Глава 14. ВОПРОСНО-ОТВЕТНЫЕ СИСТЕМЫ

14.0. Постановка задачи

В предыдущей главе обсуждалась проблема создания звена общения с вычислительной машиной. Допустим, что эта связь установлена. Как ею пользоваться? Несколько наивно было бы сказать, что ЭВМ, должно быть, очень поможет нам при ответе на вопросы. Несомненно, физические возможности хранения и извлечения данных в вычислительных системах огромны. Тем не менее практические попытки задавать вопросы ЭВМ могут принести большое разочарование. Почему?

И вычислительные машины, и люди могут запоминать факты. Люди, однако, запоминают также достаточно тонкие интерпретации фактов. Если вы говорите, что собираетесь путешествовать, но бензин почти кончился, то разумный человек запомнит также утверждение, выведенное из этих двух, а именно, что вы поедете на заправочную станцию. Лишь очень немногие программы, моделирующие мышление, делают это. Еще тоньше вопрос о том, как формируются общие впечатления. Если вам сказали, что данный американский сенатор голосовал против семи законопроектов об иностранной помощи и трех мероприятий, касающихся гражданских прав, и резко возражал против назначения бывшего профсоюзного юриста в Верховный суд, то у вас, наверное, составится представление об этом сенаторе. Оно может учитываться при последующих заключениях относительно его позиции в новых спорных вопросах. Эти наблюдения никого не удивят, „так делают все“. Но какие правила здесь применяются и как их запрограммировать?

Для сравнения рассмотрим типичную информационную вычислительную систему. Ее можно представить в виде большой картотеки. Она отвечает на любой вопрос, если нужный ответ содержится в банке данных и помечен как ответ на этот конкретный вопрос. Ответ на

родственные вопросы могут найти немногие системы. Кроме того, информация в вычислительных системах очень четко расклассифицирована. Если сотрудники кредитного бюро проверяют, работает ли интересующий их человек или он безработный, они получают только эти сведения; они не получат сведений о кредитоспособности, допустим, его жены. Возможно, сосед этого человека, если потребуется, представит им такую информацию. Еще интереснее случай, когда речь идет о фактах, требующих дальнейших справок. Если бы юриста спросили: „За какую сумму Вы взялись бы защищать человека, обвиненного в убийстве?» и „Не знаете ли, где я могу раздобыть стрихнин?" - он мог бы в ответ также задать некоторые вопросы. Вычислительные машины этого не делают.

Проблема разумного поведения в ответ на те или иные события связана с пониманием языка. ЭВМ в точности выполнит данные ей указания, если они выражены на очень формальном языке и в них нет неопределенности. Машина, которая действительно понимает, что мы пытаемся сказать ей, должна выполнять то, что мы от нее хотим, даже если мы не соблюли все формальности языка, на котором полагается обращаться к машине. Создание такой машины, вероятно, представляет самую трудную из всех задач искусственного интеллекта.

В этой и следующей главах мы рассмотрим, как сделать действия ЭВМ более разумными. Несмотря на то что эта тема стала весьма популярной, прогресс здесь наименьший из всей области искусственного интеллекта. Читателя следует предостеречь: некоторые ученые с отличной репутацией в области искусственного интеллекта могут не согласиться не только с ответами, которые мы даем, но и с нашими вопросами! Однако те же ученые могут не согласиться и друг с другом, поэтому наш подход, видимо, не хуже других.

Понимание сообщений — первая проблема, с которой придется столкнуться разумной машине. Традиционно при работе с ЭВМ человек, умеющий говорить, учится писать (программу) на строго определенном формальном языке. Эту задачу не так просто решить. Программирование — весьма трудоемкий процесс. На нашем естественном языке выражается много мыслей, не переводимых на язык ЭВМ. Как выразился один из наших студентов, „попробуйте определить слово „свобода" на Фортране!". Чтобы читателю не показалось, что этот пример слишком экзотичен, укажем, что попытки применения ЭВМ в юриспруденции для поиска информации периодически предпринимаются. „Очевидный" подход здесь состоит в использовании вычислительных машин для просмотра документов, содержащих ключевые слова в заглавии или тексте. Букханан и Хедрик (1970) отмечают, однако, что юристы пользуются литературой не так. Юрист в основу своих аргументов берет аналогии с другими делами и определенную трактовку абстрактных принципов. Букханан и Хедрик утверждают, что вычислительная техника до

тех пор не будет по-настоящему использоваться в юриспруденции, пока ЭВМ не смогут делать то же самое.

