В древовидной структуре можно прослеживать восходящие и нисходящие ветви связей, делая как индуктивные (от частного к общему) и дедуктивные (от общего к частному), так и индуктивно-дедуктивного выводы.

Благодаря такой организации представленные знания получают как дополнение к декларативности процедуральность, т. е. способность к выводу общих знаний из структуры отношений и понятий. Древовидная структура знаний, несмотря на ее простоту и распространенность в информационном обмене, все-таки специфична. В ней, как и в предыдущей модели знаний, заложена парадигма иерархичности. В то же время некоторая система знаний может не соответствовать этой парадигме.

Например, совокупность знаний, описывающих конкретный трудовой коллектив, многоаспектна, и часто не удается установить отношения иерархии (род-вид), хотя связь между ними имеет место. Вот один из возможных аспектов: все представители трудового коллектива могут быть включены в алфавитный список с указанием табельного номера, года рождения, специальности и т. п. – «Список 1». Другой аспект: все члены коллектива работают на условиях сдельной оплаты, и величина их заработка определяется единой тарифной сеткой. Поэтому список специальностей и разрядов с указанием стоимости часа рабочего времени дает представление о системе оплаты труда. Назовем этот список – «Список 2». Третий аспект: при начислении зарплаты необходимо учитывать фактическую выработку работника на протяжении некоторого периода. Поэтому список, состоящий из табельных номеров и фактически проработанного каждым времени, – это «Список 3».

Все три списка содержат необходимый объем знаний о трудовом коллективе в контексте начисления заработной платы. Подобные модели представления знаний, состоящие из связанных списочных структур, получили название реляционных^[52].

В реляционных моделях удается представить более сложные области знаний. В них каждый из аспектов может рассматриваться как автономный блок, внутри которого допускаются изменения. Удобным средством является комбинация устойчивых и изменяемых знаний. Так, знания Списка 2 длительно устойчивы. В Списке 1 представлены знания, которые могут меняться с течением времени – текучесть кадров, изменение квалификации и т. п. Список 3 обновляется каждый раз по мере необходимости. Не вызывает трудностей задача пополнения реляционной модели новыми знаниями путем расширения уже имеющихся списков и добавления новых списочных структур.

Существуют и другие способы формализации знаний. Например, промежуточным между древовидной и реляционной моделями классификации являются так называемые семантические сети. С их помощью между понятиями, фактами, знаниями устанавливаются связи – отношения. Они как бы являются обобщением древовидных моделей, так как отличаются от последних снятием требований иерархичности. В то же время семантические сети могут считаться частным случаем реляционных моделей, так как именно из них могут быть построены связанные списочные структуры, когда понятие, являющееся узлом семантической сети, расширяется в список, а соответствующее отношение с другим списком из единичного становится групповым.

Все описанные приемы формализации знаний направлены на создание некоторого устойчивого каркаса, на который может быть надета оболочка системы конкретных знаний. В случае если между отправителем и получателем знаний достигнута взаимная договоренность относительно этого каркаса, то информационный обмен приобретает необходимую регламентирующую основу, что повышает его эффективность.

Традиционные и новые информационные технологии. Под традиционной информационной технологией, как правило, понимается информационная технология на базе «жестких алгоритмов». На таких технологиях построена практически вся так называемая офисная информатизация (текстовые и табличные редакторы, программы бухгалтерских расчетов, статистические программы и т. д.). Реализация данных технологий стандартна и практически не зависит от пользователя.

Под новой информационной технологией, как правило, понимается информационная технология на базе «мягких алгоритмов» с использованием достижений искусственного интеллекта. Именно за данным видом информационных технологий – будущее социокультурного варианта информатизации, ибо новые информационные технологии учитывают специфику, максимально «подстраиваются» при своей реализации под конкретного пользователя.

Реализации такого подхода к удовлетворению информационных потребностей людей способствуют, например, нейросетевые технологии – алгоритмы, имитирующие деятельность мозга. Подобно тому, как человек решает задачи на основе накопленных ранее знаний, нейросеть может, обучившись, строить структуры нейронов, способных давать оценки и прогнозы явлений, составляющих образ жизни конкретного пользователя.

