В статье представлены подходы, разрабатываемые авторами на кафедре «Технологические процессы, аппараты и техносферная безопасность» по внедрению систем искусственного интеллекта в научные исследования, проводимые сотрудниками и студентами кафедры в области процессов химической технологии, в частности тепло и массопереноса.
Ключевые слова: интеллект, эксперт, исследование, технология, система.
До того момента, как студенты сталкиваются с системами искусственного интеллекта, у большинства из них, в качестве ответа на вопрос: «Что у Вас ассоциируется со словосочетанием искусственный интеллект?» возникают ответы и образы в стиле пересказов сцен из фантастических рассказов и фильмов: профессор в белом халате ведет научный диспут о предмете бытия с огромным, перемигивающимся лампочками компьютером (как в рассказах В. H. Журавлевой «Летящие во Вселенной», «Второй путь») или робот с человеческим обликом уничтожающий людей (фильмы «Терминатор», да и чего стоит «Франкенштейн» или «Голова профессора Доуля»). Все эти образы, как правило, складываются в картину всеобщей катастрофы, уничтожающей все живое или приводящее к порабощению человека машинами. Вообще писатели-фантасты славно потрудились над созданием жуткого облика думающих машин, заменяющих в эволюции человека. Каково же бывает с одной стороны разочарование, а с другой даже некоторое душевное успокоение — «Конец света отменяется!!! Пока»..., когда студенты начинают осваивать курс лекций по искусственному интеллекту.
Искусственный интеллект (ИИ) — это совокупность знаний, данных и система их обработки базирующаяся на ЭВМ, реализующая процесс мышления и принятия решения, так как это делает человек. Это общая теоретическая концепция. Основная трудность реализации такой совокупной системы состоит в моделировании мышления человека. Это связано с одной философской проблемой, которую пытались разрешить выдающиеся мыслители всех времен — как познать человеку самого себя, свое сознание принципы мышления, поступки, чувства? Как мы размышляем, откуда появляются наши мысли?
Разработчики систем ИИ очень скоро столкнулись с этой проблемой и поняв, что «нельзя объять необъятное», пошли более простым путем. Они пошли по пути реализации отдельных процессов человеческого поведения и решения задач связанных более с математической логикой, чем с интуицией, образным мышлением, аналогиями.
Это задачи оптимального управления транспортными потоками, трассировки трубопроводов, выбора технологического оборудования, обработки экспериментальных данных с приборов в режиме реального времени и т. п. Вообще задачи, возникающие в научных исследованиях и в инженерной практике, в химической технологии составляют благодатную почву для реализации таких систем [1, с. 129].
Системы, реализующие принятие таких решений стали называть экспертными системами (ЭС). Основу математического аппарата таких систем составили понятия нечеткой логики, оперирующей терминами «почти», «близко к», «более», «менее» и т. п.
На сегодняшний день ЭС применяют при моделировании различных видов мыслительной деятельности человека: от простой игры в карты до систем медицинской диагностики. Однако, результаты работы подобных систем требуют постоянной оценки валидности получаемых результатов. Этому есть ряд объективных причин. Надо сказать, что основу любой ЭС составляет:
- база фактов из рассматриваемой предметной области (например: кислород — газ);
- база правил, реализующая связь фактов между собой (например: если вещество — газ, то оно летуче);
- система, реализующая получение возможных или конкретно заданных решений из входных данных через систему фактов и правил.
Например, в разрабатываемой нами экспертной системе начального уровня для реализации простой задачи распределения потоков в сушильной установке требуется обработка порядка десяти правил [2, c. 42]. В системе связанной с ректификационной установкой непрерывного действия требует уже обработка порядка полусотни правил. При этом часть правил нередко выдает противоречивые результаты, а это требует введения дополнительных ограничительных правил и фактов. Алгоритм же получения решений усложняется пропорционально возрастанию правил и фактов [3, c.70].
Таким образом, ЭС по самой изученной, простой и непротиворечивой предметной области часто не всегда дает корректное решение или выдает очевидное решение с большой временной задержкой или с помощью оператора в автоматизированном режиме.
О корректности работы ЭС часто говорят с позиции математической вероятности. Например: система выдает правильное решение в 70 случаях из 100 (если конечно правильность решения можно контролировать). Обычно система, работающая с малым объемом знаний, выдает корректное решение быстрее и с большей вероятностью, чем система, работающая с большим объемом знаний. Например, ЭС компоновки электронных плат работает более чем с 8,5 миллионами утверждений и выдает корректные решения с вероятностью 98 %.
В области химических технологий известно менее десятка ЭС, работающих с объемом фактов и правил, сопоставимых с объемом знаний эксперта в определенной предметной области (по некоторым оценкам это порядка 25–40 миллионов утверждений) и выдающих решения с вероятностью 90–96 %. Большинство других разработок — это либо демонстрационные программы намерений разработчиков, либо ЭС работающие в очень узкой специфической области.
