Оптические вычисления - Арратуна Р.
Скачать (прямая ссылка):
составляющими от 10 до 1000 логических заключений в секунду. Для
сравнения заметим, что это приблизительно соответствует быстродействию от
1 до 100 Мегафлоп (операций с плавающей запятой) в цифровых вычислениях.
Данный предел не является следствием только проблем аппаратного
обеспечения; многое зависит от того, как программные средства организуют
процессы поиска знаний и обоснования. Еще один аспект исследований
экспертных систем заключается в нахождении эффективных способов разбиения
на модули тех процедур, назначение которых накапливать и обрабатывать
знания. В настоящее время фактически не существует способов разделения
или разбиения на модули различных компонентов экспертных систем -
средства обоснования и интерфейсы пользователя совместно используют одну
и ту же память с базой знаний и механизмом вывода. Организуя, отслеживая
и направляя все эти знания в монопроцессор, тем самым сильно ограничивают
скорость, с которой могут выполняться символьные вычисления. Это является
типичным примером ограниченности архитектуры фон Неймана, который будет
обсуждаться в следующем разделе.
Все эти трудности в настоящее время ограничивают размер базы знаний и
отсюда общую надежность системы. Вариант схемы, обладающей требуемыми
характеристиками, показан на рис. 10.27, где компоненты экспертной
системы разбиты на модули, но все еще взаимодействуют с системой на
нескольких уровнях. Каждая компонента имеет возможность работать с
отдельным процессором, но при этом в каждом параллельном процессе
обработки осуществляется связь с другими обрабатывающими элементами
(посредством посылаемых сообщений). Такая структура системы могла бы
обеспечить создание экспертных систем, занимающих большой объем памяти и
имеющих более надежные средства логического вывода и более широкий
диапазон областей применения.
Имея общее представление об основных функциональных возможностях
символьных вычислений, можно увидеть, что все они направлены на то, чтобы
улучшить понимание машинной области знаний, к которой относятся запросы
пользователя. Это тоебует увеличения потока запросов к базе знаний
системы. Кроме того, в данном случае важное значение имеют эвристический
поиск и различные процессы проведения рассуждений. Однако все это в
настоящее время представляет собой значительную трудность с точки зрения
реализации.
Другое обстоятельство, заслуживающее внимания в связи с обсуждением
указанного комплекса проблем, состоит в том,
Датчики Внешняя база данных
, t Г "
^ Интерфейс Интерфейс ^ Правила
Подсистема выдачи разъясненк
Пользователь / Интерфейс естественног
Гене ратор
логических рассуждении (Планировщик)
(БлокЛ ^рассуждений^
/Моделирующее устройствоJ
получения
логических выводов
\
База знаний
DC
С
Планы
Таксономии
Структурные
модели
С Модели N поведения \ системы J
Рабочая область памяти
у" --
Описание задачи состояния задачи
с
Состояние
задачи
Подсистема сбора знаний
Обучение,
- проводимое извне
Рис. 10.27. Модульная параллельная экспертная система.
Глава 10. Оптика и символьные вычисления
331
что виды обработки, используемые в системах ИИ, в большинстве случаев
тесно привязаны к проблемным областям. Во многих случаях и команды, и
методики использования памяти, и оценки, и метрики для сравнения, и
процессы поиска тесно переплетаются и взаимосвязаны в последовательности
процедур управления интеллектуальными системами. Следовательно,
единственная возможность указать общие категории - этб выявить степень
пересечения методик обработки высокого уровня. Подобное можно видеть в
сфере разработки инструментальных средств экспертных систем, где каждое
программное средство обладает собственной формой представления данных
(правила продукций, семантические сети, фреймы, сценарий), свои
собственные парадигмы рассуждений (схемы поиска "от цели к фактам" и от
"фактов к цели" и др.) и как результат и^еет собственную структуру
процедур сравнения и оценки. Хотя все эти программные средства в процессе
работы могут взаимодействовать, но на практике различия между ними весьма
велики.
Предметом рассмотрения в данном разделе являются проблемы, связанные с
представлением знаний в системах ИИ. Любая работоспособная и в
достаточной степени универсальная система требует использования целого
ряда схем представления знаний. Проиллюстрировать данное утверждение
можно на примере задач, использующих одновременно декларативные и
процедурные знания. Таким образом, по мере перехода к решению более
сложных и более общих проблем, системы будут работать со все большими по
размеру базами знаний и увеличивающимся числом типов представления
данных. Проблема будет заключаться в организации и управлении этими
знаниями таким образом, чтобы это не приводило к возникновению
дополнительных трудностей и уменьшению скорости обработки.
Согласно полученным оценкам, для того чтобы преодолеть существующие
проблемы в системах ИИ, скорость вычислений в символьных компьютерах
