Читать
5. Когда биологическая система считает, что эффективное антитело для борьбы с антигеном найдено, процесс останавливается.
Описанный выше процесс создания антител в иммунной системе нетрудно адаптировать для решения других реальных задач. Единственный важный момент заключается в том, как правильно представить возможные решения проблемы, чтобы их можно было копировать и видоизменять. В этом случае рекомендуется следовать той же методологии, что и при использовании эволюционных алгоритмов, то есть кодировать решения с помощью хромосом, состоящих из генов. Хотя мы смешиваем терминологию из двух, на первый взгляд совершенно разных методов, описанный выше процесс применяется на практике. Искусственные иммунные системы все чаще используются для решения реальных инженерных задач, поскольку они позволяют эффективно оптимизировать решения, а также прекрасно адаптируются к архитектуре современных суперкомпьютеров и распределенных вычислений (в частности, грид-вычислений и облачных вычислений). При грид-вычислениях и облачных вычислениях ресурсы распределены в абстрактном и нечетком «облаке» компьютеров, очень мощных по отдельности, при этом обмен данными между ними необязательно должен быть эффективным. При централизованном контроле над иммунной системой оценка антител может производиться в облаке, а по завершении оценки следующее поколение антител будет создаваться центральной системой контроля. В этом сценарии наибольшие вычислительные затраты связаны с индивидуальной оценкой антител, именно поэтому она проводится в облаке. Создание новых поколений может выполняться последовательно с небольшими затратами в центральной системе.
Роевой интеллект
Создатели роевого интеллекта (англ, swarm intelligence) также черпали вдохновение в природе. Этот термин был введен Херардо Бени и Ван Цзином в конце 1980-х. Роевой интеллект основан на моделировании поведения множества отдельных простых сущностей таким образом, что их совокупное поведение может считаться интеллектуальным. Основная задача при реализации роевого интеллекта — определить, как именно отдельные сущности взаимодействуют со своими соседями и средой. Если эта политика взаимодействий определена корректно, то при агрегировании всех сущностей колонии, или роя, будет наблюдаться совокупное интеллектуальное поведение.
Рассмотрим практический пример, в котором имитируется поведение стаи птиц, кружащей в небе. Допустим, что мы хотим найти оптимум сложной математической функции, насчитывающей сотни измерений, со множеством локальных максимумов и минимумов. Вначале (то есть в момент времени t = 0) расположим сто «птиц» случайным образом, но вблизи друг от друга, на некоторой части области определения функции. Всякий раз, когда мы движемся вперед вдоль оси времени (t’ = t 1), каждая «птица» должна учитывать всего два параметра: направление (А), в котором располагается «центр масс» стаи, то есть среднее направление, указывающее, где находятся остальные члены стаи, чтобы не слишком отдаляться от них, и направление (В) максимального градиента функции, которую необходимо оптимизировать — так как мы хотим найти максимум функции, нужно определить, в каком направлении функция возрастает быстрее всего. На основе двух вычисленных направлений А и В рассчитывается третье, С = А В. Каждая «птица» должна немного сместиться в этом направлении С. Так как все «птицы» подчиняются этим правилам поведения, стая будет двигаться вдоль графика функции, не слишком отдаляясь от него, в поисках глобального максимума. Преимущество использования группы «птиц» позволяет увеличить выборочное пространство и снизить вероятность попадания в локальные максимумы, далекие от глобального.
На рисунке черными точками обозначены различные «птицы» стаи, белой точкой — центр масс стаи. Стрелкой указано направление, в котором следует стая в поисках глобального максимума.
Роевой интеллект имитирует движение некоторых птиц, к примеру скворцов, которые собираются в огромные стаи, вычерчивающие в небе весьма любопытные фигуры.
Несмотря на инновационный характер роевого интеллекта, его полноценное использование для решения реальных задач только начинается. Сегодня активно рассматривается возможность применения роевого интеллекта в автоматически управляемых транспортных средствах. Наиболее интенсивные исследования в этой области ведутся в двух тесно связанных отраслях — авиакосмической и военной промышленности.
Области применения искусственной жизни
Искусственная жизнь — относительно новый раздел искусственного интеллекта, и многие области его применения только зарождаются. В будущем сложные задачи контроля, управления и планирования будут выполняться именно «живыми» системами, как это уже происходит на рынках ценных бумаг.
