Системы гибридного интеллекта

Если рассматривать системы гибридного интеллекта в самом общем виде, то можно сказать, что системы гибридного интеллекта представляют собой сложный, скорее даже, социальный феномен, возникающий при коллективном ведении интеллектуальной работы. Соответственно, любая организационная система, осуществляющая ИАР, со всеми основаниями может быть названа системой гибридного интеллекта.

По определению В.Ф. Венды[100], «гибридный интеллект — это механизм совместного прогнозирования живых систем в процессе опережающей взаимной многоуровневой адаптации с внешней средой, отличающийся тем, что каждая участвующая система располагает частной, фрагментарной, неполной информацией о динамике внешней среды, а совместно они синтезируют адекватную интегральную модель внешней среды и прогноз процесса взаимной адаптации со средой». Определение, безусловно, мощное, но почему бы тогда этот феномен не назвать иначе — коллективный интеллект?

Ответ прост: для конкретного приложения — для ИАР это определение нуждается в уточнении… Коль скоро понятие системы гибридного интеллекта охватывает феномен коллективной работы по анализу и обработке информации, то рассматривая системы гибридного интеллекта, следует уделить внимание и технологической компоненте ИАР, в частности — ее инструментальной подсистеме. Ведь сегодня для коллективного ведения ИАР широко используются средства телекоммуникационных сетей, различные инструментальные системы (те же майнд-мэпперы, наконец). Эти системы, подобно живым организмам, являются не только носителями информации, но и средствами ее интерпретации.

Собственно, и сам В. Венда ввел понятие систем гибридного интеллекта применительно к эргатическим (человеко-машинным) системам (например, комплексам управления атомными электростанциями и т. п.), но предпочел дать более общее определение. Мы же не можем довольствоваться общим определением — любая система, в которой ведется ИАР, очень чувствительна к качеству инструментального обеспечения, которое определяет виды и параметры информационных взаимодействий в системе, а значит, определяет и свойства системы в целом.

Одной из центральных проблем, осложняющих ведение ИАР, является отсутствие коммуникаций между экспертами. Увы, построение даже самой совершенной телекоммуникационной системы этой проблемы не решает. Человек часто остается один на один с проблемой — даже тогда, когда сидит в комнате, переполненной людьми. Коммуникация в системе ИАР — это, прежде всего, совместный творческий акт, а не возможность такового. Попробуем пояснить эту мысль...

Дело в том, что при общении наличие вопроса не всегда является побудительной причиной акта коммуникации (на момент инициации акта коммуникации вопрос может и не существовать, быть неосознанным). В ходе совместной ИАР вопрос часто становится следствием коммуникации. Осознанная же потребность в коммуникации (мне нужен совет Петровича) при ведении ИАР — это уже «почти ответ» на вопрос, так как вопрос является способом реализации активной стратегии добывания знаний, а отсутствие результата беседы с «Петровичем» способно повлечь за первым актом коммуникации и последующие. По этой причине неинтеллектуальная телекоммуникационная среда может повысить эффективность ИАР лишь в части, касающейся активных стратегий добывания знания.

А как быть с неосознанными, не сформулированными или еще не возникшими вопросами? Существуют ли пассивные стратегии добывания знаний? — Если считать, что ожидание новых данных — это стратегия, то, пожалуй, существуют. Сосредоточенное ожидание новых данных — это тоже вопрос, но вопрос «самого общего плана». В таком вопросе еще нет самого вопросительного слова — ни «что», ни «где», ни «когда».

Увы, очень часто вопрос, не спровоцированный внешними обстоятельствами, в принципе не может быть сформулирован на этапе ИАР. Это означает, что в неявном виде он переходит и в конечную информационную продукцию аналитика. В результате за рамками внимания руководителя остаются, возможно, наиболее существенные аспекты проблемы...

Какие механизмы выявления «незаданных вопросов» известны человеку? — Один из методов борьбы с такими «незаданными вопросами» — это диалог. Диалог — это эффективный способ «визуализации» системы рассуждений и сопоставления их с другой моделью мира.

Деятельность же аналитика «монологична» — в большинстве случаев аргументы и контраргументы формулируются им самим. При логическом анализе активно используется «более молодая» вторая сигнальная система, устойчивость функционирования которой намного ниже, нежели у первой сигнальной системы, опирающейся на рефлексы. Поэтому сам процесс ИАР обладает слабой устойчивостью по отношению к нерегулярным внешним раздражителям (тому, что не может быть «подавлено» на уровне автоматизма). Для многих, если не для большинства аналитиков при ведении напряженной аналитической работы даже поступление новой (а иногда и релевантной потребностям аналитика) информации может явиться тем раздражителем, который способен снизить его работоспособность.

