В.А.Горбатов, д-р техн. наук, проф.
Московского горного
университета
Интеллектуальные информационные
технологии и
стратегии (состояние и
перспективы)
Описываются критические технологии, определяющие процветание государства в XXI веке. Особое внимание уделяется синтетическому подходу к решению
основных базовых проблем на базе
характеризационного анализа.
Рекламируются основные достижения и
проблемы этого направления. Благосостояние и процветание любого
государства в настоящее время и особенно в конце XX века — веке
информационного общества — во многом определяется состоянием критических технологий [1].
Критические технологии должны быть:
- базовыми, т.е. являться основой
всех производных технологий, в совокупности образующих технологическую
мультиструктуру производства;
- системными, т.е. имеющими два
описания: пользовательское и описание в категориях технологического процесса, а также
предикат функциональной целосности (эмерджентности), связывающий эти два
описания и определяющий прагматизм технологий;
- многопрофильными, т.е. применимыми
в различных отраслях производства.
Такими технологиями международными и
государственными организациями (Международное общество инженеров
производства, Совет по оценке конкурентоспособности изделий США и др.) были
признаны пять критических технологий:
1)
производство
и обработка материалов различных классов;
2)
автоматизированное
проектирование (САПР) особенно электронных, машиностроительных, организационных систем, а
также строительных, банковских, картографических структур;
3)
производство
электронных компонентов, в том числе hardware;
4)
создание
информационных средств, в том числе
5)
двигателестроение,
Из пяти критических технологий вторая,
третья и четвертая относятся к собственно информационным технологиям.
По прогнозам международных ассоциаций
развитие второй базовой технологии (САПР)
позволит уже в 1995-2000 гг. передавать информацию о проекте на основе сетевой технологии. После 2000 г. реализуется полная автоматизация и оптимизация
систем, начиная с проекта и кончая
их производством. При этом эффективное решение оптимизационных
проблем позволяет получить применение
характеризационной технологии, предложенной автором [2-4]. Эта
технология обеспечивает свойство
"зрячести" алгоритмическим построениям и эффектно устраняет "информационный взрыв" в ЭВМ при
получении оптимальных решений
Интеллектуализация
технологических процессов и соответствующих машин определила проблему схематизации
используемых алгоритмов. Эта проблема актуальна не только в традиционных
предметных технологиях (электронных, машиностроительных, механотронных и др.), но и
новых, например, финансово-банковских технологиях. Третья критическая
технология основана на
развитии концепции мелкозернистых структур и
реализуется в виде нейронных и транспьютерных технологий.
Актуальными
проблемами нейронных технологий являются:
синтез
повторной декомпозиции булевой функции при разложении ее в виде суперпозиции
булевых функций от фиксированного числа переменных (в настоящее время от четырех
или пяти переменных), которой соответствует структура с минимальным, в
пределе равным нулю, временным дебалансом активизируемых цепей; числа "четыре" и
"пять" определяют число синапсов элементарного нейрона: по
технологии России и США— "четыре", Японии — "пять". Эта
проблема решена в Московском государственном горном университете на основе
характеризационной технологии [5];
определение
всех 'аномалий динамических свойств нейронных сетей при их функционировании в
условиях субмикронной
технологии, когда большее влияние на переходной
процесс оказывают задержки в аксонах, чем задержки от неодновременного переключения синапсов. Эта проблема решена в виде разработки теории
трасс, 100%-но гарантирующей
быстрое выявление всех аномалий
динамики нейронных сетей [6].
Кроме
нейро-транспьютерных технологий в этот класс входят:
— биомолекулярные и оптоэлектронные технологии, позволяющие создавать ЭВМ с большой производительностью;
— сетевые технологии, реализуемые в виде
локальных и глобальных
вычислительных систем;
— коммуникационные технологии: сетевая электронная почта, факсимильная связь, спутниковые
ситемы связи;
— интерфейсные технологии: визуализация решения задач, "искусственная реальность",
мульти-медиа технологии, речевой
ввод-вывод, распознаватели и синтезаторы
речевых данных, световое перо, "мышь".
Четвертая
критическая технология — создание информационных средств — определяется прежде
всего развитием
информационной математики, исследующей исчисление
многосортных множеств на основе знания запрещенных и разрешенных фигур. Эффективность четвертой технологии определяется не только
успехами в информационной
математике, но и разработкой новых математических
моделей решения сложных задач, созданием
программного инструментария поддержки процедур работы со знаниями, разработкой и внедрением новых глобальных, в масштабах отдельных
регионов и всего Земного шара,
информационных сетей.
