Kapitola 2 Umìlá inteligence a znalostní in¾enýrství doplnìný zákon logiky:
Umìlá inteligence má s inteligencí právì tolik spoleèného jako \pøírodní aromatické látky" s pøirozenou chutí.
Murphyho poèítaèové zákony
2.1 Struèná historie umìlé inteligence Stroje a mechanismy napodobující lidskou èinnost zamìstnávají fantazii èlovìka od nepamìti. Zmínky o umìlých bytostech nacházíme v krásné literatuøe ji¾ u Homéra, i první dochované zmínky o konstrukci mechanismù a automatù jsou z antických dob. Dlouhou dobu se v¹ak jednalo pouze o technické høíèky bez jakýchkoliv intelektuálních schopností. A¾ v roce 1642 zkonstruoval Blaise Pascal první poèítací stroj, který na principu otáèení koleèek provádìl sèítání a odèítání. Za pøímého pøedchùdce dne¹ních poèítaèù a umìlé inteligence lze v¹ak pova¾ovat a¾ Anglièana Charlese Babbage, který od roku 1833 vytváøí projekt analytického stroje (analytical engine). Poprvé se zde objevuje my¹lenka dvou základních èástí poèítaèe: procesoru a pamìti, které Babbage nazývá (v duchu prùmyslové revoluce) fabrika a sklad. Ve skladu byl ulo¾en "program" v podobì lístkù z tuhého papíru s vydìrovanými otvory. Babbage o svém projektu prohlásil, ¾e bude pøedstavovat mechanizovanou inteligenci, bude-li 1
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
2
schopen "po¾írat svùj vlastní ohon", tedy prostøednictvím své funkce mìnit vlastní "skladovaný" program. Podle Marvina Minského je umìlá inteligence vìda, jejím¾ úkolem je nauèit stroje, aby dìlaly vìci, které vy¾adují inteligenci, jsou-li provádìny èlovìkem. Za zrod umìlé inteligence je pova¾ován rok 1950, kdy britský matematik Alan Turing ve svém èlánku Computing Machinery and Intelligence uveøejnìném v èasopise Mind1 polo¾il provokující otázku \Mohou stroje myslet?". Odpovìï hledal autor v behavioristickém pøístupu k vìci. Inteligenci stroje posuzuje výluènì na základì jeho vnìj¹ího chování, v dialogu s èlovìkem. V navr¾eném testu (pozdìji tento test dostal název Turingùv) je experimetátor spojen dálnopisem se dvìma místnostmi; v jedné je èlovìk, ve druhé stroj (poèítaè). Úkolem experimentátora je zjistit (pomocí libovolných otázek) kde je stroj a kde je èlovìk. Úkolem stroje je pøedstírat, ¾e je èlovìk, úkolem èlovìka v jedné z místností je umo¾nit experimentátorovi aby rozhodl správnì. Nejzáva¾nìj¹í námitkou proti Turingovu testu je, ¾e mìøí schopnost poèítaèe simulovat my¹lení, ale nic nevypovídá o vlastní inteligenci poèítaèe; kromì výsledného efektu by se mìla posuzovat i inteligence zpùsobu øe¹ení dané úlohy. Inteligence je tímto testem redukována na pouhou schopnost pøesvìdèivì lhát. V tomto smyslu je i Minského de nice umìlé inteligence zamìøena pøíli¹ jednostrannì. Na druhé stranì ani letadla za letu nemávají køídly jako ptáci, tak¾e èasto \inteligentní" chování systému pova¾ujeme za dostaèující, i kdy¾ procesy probíhající v poèítaèi nejsou toto¾né s procesy v lidském mozku. Umìlá inteligence se rozvíjela paralelnì se dvìma pøíbuznými disciplinami; kybernetikou (Wiener) a teorií informace (Shannon). Navazovala na nìkteré práce z poloviny 40. let (struèný pøehled mezníkù ve vývoji umìlé inteligence je uveden v tabulce 2.1). Prvním vìt¹ím impulsem pro rozvoj této disciplíny byla letní ¹kola (konference) v Dartmouthu v roce 1956, které se zúèastnili prakticky