Теория игр
Теория игр — раздел математики, изучающий стратегии взаимодействия субъектов и процессы принятия решений. Конечная цель теории игр — определить оптимальные стратегии и спрогнозировать поведение субъектов в конкретных ситуациях.
Основы этой дисциплины заложили математики Джон фон Нейман и Оскар Моргенштерн во время холодной войны. Их целью был поиск оптимальных военных стратегий, однако теория игр быстро нашла применение в экономике, политике, этике, философии, биологии и, разумеется, вычислительной технике.
Теория игр крайне полезна при изучении сложных адаптивных систем, так как агенты, составляющие эти системы, часто должны соперничать или сотрудничать между собой для общего блага. При сотрудничестве часто происходит так, что отдельные усилия конкретного агента оказываются выше, чем общая выгода, пропорционально разделенная между всеми агентами, составляющими систему. Тем не менее эти отдельные усилия способны сыграть определяющую роль при достижении общего результата, который может на несколько порядков превышать индивидуальные усилия агентов. Таким образом, чтобы стимулировать адекватное поведение агентов, составляющих систему, и определить ее жизнеспособность на основе их поведения, необходимо использовать методы теории игр.
Знаменитый робот ASIMO, созданный в компании Honda, способен, подобно человеку, спускаться по лестнице и играть в футбол.
И вновь интеллектуальный анализ данных
Искусственная жизнь привлекательна и окутана тайной для непосвященных. Однако описанные нами понятия, которые скрываются за определением искусственной жизни, например клеточные автоматы, используются для решения достаточно прозаических инженерных задач, в частности для интеллектуального анализа данных, о котором мы уже рассказали. В задачах анализа данных для получения выводов требуется обрабатывать огромные объемы данных, что не под силу экспертам-людям. По этой причине для анализа обычно используются интеллектуальные информационные инструменты.
Анализ данных можно выполнить множеством средств, среди которых особое место занимают клеточные автоматы, так как они позволяют представить взаимосвязи между данными в пространстве. Допустим, что мы анализируем данные о продажах зонтов в конкретной стране. Сведения о продажах с разбивкой по клиентам могут быть обработаны без учета местоположения, в лучшем случае — разделены на категории по территориям: к примеру, клиент А из города X приобрел 20 единиц товара, клиент В из города У — 240 единиц, клиент С из города Z — 4530 единиц. В системе, где не учитывается территориальное распределение, города X, Y и Z — всего лишь категории, и мы никак не можем указать, что город X находится в 150 км к югу от Y, а Y — в 400 км южнее Z. Если мы будем учитывать эти данные, то станет понятно, что в северном регионе страны дожди идут чаще, а к югу продажи зонтов существенно снижаются.
§
Теперь представим данные о местоположении в виде таблицы, подобно тому, как это происходит при использовании клеточных автоматов. Постараемся связать расположение данных в таблице с реальным географическим местоположением регионов, откуда поступили данные о продажах. При таком представлении данных территориальное расположение можно учесть намного более интеллектуальным способом, чем при простом разбиении на категории.
После сведения данных в таблицу можно применить эволюционный алгоритм, позволяющий обнаружить правила, которые необходимо реализовать в клеточном автомате для анализа. Вернемся к примеру с продажами зонтов и дополним данные о продажах уровнем осадков в егионах. Мы можем разработать алгоритм, позволяющий получить множество правил, согласно которым раскрасим клетки таблицы в тот или иной цвет в зависимости от продаж зонтов в различных регионах, исключив влияние уровня осадков. Если мы представим данные о продажах на карте без учета уровня осадков, получим следующую картину.
Если мы исключим воздействие разного уровня осадков, карта будет выглядеть следующим образом.
На основе этих данных эксперт может определить, что объем продаж выше всего в центральных и южных регионах. Это означает, что уровень покупательной способности в этой части страны выше: из-за особенностей погоды зонты не являются товаром первой необходимости, однако люди готовы покупать их. Далее компания — продавец зонтов повысит цены в центре и на юге страны: хотя в этом регионе продажи меньше, люди покупают зонт не из необходимости, а как предмет роскоши, следовательно, менее чувствительны к цене.
Программирование роботов
Еще одна очень важная область, в которой используется искусственная жизнь и сложные адаптивные системы в целом, это программирование роботов. Постепенно широкому потребителю становятся доступными домашние роботы, способные пылесосить, протирать пол и даже определять вторжение посторонних в квартиру.