Соответственно, возникает противоречие между потребностью в диалоге (раздражителе) и потребностью в изоляции от раздражителей. И вот тут, похоже, начинает проясняться суть проблемы: видимо, надо рассмотреть какие типы и режимы проявления раздражителей могут восприниматься как желательные, учредить некий регламент общения, а уж далее попытаться подчинить ему всю систему ведения диалога.

Деятельность человека подчиняется так называемому «закону колоколообразных кривых» (их вид показан на рисунке 4.4). Смысл этого закона заключается в том, что любое изменение ситуации приводит к временному снижению эффективности в результате возникновения дезадаптационного стресса.

Рисунок 4.4 — Иллюстрация закона колоколообразных кривых

Если рассматривать, например, процесс внедрения новой техники, программного обеспечения, призванных повысить эффективность решения тех или иных задач, то на протяжении некоторого времени, требующегося для адаптации, система снижает свою эффективность и процесс наращивания эффективности происходит с некоторой задержкой. Когда степень новизны слишком высока, то система после такого стресса может и не вернуться к прежним показателям эффективности (это происходит, когда исходный тезаурус принципиально несовместим с новым и не позволяет системе приспособиться к происшедшим изменениям). Но в целом, если последнее замечание учтено и преемственность тезауруса соблюдена, процесс роста эффективности системы подчиняется закону S-кривых. Аналогичные явления наблюдаются и в момент смены обстановки или появления новой информации.

Однако порог возникновения дезадаптационного стресса может быть повышен за счет специальных мероприятий. Отрицательный эффект от появления новых данных может быть снижен при выполнении следующих условий:

- данные релевантны текущим информационным потребностям аналитика;

- момент появления данных предсказуем;

- проблема интеллектуальной изолированности аналитика преодолена благодаря наличию мощной телекоммуникационной компоненты, обеспечивающей возможность получения доступа к дополнительным информационным массивам и консультаций коллег.

Обеспечить эти условия можно только при условии, что телекоммуникационная среда является «интеллектуальной», то есть, способна отслеживать текущие информационные потребности аналитика. Такая среда должна, по возможности, протоколировать логику рассуждений аналитика по некоторым внешним проявлениям и в фоновом режиме осуществлять поиск и отбор аргументов и контраргументов, потребность в которых еще только назревает.

В настоящее время для интеллектуализации рабочей среды аналитика чаще всего используются экспертные системы, но при анализе процессов, протекающих в организационных, организационно-технических, социальных и экономических системах, обладающих высокой динамикой, полнота эвристик, заложенных в экспертную систему (ЭС), не может быть обеспечена. Для того чтобы обеспечить необходимый уровень интеллектуальной поддержки ИАР, подход к построению баз знаний должен быть пересмотрен: из систем, предназначенных для хранения неизменяемых во времени знаний, они должны превратиться в системы, предназначенные для накопления эволюционирующих знаний.

При этом знания в таких системах должны проходить все этапы эволюции: от выявления факта повторяемости некоторых, еще не имеющих интерпретации, признаков — до установления их семантики и области применимости. Это очень важно, поскольку в обычных базах знаний экспертных систем свое отражение находят лишь те повторяющиеся сценарии, которым сопоставлена некоторая интерпретанта. Как правило, первый прецедент повторения некоторого сценария остается за рамками внимания эксперта, а тем более — неприспособленной для этого ЭС. Поэтому существует феномен латентной (скрытой, не обнаруженной) повторяемости, которую не могут выявить экспертные системы. Вероятно, читатель здесь вспомнит о системах data mining — это вполне логично: именно здесь они были бы весьма кстати.

Это значит, что следует идти по пути интеграции в коммуникационные среды систем искусственного интеллекта, хоть и не способных интерпретировать наблюдаемые явления, но способных распознать повторение некоторого сценария и оповестить об этом аналитика. Нечто похожее делают системы интеллектуального анализа данных при обнаружении отклонений от нормы. В худшем случае такая система лишь укажет аналитику на необходимость инициировать диалог, на существование потребности в консультациях, которые могут быть получены только в результате непосредственного общения с экспертом, а в лучшем — позволит аналитику самостоятельно сопоставить информационный контекст (интерьеры) событий и выдвинуть гипотезу о значении повторно наблюдаемого процесса.