v¹echny vùdèí postavy této mladé vìdy; Minsky, McCarthy, Simon a Newell. Výzkum se zkoncentroval okolo tìchto osob; pøedními pracovi¹ti se staly Carnegie Mellon, MIT a Stanford. Velice záhy byly zformulovány pomìrnì smìlé cíle, které se zdály být témìø na dosah: do deseti let se poèítaèový program stane mistrem svìta v ¹achu2, do deseti let poèítaè objeví a doká¾e nový matematický teorém, do deseti let vìt¹ina psychologických teorií bude mít podobu poèítaèového programu. Mind 59, 1950, s.433-460 Teprve v kvìtnu 1997 ¹achový poèítaè Deep Blue rmy IBM porazil úøadujícího mistra svìta Garri Kasparova. 1 2
2.1. STRUÈNÁ HISTORIE UMÌLÉ INTELIGENCE rok 1943 1950 1956 1957 1958 1965 1968 1969 1970 1971 1973 1975 1976 1977 1978 1979 1981 1982 1983 1984
3
událost model neuronu; McCulloch, Pitts Turingùv test; Turing Dartmouthská konference; Minsky, McCarthy, Simon, Newell Perceptron; Rosenblatt GPS (General Problem Solver); Newell, Simon, Shaw formální gramatiky; Chomsky LISP; McCarthy DENDRAL; Feigenbaum, Buchanan fuzzy logika; Zadeh rezoluèní princip; Robinson sémantické sítì; Quillian SHRDLU; Winograd kniha Perceptrons; Minsky, Papert PROLOG; Colmerauer, Roussell HEARSAY I ; Lesser MYCIN; Shortli e, Buchanan rámce; Minsky Dempster-Shaferova teorie; Dempster, Shafer PROSPECTOR; Duda, Hart OPS; Forgy R1/XCON; McDermott ReTe algoritmus; Forgy japonský projekt poèítaèù páté generace Hop eldova neuronová sí»; Hop eld KEE; IntelliCorp CyC; Lenat Tabulka 2.1: Mezníky v historii umìlé inteligence
Samotný vývoj umìlé inteligence lze rozdìlit do nìkolika etap. 50. a 60. léta jsou charakterizována pøedstavou, ¾e nìkolik jednoduchých ale mocných technik umo¾ní vytváøet inteligentní v¹eøe¹ící programy. Pou¾ívané techniky byly zalo¾eny na vnitøním (strojovém) modelu svìta a na schopnosti vytváøet v tomto modelu plán pro øe¹ení dané úlohy. Model svìta byl obvykle zalo¾en na stavovém prostoru.
4
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
Obr. 2.1: Hanojská vì¾, poèáteèní stav
Obr. 2.2: Hanojská vì¾, koncový stav
Stavový prostor
Pøedstavme si, ¾e máme vyøe¹it hlavolam, známý jako hanojské vì¾e. Tento hlavolam je tvoøen vodorovnou podlo¾kou, na které jsou svisle pøipevnìny 3 tyèky. Na levé krajní tyèce je navleèeno nìkolik kruhových diskù rùzných prùmìrù (poèet diskù mù¾e být rùzný) tak, ¾e nesmí vìt¹í disk le¾et na men¹ím disku (obr. 2.1). Úkolem èlovìka, který se sna¾í tento hlavolam vyøe¹it, je pøemístit disky tak, aby byly v¹echny navleèeny na pravé krajní tyèce opìt v pùvodním poøadí (obr 2.2). Bìhem øe¹ení lze disky pøemis»ovat na libovolné tyèky hlavolamu (lze manipulovat v¾dy jen s jedním diskem) tak, ¾e v ¾ádném okam¾iku nesmí vìt¹í disk le¾et na men¹ím. Zavedeme si nyní intuitivním zpùsobem pojem stavový prostor. Obrázek 2.1 pøedstavuje z hlediska øe¹ení úlohy poèáteèní stav, obrázek 2.2 pøedstavuje koncový stav. Oznaème symbolicky poèáteèní stav jako (111) (èti nejvìt¹í disk je na tyèce è. 1, prostøední disk je na tyèce è. 1, nejmen¹í disk je na tyèce è.1) a koncový stav oznaème obdobnì (333). Hledáme-li øe¹ení úlohy, hledáme zpùsob, jak pøejít z poèáteèního stavu (pomocí pøípustných krokù) do stavu koncového. Jsme-li v poèáteèním stavu øe¹ení na¹eho hlavolamu, máme na výbìr pouze dva pøípustné tahy: navléknout nejmen¹í disk na prostøední tyèku (tah (111) ! (112)), nebo navléknout nejmen¹í disk na pravou krajní