В
отличие от классической математики информационная математика изучает не просто
решение задач, а решение их на ЭВМ с учетом ограниченности вычислительных средств по
времени и объему памяти, т.е. с учетом временной и емкостной сложности
используемых алгоритмов [7,8].
С
точки зрения разработки информационных технологий все множество задач можно разбить
на три класс— задачи, при
решении которых используются:
— формальные
модели конечномерной математики (модели арифметизации
интегро-дифференциального исчисления
и др.), для их решения разрабатываются вычислительные алгоритмы;
— формальные
модели дискретной математики, здесь разрабатываются
алгоритмы на дискретных структурах;
— формализованные
модели искусственного интеллекта, на основе которых строятся процедуры
решения задач, принципиально включающие в
себя элементы озарения человека
и/или его жизненного опыта, интуиции.
Успех
решения любой задачи в основном определяется алгоритмом, при разработке которого
в той или иной мере
используется формальная модель (многосортное множество, совокупность) вида
< М,{Оi}, { Rj},{
(Ok-1} >, i,j,k = 1, 2, 3, ... (1)
где М
— носитель модели;
Оi-1 — i-арная операция в
множестве М, определяющая законы композиции;
Rj — j-арное отношения, Rj Ì Мj, определяющее
свойство;
Оk-1 — k-я кооперация
(обратная операция) в множестве М, определяющая законы декомпозиции;
{Оi}, {Rj}, {Оk-1} — сигнатура
модели.
Изучение
совокупностей (многосортных множеств) в целях синтеза оптимальных алгоритмов
решения задач на ЭВМ является предметом информационной математики. В полной мере
исследования совокупностей вида (1), на наш взгляд, будут проводиться в XXI веке. В настоящее
время изучаются отдельные составляющие: алгебры —
<М,{0i}>, i=1,2,...
(2)
реляционные
модели или собственно модели —
< М,{Rj}
>, j = 1, 2,...
(3)
коалгебры [4] —
< М,{0k-1} >,k=!, 2, ...
(4)
К 60-м годам нашего
столетия завершился период разработки алгоритмов для решения задач первого класса на основе алгебр, в частном виде
— арифметик. С прикладной (предметной)
точки зрения эти алгоритмы интенсивно
разрабатываются в связи с решением ракетно-ядерной проблемы. Большой вклад в развитие этого периода внесли М.В.Келдыш, А.А.Самарский (Россия), Г.Биркгоф (США), А.Кон (Франция) и др. Начиная с 60-х годов начинают бурно
разрабатываться алгоритмы на
дискретных структурах и алгоритмы, основанные
на моделях искусственного интеллекта, при этом активно используются
модели (3), а именно их отдельные классы:
— графы
(Г.А.Дирак (ФРГ), В.А.Горбатов, А.А.Зыков (Россия), Ф.Хахари, О.Оре (США) и др.):
< М, R1, R2 >, R1 Ì М, R2 Ì М2
(5)
— мографы
(В.А.Горбатов, 1965 г.),по западной терминалогии гиперграфы (К.Берж (Франция), 1970 г.), являющиеся обобщением неориентированных графов:
<М, S1, S2,...,Sk>,
Si,Ì Мi,
(6)
{ma1,ma2,...,mai}
Si i=1,2,...,k; maj e M, j =1,2,...,i
— взвешенные
графы (С.Сешу (США), системы с сосредоточенными
параметрами; Р.Гоулд (США), Л.Лефгрен (Швеция), В.АТорбатов (Россия) —
логические сети; И.Р.Форд,
Д.Р.Фалкерсон (США), Н.Кристофидес
(Великобритания) — потоковое программирование; С.Бенцер (США),
П.С.Гилмор, А.Дж.Гофман (США) —
генетика; С.Петри, (США), Т.А.Крупа (Польша), М.Хэк (США), А.Холт (США) - сетевое моделирование; Н.Хомский (США) — лингвистика; М.Мински (США), Э.Фейгенбаум (США), Дж.Клир (США),
Д.А.Поспелов (Россия) — семантические сети, ситуационные
структуры и др.):
<(V, W), (U, Р)>,
(7)
U, V2,
W, Р — веса вершин и дуг соответственно.
Начинают
исследоваться коалгебры (4) (В.А. Горбатов — коалгебра графов при синтезе БИС, 1965 г.).
