Современные информационные технологии /1. Компьютерная инженерия

Аждер Т.Б.

Московский технологический университет, Россия

Модели обучения

Сложность задачи автоматизации обучения помимо актуальности построения теоретических основ, заключается в необходимости выявления базовых понятий, их классификации не только в рамках одной предметной области, но и на пересечении разных дисциплин. Поэтому приходится иметь дело с классом сложных, трудно формализуемых, плохо структурированных задач. В связи с этим оправдано обращение к методам искусственного интеллекта, поскольку именно такие задачи являются его прерогативой: формализация представления знаний, классификация, обработка и принятие решений.

В ответ на вопрос о том, какие проявления интеллекта, свойственные человеку, труднее всего компьютеризировать, помимо творческих способностей, принятия этических решений и социальной ответственности, чаще всего называют понимание естественного языка и способность систем к обучению. В течение многих лет эти две области были целью и камнем преткновения для развития искусственного интеллекта. Одной из причин сложности и важности исследования языка и процесса обучения является то, что эти области связаны со многими другими проявлениями человеческого интеллекта. Система, обладающая искусственным интеллектом, должна решать вопросы на человеческом языке на основе машинного обучения и автоматического доказательства теорем. Предполагается, что она подобно человеку будет способна к обучению – решению задач, с которыми она ранее не встречалась.

Понятие обучения охватывает широкий спектр ситуаций, в которых субъект («ученик») повышает свой уровень знаний или навыков, позволяющих ему решать разнообразные задачи. Далее обучаемый рассматривается как информационная система.

Обучение остается трудно формализованной задачей искусственного интеллекта. Важность обучения, тем не менее, несомненна, поскольку эта способность является одной из главных составляющих разумного поведения. Экспертная система может выполнять долгие и трудоемкие вычисления для решения проблем. Но, в отличие от человеческих существ, если дать ей такую же или подобную проблему второй раз, она не «вспомнит» решение. Она каждый раз вновь будет выполнять те же вычисления, что не является разумным поведением.

Большинство экспертных систем ограничено негибкостью их стратегий принятия решений и трудностью модификации больших объемов кода. Очевидное решение этих проблем - заставить программы учиться самим на опыте, аналогиях или примерах.

Для того чтобы это стало возможным, необходимо:

1) создать методы формирования условий задачи по описанию проблемной ситуации или по наблюдениям за этой ситуацией;

2) научиться переходу от известного решения частных задач (примеров) к решению общей;

3) создать приемы декомпозиции исходной для интеллектуальной системы задачи на более мелкие так, чтобы они оказались для нее уже известными;

4) разработать нормативные и декларативные модели самого процесса обучения;

5) создать теорию подражательного поведения.

Перечень задач можно было бы продолжать, ибо в области обучения интеллектуальных систем сделано еще весьма мало.

Архитектура системы обучения

Система обучения состоит из следующих элементов.

1. База знаний предметной области, включающая объекты, отношения, действия, события и некоторые специфические факторы, присущие конкретной прикладной области, эвристически специфические для данной области решения и т. д.

2. База знаний для обучения, состоящая из эвристик и других элементов, необходимых для реализации особой стратегии «самообучения».

3. База приобретенных знаний, которая состоит из результатов процесса обучения. Элементами этой базы могут быть накапливаемые знания из двух предыдущих баз.

4. Рабочая память, которая может содержать временную, промежуточную информацию, использованную или созданную активными элементами системы.

Исполнитель использует содержимое базы знаний предметной области и базы приобретенных знаний и решает текущие задачи обучения. Целью обучаемого является расширение текущей базы знаний, следуя использованной в системе стратегии обучения. Обучаемый делает заключения по материалу, предложенному учителем. При необходимости учебный материал фильтруется селектором. Это означает, что при изучении конкретного вопроса или в соответствии с принятой стратегией обучения материал, предлагаемый учителем, должен быть надежным и адекватным стратегии. Поэтому часть материала может рассматриваться как шумовая компонента или не имеющая отношения к предметной базе данных.

Заметим, что от выбора формализма представления знаний в различных базах, образующих центральную часть архитектуры системы, зависит выразительная мощность выводов, возможность модификаций и расширений базы знаний, а это в свою очередь может определить и возможности самой системы обучения.

Литература:

1. Ашинянц М.Р., Ашинянц Р.А. Аналитическое, ассоциативное, генетическое обучение – новейшие стратегии обучения. // Информационные технологии в проектировании и производстве. – Москва, №2, с. 49-58, 1997.

2. Петрушин В.А. Экспертно-обучающие системы. Киев: Наук. думка, 1992.

3. Кулик Б.А. Логика естественных рассуждений. – СПб.: Невский диалект, 2001.