2.1. STRUÈNÁ HISTORIE UMÌLÉ INTELIGENCE
Obr. 2.3: Hanojská vì¾, stavový prostor
tyèku (tah (111) ! (113)). Lze tedy z poèáteèního stavu (111) pøejít do stavu (112) nebo (113). V tìchto nových stavech mù¾eme opìt zvolit následující tah z více mo¾ností a tak mù¾eme postupovat stále dále, a¾ nalezneme (døíve nebo pozdìji) správné øe¹ení. Celý stavový prostor (tedy v¹echny mo¾né stavy, v nich¾ se hlavolam mù¾e bìhem øe¹ení úlohy nacházet) má velmi pøirozenou grafovou (a gra ckou) reprezentaci. Uzly tohoto grafu jsou tvoøeny jednotlivými stavy a hrany grafu jsou tvoøeny mo¾nými pøechody mezi jednotlivými stavy (obr 2.3): Budeme-li øe¹it na¹i úlohu v takovéto grafové reprezentaci, znamená to, ¾e hledáme cestu v grafu z poèáteèního stavu (111) do koncového stavu (333). Situaci si ponìkud zjednodu¹íme tak, ¾e budeme pøedpokládat, ¾e se do ka¾dého stavu dostaneme z poèáteèního stavu jen jednou cestou. Je tedy ¹krtnut tah (113) ! (112), (133) ! (131), a pod. V na¹em novém grafu se tedy nevyskytují cykly (smyèky). Navíc doplníme k hranám ¹ipky vyznaèující postup pøi øe¹ení úlohy (obrázek 2.4). Takovémuto acyklickému souvislému (mezi dvìma libovolnými uzly
5
6
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
Obr. 2.4: Hanojská vì¾, strom
lze nalézt právì jednu cestu) grafu se øíká strom. V pøípadì, ¾e hrany mají ¹ipky oznaèující smìr pøechodù, hovoøíme o stromu orientovaném. Zavedeme si je¹tì pojem hloubku uzlu. Hloubka uzlu nám udává, kolik krokù je potøeba k tomu, abychom do tohoto uzlu pøe¹li z poèáteèního stavu. (Poèáteèní stav se nìkdy nazývá koøen). Koøen stromu (v na¹em pøípadì stav (111)) má hloubku 0, stavy (112) a (113) mají hloubku 1, stavy (132) a (123) mají hloubku 2 atd. Stavový prostor je mo¾no procházet (prohledávat) dvìma základními zpùsoby: do ¹íøky do hloubky Pøi prohledávání do ¹íøky se postupnì (po vrstvách) procházejí uzly té¾e hloubky. Tedy v na¹em grafu (napø. zleva doprava) nejprve uzel (111), pak (112), (113), pak (132), (123), atd. tak dlouho, a¾ se nalezne koncový stav (obrázek 2.5).
2.1. STRUÈNÁ HISTORIE UMÌLÉ INTELIGENCE
Obr. 2.5: Prohledávání do ¹íøky
Pøi tomto zpùsobu prohledávání máme jistotu, ¾e v¾dy nalezneme koncový stav, musíme ale projít znaènì velký poèet uzlù (procházíme v¹echny uzly, které mají hloubku men¹í, ne¾ je hloubka koncového uzlu). Ka¾dý uzel v grafu nav¹tívíme nejvý¹e jednou. Pøi prohledávání do hloubky se vydáme jedním smìrem a tvrdo¹ijnì pokraèujeme dokud je kam jít. V pøípadì ¾e jsme nenalezli koncový stav, musíme se kus cesty vrátit. V na¹em grafu (pùjdeme-li napø. na ka¾dém "rozcestí" vlevo) projdeme postupnì uzly (111), (112), (132), (133), ..., (131), atd. Pøiklad prohledávání do hloubky je uveden na obrázku 2.6. Tento zpùsob prohledávání mù¾e vést k cíli mnohem rychleji, ne¾ prohledávání do ¹íøky (zvlá¹tì kdy¾ se vydáme správným smìrem), ale nemáme zaruèeno (v pøípadì nekoneèné vìtve), ¾e v¾dy nalezneme koncový stav. Na rozdíl od prohledávání do ¹íøky mù¾eme nìkterými uzly procházet vícekrát, nebo» se èasto musíme navracet 3. V obou vý¹e zmínìných pøípadech prohledávání jsme se v ka¾dém kroku mechanicky rozhodovali, který uzel máme nav¹tívit. V pøípadì 3
Navracení (backtracking) pøedstavuje základ síly programovacího jazyka PROLOG.
