Штучний інтелект

Анотація: На прикладі онлайн-гри «Акінатор» розглянуті основні принципи, на яких побудовані програми подібного типу. Запропоновано ефективні техніки, за допомогою яких системи штучного інтелекту можуть будувати логічні висновки, що дозволяють ідентифікувати невідомий суб'єкт з його опису (предикату). Для підтвердження розглянутих гіпотез проведено термінологічний аналіз запропонованого автором визначення програми «Акінатор». Починаючи з припущень, поданих авторським визначенням, стаття доповнює їх визначеннями, які представлені іншими дослідниками та аналізує їх складові тези. Наостанок надано пропозиції щодо наступних етапів вдосконалення програми. Програма «Акінатор» свого часу стала однією з найвідоміших онлайн-ігор з використанням штучного інтелекту. І хоча про це прямо не говорилося, для експертів в області штучного інтелекту було зрозуміло, що програма використовує техніки експертних систем і побудована на правилах виведення. На даний момент експертні системи втратили свої позиції в порівнянні з напрямком нейронних мереж у сфері штучного інтелекту, проте, у випадку, що розглядається в статті, мова йде про гібридні ситеми, що поєднують обидва напрямки. Ігри для наповнення семантики взаємодіють з користувачем, розширюючи свою семантичну базу (Базу знань) і використовують певні стратегії для досягнення найкращого результату. Ігрова форма таких програм для наповнення семантики приносить користь для дослідників, залучаючи велику кількість гравців. Стаття розглядає техніки, що застосовуються програмою «Акінатор», а також пропонує можливі її модифікації в подальшому. Дане дослідження, в першу чергу, акцентує увагу на тому, як побудована База знань програми «Акінатор», як вона складається з неповних множин, що можуть в результаті подальших ітерацій запуску програми наповнюватися та коригуватися. Вагомо зазначити подане нами припу- щення, що порядок запитань, якими користується програма під час гри, відіграє ключову роль, адже визначає її стратегію. Було ідентифіковано, що програма керується принципами немонотонної логіки, тобто припущення, які конструює програма, а також не є остаточними та можуть бути відхилені нею в процесі гри. Розглянуто три основні підходи до наповнення семантики, запропоновані Якубом Шимко та Марією Бєліковою, а саме – робота експертів, краудсорсинг та машинне навчання. Звертаючи увагу на машинне навчання, програма «Акінатор», використовуючи машинне навчання для побудови ефективної стратегії в грі, представляє клас гібридних систем, що суміщають принципи двох головних напрямків у програмах штучного інтелекту – експертні системи та нейронні мережі.

Ключові слова: логіка, експертні системи, База знань, ігри для наповнення семантики, модифіковані міркування, машинне навчання

Посилання:

1. Bizer, C., Lehmann, J., Kobilarov, G., Auer, S., Becker, C., Cyganiak, R., Hellmann, S. (2009) DBpedia – a crystallization point for the web of data. Web Semant. 7, 154–165.
2. Jakub Šimko, Mária Bieliková. (2014) Semantic Acquisition Games. Harnessing Manpower for Creating Semantics. Institute of Informatics and Software Engineering Slovak University of Technology Bratislava, Slovakia. Springer.
3. Karour Nasreddine, Ouled Jaafri Souleymane, Taouza Sarah. (2014) A Report Presented For Dynamic System Module. Akinator. University of Adrar, Algeria.
4. Kozareva, Z. (2006) Boots trapping name dentity recognition with automatically generated gazetteer lists. In: Proceedings of the Eleventh Conf. of the European Chapter of the Association for Computational Linguistics: Student Research W. on - EACL’06, pp. 15–21.
5. Lenat, D.B. (1995) CYC: a large-scale investment in knowledge infrastructure. Commun. ACM 38 (11), p. 33-38.
6. Mcdowell L., Cafarella M. (2008). Ontology- driven, unsupervised instance population. WebSemantic. Sci. Serv. Agents World Wide Web 6(3), 218–236.
7. Mullins M., Fizzano P. (2010) Treelicious: a system for semantically navigating tagged web pages. In: Web Intelligence and Intelligent Agent Technology, IEEE/WIC/ACM International Conference, pp. 91–96.
8. Pantel P., Pennacchiotti M. (2008). Automatically harvesting and ontologizing semantic relations. In proceeding of the 2008 Conference on Ontology Learning and Population: Bridging the Gap between Text and Knowledge, pp. 171–195. IOS Press, Amsterdam, The Netherlands.
9. Sanchez, D., Moreno, A.: Learning non-taxonomic relationships from web documents for domain ontology construction. Data Knowl. Eng. 64(3), 600–623 (2008)
10. von Ahn, L., Dabbish, L. (2008) Designing games with a purpose. Commun. ACM 51 (8), p. 58-67.
11. Weichselbraun A., Wohlgenannt G., Scharl A. (2010) Refining non-taxonomic relation labels with external structured data to support ontology learning. Data Knowl. Eng. 69(8), pp. 763-778.