди більш типовими представниками літаючих тварин, чим, скажемо, кажани (перепончатокрилі ссавці), що, у свою чергу, більш поширені, ніж літаючі риби. Цей факт ніяк не відбивається на простому графі.

Аналогічно, простий граф "замовчує" і про інший факт. Незважаючи на те, що гнітюче більшість птахів здатних літати, цього не можна сказати про пінгвінів. Як же відбити на графі виключення з загального правила. Деякі з можливих відповідей ви знайдете в розділі6.

Рис. 2.4. Простий таксономічний граф, що не враховує виключень.

Звичайно, навряд чи дослідження в області машинного "розуміння" будуть довершені. Зараз ми навіть не знаємо, при яких умовах можна зробити висновок, що машина усе розуміє. Але якщо ми не можемо з усією впевненістю чітко сформулювати, що являє собою фундамент машинного розуміння, можна, принаймні, перелічити його необхідні складові.

Перша — це здатність представляти знання про навколишній світ і формулювати судження, ґрунтуючись на таких представленнях. В експертних системах ця здатність демонструється на практиці з обліком того, що в таких системах представляються знання про конкретну предметну область, відповідно і породжувані ними судження відносяться тільки до цієї області. Як і програма Винограду, експертна система виглядає дуже обмежена в змісті обсягу знань, а ймовірність одержати достовірне на наш погляд судження обсягу знань, втягнених у висновок судження.

Іншою ознакою "розуміючої" машини є здатність знаходити чи еквівалентність аналогію між різними представленнями в однакових ситуаціях. Тут, звичайно, рахунок далеко не на користь експертних систем, оскільки в таких системах введення інформації виконується в зовсім визначеній, твердій формі, що цілквідповідає записаним у системі знанням. Будь-яке відхилення від очікуваної схеми може привести до практично непередбачених наслідків.

І останнє — розуміння припускає здатність навчатися яким-небудь нетривіальним способом. Зокрема, нова інформація повинна інтегруватися у вже наявне знання і, можливо, модифікувати його. Такі здібності рідко демонструються в сучасних експертних системах, хоча в останні роки і намітився визначений прогрес в області машинного навчання (докладніше про це читайте в главі 20).

Потрібно відзначити, що сучасні експертні системи ще слабко відповідають багатьом з цих критеріїв, але висновок про те, що вони не володіють "розумінням" хоча б в окремій предметній області, також спірний. У своїй області кожна із сучасних експертних систем "розуміє", тобто здатна вирішувати проблеми, ненабагато гірше, ніж людина [Davis, 1989]. Ряд добре описаних систем вирішує свої задачі на такому ж рівні, що і людина-експерт, хоча і не демонструє "розуміння" того виду, яким так були стурбовані дослідники в описуваний романтичний період. Девис наполягає на тому, що не існує зв'язку на рівні необхідності між приватним процесом рішення проблеми і самим рішенням. Іншими словами, усе, що нам потрібно від експертної системи, — це одержати відповідь, більш-менш близьку до того, що дає людині-експерта-людину, чи допомогти людині дати правильну відповідь. Нам аж ніяк не потрібно, щоб система в процесі одержання відповіді повторювати ту ж послідовність міркувань, що і людина, яка точно таким же способом організувала свої знання про предметну область.

Однак у розділі 11 і далі ми побачимо, що спроби використовувати експертну систему для викладання наштовхують на думку про необхідність переглянути цю точку зору. Результати останніх досліджень в області удосконалювання експертних систем підштовхують нас усе ближче до розпливчастих цілей машинного "розуміння". Ці ж результати породили і новий погляд на процес рішення проблем людиною і надали в наше розпорядження значно більш широкий набір концепцій, придатних для аналізу активності як людини, так і машини при рішенні проблем.