Такие роботы обычно мобильны, однако их перемещениями и действиями должна руководить интеллектуальная система. Рассмотрим роботов-пылесосов и покажем, как они соответствуют определению сложных адаптивных систем.
Робот-пылесос — один из самых известных домашних роботов.
— Агрегирование. Разумеется, эти роботы представляют собой агрегированные системы, так как содержат мотор, датчики присутствия, пылесос, устройство обработки данных, определяющее, в каком направлении должен двигаться робот, и так далее.
— Нанесение меток. Эти роботы могут присваивать метки различным элементам среды и взаимодействовать с ними. К примеру, если робот определяет, что некоторая область грязнее обычного, он помечает ее соответствующей меткой и прилагает больше усилий для ее уборки. Пользователь также может отметить зону, в которую робот не должен заходить, и он будет избегать этой зоны.
— Нелинейность. Поведение робота очевидно нелинейно, так как его части в совокупности способны решать намного более важные задачи, чем по отдельности. Мотор, колеса, пылесос и другие элементы робота независимо друг от друга не смогут провести уборку в доме без вмешательства человека, а когда все эти элементы объединены в сложную адаптивную систему, они способны убрать пыль самостоятельно.
— Потоки. Сам робот представляет собой сложную систему управления потоками информации, поступающей из внешней среды. Робот содержит ряд датчиков, которые фиксируют информацию о среде и указывают, что робот находится в особенно загрязненной области или перед ним располагается стена. Вся эта информация поступает в центральный процессор, который анализирует ее и отправляет сигналы различным деталям робота. Детали робота исполняют инструкции, изменяющие исходную среду, из которой изначально поступают сигналы. Если робот обнаруживает загрязненный участок, его процессор повышает мощность всасывания, а если робот сталкивается с препятствием, то процессор может дать указание совершить разворот.
— Разнообразие. Если робот наталкивается на препятствие, то ищет способы обойти его. Разнообразие заключается в том, что робот обходит препятствия по-разному — он постоянно чередует способы обхода, чтобы снизить вероятность попадания в бесконечный цикл.
— Внутренние модели. Робот содержит ряд неявных внутренних моделей: в начале работы он движется случайным образом, а по мере знакомства с территорией сосредотачивает внимание на особо пыльных участках.
— Строительные блоки. Роботы-пылесосы в своих внутренних моделях используют строительные блоки. К примеру, если робот сталкивается со стеной, он пытается обойти препятствие, затем понимает, что обойти стену нельзя, и применяет иную стратегию. Робот-пылесос не обучен адаптировать подобное поведение ко всем возможным типам стен или препятствий, напоминающих стены, он использует строительный блок под названием «стена» и при столкновении с ним следует определенной стратегии.
Дочитав книгу до конца, читатель должен был получить некоторое представление о том, что является реальностью, а что — вымыслом в научно-фантастических рассказах, романах и фильмах, в которых часто изображаются мыслящие человекоподобные машины.
Сегодня искусственный интеллект представляет собой не более чем набор передовых средств, позволяющих быстро находить приближенные решения сложных задач на основе накопленного опыта, подобно тому, как это делает человек. Иногда подобные алгоритмы, которые стали доступны нам благодаря современной науке и технике, не чужды инновационного подхода и творчества. Однако машины, которые можно спутать с человеком, появятся еще не скоро, даже в тех областях, где исследователям удалось добиться наибольших успехов. И все же каждый день мы, сами того не осознавая, взаимодействуем с различными системами и устройствами, реализующими интеллектуальные алгоритмы, — это и системы управления европейскими поездами, и системы очистки сточных вод в большинстве крупных городов, и системы перевозок миллионов тонн грузов по планете.
Искусственный интеллект постепенно вошел в нашу жизнь. Рано или поздно настанет день, когда появятся машины, обладающие тем же уровнем креативности, ощущений и эмоционального интеллекта, что и человек. В день, когда это произойдет, мы поймем, что мы не одиноки.
В первой главе мы уже привели короткий разговор с «Элизой» — «автоматическим психологом», созданным Джозефом Вейценбаумом. В этом приложении я приведу запись еще одного реального разговора, на этот раз более продолжительного, чтобы читатель смог оценить поведение программы в чуть более широком контексте.
