РОССИЙСКИЙ ГОСУДАРСТВЕННЫЙ ГУМАНИТАРНЫЙ УНИВЕРСИТЕТ

Итак, сформулируем основные выводы относительно рассмотрения принципов и средств ТЭ.

1. Постулаты ТЭ Р1-Р7, определения теоретического (идеального) интеллекта и интеллектуальной системы являются основанием для компьютерных реализаций средств ТЭ, использующих представление знаний (языки JL, MJL и MMJL) и логики рассуждений. Эти компьютерные реализации образуют исследовательскую и прикладную область, называемую «искусственным интеллектом», имеющую три типа продуктов – системы ИИ, интеллектуальные системы и ИИ-роботы.
2. Взаимодействие познавательных процедур, которыми обладают открытые теории, создает возможность интеллектуального анализа данных для таких областей знаний, в которых знания слабо формализованы, а данные могут быть структурированы и для них определено отношение сходства. Указанными областями знания являются заведомо науки о жизни и социальном поведении (в том числе, медицина и управление).
3. Интеллектуальным анализом данных (ИАД) является применение интеллектуальных систем как партнерских человеко-машинных систем, функционирующих в двух режимах – автоматическом и интерактивном согласно Df.2-1 и перечню интеллектуальных способностей (1)-(13).
4. ИАД основан на постулатах ТЭ Р1-Р7 и использует множество стратегий ДСМ-рассуждений Str и множество историй возможных миров HPW, что обеспечивает адекватность применяемых процедур предметной области типа W1-2 и минимизирует случайности расширения баз фактов в историях возможных миров HPWh, где 1≤h≤s+1!, а s – число расширений баз фактов.
5. Решение проблемы индукции посредством ДСМ-метода АПИ обеспечивает контроль за результатами ДСМ-исследования, порождающего для семейства открытых теорий IЕr=Ix,yЕr│xI+&yI- ранга r, эмпирические закономерности ранга r, которые и образуют knowledge discovery для IЕr.

Интеллектуальный анализ данных (ИАД) является формализованным конструктивным процессом реализации эвристики формирования и пополнения семейства квазиаксиоматических (открытых) теорий IЕr.

Охарактеризуем ИАД в ДСМ-методе АПИ детально.

Рабочий компонент ДСМ-метода АПИ – интеллектуальные системы (ИС-ДСМ: Df.2-1), которые осуществляют ИАД для баз фактов и баз знаний (множества аксиом и гипотез).

Адекватность применения Решателя задач ИС-ДСМ относительно предметной области типа W1-2 обеспечивается заданием в процедурной части баз знаний множества стратегий ДСМ-рассуждений Str, которые конструктивно посредством правил индуктивного вывода для Strx,y специфицируют вид отношений «причина-следствие».

Корректность порождения эмпирических закономерностей, представимых посредством IntER, поддерживается обнаружением предзакономерностей Aj, где σ=+,-, а 1≤j≤6, для всех HPWh таких, что HPWh ∈ HPW, что минимизирует случайности расширений баз фактов.

Реализация адекватности (2)′ и корректности (3)′ применения Решателя задач осуществляет моделирование предметной области, представленной в базах фактов ИС-ДСМ посредством порождения предикатов H2,(x,y)(V,Y,p,h) и H1,(x,y)(V,Y,p,h) для соответствующих Strx,y, где Strx,y∈ Str.

Логическим средством ИАД является взаимодействие индукции, аналогии и абдукции 1ого рода, которое формализовано в ДСМ-рассуждениях, применяемых к последовательностям расширяемых (вложенных) баз фактов. ДСМ-рассуждения являются логическими средствами семейства квазиаксиоматических теорий IЕr. 

ДСМ-рассуждения, используемые в ДСМ-исследованиях, формализованы в языке JL, а ДСМ-исследования формализованы в метаязыке JL языке МJL, в котором выразимы эмпирические закономерности ER, невыразимые в JL. Характеризация множества ER осуществляется в языке ММJL. В ММJL формализуется отношение частичного порядка на элементах ER, а также отношение частичного порядка на модальных следах М ранга r.

Таким образом, эвристика обнаружения эмпирических закономерностей и поддержка формирования семейства IЕr осуществляется в иерархии формальных языков.

Идеи контроля над выводом и использования средств принятия порождаемых гипотез (нового знания), имеющиеся в различных текстах Ч.С. Пирса и связанные с его пониманием абдукции, реализуются конструктивно в ДСМ-методе АПИ на пяти уровнях принятия результатов ДСМ-рассуждений и ДСМ-исследований: первый уровень – принятие полугипотез о причинах и предсказаниях посредством локальных вынуждений (LF) и каузальных вынуждений, соответственно; второй уровень принятия этих полугипотез – пролонгированные каузальные вынуждения (PCF); третий уровень принятия полугипотез – использование интегральных каузальных вынуждений (ICF, ICF∈ICF), порождающих гипотезы эмпирических закономерностей, соответствующие ExtER и образующие эмпирические модальности; четвертый уровень принятия полугипотез – применение абдукции 2ого рода и подтверждаемых ДСМ-рассуждений посредством верификации полугипотез о предсказаниях; и, наконец, пятый уровень принятия результатов ДСМ-исследований – порождение эмпирических закономерностей ранга r посредством модальных следов ДСМ-исследований.