7
8
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
Obr. 2.6: Prohledávání do hloubky
prohledávání do ¹íøky jsme zvolili strategii "zleva doprava", v pøípadì prohledávání do hloubky jsme zvolili strategii "na ka¾dém rozcestí doleva". Takovémuto zpùsobu prohledávání se øíká slepé prohledávání. V pøípadì, ¾e chceme prohledávat stavový prostor \inteligentnìji", potøebujeme nìjaký dal¹í návod kterým smìrem se vydat v tom kterém uzlu sítì. Takovýto návod (tzv. heuristika) mù¾e napøíklad být \cena" cesty z poèáteèního do koncového stavu. Tuto cenu tvoøí dvì èásti: cena cesty z poèáteèního do aktuálního stavu a odhad ceny zbývající èásti cesty. Takto de nované heuristiky vyu¾ívá napø. známý algoritmus A*, takovýto zpùsob prohledávání stavového prostoru se nazývá heuristické prohledávání. (Polo¾íme-li v ka¾dém stavu odhad ceny zbývající èásti cesty rovný nule, pøejde heuristické prohledávání na prohledávání do ¹íøky.) Øe¹ením úloh ve stavovém prostoru se zabýval systém GPS A. Newella a H.A. Simona z roku 1956. (H. Simon dostal pozdìji za své práce v oblasti umìlé inteligence Nobelovu cenu v oboru ekonomie.)
2.1. STRUÈNÁ HISTORIE UMÌLÉ INTELIGENCE
9
GPS
General Problem Solver (GPS) Newella, Simona a Shawa je program pro øe¹ení úloh ve stavovém prostoru. Pøímo navazoval na Newellùv a Simonùv program Logic Theorist pøedvedený na konferenci v Dartmouthu. Program se sna¾í minimalizovat diferenci mezi aktuálním a cílovým stavem. Pou¾itá metoda se nazývá metoda analýzy prostøedkù a cílù (means-ends analysis). Jádrem algoritmu jsou tøi rekursivní procedury, které se navzájem volají: (1) TRANSFORM pro transformaci stavu A na stav B, (2) REDUCE pro zmen¹ení diference a (3) APPLY pro aplikaci operátoru (pøípustného tahu) na stav A. Nejvìt¹í problém pøi pou¾ití GPS bylo sestavení tzv. tabulky diferencí, to znamená urèení záva¾nosti jednotlivých diferencí a urèení operátorù, jak tyto diference odstraòovat. V na¹em pøíkladì hanojských vì¾í je (v prvním kroku) nejzáva¾nìj¹í diferencí to, ¾e nejvìt¹í disk le¾í na nesprávné tyèce. Aby se mohla tato diference odstranit, musí se zbylé disky pøemístit na prostøední tyèku. To vede k redukci úlohy pøemístit N diskù na krajní tyèku na úlohu pøemístit N-1 diskù na prostøední tyèku (a tedy k novému (pod)cíli (112)). Nejvìt¹í diference pro tuto (pod)úlohu je, ¾e spodní (nyní nejvìt¹í) disk le¾í na nesprávné tyèce, atd... Známými programy se staly ELIZA J. Weizenbauma nebo PARRY C.M. Colbyho. ELIZA imituje chování psychiatra pøi vy¹etøování pacienta 4 , PARRY imituje chování paranoika.