При разработке
алгоритмов, основанных на использовании моделей искусственного интеллекта,
следует выделить
три этапа развития. Первый этап — логический этап развития (Ван Хао, Дж.Б.Райт,
Э.В.Беркс, А.Ныоэлл, Дж.С.Шоу, Г.А.Саймон (США), 50-е годы). Тезис этого этапа —
небольшое число законов логики плюс вычислительная мощь ЭВМ позволяют создать "искусственный интеллект" для решения
сложных задач, таких как НР — полные задачи. В этот период создается универсальная стратегия решения задач,
основанная на символьном
представлении, логическом выводе и эвристическом поиске оптимальных решений. Одной из первых работ этого периода была программа ЛОГИК-ТЕОРЕТИК (А.Ньюэл, Г.А. Саймон, Дж.С.Шоу, 1957 г.). Ван Хао выдвигает предположение, что настало
время для создания новой ветви
прикладной логики — инфе-ренциального анализа, в котором трактуются
доказательства так же, как в численном
анализе — вычисления. Практика
показала, что при решении задач общность
метода решения и его эффективность находятся в известном антагонизме. Универсальная стратегия решения
задач в рамках одной и той же формализации не дала ожидаемого эффекта.
А.Ньюэл
С
середины 70-х годов начинается второй этап развития теории
искусственного интеллекта — когнитивный период. Выдвинут тезис
"знание-сила", исследователи пытаются построить универсальные системы
представления знаний и манипулирования ими (М. Минский — фреймы; язык КRL — Кпоwledge RepresentationLanguage и др.). Но "знание" — обширное и
неоднородное понятие. В этом направлении исследований знания эксперта являются
решающими, тогда как представление знаний и схемы логического вывода — лишь
механизмами их использования (Э.Фейгенбаум, 1977 г.). "Вес" эксперта заключается в
его компетентности, определяющейся индивидуальными знаниями в узкой
профессиональной области. Отсюда стратегия решения задачи в этот период — не универсальная,
а проблемно-ориентированная. Начинают интенсивно разрабатываться экспертные системы для узких
предметных областей, активно проводятся конференции по отдельным проблемным
областям ТООLS — Тесhпо1оgу оf Object-Оriented Lanuages and System.
Если
логический этап можно отнести к теоретическому направлению развития
искусственного интеллекта, то второй — к экспериментальному. Экспертные системы целесообразно
использовать в случае отсутствия строго математического описания решаемой
задачи или в случае отсутствия приемлемого алгоритма ее решения. В этом случае
решение конструируется в пространстве альтернатив на основе избирательных
процедур, воплощающих индивидуальные знания эксперта. При этом главным вопросом
является извлечение знаний о предметной области у специалиста когнитологом и
их эволюция
путем идентификации, концептуализации, формализации с попоследующей
реализацией в виде совокупности множества результирующих правил, применимых над когнитивными элементами, и
управляющих структур для организации
соответствующего вычислительного
процесса.
Ограниченность
экспертных систем (второго направления развития систем искусственного
интеллекта) является отсутствие конструктивной связи представлений знаний на
различных уровнях абстрагирования — конструктивной связи двух или более
различных по уровням абстрактных описаний одного и того же объекта. Отсутствие
такой связи не позволяет вычислять свойства объекта на /'-м уровне по его
описанию на (*-1)-м уровне. Эта ограниченность будет усиливаться при решении
сложных задач проектирования. Два других недостатка экспертных систем менее
принципиальны: это — "стихийное" развитие самой экспертной системы и невозможность ее
создать при "отсутствии знаний" о предметной области.
Построение
экспертных систем, на наш взгляд, завершает пятисотлетие естественно -научного
(эмпирического развития) человеческого познания. За это время возникли сотни наук
и научных направлений, представители которых с трудом понимают друг
друга. Дальнейшая дифференциация наук будет усугублять противоречие между
Человеком и Природой, углублять сегодняшние кризисы: экологический, информационный,
гносеологический. Выход из этих кризисов, да и самопроникновение в тайны
Вселенной, диктуют необходимость интеграции наук на базе синтетического
подхода, на базе создания метатеорий, позволяющих с единых математических позиций
рассматривать различные области человеческого познания.
