Nejistota, evoluce, agenty a počítače

Pocit nejistoty, který tak často zažíváme, plyne z nedostatku informací. Naopak čím více informací o nějaké situaci máme, čím víc o ní víme, tím menší je náš pocit nejistoty. Proto se snažíme informace získávat, proto jsou cenné. K získání informace, a tudíž k snížení neurčitosti, je třeba něco vykonat. Surfovat po internetu, udělat experiment, vyšetřit pacienta apod. Bylo by dobré vědět, jak jsou takové činnosti efektivní (třeba proto, abychom nedělali nadbytečné experimenty, netrápili pacienty a zdravotní pojišťovny nebo nesurfovali po internetu víc, než je nutné). K tomu potřebujeme znát způsob, popřípadě více způsobů stanovování a vyjadřování míry neurčitosti.

Přirozený jazyk nám nabízí určité lingvistické kvantifikátory, třeba slovní spojení jako skoro vždy, často, obvykle, někdy, zřídkakdy, téměř nikdy, skoro vyloučeno… Vystačíme s nimi při běžné komunikaci, při vzájemném předávání neurčitých poznatků typu: jestliže téměř jistě A, pak často B, nebo jestliže občas B, pak obvykle C. Naše přirozené myšlení má způsoby jak s takovými pravidly zacházet při přemýšlení. Každý z nás se nějak vyrovná s problémem, který nastane při úvaze o platnosti C vycházející z toho, že jsme pozorovaliA, a z předcházejících dvou pravidel.

Ve vhodně formalizované, ale v zásadě přibližně takové podobě se nám v oboru umělé inteligence a znalostního inženýrství daří vkládat poznatky do pamětí počítačů a budovat tak báze poznatků našich znalostních systémů. Inferenční mechanizmy těchto systémů mají za úkol odvozovat na základě faktů poznamenaných jistou mírou neurčitosti (třeba z faktu téměř jistě A) nová fakta (třeba na základě dvou výše uvedených pravidel fakt C). Jakou míru neurčitosti takto odvozeným faktům přisoudíme? Pomocí jakého kalkulu bude znalostní systém vypočítávat míry neurčitosti odvozených faktů ze znalosti určitým způsobem vyjádřené míry neurčitosti výchozích faktů a pravidel, která umožňují odvozování? Jaký způsob vyjádření míry neurčitosti je pro definici takových kalkulů nejvhodnější? Zpracování neurčitosti se stává nejen intelektuálně přitažlivým, nýbrž i z hlediska aplikací uměle inteligentních systémů aktuálním problémem.

Vzdělaného čtenáře teď asi napadne myšlenka použít pro vyjádření neurčitosti prostředky, které nabízí teorie pravděpodobnosti. Ta je spolehlivě matematizována, do podrobností rozvinuta a jistě nabízí i řadu vhodných a programovatelných postupů. Již v počátcích vědeckého zájmu o měření množství informace byla k takovému účelu využita. Aplikovat ji však nejde vždy. Představme si například, že máme v urně sto kuliček. Z nich je 75 pomalovaných různými modrými čínskými ornamenty a 25 rudými. Víme, že modrou kuličku vytáhneme z urny s pravděpodobností 0,75. Pak se podíváme na její výzdobu a řekneme „tento ornament je hezký“ (nebo že ujde, je škaredý, je překrásný, není nic moc…). Jak takové hodnocení vyjádřit statisticky? Přitom to může být důležité. Nějaký expert nám třeba může prozradit svou zkušenost, podle níž jestliže kulička je rudá a má hezkou výzdobu, pak v ní bývá často ukrytá perla. Jsou různé typy neurčitosti a jsou i důvody k tomu, abychom je začali se vší pečlivostí studovat.