Причины невозможности массовой информатизации общества без использования достижений искусственного интеллекта. Массовая информатизация общества возможна лишь после распространения компьютеров интеллектуального типа с так называемым «дружественным интерфейсом». Только тогда можно достичь необходимого уровня согласования растущего объема знаний с потребностями и возможностями людей.

Дружественный интерфейс компьютера не требует от пользователя ничего, кроме четкого понимания своей информационной потребности: ни знания программно-технической компьютерной специфики, ни владения иностранным языком. Предельным проявлением «дружественности» интерфейса компьютера можно считать голосовой ввод информации, а в перспективе – считывание компьютером мыслей человека. В этих вариантах дружественного интерфейса будет одновременно практически решена и проблема защиты персональной информации.

Развитие дружественного интерфейса должно обязательно сопровождаться процессом воспитания так называемого непрограммирующего пользователя, его интеллектуализации в своей профессиональной и досуговой (не машинной) предметной среде.

Принципиально важно подчеркнуть, что параллельно должно происходить два процесса: с одной стороны, развитие машинного (искусственного) интеллекта, позволяющего «подстраиваться» под информационные потребности пользователя, и, с другой стороны, развитие человеческого интеллекта. На практике же распространены два, одинаково опасных по социальным последствиям, подхода, сводящиеся либо к требованию всем специализироваться на компьютерной технике и программировании, либо к воспитанию неинтеллектуального, пассивного пользователя.

Материя, энергия, информация, знания – связь понятий*. Исходной посылкой является утверждение, что информация является семантической сущностью материи, т. е. информация считается объективной категорией. Понятие «материя» отождествляется с понятием «система», в которую входят составными элементами вещество, энергия, знание и информация. Эти элементы в соответствии с законом сохранения материи поддерживают систему в равновесном состоянии путем взаимных переходов из одной в другую субстанцию системы. При взаимодействии этих элементов системы вещество выступает носителем знания, а энергия – носителем информации, что может быть графически представлено следующим образом (схема 3).

Схема 3 ^[53]

Информационные процессы могут быть рассмотрены и как превращенная форма практически реализуемых человеческих отношений, и как фактор социальной самоорганизации социума и управления (самоуправления). Социальная информация является необходимым условием интеграции и гомеостаза^[53] самоорганизующейся социальной целостности. Существует зависимость интегрального качества любой самоорганизующейся системы, эффективности ее функционирования, жизнеспособности и сопротивляемости внешним неблагоприятным воздействиям от качества ее информационной инфраструктуры и адекватности циркулирующей информации критериям устойчивости развития системы. Нарушение этого принципа чревато внутренними и внешними противоречиями, болезненными последствиями для социальной макро- и микросистемы.

Соотношение понятий информация, данные, знания. Понятия – «информация», «данные», «знания» часто используются как синонимы, в то время как их смысловое содержание различно.

Выше уже были приведены примеры того, как определялось понятие информации в трудах известных ученых – Н. Винера, А.И. Берга, В.М. Глушкова. Несмотря на различие этих определений, информация в них – как знак содержания, которое является предметом сообщения, направленного от источника к приемнику (например, источник – внешний мир, а приемник – субъект восприятия). Предметом сообщения может быть информация количественной (статистической), семантической и прагматической меры.

Знания и данные – формы представления информации, призванные способствовать повышению эффективности информационно-обменных процессов, приводящие информацию к удобному для передачи и восприятию виду.

Между понятиями «знания» и «данные» можно выделить отношения иерархии. Знания – результат преобразования данных. Одни и те же сведения могут выступать как данные, если в результате их преобразования получаются новые сведения, выступающие как знания, но могут пониматься и как знания, если они – продукт ^[54] преобразования первичных сведений. Например, при проведении социологического исследования объем сведений в анкетах содержит знания о выборочной совокупности. Вместе с тем после корреляционного анализа указанные сведения выступают как исходные данные для математических расчетов, приводящих к получению знания о взаимозависимости изучаемых свойств социального явления.

Таким образом, знания – это данные более высокой организации, достигаемой преобразованием исходных данных.

