Метод принятия решений на основе интеграции распознавания образов и моделирования стохастической среды

Норберт Винер - Кибернетика, или управление и связь в животном и машине Система управления Входная информация Выходная информация

Цель управления – отправка во внешнюю среду таких выходных управляющих сигналов, которые позволяют достигать и поддерживать оптимальные для системы значения входных сигналов из внешней среды. Для реализации возможности управления система должна обладать моделью внешней среды и самой себя. Интеллект это свойство системы создавать и поддерживать в реальном масштабе времени модель внешней среды и самой себя. Для построения моделей могут использоваться различные элементные базы (например, генные сети, нейронные сети (мозг), цифровые компьютеры).

Сила интеллекта системы определяется точностью используемой ею модели внешней среды, скоростью принятия решений и возможностями адаптации модели к возможным изменениям внешней среды. Универсальный ИИ это небиологическая система, обладающая силой интеллекта по крайней мере на уровне среднестатистического человека сразу в нескольких предметных областях и обладающая возможностями настройки на новые предметные области.

Сравнение качества моделей внешнего мира человека и компьютерной программы при игре в шахматы.

Модель внешней среды в виде иерархического ориентированного статического графа выдвижения и проверки гипотез.

На основании существующей модели внешней среды система может принимать решения, реализующие её стратегию управления. Во многих случаях задача может быть сформулирована как проблема принятия наиболее качественного решения при заданных ограничениях по времени. В этом случае, может быть применён метод иерархического стохастического перебора, описанный ниже. Данный метод используется нами для задач распознавания различных рукописных документов (сумм на чеках, адресов на конвертах и т.д.) и даёт неплохие результаты.

Использование метода иерархического стохастического перебора на примере распознавания сумм на чеках

Пусть нам нужно принять решение, например, о том, на какую сумму выписан чек при заданных ограничениях на вероятность ошибочного ответа и время принятия решения. Это типичный пример проблемы, для решения которой необходимо осуществить последовательный выбор правильных статических гипотез на различных уровнях иерархии. В данном случае, это: - выбор правильного места локализации сумм (цифрами и прописью) на чеке; - выбор правильного варианта сегментации поля суммы на объекты (соответственно цифры и слова); - выбор правильных вариантов классов объектов (распознавание соответственно цифр и слов); - выбор правильного варианта возможных комбинаций объектов, с учётом контекстных и семантических ограничений.

Любая из перечисленных проблем может быть переформулирована в терминах классификации и распознавания, и, следовательно, для её решения можно использовать стандартные методы, хорошо зарекомендовавшие себя при распознавании, например, нейронные сети. Отметим, что при этом на каждый заданный нейросети вопрос мы получаем не один чёткий, детерминированный ответ типа "да-нет", а целый спектр возможных ответов, каждый из которых снабжён оценкой достоверности. В случае нейросети это вероятность правильности ответа "с точки зрения нейросети". Итак, для правильного решения проблемы в целом, мы должны, фактически, сделать "правильный выбор" на нескольких последовательных этапах решения частных проблем. Это можно наглядно представить, как движение по ориентированному взвешенному графу типа дерева, причём мы двигаемся из единственной вершины этого графа вниз, на каждом уровне имея несколько вариантов выбора дальнейшего шага (ветки дерева графа). Как легко заметить, данная картина несколько напоминает дерево перебора в антагонистических играх типа шахмат. Разница лишь в том, что против нас играет природа, у которой нет своих интересов, противоположных нашим интересам. Поэтому, здесь нет необходимости применять правило минимакса. Но, тем не менее, после каждого имитируемого хода мы имеем новую ситуацию (позицию на доске), и должны оценив её, сделать следующий ход.

Предлагаемый вариант решения: 1. Начинаем перебор с самого верхнего уровня. В данном случае, это выбор варианта локализации цифровой или литерной суммы. 2. Получаем список всех возможных рёбер графа из текущего уровня. 3. С помощью нейросети получаем оценки вероятностей перспективности каждой из гипотез (рёбер графа). 4. На основе этих оценок, с помощью датчика случайных чисел, разыгрываем соответствующие вероятности (бросаем монетку) и делаем ход. 5. Оказавшись на следующем уровне графа, проверяем, не является ли он последним. Если нет, то возвращаемся к п.2. Если да, то идём на п Используем нейросеть для получения оценки качества решения (вероятности, что оно правильное). 7. Если качество решения превысило заданный порог, задача решена. Если нет, проверяем, вышло ли время, отведённое нам для решения задачи. Если время не вышло, идём на очередной заход перебора, т.е. к п.1.

При таком подходе, мы можем постоянно пытаться улучшить качество уже найденного решения до тех пор, пока решение не станет заведомо хорошим, либо не выйдет заданное время. С другой стороны, если мы успели пройти по всему графу хотя бы один раз, то у нас уже есть некий вариант решения, который мы всегда можем выдать "наверх" по первому требованию. В приведённой схеме изложена лишь идея, и опущены технические детали, позволяющие существенно минимизировать вычислительные затраты.

Аналогичный метод может быть применён и к антагонистическим играм, с тем лишь дополнением, что придётся выбирать не только свои ходы, но и ходы противника. Для этого так же можно использовать нейросеть, некоторые признаки которой могли бы быть связаны с характеристикой самого противника. При этом, игра компьютера может стать гораздо более гибкой, и адаптируемой к конкретным условиям, что существенно приблизит её стиль к стилю игры живого человека, выбирающего стратегию и тактику в существенной степени ориентируясь на противника (может быть объективно более слабый ход, но ведущий к "неудобной" для противника позиции. Скажем, жертва качества, которая, в принципе, опровергается, но для поиска правильного опровержения у человека явно не хватит скорости перебора позиций. Данный метод, естественно, может быть применён при игре против живого противника, но он неприменим при игре против другой шахматной программы). Таким образом, это мог бы быть шаг в строну от жёстких и негибких правил перебора типа минимакса к более гибким и адаптируемым к конкретным условиям алгоритмам. Использование датчика случайных чисел может, кроме того, повысить эффект неожиданности, играющий не самую последнюю роль в антагонистических играх.

Потенциал для улучшения метода: - учёт ресурсных ограничений; - использование библиотеки типовых графов и подграфов для решения типовых проблем; - использование библиотеки вычисления типовых признаков; - переход к динамически создаваемым веткам графа в случае возникновения тупиковых ситуаций.