Нами разрабатывается ЭС, позволяющая выбирать и рассчитывать оборудование для сушки жидких дисперсных продуктов в области химического и пищевого производства. Система правил и утверждений базируется на данных учебников, справочников, а также на данных, полученных при экспериментальных исследованиях кинетики сушки [4, с. 81].
На данный момент система работает с более чем 1000 правил. Основной проблемой применения этой системы является необходимость контроля получаемых промежуточных и конечных результатов со стороны человека. Такую особенность ЭС особенно важно учитывать при разработке системам работающих в областях напрямую влияющих на жизнь и судьбу человека, таких как медицина, системы управления производством, системы управления транспортом и особенно системы используемые в военных целях. Цена сбоя, ошибки, некорректного решения — человеческие жизни. Без человеческого контроля подобные системы принесут больше вреда, чем пользы.
Рассмотри возможность возникновения ситуации сбоя в ЭС. Необходимо отметить, что любая реально действующая сложная компьютерная система представляет собой совокупность программного и аппаратного обеспечения, своеобразный комплекс в котором одна составляющая не может существовать без другой.
Поэтому и ошибки могут возникать, во-первых, как уже отмечалось из за некорректностей в программном обеспечении, а во-вторых, из за сбоев в аппаратуре. «Начинка» компьютера — микросхемы (чипы), неустойчивы в работе при колебаниях силы тока и температуры (особенно при превышении пороговых значений). Поэтому сбой в системе может произойти по самой безобидной причине, в самой обычной ситуации. Решая эти проблемы, наука и техника идут по пути повышения надежности аппаратного обеспечения, увеличения быстродействия чипов при уменьшении их размеров. Однако ничто не дается бесплатно.
Увеличение компактности ведет к усложнению внутреннего строения чипа, что понижает его помехоустойчивость как магнитоэлектрическую, так и температурную. Здесь необходимо отметить одну особенность процессоров, о которой обычно не говорят. Ни один процессор в мире не может быть полностью протестирован. Как известно любая цифровая микропроцессорная система работает с двумя сигналами: логическим нулем и логической единицей. Говоря упрощенно, при работе процессора определенной комбинации сигналов на входе должна соответствовать определенная комбинация сигналов на выходе. Только в этом случае процессор работает правильно. Однако возможных комбинаций входных сигналов настолько много, что проверить все из них — физически невозможно. А это еще один источник возможного аппаратного сбоя.
Например, для полного тестирования всевозможных состояний процессора i8086 (использовался на первых ЭВМ фирмы IBM в конце 20 века) программным способом необходимо проверить 10е183 комбинаций. Учитывая время 1 операции на таком процессоре равной примерно 1 мкс получаем общее время тестирования 10е177сек что соответствует примерно 3*10е169 лет. Если учесть возраст Земли равный 4.17*10е9 лет (по некоторым геологическим исследованиям), то становится очевидным невозможность такой проверки. На практике для тестирования чипов используют специальные комбинации как программных, так и аппаратных тестов типовых состояний процессора, соответствующих набору команд процессора.
Литература:
- Пахомов, А.Н. Экспериментальные подходы к моделированию кинетики сушки дисперсных продуктов на подложках/Пахомов А. Н., Банин Р. Ю., Черных Е. А., Ловягина Е. А.//В сборнике: TheFourthInternationalConferenceonEurasianscientificdeveloрmentVienna, 2015. С. 128–130.
- Гатапова, Н. Ц. Особенности механизма и кинетики сушки жидких дисперсных продуктов на подложках/Гатапова Н. Ц., Пахомов А. Н., Пахомова Ю. В.//В сборнике: Актуальные проблемы сушки и термовлажностной обработки материалов в различных отраслях промышленности и агропромышленном комплексе сборник научных статей Первых Международных Лыковских научных чтений, посвящённых 105-летию академика А. В. Лыкова. Москва, 2015. С. 42–47.
- Рakhomov A. The observed heterogeneity of the fluidized bed/Рakhomov A., Banin R., Chernikh E., Loviagina E.// В сборнике: Scientific enquiry in the contemрorary world: theoretical basiсs and innovative aррroach 4th edition. Scienceeditor: A. Burkov. SanFrancisco, California, USA, 2015. Pp. 70–72.
- Пахомов, А.Н. Кинетические особенности сушки капель жидких дисперсных продуктов на подложках/Пахомов А. Н., Гатапова Н. Ц., Пахомова Ю. В.// В сборнике: Актуальные проблемы сушки и термовлажностной обработки материалов в различных отраслях промышленности и агропромышленном комплексе сборник научных статей Первых Международных Лыковских научных чтений, посвящённых 105-летию академика А. В. Лыкова. Москва, 2015. С. 81–83.
