Проблема истинности знания. Представление и приобретение знаний
В эпистемической логике возможны различные подходы к трактовке знания. Знания могут пониматься как только истинные; в других случаях выделяют различные степени истинности знания (строгое, гипотетичное и др.). Однако, прежде всего в ИИ уделяют внимание не вопросу об истинности знания, а проблеме его структурно-функциональных характеристик. Поэтому, говоря о знаниях, нередко указывают на такие их черты, как структурированность, активность, наличие метапроцедур, противопоставляя в этом отношении базу знаний в компьютерной системе базе данных, компоненты которой не обладают перечисленными свойствами.
Вместе с тем, правомерно поставить вопрос о более широком контексте рассмотрения ИС в плане соотношения знания и истины. Очевидно, что проблема оценки когнитивного статуса познавательных результатов и методов, представляемых в компьютерной системе, связана с более общей проблемой истинности знания.
Большой интерес для философско-эпистемологических исследований представляют технологические подходы к знанию. Технологические вопросы об истинности знания, исследуемые в рамках ИИ, касаются в значительной степени способов представления знаний и методов приобретения знаний.
Проблемы представления знаний связаны в значительной степени с разработкой соответствующих языков и моделей. Существуют различные типы моделей: логические, продукционные, фреймовые, семантические сети и другие. Логические модели предполагают представление знаний в виде формальных систем (теорий), и в качестве языка представления знаний в таких моделях обычно используется язык логики предикатов. Продукционные представления можно охарактеризовать (упрощенным образом) как системы правил вида «Если А, то В», или «Предпосылка — действие». Сетевые модели предполагают выделение некоторых фиксированных множеств объектов и задание отношений на них (это могут быть отношения различного рода: пространственные, временные, отношения именования и др.). Фреймовые представления иногда рассматривают как разновидность семантических сетей, однако для первых характерно наличие фиксированных структур информационных единиц, в которых определены места для имени фрейма, имен слотов и значений слотов.
Каждая из упомянутых моделей имеет свои достоинства и недостатки в отношении того или иного круга задач. Преимущества логических моделей, использующих язык логики предикатов, связаны с дедуктивными возможностями исчисления предикатов, теоретической обоснованностью выводов, осуществляемых в системе. Однако такого рода модели в сложных предметных областях могут оказаться слишком громоздкими и недостаточно наглядными в качестве моделей предметной области или соответствующих фрагментов знания. Продукционные модели получили широкое распространение благодаря таким достоинствам, как простота формулировки отдельных правил, пополнения и модификации, а также механизма логического вывода. В качестве недостатка продукционного подхода отмечают низкую эффективность обработки информации при необходимости решения сложных задач. Преимущества семантических сетей и фреймовых моделей заключаются, с одной стороны, в их экономичности, позволяющей сократить время автоматизированного поиска информации, а с другой стороны, в их удобстве для описания определенных областей знания (и соответствующих фрагментов реальности, изучаемых в данных областях), когда выделяются основные (с точки зрения задач, для которых создается ИС) объекты предметной области и (или) система понятий, в которых будут анализироваться конкретные ситуации, а также описываются свойства объектов (понятий) и отношения между ними. И хотя в целом для этих типов моделей существуют значительные проблемы с организацией вывода, фреймовые системы многими были оценены как перспективные благодаря возможностям подведения под них достаточно строгих логических и математических оснований. Продукционный и фреймовый подходы объединяются иногда под общим названием эвристического или когнитивного подхода.
Эти подходы в представлении знаний достаточно тесно связаны с развитием когнитивной психологии. Однако само это направление сложилось под влиянием «компьютерной метафоры», когда познавательные процессы стали рассматриваться по аналогии с работой вычислительных машин. Неудивительно поэтому, что происходящее в ИИ оказывало и оказывает заметное воздействие на когнитивную психологию (как и на еще более молодое направление — когнитивную лингвистику). Это справедливо и в отношении собственно представления знаний. И фреймовые, и сетевые модели основываются на соответствующих концепциях структур человеческого восприятия и памяти. Вместе с тем эта концепция имеет самостоятельное значение как концепция психологическая и эпистемологическая и используется в исследовании проблем, выходящих за рамки собственно разработок компьютерных систем.
В книге «Философия компьютерной революции» (М., 1991) А. И. Ракитов выдвигает концепцию «информационной эпистемологии». «Возникновение „интеллектуальной технологии“ и жгучий интерес к природе и возможностям машинного мышления, порожденный компьютерной революцией, — пишет он, — привели к формированию нового, нетрадиционного раздела эпистемологии — эпистемологии информационной. Она исследует не те или иные виды научного знания, а знания вообще, но под особым углом зрения, с позиции переработки и преобразования информации в ее высшую форму — знания. Информационная эпистемология исследует различные способы представления и выражения знаний и возможности построения знаний с помощью технических систем». Процесс познания и мышления, считает А. И. Ракитов, рассматривается в информационной эпистемологии под углом зрения «инженерного фундаментализма» как процесс машинной трансформации информации. К основным проблемам информационной эпистемологии он относит следующие: «что такое информация; как она передается, трансформируется; каковы функции и соотношения сигналов и кодов; какова эпистемическая функция компьютеров, могут ли они мыслить; как из информации создаются знания; как соотносятся информация, смысл и значение; каковы способы машинного представления знаний; какова связь информации и языка; как осуществляется машинное понимание и взаимопонимание машины и человека; можно ли редуцировать мыслительные процессы к вычислительным функциям или представить через них; в чем сущность инженерного подхода к познавательной деятельности; и, наконец, каково соотношение компьютера и мозга?».