Нам нет необходимости ограничиваться примерами из будущего, чтобы продемонстрировать проблемы в области понимания сообщений. Рассмотрим следующие прямые запросы на поиск информации:

(1) Какова численность населения Нью-Йорка, Чикаго, Сент-Луиса, Филадельфии?

(2) Какова численность населения Нью-Йорка, Иллинойса, Миссури, Пенсильвании?

Для человека ясно, что в первом вопросе подразумевается город Нью-Йорк, а во втором — штат Нью-Йорк. Установление правильного соответствия по аналогии с другими, одновременно заданными вопросами, — пример тонкого рассуждения, вполне доступного людям, но выходящего за пределы возможностей большинства информационно-поисковых систем.

Процесс понимания в машине имеет глубинные связи с машинным анализом естественного языка. Поскольку это самостоятельная важная тема, мы отложим детальное обсуждение лингвистических проблем до следующей главы. Во многих частных случаях можно избежать необходимости понимания, вводя формальный язык, содержащий некоторые конструкции естественного языка и в то же время пригодный для машинного анализа (Томпсон, 1966; Достерт и Томпсон, 1971). Мы не будем уделять этому подходу слишком много внимания, ибо решения, получаемые с его помощью, относятся к конкретным задачам. По крайней мере до следующей главы будем считать, что задача понимания сообщений уже решена. Надо решить две другие задачи.

Структуры данных для понимания исследовались очень интенсивно. Как организовать данные, чтобы их можно было извлечь, когда они нужны, и чтобы они не извлекались, когда не нужны? Возможно, именно в этой области человек имеет наибольшее преимущество перед машиной. Мы можем каким-то способом очень быстро извлекать необходимую информацию из долгосрочной памяти, даже на основании неясных указаний. Сложность построения правильной структуры данных для информационного поиска тесно связана со способностью конструктора системы управлять вопросами, касающимися этой базы данных. Библиотека дает пользователю возможность задавать только те вопросы, ответ на которые содержится в картотеке алфавитного указателя, а требование найти книгу по имени ее издателя создает для системы большие трудности. Она оказалась бы совсем беспомощной, если бы в требованиях на книги пользователи указывали место рождения автора. Задача индексации структур данных в ситуациях, когда форму задаваемого вопроса можно предвидеть, обычно обсуждается, если речь идет об информационном поиске — самостоятельной области исследований

(ср. Лефковиц, 1969). Мы займемся более „экзотическими" структурами данных, нашедшими применение в области искусственного интеллекта, где все направлено на то, чтобы не ограничивать пользователя, задающего вопросы.

„Понимающая" система должна включать в себя правила вывода. Правило вывода — это метод вывода фактов, которые подразумеваются, но не содержатся в явном виде в базе данных. Мы обсуждали уже правила вывода при описании систем доказательства теорем и решения задач. Многие из процедур вывода, созданные для решения задач, можно применить непосредственно к задачам понимания. Кроме того, существуют другие, более специализированные процедуры вывода, которые годятся для поиска данных, хотя в общем случае рассуждения, производимые ими, могут быть некорректными. Распознать, какие данные и процедуры вывода относятся к делу, — первый важный шаг при ответах на вопросы. Задавшись вопросом

Влияет ли ДДТ на уровень численности скоп

разумный биолог применит правила вывода, в которых участвует включение множеств, и использует информацию только о распределении ДДТ, воздействии хлорированных углеводородов на откладку яиц, обычаях гнездования и добычи пищи у птиц, питающихся рыбой, и хищников. Он не будет пытаться делать выводы, основанные на информации о страусах, поскольку эти сведения, „очевидно", к делу не относятся. Проблема вывода при понимании во многом состоит в решении, какие факты „очевидно несущественны". Установление же существенных фактов позволяет в общем случае сразу проводить требуемый вывод.