Eliza Eliza je program který imituje chování psychiatra pøi vy¹etøování pa-
cienta. Název systému byl zvolen podle postavy Lízy Doolitlové ze hry G.B. Shawa Pygmalion, (hra byla rovnì¾ pøevedena do lmové muzikálové podoby pod názvem My Fair Lady). Podobnì jako tato postava, ani systém \neví" co øíká. Na základì jednoduché analýzy vìty pacienta byl systém schopen klást \doplòující" otázky. V pøípadì, ¾e analýza selhala, byly k dispozici fráze, které udr¾ovaly pacienta \v chodu". Dialog mezi pacientem a Elizou by tedy mohl vypadat napøíklad takto (David Lodge: Svìt je malý): pacient: Ahoj. Eliza: AHOJ, JAK SE CÍTÍ© ?
Weizenbaum chtìl pùvodnì imitovat chování barmana, ale pak se mu psychiatr zdál zajímavìj¹í. 4
10
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ pacient: Cítím se stra¹nì. Eliza: CO TÍM PØESNÌ MYSLÍ© ? pacient: Jsem v depresi. Eliza: PROÈ SI MYSLÍ©, ®E JSI V DEPRESI. pacient: Proto¾e je mi smutno. Eliza: ®IJE© S RODINOU ? pacient: Ne. Eliza: MÁ© PØÁTELE ? pacient: Celkem ne. Eliza: PROÈ ? pacient: Nevím. Eliza: OPRAVDU NEVÍ© NEBO SE JEN VYHÝBÁ© ODPOVÌDI ? pacient: Døív jsem pøátele mìl. Eliza: KDY ? pacient: Ne¾ jsem se o¾enil. Eliza: NEØEKL JSI MI, ®E SES O®ENIL. pacient: U¾ jsem se zase rozvedl. Eliza: POVÌZ MI O SVÉM ROZVODU. . . .
Pøesto¾e se jednalo pouze o \vnìj¹kové" napodobování inteligentního chování, mnoho lidí podlehlo iluzi, ¾e se jedná o skuteènì inteligentní systém a ¾e vytvoøení \umìlého psychiatra" je otázkou blízké budoucnosti. Znaèných úspìchù dosáhl N. Chomsky, který roku 1957 podal pomocí prostøedkù matematiky a logiky popis syntaxe angliètiny a polo¾il tak základ pohledu na jazyk jako na generativní systém. Dal¹ím teoretickým pøínosem výzkumù tohoto období je teorie fuzzy mno¾in prezentovaná L.A. Zadehem roku 1965. Øada úloh se prakticky øe¹ila pomocí nového programovacího jazyka LISP vytvoøeného speciálnì pro úlohy umìlé inteligence. Tento jazyk zùstává i dnes (pøedev¹ím v USA) hlavním nástrojem prací v této oblasti. Robinsonùv resoluèní princip z r. 1965 polo¾il základy strojovému dokazování i vytvoøení jazyka PROLOG, druhého programovacího jazyka pro umìlou inteligenci. V tomto prvním období výzkumù v oblasti umìlé inteligence se kladl dùraz na metody prohledávání stavového prostoru, rozpoznávání obrazù a porozumìní pøirozené øeèi. Zkoumaly se i mo¾nosti strojového vidìní. Dílèí pøístupy se i integrovaly; pøíkladem mù¾e být systém (robot) SHRDLU, který na základì povelù v pøirozeném jazyce manipuloval s pøedmìty v jednoduchém \svìtì kostek". Po poèáteèním slibném rozvoji se koncem 60. let projevila jistá stagnace, která vyústila v kritiku jak dílèích smìrù tak i mo¾ností umìlé inteligence jako takové.