Очевидно, что в круг перечисляемых А. И. Ракитовым проблем входят как технологические, так и экзистенциальные вопросы о знании. Соотнесенность между собой этих вопросов, обусловленная тем, что все они так или иначе связаны с проблемами компьютерной переработки информации. Для осмысления происходящего в разработке компьютерных систем с позиций эпистемологии характерно также наличие тенденции к определенной трансформации эпистемологии с учетом потребностей компьютерной революции.
Исследование знания в контексте ИИ особенно остро поставило вопрос о неявной, личностной компоненте знания, а также о культурных предпосылках общения людей при посредстве ЭВМ. Заполнение базы знаний, осуществленное инженером в результате работы с экспертом, предполагает, конечно, формулировку правил, которые входят в базу знаний и необходимы для выполнения системой ее функций. Однако существенная часть этих правил может быть недоступна самому эксперту для рефлексии, в силу их неявности. Либо может быть затруднена вербализация этих правил.
В принципе утверждение о существовании невербализуемого, неявного личностного знания (М. Полани) не противоречит утверждению о возможности вербализации или иного рода экспликации той части неявного знания, которая это допускает. Существуют две крайние точки зрения на знание, одна из которых предполагает принципиальную эксплицируемость всей познавательной деятельности человека, а другая — принципиальную неэксплицируемость того, что не эксплицировано на данный момент.
Другой важной группой технологических вопросов о знании, изучаемых ИИ, являются вопросы приобретения знаний — т. е. вопросы о способах получения и ввода в ЭВМ информации, необходимой для наполнения структур представления знаний конкретным содержанием. Источниками этой информации могут быть как тексты (книги, статьи, архивные документы или уже созданные базы знаний, которые могут считаться текстами в широком смысле этого слова), так и не зафиксированные в текстах (или даже неартикулированные) знания, которыми обладает человек (специалист, эксперт). В некоторых случаях система может приобретать знания непосредственно благодаря наблюдению за окружающей средой. Многие исследователи считают, что ключевой проблемой при построении экспертных систем является получение знаний от экспертов.
Существуют разнообразные методики так называемого извлечения знаний из эксперта. Ранее других возникшие и наиболее распространенные из них — методики интервьюирования экспертов. Режим интервью, когда инженер по знаниям ведет активный диалог с экспертом, предполагает как предварительное ознакомление его с предметной областью, для работы в которой создается система, так и ознакомление эксперта с некоторыми вопросами построения ИС. От интервью отличаются такие способы взаимодействия инженера по знаниям с экспертом, как протокольный анализ и игровая имитация. Протокольный анализ предполагает фиксацию действий (видеозапись) или «мыслей вслух» (запись на магнитофонную ленту) эксперта в ходе решения проблемы. Эта запись впоследствии подвергается анализу. В случае игровой имитации инженер по знаниям наблюдает за поведением эксперта в искусственно созданных ситуациях, моделирующих те, которые действительно имеют место в работе эксперта. Однако и эти способы требуют диалога инженера с экспертом. Такой диалог бывает необходим при анализе полученной информации, для ее уточнения, восстановления картины работы эксперта в том объеме, который требуется для построения ИС. Работа с экспертом может быть в значительной степени автоматизирована, когда функции инженера по знаниям выполняет ИС.
Так или иначе, методы извлечения знаний, как и методы их представления, нередко базируются на когнитивно-психологических и эпистемологических соображениях, в том числе на экзистенциальном взгляде на когнитивную структуру экспертного знания (иногда вместо выражения «экспертное знание» предпочитают употреблять выражение «опыт эксперта»).
Трудности приобретения знаний — это в значительной степени трудности изучения структуры экспертного знания и механизмов его функционирования. Рефлексия эксперта над собственным знанием не может решить этой проблемы, поскольку, во-первых, не все эксперты обладают достаточно развитой способностью к рефлексии, во-вторых, далеко не всегда могут осуществлять ее в тех концептуальных рамках, которые обеспечивают возможность заполнения базы знаний, и, в-третьих, известны случаи, когда эксперты в силу каких-либо соображений не желают делиться информацией с инженером знаний. Кроме того, имеются трудности принципиального характера, связанные с вербализацией неявного знания, в том числе «знания, как». Некоторые исследователи придают большое значение интуиции эксперта-человека, возможностям ее учета или «компенсирования» при разработке ИС. Проблема «знание и компьютер», таким образом, оказывается связанной с вопросами явного и неявного, вербализуемого и невербализуемого знания, а также с проблемой интуиции.
|
