Software & Systems

Прежде всего необходимо пояснить суть самого термина “прикладная семиотика” как он понимается в этой статье. Научное толкование термина и история его появления были изложены в пленарном докладе Д.А. Поспелова на конференции “Искусственный интеллект – XXI век” (Москва, 30.10-3.11.95) и опубликованы в № 3 этого журнала за 1996 г. Здесь же дается прагматический взгляд на это научное направление, исходя из тех возможностей, которые прикладная семиотика привносит в технологию создания систем управления сложными техническими и организационно-техническими объектами.

Слово семиотика происходит от греческого слова semeion (знак, признак) и в одном из своих толкований означает науку, исследующую свойства и семантику знаков и знаковых систем в человеческом обществе (главным образом естественные языки).

Семиотика (точнее, теоретическая семиотика) исследует свойства того или иного языка во всем их богатстве. К сожалению, в рамках этой науки пока не удалось построить аппарат эффективного моделирования смысла, заложенного в высказываниях этого языка, то есть аппарат выделения и представления смыслового содержания конструкций языка в форме хорошо структурированных знаковых систем (семиотических моделей), допускающих компьютерную обработку и интерпретацию смысла (знаний) для решения прикладных задач. По-видимому, появление такого интерпретирующего аппарата для достаточно развитого естественного языка со всем многообразием его изобразительных возможностей отражения реального мира не приходится ожидать в ближайшем будущем.

Объясняется это тем, что уровень сложности семиотической модели не может быть ниже уровня сложности интерпретируемого языка, а естественный язык – пока наиболее мощное из имеющихся у человека средств модельного отражения мира. Все другие средства аналогичного назначения, созданные человеком, существенно уступают естественному языку своими возможностями отражения. Впрочем, теоретическая семиотика и не ставит перед собой сегодня практической задачи построения универсального интерпретатора естественного языка.

Прикладная семиотика, напротив, своей основной задачей считает развитие эффективного аппарата интерпретации текстов на естественном языке в виде специальных семиотических моделей и использования этих моделей (точнее, представленных в них знаний) для решения прикладных задач. При этом аппарат прикладной семиотики строится с использованием достижений теоретической семиотики, но развивается не для естественного языка в целом, а для его существенно ограниченных подмножеств. Дело в том, что каждая прикладная задача в своей постановке затрагивает не весь реальный мир, а лишь некоторый его весьма ограниченный фрагмент – предметную область, для описания которой обычно требуется существенно ограниченный набор изобразительных возможностей естественного языка.

Прикладная семиотика в совокупности с прикладной математикой (основным на сегодня инструментом решения прикладных задач) является фундаментом для развития принципиально новой информационной технологии создания программных систем прикладного назначения в самых разнообразных областях человеческой деятельности.

В прикладной математике построение модели некоторого реального объекта осуществляется разработчиком модели на основании его внутреннего представления об этом объекте. Именно во внутреннем представлении разработчика отражается прикладной смысл и самой модели, и ее отдельных элементов и символов. Если отделить построенную модель от этого внутреннего представления, она превратится в абстрактную математическую конструкцию, в которой отсутствует механизм восстановления ее прикладного смысла. Поэтому прикладная математическая модель всегда представляет собой пару из математической конструкции и текстового (естественно-языкового) описания самого моделируемого объекта и соответствия между элементами и символами математической конструкции и свойствами и характеристиками объекта. Без такого описания никто, кроме разработчика, не сможет правильно использовать модель для решения конкретных прикладных задач.

Необходимо отметить (и это важно для прикладной семиотики), что описание прикладной модели, как правило, бывает хорошо структурировано и выполнено на вполне ограниченном подмножестве естественного языка, характерном для той предметной области, в которой осуществляется моделирование.

Прикладная семиотика дает принципиально новую технологию построения открытых систем, объединяющих в себе логико-лингвистическую модель предметной области, логико-лингвистические модели, отражающие прикладной смысл моделей и методов прикладной математики, используемых в этой предметной области для решения прикладных задач, и банк самих математических моделей и методов. Логико-лингвистические модели и механизмы их использования не только позволяют развивать систему в процессе ее эксплуатации путем добавления в них новых знаний о предметной области и новых математических моделей и методов, но и, что, может быть, более важно, дают системе возможность в ответ на поток поступаемых задач выбирать для их решения наиболее адекватные математические модели и методы.