Одной
из первых метатеорий на пути интеграции наук был характеризационный анализ,
предложенный в середине 60-х годов автором данной статьи. Уверенность в возможности
создания такой метатеории основывалась на следующем:
— философском принципе "изоморфизма законов" (Л. фон Берталанфи), восходящего к Э.Галуа
("групповые законы"
процессов реальности) и дальше к Пифагору
("музыкальный ряд");
— проективной семантики, связывающей две различные формализации одного и того же объекта (явления)
[3];
— проективно- семантической конструкции упрощения систем
(эквивалентирование систем) [3].
При этом система
определяется как тройка
<Ya, Yb, P0 (Ya, Yb)>
(8)
где Yа — модель описывающая
формализуемый объект (явление) как "черный ящик" (его поведение):
Yа=<Ма,{Раi}>,
i=1,2,...;
(9)
Yь — модель
определяющая структуру объекта,
Yb =<Мb,
{Pbj}>, i=1,2,...;
(10)
Р0(Yа, Yь) — предикат
функциональной целостности (эмерджентности) :
P0(Ya,Yb)=
|
{
|
1, если существует изоморфизм h, (взаимно однозначное соответствие) между элементами носителей Ма и Мb, Ма
« Мь, при котором
(ma1, ma2,..., mai) e R (Pai)
(11)
(mb1, mb2,..., mao) e R (Pbj)
0 — в противном случае
|
имеющая
(тройка) хотя бы две различные предметные интерпретации (для удовлетворения принципа Л.фон Берталанфи).
Характеризационный
анализ является основой информационной математики, в которой основной
вычислительной
процедурой является расширение носителя и/или сужение сигнатуры заданной модели
для приведения ее к интерпретируемому виду в категориях искомой модели. Алгоритмы
этого направления обладают свойством "зрячести", их сложность при
решении реальных задач на
десятки-сотни порядков меньше, чем сложность
эвристических алгоритмов, включающих в себя спектр алгоритмов широкого
класса, начиная от ГСН алгоритмов
(ГСН— Грубая Сила и Невежество) и кончая "хитрыми", "жадными" и другими алгоритмами, критерий отсечения неперспективных вариантов в
которых основан на той или иной
"эвристике". Оценить, на сколько
удалено полученное с помощью эвристического алгоритма решение от минимального
в смысле значения функционала
качества решения, принципиально невозможно в рамках эвристического
подхода. От этого существенного
недостатка свободны характеризацион-ные
алгоритмы.
Основой
характеризационного анализа является исчисление запрещенных и/или разрешенных
фигур, позволившее впервые конструктивно связать различные формальные
системы на семантическом уровне знаний и, как следствие, предложить принципиально
новую интеллектуальную
информационную технологию и стратегию решения задач большой размерности на
дискретных
структурах. Предложенная технология основана на интерпретации
категорий одной формальной системы в терминах другой, что позволяет решать
проблему погружения одной теории в другую, разрабатывать не сотни-тысячи
пакетов прикладных программ (ППП), ориентированных на решение задач
конкретной предметной области, а создавать один-два десятка ППП, ориентированных на
модельные преобразования Yа ® Yb, и интерфейсов "пользователь-ЭВМ"
для каждой предметной области.
На основе метатеорий
характеризационного анализа автором
разработаны:
• теория частичного упорядочения систем, получившая большое практическое применение в информатике, в которой решена проблема оптимального уменьшения функциональной связности модели при
проектировании больших и сложных систем при различных предметных интерпретациях:
— компьютерной
— логическое проектирование программно-аппаратных комплексов;
— транспортной
— трассирование скоростного движения
в больших городах;
— диагностической
— диагностирование сильносвязных
систем (энергетические комплексы, парогенераторы подводных лодок и
др.);
— коммерческой
— гармонизация встречных поставок;
— физической
— компьютерная интерпретация атомных
спектров большой сложности (трансурановые, редкоземельные элементы) при
использовании их в физике
термоядерного синтеза, создания лазеров, оптических ЭВМ; компьютерная обработка снимковой информации в экспериментах по физике высоких
энергий;
— банковской
— диверсификация портфеля инвестора;
• семантическая теория проектирования автоматов, в которой
предложен принципиально новый путь эффективного решения фундаментальных общетеоретических проблем синтеза автоматов на основе
интерпретации выражений входного
языка в категориях выходного без фактического
построения соответствующих конструкций на выходном языке. Это
позволило эффективно проектировать
оптимальные системы логического управления на современных интегральных
структурах: базовых матричных кристаллах,
программируемых логических интегральных
средах, нейронных структурах, впервые реализованных цифровым способом автором
и его учениками в виде
"сотовых" структур, проводить топологическое проектирование программных систем в
транспьютерных сетях с гиперкубической
архитектурой. На основе метатеории
характеризационного анализа разработаны модельные инструментарии
интеллектуальной информационной
технологии и стратегии, реализующие следующие преобразования Yi -> Yj :
— частичное упорядочение мографов без/с заданными максимальными (минимальными) элементами в
соответствующем структурном графе
{диаграмма Хассе);
— преобразование мультиструктуры к
параллельно-последовательному виду
минимальным расширением его
носителя;
— гомеморфное
вложение графа в булево пространство;
— минимальная
(оптимальная) раскраска / мультикраска мографов, в пределе графов;
— разложение
функционально взвешенного графа по мультипликативной связке.