George Klir (původně Jiří Klír), profesor Státní newyorské univerzity v Binghamtonu a pracovník univerzitního Centra pro inteligentní systémy, ve své přednášce, kterou proslovil 18. listopadu 2003 v aule Ostravské univerzity při převzetí čestného doktorátu, řekl: Široký rámec pro rozlišení různých typů neurčitosti […] poskytuje konkrétní náplň výzkumného programu, jehož posláním je hlubší porozumění konceptu neurčitosti a s ním spojeného konceptu informace. Pro tento výzkum se ujal název „zobecněná teorie informace“, který jsem navrhl na začátku devadesátých let. Jak v klasické, tak i v zobecněné teorii informace je primárním pojmem neurčitost, jejíž příčinou je nedostatek informace. V tomto smyslu se za danou informaci pokládá vše, co umožní danou neurčitost snížit. Jde tedy o informaci založenou na neurčitosti. Její různé kategorie jsou odvozeny z toho, jak je vymezen rozsah pojmu neurčitosti.

Kniha statí Umělá inteligence IV představuje některé přístupy k řešení problémů, na něž George Klir upozornil jako první, a proto je autorem vstupní kapitoly. Uvádí v ní do problematiky zobecněné teorie informace (on sám ji před lety inicioval), jejíž náplní je studium mnohem obecnějšího pojetí informace, než jakým se zabývá klasická teorie informace. Oba výzkumné programy spojuje pojem neurčitosti, zobecněná teorie informace však k snižování neurčitosti – tedy k získávání většího množství informace – používá jiné vyjádření neurčitosti, než jaké pro klasickou teorii informace nabízí teorie pravděpodobnosti.

Kapitola, kterou napsal Ivan Kramosil z Ústavu informatiky AV ČR, vychází z tradičního pojetí neurčitosti založené na teorii pravděpodobnosti, jak se uplatnila při definici pojmu tzv. pravděpodobnostních algoritmů. Tento druh algoritmů je specifický tím, že výstupní data, na která pravděpodobnostní algoritmy transformují vstupní data, jsou poznamenána jistou mírou neurčitosti, jež je vyjádřitelná pravděpodobností. Matematicky exaktní definice i rigorózní studium takových algoritmů předpokládá jisté modifikace abstraktního modelu počítacího zařízení, které je schopen vykonávat. V roli takových zařízení se používají určité modifikace tradičního Turingova stroje, což je matematicky definované abstraktní zařízení pro definici obyčejných (ne pravděpodobnostních) algoritmů.

Problematikou dedukcí ve fuzzy logice, která umožňuje pohodlné a na intuitivní úrovni poměrně snadno představitelné vyjádření neurčitosti, se zabývá Petr Hájek z Ústavu informatiky AV ČR. Po uvedení do základů formalizmu fuzzy logiky (do jejího jazyka, interpretace formulí, pojmu pravdivosti a axiomatizace fuzzy logiky) se podrobněji věnuje formálně korektnímu uvedení do problematiky dedukce ve fuzzy logických systémech.

Praktickým užitím této koncepce logiky se zabývá Petr Horáček, pracovník společnosti ProTyS, a. s. Ukazuje, jak se může fuzzy logika uplatnit při modelování reálných systémů a při jejich řízení třeba pomocí speciálních, fuzzy neuronových sítí, při návrhu regulátorů a v podobných aplikačních oblastech. Cenné jsou i jeho úvahy o komerční využitelnosti produktů založených na pokročilých informatických technologiích.

Velmi neurčitou povahu má v našich představách evoluce. Probíhá pod proměnlivými tlaky prostředí a nikdy není jisté, zda se to, k čemu přivedla, prokáže jako dostatečně spolehlivé i po změnách podmínek, v nichž se má uplatnit. Nápad uvést do okruhu zájmu informatiky evoluci jako prostředek k získávání konkrétních výpočetních postupů za pomoci evolučních algoritmů a využívat takové postupy pro řešení konkrétních problémů – tzv. genetické programování – není úplně nový. Jiří Lažanský a Jiří Kubalík z Fakulty elektrotechniky ČVUT tyto možnosti nastiňují a předkládají čtenáři některé způsoby použití zmíněných technik.