Структура исследований в области искусственного интеллекта. Научные исследования по искусственному интеллекту в настоящее время ведутся в двух взаимодополняющих областях:

 в области раскрытия механизмов мышления человека с целью их последующего моделирования (фундаментальные исследования в области искусственного интеллекта);

 в области создания технических (компьютерных) систем, обладающих не меньшими, чем человек, способностями продуктивно манипулировать имеющимся объемом знаний и порождать новые знания.

К области фундаментальных научных исследований искусственного интеллекта также относятся следующие понятия.

1. «Мягкие» вычисления. «Жесткие» вычисления – это работа по алгоритмам, «мягкие» же вычисления – это вычисления, при которых могут быть и новые задачи, и случайное нахождение того, что нужно. То есть речь идет об эволюционных алгоритмах, моделировании эволюционных процессов.

2. Когнитивная графика (пифограмма). Это не иллюстративная, а познавательная графика, которая порождает решения. Например, если оператор зафиксирует на экране закономерность в развитии светового пятна, являющегося визуальным отображением вычисления, – это «снимается» далее с ЭВМ как заготовка решения, т. е. когнитивная графика является визуальным изображением математики.

3. Виртуальная реальность. Средства информационной технологии и, в частности, человеко-машинного интерфейса, позволяют создать «виртуальный мир» – искусственное трехмерное пространство.

Первой фирмой виртуальной реальности явилась VPL Research (США), основанная в 1984 г. Д. Леньером, автором самого термина «виртуальная реальность».

Методологическое значение для анализа социокультурного развития процессов информатизации имеет различение и осмысление таких понятий, как «виртуальная реальность»^[55] и «виртуальная жизнь».

Если виртуальная реальность – это некое смоделированное и предлагаемое любому пользователю «стандартное» искусственное пространство, то виртуальная жизнь (так называемая концепция Alife) – это смоделированное для конкретного пользователя, в предельном случае в перспективе смоделированное им самим (как непрограммирующим пользователем) искусственное жизненное пространство.

Уже сегодня общество сталкивается с серьезными социально-психологическими проблемами, связанными с виртуальной реальностью, особенно в результате массового распространения в молодежной среде компьютерных игр. Трудно представить всю глубину и сложность перспективных проблем, которые будут порождены распространением феномена виртуальной жизни. Очевидно, что необходимо готовиться в целом к феномену виртуализации общества во всех сферах^[56].

Виртуализация рассматривается специалистами в настоящее время как инновационный феномен трансформирующегося российского общества, а процесс виртуализации социальной среды – как фактор социальных инноваций.

4. Моделирование человеческих рассуждений (прикладные семиотические системы). Основная проблема состоит в том, что человеческие рассуждения далеко не всегда имеют строго системный, логичный характер. Принципиально важно, с точки зрения многих ученых и специалистов, развести две составляющих интеллекта (в широкой трактовке этого понятия) – логическую и разумную. Если в плане компьютерного моделирования первой составляющей – логической – не возникает принципиальных проблем, то вопрос о возможности и необходимости моделирования второй – разумной, присущей только человеку составляющей, – порождает множество социально-мировоззренческих проблем, и лишь во вторую очередь – технических. Свидетельство этого – широкое распространение технократического подхода на современном этапе информатизации общества.

Человечество должно быть готово к появлению достижений в области разработок искусственного интеллекта путем создания социальных условий, при которых искусственный интеллект всегда будет только помощником при принятии человеком решений, но никогда его замещающим.

Понятия «экспертная система», «инженерия знаний». От исследований в области искусственного интеллекта отделилось направление инженерии знаний, занимающееся выявлением, структурированием, формализацией знаний для разработки интеллектуальных систем, систем, основанных на знаниях, или экспертных систем (ЭС).

ЭС – это компьютерные системы, аккумулирующие знания экспертов и фундаментальные знания в той или иной предметной области, обладающие способностью к логическим выводам и выступающие в качестве электронных консультантов для лиц, принимающих решения.