Разумеется, все изложенные мной доводы абсолютно вымышленны и приведены в иллюстративных целях.
Элиза: Привет. Как дела? Расскажи о своей проблеме.
Игнаси Белда: У меня стресс.
Элиза: Как давно у тебя стресс?
Игнаси Белда: С тех пор, как мой редактор сказал, что я должен быстрее работать над книгой.
Элиза: А почему редактор требует, чтобы ты быстрее работал над книгой?
Игнаси Белда: Потому что он хочет, чтобы я закончил книгу до января.
Элиза: Это настоящая причина?
Игнаси Белда: Мне кажется, на редактора тоже оказывается давление.
Элиза: Можешь объяснить подробнее?
Игнаси Белда: Он сказал, что ему нужно достаточно книг для срочной публикации.
Элиза: И это объясняет, почему он хочет, чтобы ты быстрее работал над книгой?
Игнаси Белда: А что думаешь ты?
Элиза: Почему ты меня об этом спрашиваешь?
Игнаси Белда: Потому что это очевидно.
Элиза: А какие еще причины приходят тебе в голову?
Игнаси Белда: Мне кажется, что другие авторы задерживают сдачу рукописей.
Элиза: Ты имеешь в виду, что они задерживают сдачу рукописей по какой-то причине?
Игнаси Белда: Так сказал редактор.
Элиза: Тебе не кажется, что этому есть еще какая-то причина?
Игнаси Белда: Нет, все дело в том, что на него тоже оказывается давление.
Элиза: Ты несколько склонен к отрицанию.
Игнаси Белда: Почему ты так говоришь?
Элиза: Эта тема тебя интересует?
Игнаси Белда: Да, мне интересно знать, почему тебе кажется, будто я немного склонен к отрицанию.
Элиза: Я вижу.
§
Здесь автор устал ходить по кругу и прекратил разговор. Читатель заметил, что принцип действия программы в действительности очень прост. Первое, что пытается сделать «Элиза», получив новое утверждение, это поинтересоваться его причинами, затем причинами причин и так далее. Когда программа заходит в тупик, она пытается отвечать уклончивыми фразами вида «Ты несколько склонен к отрицанию» или «Я вижу».
Автомат. Машина, необязательно имеющая физическое воплощение, которую можно запрограммировать так, что она будет определенным образом реагировать на поступающие входные сигналы.
Байесовская сеть. Математическая модель, основанная на вероятностных зависимостях между определенными событиями. Вероятностные зависимости описываются условной вероятностью — это понятие предложил священник Томас Байес в XVIII веке. Байесовские сети основаны на следующей идее: одним цепочкам событий с определенной вероятностью сопутствуют другие цепочки событий. Байесовские сети потому и называют сетями, что они представляют собой сплетенные друг с другом цепочки вероятностных зависимостей.
Булева логика. Математическая логика, основанная на булевой алгебре, в которой переменные могут принимать только два значения — «истина» и «ложь». На булевой логике основана вся современная цифровая электроника, за исключением последних разработок, связанных с квантовыми вычислениями.
Генетический алгоритм. Частный случай эволюционного алгоритма. В общем случае при использовании генетических алгоритмов решения рассматриваемой задачи представляются в виде последовательности битов. Последовательности (гены), описывающие лучшие решения (особи), скрещиваются между собой и мутируют, максимально точно имитируя процесс биологической эволюции. Генетические алгоритмы вошли в число первых эволюционных алгоритмов, которые способствовали росту популярности искусственного интеллекта.
Дерево принятия решений. Понятие, используемое в информатике для классификации статистических выборок. В основе классификации лежит анализ наиболее важных, или дискриминантных компонент, позволяющих однозначно отнести выборку к тому или иному классу. Деревья принятия решений очень просты и вместе с тем крайне эффективны для распознавания образов.
Интеллектуальный анализ данных. Раздел анализа данных, описывающий извлечение новых знаний и вывод неочевидных правил по итогам изучения больших объемов данных. При интеллектуальном анализе данных возможно установление отношений между данными, объем которых слишком велик, чтобы человек мог обработать их и сформулировать какую-либо гипотезу.
Кластеризация. Разбиение статистических выборок на группы согласно различным критериям. Цель методов кластеризации — интеллектуальное определение критериев разбиения выборки на подгруппы. Кластеризация используется множеством способов во всех научных дисциплинах.