Novým směrem studia a aplikací genetických algoritmů je problematika diferenciální evoluce, do níž detailně uvádí Ivan Zelinka z Fakulty technologické Univerzity Tomáše Bati. Marcel Jiřina z Fakulty elektrotechnické ČVUT předkládá čtenáři se základními znalostmi o problematice umělých neuronových sítí některé specializovanější tematické celky. Do téže oblasti, ale se zřetelem na problematiku aproximace funkcí, uvádí čtenáře Věra Kůrková z Ústavu informatiky AV ČR. Zmiňuje i některé možné aplikace. Představování aktuálních trendů ve výzkumu a aplikací umělých neuronových sítí končí kapitolou, v níž pracovník Ústavu teorie informace a automatizace AV ČR Jiří Grim seznamuje se souvislostmi mezi statistickými rozhodovacími procesy a statistickým rozpoznáváním obrazců a neuronovými sítěmi.

Kvalita řídících a rozhodovacích aktivit znalostních systémů se může zvyšovat nejen evolučně, nýbrž i postupy, které mají spíše povahu učení. K tomu, abychom mohli z obrovských souborů dat – datových skladů – postupně získávat souvislosti, jež jsou v nich eventuálně ukryté (a námi z různých důvodů nezjištěné, nebo třeba i nezjistitelné), slouží výpočetní postupy získávání znalostí. V kontextu problematiky počítačové podpory rozhodování je představuje Zdeněk Kouba z Fakulty elektrotechnické ČVUT. Filip Železný, Jiří Kléma a Olga Štěpánková, všichni z Fakulty elektrotechnické ČVUT, představují problematiku strojového učení nejenom v její vazbě na dobývání znalostí, nýbrž i v poněkud ucelenější, metodičtěji zpracované podobě.

Poslední kapitola uvádí do praktického využívání teoreticky a experimentálně aktuální problematiky agentů a multiagentových systémů. Vladimír Mařík a Michal Pěchouček z Fakulty elektrotechnické ČVUT a Pavel Vrba ze společnosti ProTyS, a.s., představují čtenáři oblast výzkumu a aplikací holonů – počítačových agentů, tedy autonomních jednotek vybavených senzory, aktuátory a „umělou inteligencí“ pro vlastní rozhodování, které jsou přímo napojeny na výrobní zařízení. Jsou-li takové agenty propojeny počítačovou sítí, vytvářejí multiagentové systémy, které mohou zabezpečovat a do jisté míry i efektivněji řídit třeba i mezipodnikovou kooperaci.

Kniha je doplněna česko-anglickým a anglicko-českým slovníčkem použitých odborných termínů, shrnutím v angličtině a rejstříkem (ten by možná v pátém dílu mohl být koncipován tak, aby pokrýval pojmy ze všech pěti svazků užitečné série studií o umělé inteligenci). Za toto dílo patří upřímné poděkování autorům i těm, kteří na sebe vzali nelehké břemeno editorských prací a finančního zabezpečování takto impozantního projektu.

Podobně jako předešlé publikace série Umělá inteligence vydavatelství Academia není ani tento svazek vysokoškolskou učebnicí v tradičním pojetí, ale spíš sbírkou užitečných a dobře napsaných odborných statí. Může tak být obohacujícím zdrojem informací pro čtenáře, kteří již mají určité základy z vysokoškolské matematiky a informatiky. Pro ty (mám na mysli ambiciózní studenty, a především doktorandy) však bude čtení těchto kapitol nepochybně velice prospěšné například při práci na projektech věnovaných problémům počítačového zpracování neurčitosti nebo některému ze souvisejících oborů umělé inteligence.

Kniha je mimo jiné i důkazem toho, jak mohou vysokoškolské instituce, původně různého zaměření a rozdílných tradic, efektivně spolupracovat, je-li k tomu vůle jednotlivců, jak mohou být efektivně využívány různé grantové podpory nejenom k tomu, abychom získávali nové poznatky, nýbrž i k tomu, abychom je rychle a v kvalitní podobě dostali k potenciálním zájemcům, a jak mohou ovlivňovat kvalitu výchovy nových odborníků pracovníci nevysokoškolských pracovišť, zejména Akademie věd, i za nynějších podmínek organizace vědecké průpravy.