2.1. STRUÈNÁ HISTORIE UMÌLÉ INTELIGENCE
11
M. Minsky a S. Papert v knize Perceptrons poukázali na nìkteré nedostatky neuronových sítí typu Perceptron a neprávem tyto nedostatky zobecnili na neuronové sítì obecnì. H. Dreyfus ve své knize What Computers Can't Do uvádí ètyøi postuláty, které podle jeho názoru musí pøijmout výzkumník v oblasti umìlé inteligence. Tyto postuláty pak analyzuje a zpochybòuje jejich platnost. Je ale otázka, zda právì tyto postuláty jsou nezbytné pro výzkum umìlé inteligence. Ve velké míøe se toti¾ vztahují k interpretaci lidské inteligence a jejich zpochybnìní mù¾e být nanejvý¹ argumentem proti mo¾nosti vìrného modelování psychiky èlovìka. Správnì v¹ak upozoròuje na úlohu ¾ivotního kontextu a konkretní situace, bez nich¾ nemohou být nìkteré intelektuální úkony (napø. porozumìní pøirozenému jazyku) realizovány v dostateèné obecnosti. J. Weizenbaum na rozdíl od H. Dreyfuse pova¾uje umìlou inteligenci za realizovatelnou. Tvrdí ale, ¾e inteligence stroje se bude výraznì odli¹ovat od inteligence èlovìka. Ve své knize Computer Power and Human Reason poukazuje na omezení, která plynou z tohoto tvrzení (otázka emocí, systému hodnot, morálky). Na rozdíl od Dreyfuse, který kritizuje umìlou inteligenci \zvenèí", patøí Weizenbaum k lidem, kteøí se umìlou inteligencí pøímo zabývají. V polovinì 70. let dostala umìlá inteligence nový impuls v podobì expertních systémù. Dùraz se pøesunul od hledání univerzálního algoritmu k otázce reprezentace a zpracování znalostí. Specializované (symbolické) znalosti a jejich vyu¾ívání zaèaly být chápány jako to podstatné pro inteligentní chování. Expertní systémy zaznamenaly první velký prùlom metod umìlé inteligence do komerèní sféry. Kromì práce se specializovanými znalostmi se postupnì zaèínají hledat i zpùsoby, jak formalizovat znalosti obecné (tzv. common-sense knowledge). Pøíkladem pomìrnì ambiciózního projektu v této oblasti je Lenatùv CyC zahájený v roce 1984 (CyC je akronym ze slova Encyclopedia), který se pokou¹í zachytit bì¾né znalosti pomocí jednotné struktury vyu¾ívající rámce. Rozvíjejí se ale i jiné smìry. Poè. 80. let dochází v pracech Hop elda, Rumelhardta a Kohonena k renesanci neuronových sítí; posiluje se tak i druhý (subsymbolický, psychologický) proud v rámci umìlé inteligence. V roce 1986 uveøejòuje M. Minsky knihu The Society of Mind ve které podává pøedstavu mysli jako systému vzájemnì interagujících agentù, kteøí monitorují signály vysílané jinými agenty a vykonávají jednoduché akce. Inteligentní agenti se objevují i jako softwarové systémy. Extrémním pøedstavitelem tohoto smìru je R. Brooks. Podle Brookse není uva¾ování nezbytné pro inteligenci, staèí vzájemná interakce jednoduchých agentù. V souvislosti s expertními systémy se koncem 80.let opakovala situace z let ¹edesátých. Po poèáteèním entuziasmu mezi odborníky i laickou veøejností (populární èasopisy psaly o expertech na disketì) se dostavilo zklamání z nezdaru nìkterých slibných komerèních aplikací. Souèasnì byly v Japonsku utlumeny práce na projektu
12
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
poèítaèù páté generace vyhlá¹eném v roce 1981 (do deseti let mìly japonské poèítaèe komunikovat v pøirozeném jazyce, pøekládat texty z jednoho jazyka do druhého, interpretovat obrázky a uva¾ovat jako lidé). Umìlá inteligence se tak opìt stala obìtí pøíli¹ optimistických prohlá¹ení svých tvùrcù. V devadesátých letech jsou ji¾ pøedstavitelé umìlé inteligence ve svých výrocích opatrnìj¹í; \skryjte pøed u¾ivatelem umìlointeligentní èást systému" zní uznávaná rada souèasnosti. U¾ivatelé tedy mnohdy vyu¾ívají umìlou inteligenci, ani¾ by o tom vìdìli; pøíkladem mù¾e být diagnostika poruch tiskárny ve Windows95 zalo¾ená na bayesovských sítích. Vývoj metod umìlé inteligence ale pokraèuje. Pro podporu tvorby expertních systémù byla vyvinuta metodologie Kads. Objevují se i nové oblasti zájmu; hitem posledních nìkolika let je získávání znalostí z dat (knowledge discovery, data mining). Zdá se, ¾e se dùraz posouvá od reprezentace \pøedpøipravených" znalostí k jejich automatizovanému získávání, èili k strojovému uèení. Lze tedy vysledovat tøi etapy ve vývoji umìlé inteligence: 1. 50.-60. léta: hledání univerzálního øe¹ícího postupu 2. 70.-80. léta: otázka reprezentace a zpracování znalostí 3. 90.- léta: získávání znalostí, strojové uèení Kromì etap lze hovoøit i o smìrech výzkumu:
in¾enýrský smìr se orientuje na vytváøení inteligentních systémù èi metod ani¾
by nutnì simuloval zpùsob my¹lení èlovìka; od technik zalo¾ených výhradnì na manipulaci se symboly se postupnì pøechází ke kombinaci symbolických a numerických metod,
psychologický smìr se orientuje na modelování lidských intelektuálních èinností (za pou¾ití poznatkù z psychologie, neurofyziologie apod).