В рамках разработок в области автоматизированных систем поддержки электронного бизнеса класса B2B (Business to Business — уровень взаимодействия корпоративных субъектов экономической деятельности) постепенно начинает формироваться комплекс подходов и технологий, приближающих момент решения этой проблемы. Имеются в виду интеллектуальные приложения на базе автономных программных агентов и языков гипертекстовой разметки, пытающихся учесть специфику поведения и интересов посетителей электронных торговых площадок в ГСТК Интернет, с тем, чтобы адаптироваться к их индивидуальным потребностям, поведению и предоставить им именно те сведения, которые могут потребоваться.

Еще одним немаловажным аспектом ИАР является то, что факт отсутствия ожидаемых данных также является информацией для аналитика. Использование сведений такого рода возможно тогда, когда существует некая модель, определяющая ожидания аналитика относительно момента появления данных, подтверждающих те или иные события. Но часто при построении систем автоматизации ИАР этот аспект работы аналитика игнорируется, а аналитик, увы, не всегда в состоянии помнить о том, что в тот или иной момент времени после события А должно наступить событие Б, сопровождающееся появлением данных Д(Б) — для этого следует помнить не только последовательность событий но и их информационный контекст (интерьеры).

Таким образом, решению проблемы ослабления дезадаптационного стресса, вызываемого неполнотой знаний аналитика и системы эвристик ЭС, могут служить именно системы гибридного интеллекта. «Гибридность» таких систем должна заключаться не только в том, что благодаря системе коммуникаций между отдельными субъектами ИАР формируется коллективный разум, но и в том, что коллективный разум должен включать в себя и те компоненты, которые обеспечиваются средствами автоматизации в виде систем искусственного интеллекта и экспертных систем. С одной стороны, такие системы призваны решать проблему интеллектуальной изолированности аналитика за счет создания среды информационного взаимодействия, а с другой — управлять режимом предоставления данных, брать на себя функции управления поиском и отбором релевантных текущей работе аналитика.

Как это может быть сделано?

Прежде всего, подобная система (система гибридного интеллекта) должна быть интегрирована с инструментами типа майнд-мэпперов, которые должны стать одним из основных инструментов работы аналитика, за счет чего может быть осуществлена формализация системы рассуждений аналитика, включая и ссылки на данные, положенные в основу аргументации. Впрочем, если бы имели место проговаривание рассуждений, их регистрация, распознавание речи, логико-лингвистическая обработка высказываний и автоматическое построение логико-лингвистических структур[101], отражающих рассуждения аналитика, было бы и того лучше. Такие модели с применением средств лингвистической обработки текстов могут быть подвергнуты автоматизированному анализу, за счет чего система сможет сформулировать поисковые задания для подбора аргументации, провести поиск ранее отмечавшихся сценариев анализа и предложить дополнительные массивы данных, а также сведения о возможных дополнительных источниках информации. Еще одна возможность, представляющаяся вполне реализуемой при современном уровне развития информационных технологий — это возможность отыскания шаблона сценария анализа, характерного для данного аналитика. Что позволяет предложить ему для ознакомления группу сценариев анализа, полученных в результате протоколирования работы других аналитиков.

Кроме того, используя лингвистические технологии, системы гибридного интеллекта способны регламентировать процесс информационного взаимодействия между аналитиками как на уровне представления данных, так и на уровне управления временными параметрами процесса коммуникации. Благодаря первой группе регламентов может быть снят (или ослаблен) стресс дезадаптации, вызванный различиями в способах представления данных, а благодаря введению временных регламентов может быть снижен эффект неожиданности акта коммуникации, сформирована привычка к разбиению ИАР на временные интервалы, посвященные различным видам активности.

Однако и это не все положительные свойства таких систем... Они могут стать мощным инструментом подготовки аналитиков, их ввода в контекст текущей ситуации, формирования рабочих групп в распределенных средах, что очень важно в крупных территориально распределенных информационно-аналитических службах государственного и ведомственного подчинения, диспетчирования информационных потоков по информационным направлениям и так далее.

Комментированному перечислению преимуществ такой идеологии построения систем комплексной поддержки ИАР можно было бы посвятить еще много страниц. Но мы предоставляем читателям возможность, как-нибудь на досуге, самостоятельно поразмышлять в этом направлении.