Появление прикладного взгляда на семиотику связано с начавшимися в конце 1960-х годов в России работами в области ситуационного управления [1-3], в рамках которых впервые были введены и использованы понятия семиотической системы и семиотического моделирования. Дальнейшее развитие прикладной семиотики как научного направления вплоть до 1995 года, когда она приобрела международное звучание [4,5], также протекало в России и в значительной мере основывалось на симбиозе идей и методов прикладной математики и искусственного интеллекта в области управления большими сложными объектами.

СХЕМА ПОДХОДА ПРИКЛАДНОЙ СЕМИОТИКИ К ПОСТРОЕНИЮ СИСТЕМ УПРАВЛЕНИЯ

В конце 70-х годов многие исследователи и разработчики столкнулись с тем, что построение автоматизированных систем управления большими сложными объектами на основе традиционного кибернетического подхода редко приводит к желаемым результатам. Последовавшее за этим развитие методов и средств искусственного интеллекта в области управления и приведшее к появлению многочисленных и разнообразных экспертных систем также не смогло решить проблемы управления большими сложными объектами. Объясняется это следующим.

При традиционном кибернетическом подходе (рис. 1) система управления объектом строилась на основании фиксированной формальной системы, объединяющей в себе математические модели управляемого объекта, окружающей среды, самой системы управления и их взаимодействия. При этом прикладной смысл моделей и методов воплощался в конкретных инженерно-конструкторских (жестких) решениях, закладываемых в реализацию системы управления и управляемого объекта. Как потом показывала практика функционирования построенных объектов, модельные представления разработчиков часто оказывались далеко не полными, а иногда и неверными. Учет же новых знаний, появлявшихся в процессе функционирования объекта, часто требовал переделки системы управления, то есть адаптивность и, как следствие, эффективность таких систем управления была недостаточно высокой.

Технология экспертных систем управления (рис. 2) использует логико-лингвистические модели объекта и окружающей среды, поэтому адаптивность экспертных систем к решаемым задачам весьма высока. Однако в качестве методов решения задач формирования управления в таких системах используются различные методы логического вывода на основе знаний.

Такие системы оказываются достаточно эффективными пока речь идет только о качественном управлении, то есть ищется ответ на вопрос “Что делать?”, причем с каждым ответом на этот вопрос должны быть связаны вполне определенные количественные значения управляющих воздействий, например в виде некоторой таблицы решений. В тех же случаях, когда при формировании управления для качественного решения необходимо рассчитать количественные значения управляющих воздействий, то есть ответить на вопрос “Как делать?”, технология экспертных систем оказывается недостаточно эффективной. Взаимопроникновение идей и методов прикладной математики и технологии экспертных систем, послужившее импульсом к развитию прикладной семиотики в области управления, иллюстрирует рисунок 3.

Таким образом, в системах управления, построенных с использованием моделей и методов прикладной семиотики, происходит чередование шагов математического моделирования ситуаций и синтеза управления в рамках фиксированных формальных моделей мира и шагов семиотического моделирования, приводящих к перестройке формальных моделей на основе знаний о предметной области и реальных ситуациях, возникающих в процессе функционирования объекта и системы управления.

АРХИТЕКТУРА СИСТЕМ УПРАВЛЕНИЯ: ПОДХОД ПРИКЛАДНОЙ СЕМИОТИКИ

Архитектура систем управления, реализующих схему подхода прикладной семиотики, формировалась в рамках исследований и разработок, связанных с созданием систем ситуационного управления сложными объектами [6,7], и сегодня приобрела вид, показанный на рисунке 4.

Первый (входной) блок системы – Интерпретатор входного языка – воспринимает сообщения, поступающие в систему управления от управляемого объекта и окружающей среды, и переводит их на внутренний язык системы.

Входной блок осуществляет смысловую интерпретацию отображений текущей ситуации, которые могут поступать в систему управления в виде естественно-языковых сообщений, видеообразов, данных измерительных комплексов и т.п. Этот блок должен включать в себя набор таких интеллектуальных интерпретаторов, как интерпретатор ограниченного естественного языка для задач управления [8,9], интерпретатор “рисунок ® текст” [10], смысловой интерпретатор данных измерений [11] и др.