Na proces my¹lení se v rámci umìlé inteligence pohlí¾í jako na racionální uva¾ování, které je mo¾no (do jisté míry) formalizovat. Je to tedy ta oblast lidské èinnosti, kterou psychologie oznaèuje jako rozumové poznávání. Øeè jako¾to nástroj my¹lení je v systémech umìlé inteligence nahra¾ena otázkou vhodné reprezentace znalostí. Ov¹em modelování této rozumové èinnosti èlovìka na poèítaèi má své meze. Na ty poukázal ji¾ ve 30.letech Kurt Gödel. Gödel pøi svých výzkumech v oblasti logiky formuloval vìtu o neúplnosti, která poukazuje na nemo¾nost formálnì popsat v¹echny pravdy by» jen èásti matematiky. Obdobnì jeho vìta o nerozhodnutelnosti
2.2. ZROZENÍ ZNALOSTNÍHO IN®ENÝRSTVÍ
13
øíká, ¾e ve formálním systému mù¾e nastat situace, kdy nelze rozhodnout o pravdivosti nìjakého tvrzení. Tyto dvì vìty omezují pou¾itelnost poèítaèù, které (podle Churchovy teze) mohou vykonávat ty druhy intelektuální èinnosti, které lze pøesnì popsat v pøirozeném resp. umìlém jazyce. Pøi pou¾ití subsymbolických metod umìlé inteligence (neuronové sítì, genetické algoritmy) se pøece jen blí¾íme trochu více fungování biologických systémù. Tím se dostáváme k otázce modelování emocí, citù apod. Optimistický pohled na mo¾nosti umìlé inteligence s sebou nese celou øadu otázek. Jaký bude vztah mezi inteligentním strojem a èlovìkem? Bude se jednat o vztah rovnoprávný nebo podøízený, bude stroj èlovìku pomocníkem, partnerem nebo hrozbou? Bude mít stroj vlastní motivace i vlastní systém hodnot a jaký bude tento systém hodnot ve vztahu k èlovìku? Øada tìchto otázek je je¹tì hudbou daleké budoucnosti. S nìkterými etickými problémy umìlé inteligence se v¹ak setkáváme ji¾ dnes. Je to pøedev¹ím problém pøenesení odpovìdnosti [?]. Stojí-li vedle sebe inteligence èlovìka a inteligence stroje, kdo bude odpovìdný za èinnost stroje? Tento problém se prakticky vyskytl v oblasti expertních systémù. Kdo má být odpovìdný za rozhodnutí uèinìné na základì doporuèení expertního systému získaného bìhem konzultace? U¾ivatel, znalostní in¾enýr který vytvoøil bázi znalostí, tvùrce expertního systému, konstruktér poèítaèe èi snad poèítaè samotný? Je proto nutné si uvìdomit, ¾e stroj jakkoliv inteligentní (správnìji bychom mìli øíkat rozumný, proto¾e výzkum v oblasti umìlé inteligence je zamìøen pøedev¹ím na otázku modelování kognitivní èinnosti) zùstává jen pomocníkem, který mù¾e pøevzít nìkteré kognitivní aktivity èlovìka, ale interpretace a zhodnocení èinnosti stroje zùstává v kompetenci èlovìka.