Каждое из этих модельных преобразований имеет различные
предметные интерпретации. Последнее преобразование является основой решения
следующих проблем:
— создание
безотказного программного обеспечения;
— оптимизация
станочного парка в условиях гибкого производства
с учетом непредвиденных и аварийных ситуаций;
— ослабление функциональной связности автоматного оператора,
проблема, которая не была решена при использовании не алгебраической формализации
(алгебра пар, троек, четверок,...,), хотя ее решением занимались ведущие
алгебраисты: Дж.Хартманис, Р.Стирнс (США, 1964 г.), Нобуеки, Тауаши, Нориоши
(Япония, 1974 г.).
Используемая стратегия в предложенной информационной технологии
основана на учете распределения запрещенных и/или разрешенных фигур в
исходной модели Yi
Характеризационный анализ позволяет эффективно решать задачи на
дискретных структурах. На стыке характеризационного анализа и собственно
искуст-венного
интеллекта образовалось третье направление характеризационно-когнитивное
(В.А.Горбатов, Л. А Пучков, 1988 г.) [9], являющееся симбиозом логического и когнитивного
направлений развития искусственного интеллекта. Решение задач при таком подходе состоит из двух
этапов: эквивалентирование исходной задачи известными
модельными преобразованиями {Yi ® Yj} и интерпретация Yi, в категориях Yj Технологическая реализация предлагаемой интеллектуальной
информационной технологии и стратегии
представляет собой распределенную
информационно-вычислительную сеть, включающую
в себя как автоматизированные рабочие места, так и специализированные автоматы, реализующие отдельные модельные преобразования Yi ® Yj.
Учитывая, что вторая, третья и четвертая критические технологии являются сильносвязными,
целесообразно критическими технологиями считать три технологии:
— производство материалов,
— информационные,
— двигателестроение.
Очевидно, что развитие информационных
технологий во многом определяет совершенствование других технологий и позволит
эффективно решить проблемы информатизации мирового сообщества.
Литература
1. Горбатов В.А. Базовые системные, многопрофильные
технологии накануне XXI века.//
Информатизация Москвы, России, Мира, Вселенной, ПА, М.,1995, N°
1(2). С. 22-23.
2. Горбатов В.А. Синтез логических
схем в произвольном базисе.// Теория дискретных автоматов, Рига,
Зинатне. 1967. С.71-82.
3. Горбатов В А. Теория частично
упорядоченных систем, М.: Сов. Радио, 1976, 336 с.
4.
Горбатов ВА Основы дискретной математики, М.: Высшая
школа, 1986,312с.
5. Горбатов А.В. Решение проблемы
синтеза повторной декомпозиции булевой функции и нейронная технология.//
Информационные процессы, технологии,
системы, коммуникации и сети, ПА, М., 1995. С.27-35.
6. Горбатова М.В. Теория трасс.//
Информационные коммуникации, сети, системы и технологии, ПА, М., 1993. С.45-52.
7. Горбатов ВА. Интеллектуализация
информационных технологий.// Информационные
коммуникации, сети, системы и технологии, ПА, М.,
1993. С1-5.
8.
Горбатов
ВА Теоретико-системная
информатика и интеллектуальные информационные технологии и стратегии накануне XXI века.// Информационные
коммуникации, сети, системы и технологии, ПА, М., 1992.
С. 9-17.
9. Горбатов ВА.,
Пучков ЛА. Математическое и программное обеспечение интеллектуальных систем САПР-ГАП в
горном деле (состояние и проблемы).// Логическое управление с использованием
ЭВМ, АН СССР, Москва-Оржоникидзе, 1988. С.3-9.
ИНФОРМАЦИОННЫЕ
ТЕХНОЛОГИИ, №5. 1996
ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ
|