Результатом работы Интерпретатора входного языка является модель текущей ситуации. Модель ситуации строится Интерпретатором в контексте текущей модели мира базы знаний системы управления и “понятна” (адекватно интерпретируема) ее остальным блокам.

Построеннная Интерпретатором входного языка модель текущей ситуации поступает в следующий блок системы управления – Анализатор. Основное назначение Анализатора – поддержание в базе знаний системы актуальной модели управляемого процесса и осуществление предварительной классификации текущей ситуации. Этот блок должен определить, требует или не требует текущая ситуация изменения текущего управления, то есть необходимо ли очередное активное вмешательство системы в управляемый процесс.

Для этого Анализатор должен выявить значения качественных и количественных признаков текущей ситуации, критические в контексте текущих задач управления, и провести анализ этих значений в контексте текущей формальной модели мира, поддерживаемой базой знаний системы. В качестве метода решения этой задачи можно указать параллельный продукционный вывод [12], специально развиваемый для систем ситуационного управления.

Результатом работы Анализатора является пополнение актуальной модели управляемого процесса очередной ситуацией (добавление новой “точки” в “траекторию” текущего процесса) и активизация следующего блока – Классификатора, если ситуация не может быть интерпретируема как не требующая активного вмешательства системы управления.

Классификатор осуществляет [6] обобщение и редукцию текущей ситуации к одному или нескольким классам типовых ситуаций, требующих одношаговых управляющих воздействий. Эти классы являются частью текущей модели мира, поддерживаемой базой знаний системы. Обобщение и редукция текущей ситуации состоит в выявлении значений ее качественных и количественных признаков, лежащих в основе классификации ситуаций, и в анализе схожести и различия между текущей ситуацией и типовыми ситуациями, образующими упомянутые классы.

Классификатор в процессе функционирования системы управления может столкнуться с тем, что некоторые текущие ситуации не укладываются в рамки текущей классификации. Такие случаи сигнализируют о том, что набор типовых ситуаций и их классификация в текущей формальной модели мира недостаточно адекватно отражают реальные объекты, процессы и явления и должны быть модифицированы Классификатором в результате специальной обработки и анализа накопленной в базе знаний информации об управляемом объекте и окружающей среде, то есть должен быть выполнен шаг семиотического моделирования.

Работа Классификатора основывается на методах вывода, аналогичных используемым при анализе текущих ситуаций Анализатором, и специальных методах обнаружения закономерностей в наборах фактов. Последние используются для выделения новых и реструктуризации старых типов ситуаций и для осуществления их соответствующей реклассификации. В этой связи следует особо отметить хорошо зарекомендовавшие себя методы формирования правдоподобных гипотез [13,14] на основе индуктивного вывода в стиле J.S. Mill’а [15].

В результате работы Классификатора классы типовых ситуаций в базе знаний сохраняют свою актуальность в процессе функционирования системы управления, а осуществляемая им классификация текущих ситуаций обеспечивает их интерпретируемость в контексте текущей модели мира и актуальной модели управляемого процесса следующим блоком системы управления – Коррелятором.

Коррелятор организует процесс формирования управляющих воздействий на управляемый объект, адекватных текущим ситуациям и текущей модели мира в базе знаний системы. В последней каждому классу ситуаций поставлены в соответствие вполне определенные качественные решения, отражающие характер изменения управляющих воздействий на управляемый объект для ситуаций этого класса, и, возможно, обобщенные таблицы определения количественных значений этих воздействий для некоторых совокупностей количественных характеристик текущих ситуаций.

Если отклассифицированной текущей ситуации в базе знаний соответствует вполне определенный набор количественных значений управляющих воздействий, Коррелятор выбирает этот набор, и процесс формирования текущего управления заканчивается. Остается только перевести выработанное решение в команды, понятные их исполнителям (устройствам или людям), что осуществляет выходной блок системы управления – Интерпретатор внутреннего языка. В этом случае весь процесс формирования управления оказывается осуществленным в рамках текущей формальной модели мира без привлечения аппарата прикладной математики.