2.2 Zrození znalostního in¾enýrství První pøíklad, kdy znalosti mìly podobu pravidel \vycucaných" z prstu pochází patrnì ze starovìkého Egypta ze 17. stoleti pøed na¹ím letopoètem. Na tzv. Smythovì papyru nalezeném v roce 1882 je uvedno 48 popisù rùzných úrazù hlavy, v¹echny ve stejné formální reprezentaci: název, symptomy, diagnoza, terapie. Dvojice symptomdiagnoza mìla v¾dy stejnou podobu: KDY® má pacient tento symptom, PAK se jedná o následující poranìní. Na pøelomu 60. a 70. let hledali tvùrci AI praktické problémy, které by mohli øe¹it. Zjistili pøitom, ¾e znalosti pøedstavují základ pro schopnost øe¹it úlohy. A zaèali hledat zpùsoby, jak tyto znalosti ve velkém rozsahu zpøístupnit poèítaèùm. Tento odklon od algoritmù prohledávání stavového prostoru k manipulaci s rozsáhlým
14
KAPITOLA 2. UMÌLÁ INTELIGENCE A ZNALOSTNÍ IN®ENÝRSTVÍ
mno¾stvím znalostí pøedstavuje klíèový moment pro dal¹í vývoj umìlé inteligence. Nutnou podmínkou tohoto pøechodu byl vývoj hardware, pøedev¹ím zvìt¹ování pamìtí poèítaèù. Herbert Simon k tomu øíká [?]: V poèátcích AI jsme udìlali mnoho práce na jednoduchých úlohách. Jednoduchých v tom smyslu, ¾e nevy¾adovaly mnoho specializovaných znalostí. Nebylo to proto, ¾e by si lidé neuvìdomovali dùle¾itost znalostí. Dùvod byl ten, ¾e jsme nemohli vytváøet veliké databáze na poèítaèích, které jsme mìli k dispozici. První ¹achové programy a Logic Theorist byly udìlány na poèítaèi, který mìl 64 a¾ 100 slov operaèní pamìti a 10000 slov na bubnové pamìti. Sémantika tedy nebyla to, o co ¹lo. Poèátkem 70. let opustila umìlá inteligence dìtské støevíèky. Její aplikace se zaèaly stávat zajímavými i pro odborníky z jiných oblastí a vedly k masivní komercializaci expertních systémù v letech osmdesátých. Prùkopníkem na této cestì byl systém DENDRAL.
DENDRAL
V polovinì 60.let zaèal E. Feigenbaum pracovat na programu, který by mìl na základì vyhodnocení hmotového spektrogramu urèovat slo¾ení neznámé organické slouèeniny (vývoj se protáhl na více ne¾ deset let). Chemici obvykle separují zkoumané molekuly na jednotlivé fragmenty a ty pak analyzují pomocí hmotového spektrometru. Problémem takovéto analýzy je, ¾e se nabízí obrovské mno¾ství mo¾ností, jak by pro daný spektrogram mohla neznámá molekula vypadat. Nalezení celkové struktury tedy znamená prohledávání stromu mo¾ností (z øeckého slova pro strom pochází ostatnì název systému). Ve skuteènosti chemici postupují tak, ¾e se pokou¹ejí odhadovat mo¾né øe¹ení a to pak konfrontují s daty. Øídí se pøitom pravidly jako napø: IF spektrum molekuly má dva vrcholy pro hmoty x1 a x2 takové, ¾e: a) x1 + x2 = molekulová hmotnost + 28, a b) x1 - 28 je vysoký vrchol, a c) x2 - 28 je vysoký vrchol, a d) alespoò pro jedno z x1 a x2 je vysoký vrchol, THEN molekula obsahuje ketonovou skupinu
Dendral pracuje metodou generuj-a-testuj. Generátor navrhuje mo¾né struktury a generuje k nim pøíslu¹ný spektrogram. Pøi testování se vygenerovaný spektrogram porovnává se spektrogramem skuteèným. Vý¹e
2.2. ZROZENÍ ZNALOSTNÍHO IN®ENÝRSTVÍ uvedená pravidla umo¾nila výraznì zredukovat prostor kombinací; napø. pro Di-n-decyl C20H22 Dendral zredukoval 11 000 000 mo¾ností na 22 366 pøípadù. Jistou nevýhodou systému bylo, ¾e znalosti byly pøímo souèástí programu (Dendral byl naprogramován v LISPu). Nicménì je tento systém pova¾ován za pøímého pøedchùdce expertních systémù.
15