Клеточный автомат. Частный случай программируемого автомата и простейший пример искусственной жизни. Клеточный автомат получает входные сигналы из смежных областей и в зависимости от окружающей среды действует тем или иным образом.
Латентная переменная. Статистическая переменная, описывающая несколько условий в выборке одновременно. Некоторые примеры часто применяемых латентных переменных — «богатство» общества или благосостояние населения. Эти переменные повышают плотность информации, так как сводят несколько простых переменных воедино. Существуют автоматические методы создания латентных переменных, в частности метод главных компонент, который позволяет не только создавать подобные переменные, но и выбирать те, для которых вариация данных будет наибольшей.
Машина Тьюринга. Частный случай программируемого автомата, который принимает входные значения, записанные на бесконечной ленте, и содержит устройство чтения-записи, способное перемещаться вдоль этой ленты. Предполагается, что машина Тьюринга — универсальная вычислительная машина, хотя это до сих пор не доказано математически. Машина Тьюринга — математическая абстракция, которая широко используется в теории коммуникаций: если в данном языке программирования возможна реализация машины Тьюринга, то с его помощью можно реализовать любой алгоритм.
Метод главных компонент. Этот метод, также обозначаемый англоязычной аббревиатурой РСА, — популярный метод статистики, используемый для определения компонент, или переменных, при которых вариация изучаемых данных является наибольшей.
Метод опорных векторов. Мощный и популярный математический метод, разработанный ученым Владимиром Вапником в начале XXI века. Метод опорных векторов позволяет классифицировать статистические выборки путем ввода новых «искусственных» измерений на множестве данных рассматриваемой задачи. Название метода связано с тем, что для классификации статистических данных определяются векторы — опоры гиперплоскости, которые лучше всего разделяют между собой выборки разных классов.
Нейронная сеть. Математическая модель, представляющая собой сеть искусственных нейронов, которые можно обучить для решения задач классификации. Нейронные сети имитируют поведение нервной системы живых существ, также состоящей из обученных нейронов.
Переобучение. Переобучение наблюдается в случае, когда алгоритм классификации в результате обучения оказывается не способным обобщать и может лишь запоминать. При переобучении алгоритм способен корректно классифицировать только выборки, запомненные во время обучения. Переобучение обычно происходит в случае, когда процесс обучения алгоритма оказывается слишком длительным. При агрегировании десятков или сотен подобных алгоритмов общий интеллект нелинейно возрастает и в итоге становится весьма высоким.
Разнообразие. Понятие, рассматриваемое в эволюционных вычислениях для определения генетической изменчивости популяции (множества предложенных решений) эволюционного алгоритма и ее эволюции с течением времени. Изучение генетического разнообразия крайне важно для определения оптимальной конфигурации алгоритма, результатом которой будет не локальный, а глобальный оптимум.
Роевой интеллект. Сложная искусственная система, используемая для решения определенных задач. Суть роевого интеллекта — программирование автоматов особым образом, позволяющим наделить их примитивным «интеллектом».
Универсальная вычислительная машина. Устройство, способное выполнить любой алгоритм. Универсальная вычислительная машина — математическая абстракция, позволяющая доказать, что в новом языке программирования или электронном устройстве можно реализовать все функции, необходимые для его использования.
Эволюционные вычисления. Дисциплина, изучающая эволюционные алгоритмы, их оптимальную конфигурацию и способы применения для решения задач. См. также Эволюционный алгоритм.
Эволюционный алгоритм. Метод поиска и оптимизации, основанный на принципах естественного отбора. В рамках эволюционного алгоритма выдвигаются возможные решения задачи, которые затем оцениваются, и путем сравнения лучших из них определяется оптимальное решение.
Экспертная система. Первые интеллектуальные компьютерные программы, которые представляли собой «экспертов» в той или иной области. Рассуждения этих программ ограничены знаниями, введенными в систему во время программирования. Экспертные системы почти не способны к обу чению по результатам нового опыта, поэтому в настоящее время практически не используются.
Энтропия Шеннона. Математическое понятие, широко используемое в телекоммуникациях для определения «беспорядочности», или энтропии, сигнала. Энтропия Шеннона представляет собой меру, описывающую число различных символов и частоту их появления в сигнале или источнике данных. Также применяется в криптографии и при сжатии данных.
CASTI, J.L., El quinteto de Cambridge, Madrid, Taurus, 1998.