Если же для текущей ситуации в базе знаний нет готовых решений или эта ситуация отнесена Классификатором более чем к одному классу, Коррелятор для каждого из возможных вариантов качественного решения формирует спецификацию текущей ситуации и задачи управления в контексте текущей формальной модели мира как задачу прикладной математики и передает эти задачи для решения Экстраполятору – блоку формирования вычислительных моделей и решения математических задач.

В основу реализации Экстраполятора могут быть положены результаты исследований и разработок в области автоматизации моделирования и поддержки принятия решений в инженерных областях [16,17].

Оценка сформированных Экстраполятором вариантов управляющих воздействий и их выбор осуществляются в цепочке Анализатор–Классификатор–Коррелятор в результате анализа последствий реализации каждого из этих решений – ожидаемой текущей ситуации на следующем шаге управления.

В заключение следует отметить, что прикладная семиотика дает возможность построения систем управления, которые могут обеспечивать приемлемое управление динамическими нестационарными объектами, априорная информация о которых существенно неполна. И в классической теории управления, и в традиционных подходах искусственного интеллекта эффективные модели и методы синтеза управления для таких объектов отсутствуют.

Использование прикладной семиотики может принести особенно ощутимые практические результаты в тех областях деятельности (экономика, политика, социальная сфера, оборона, проектирование сложных технических систем и т.п.), где принятие решений обычно осуществляется в динамической, нестационарной среде в условиях, как правило, неполной и часто противоречивой информации.

Список литературы

1. Поспелов Д.А. Принципы ситуационного управления // Изв. АН СССР. Техническая кибернетика. - 1971. - № 2. - С. 10-17.

2. Клыков Ю.И. Ситуационное управление большими системами. - М.: Энергия, 1974. - 134 с.

3. Поспелов Д.А. Ситуационное управление. Теория и практика. М.: Наука, 1986. - 288 с.

4. Proceedings of Workshop on Russian Situation Control and Cybernetic/Semiotic Modeling, March 22-29, 1995, Columbus (O), USA (Ed.: R.J. Strohl), Publ. by the Battelle, Columbus, 1996, 182 p.

5. Architectures for Semiotic Modeling and Situation Analysis in Large Complex Systems: Proceedings of the 1995 ISIC Workshop - the 10th IEEE International Symposium on Intelligent Control, Aug. 27-29, 1995, Monterey (Cal), USA, 441 p.

6. Pospelov D.A. Situation Control, an Overview//In [4], pp. 7-37.

7. Pospelov D.A. Semiotic Models in Control Systems//In [5], pp. 6-12.

8. Osipov G.S. Semiotic Modeling: An Overview//In [4], pp. 51-72.

9. Osipov G.S. Methods for Extracting Semantic Types of Natural Language Statements from Texts. //In [5], pp. 292-299.

10. Ильин Г.М., Игнатова В.Н. Автоматический синтез текстов на естественном (русском) языке для описания сцен, распознаваемых роботом // Вычислительная техника и вопросы кибернетики. - Вып.25. - Л.: Изд-во Ленингр. ун-та, 1990. - С. 171-184.

11. Нечаев Ю.И. Натурные испытания судовой экспертной системы принятия решений в экстремальных ситуациях // Труды III всесоюз. конф. по искусствен. интеллекту. - Тверь, 1992. - с. 67-68.

12. Vagin V.N. Parallel Inference in Situation Control Systems//In [5], pp. 109-116.

13. Finn V.K. JSM-reasoning for Control Problems in Open (±)-worlds//In [5], pp. 75-79.

14. Zabezhailo M.I., Finn V.K. and others. Reasoning Models for Decision Making: Applications of JSM-method in Intelligent Control Systems//In [5], pp. 99 - 108.

15. Mill J.S. Philosophy of Scientific Method. - Hafner Press, N.-Y., 1974.

16. Ehrlich A.I. Integration of Situation and Cybernetic Models and Methods for Control and Management of Complex Systems//In [4], pp. 38-50.

17. Ehrlich A.I. Approach to Development of Systems for Modeling, Simulating and Decision Making Support in System Engineering//In [5], pp. 375-381.