Использование в экспертных системах достаточно мощных баз данных и средств манипуляции этими данными – правил вывода – позволяет называть их системами, основанными на базах знаний, в отличие от систем управления базами данных.

Экспертные системы являются традиционным средством «интеллектуального» анализа информации. Методы искусственного интеллекта значительно ускоряют процесс разработки программ для решения конкретных задач и делают их самообучающимися в процессе работы.

Основную часть экспертных систем, использующих методы искусственного интеллекта, составляют экспертные системы реального времени, или динамические экспертные системы. Они применяются для анализа изменения данных, контроля взаимосвязанных процессов, а также моделирования реальных систем и прогнозирования их поведения в будущем.

Одним из новых методов анализа информации является использование нейронных сетей. Эти методы можно считать альтернативными распространенным ныне статистическим методам, так как они являются слабочувствительными к неполной и искаженной информации. Нейронные сети в настоящее время реализуются, например, с помощью специализированных нейрокомпьютеров.

Причины активного использования экспертных систем в обучении. Во всем мире, по оценкам ряда специалистов, в настоящее время насчитывается более 600 млн студентов, из них 30 млн. обучаются в рамках дистанционного обучения, под которым понимается совокупность передачи учебной информации студенту, стимулирование его учебной деятельности и, если необходимо, принятие корректировочных мер, т. е. речь идет об индивидуализированном обучении, в том числе на базе использования экспертных систем.

Экспертная обучающая система обладает целым рядом позитивных особенностей: возможностью построения индивидуализированного варианта обучения в зависимости от уровня исходных знаний и др. факторов; «терпеливостью», ибо повторение необходимой информации идет до тех пор, пока знания обучаемого не будут соответствовать принятому стандарту обучения, и другими достоинствами.

Примеры задач, выполняемых интеллектуальными системами. Это такие задачи, которые, выполняет представитель профессии интеллектуального типа: принятие решений в условиях постоянного изменения исходных данных и условий (управленческая, дипломатическая, преподавательская, воспитательная деятельность), перевод с одного языка на другой (деятельность переводчиков, особенно синхронистов) и целый ряд других задач.

Выводы

В данной теме были рассмотрены категории и понятия теоретической информатики, без осмысления которых невозможен глубокий, адекватный современным требованиям, анализ информационных процессов в глобализирующемся социуме. В дальнейших темах курса будут рассмотрены категории и понятия собственно социальной информатики как научного направления.

Контрольные вопросы и задания

1. Дайте общую характеристику концепций и подходов к изучению закономерностей информационного обмена.

2. В чем заключается явление полисемии?

3. Приведите примеры систем классификации знаний.

4. Материя, вещество, энергия, информация, знания. Определите связь этих понятий.

5. Каковы причины невозможности массовой информатизации общества без использования достижений искусственного интеллекта?

Дополнительная литература по теме^[57]:

1. Бабенко В. С. Виртуальная реальность: толковый словарь терминов. – СПб., 2006.

2. Гиляревский RC. и др. Информатика как наука об информации: информационный, документальный, технологический, экономический, социальный и организационный аспекты. – М., 2006.

3. Дьяконов В.П. Новые информационные технологии. – М., 2005.

4. Информационное общество / Сост.: Лактионов А. – М., 2004.

5. Кармадонов О.А. Социология символа. – М., 2004.

6. Панин В.В. Основы теории информации. – М., 2006.

8. Фуркин Б.А. Виртуальность как способ бытия человека в информационном обществе // Вести. Моек. гор. пед. университета. Сер.: Филос. науки. 2013. № 1 (7). с. 54–60.

9. * Кубыъикин С.А. Виртуальная реальность как социокультурный феномен // Вести. Майкопск. госуд. технол. университета. 2013. № 2. С. 37–40.

10. * Майоров А.А., Седякин В.П. Об общей и теоретической информатике // Открытое образование. 2015. № 3. С. 4–7.

Сетевые источники

1. Институт проблем информатики РАН – http://www.ipiran.ru/

2. Институт философии РАН – http://www.iph.ras.ru/

3. Российский Научно-исследовательский институт искусственного интеллекта (РосНИИ ИИ) – http://l55463 L495.su