Естественно, что эти пять уровней принятия результатов ДСМ-исследований являются средством контроля за их достоверностью и средством повышения этой достоверности.

Эвристика ДСМ-метода, применяющая ДСМ-рассуждения для ДСМ-исследований, использует обнаружение сходств (+)- и (–)-фактов, множество стратегий ДСМ-рассуждений Str и множество историй возможных миров HPW, что вызывает необходимость параллельной программной реализации Решателя задач для ДСМ-метода АПИ, расширяющего базу знаний интеллектуальных систем (ИС-ДСМ) посредством эмпирических закономерностей [57].

Для больших массивов данных в связи со сказанным эффективная реализация ДСМ-метода АПИ в ИС-ДСМ возможна в суперкомпьютерах.

Существенным средством реализации ДСМ-исследований является абдукция 2ого рода и подтверждаемые ДСМ-рассуждения, что предполагает применение двух концепций истины – когерентной и корреспондентной, когерентной – для порождения гипотез, об эмпирических закономерностях, а также – корреспондентной концепции истины для порождения эмпирических закономерностей ранга r с использованием верификации полугипотез о предсказании исследуемых эффектов [25-28].

Пятый уровень принятия эмпирических закономерностей ранга r обеспечивает надежность контроля за результатами ДСМ-исследований и их направленного продолжения, что существенным образом отличает ИАД от известных средств анализа данных.

Принятие результатов ДСМ-рассуждений и ДСМ-исследований на всех пяти уровнях отражается в двух шкалах оценки качества рассуждений и гипотез [29, 16]. Несингулярная оценка работы ИС-ДСМ – характерное средство её как партнерской человеко-машинной системы (Df.2-1).

Так как применение инструмента ИАД – ИС-ДСМ предполагает последовательное и управляемое расширение баз фактов для порождения модальных следов М ранга r, представляющих эмпирические закономерности различных видов, то ИАД предполагает следующий принцип: open data важнее big data.

Порождение эмпирических закономерностей ранга r, где r≥1, является усилением критерия демаркации К.Р. Поппера, отличающего научное исследование от работы, не имеющей научного статуса [23]. Критерий демаркации К.Р. Поппера ограничивается только возможностью фальсификации результатов исследования. Усиленный критерий демаркации формализуется как «фальсификация + множество эмпирических закономерностей», которые завершают r-тый этап исследований.

Нетривиальной особенностью ИАД является использование онтологий, образованных множеством отношений, а не свойств (атрибутов), а, следовательно, неаристотелевское понимание понятий ([48], [59]).

Итогом характеризации ИАД в ДСМ-методе АПИ является указание на наличие естественной последовательности связей: определение теоретического интеллекта (Df.1-1), содержащего способности (1)-(13) определение интеллектуальной системы (Df.2-1) определение ДСМ-рассуждений как взаимодействия индукции, аналогии и абдукции определение ДСМ-исследований, использующих множества Str и HPW для последовательностей расширяемых баз фактов решения проблем индукции и абдукции как основных проблем ТЭ, основанной на постулатах Р1-Р7 определения квазиаксиоматических теорий и множества эмпирических закономерностей ранга r.

Эта последовательность понятий и процедур осуществляется посредством особенностей (1)′- (15)′ и информативно характеризует ИАД в ДСМ-методе АПИ.

Сформулированная выше последовательность понятий и процедур и особенности (1)′- (15)′ отличают ИАД от анализа данных известными средствами (в том числе и от нейронных сетей, реализующих только две интеллектуальные способности – распознавание и обучение).

ТЭ и её логические средства, основанные на решении проблем индукции и абдукции, а также представлении знаний посредством семейств квазиаксиоматических (открытых) теорий, является понятийным и конструктивным аппаратом для решения проблемы Г. Риккерта [62].

В самом деле, ТЭ и конструктивные средства ИИ, реализующие её идеи, понятия и проблемы, создают аппарат для представления знаний и формализации рассуждений в таких областях знания, в которых знание слабо формализованы, а данные могут быть структурированы. Таковыми являются науки о социальном поведении и гуманитарные науки (науки о культуре согласно Г. Риккерту).

Таким образом, создаются средства для формализации исследований и проведения экспериментов в компьютерных системах – системах ИИ и интеллектуальных системах для указанных областей знания вопреки утверждениям Г. Риккерта о существенном различии исследований в науках о природе и науках о культуре, ибо эмпирические номологические высказывания могут быть обнаружены и в науках о жизни и в науках о культуре согласно методологии ТЭ и её конструктивными средствами ИАД. Примером применения логических средств ТЭ в социологии являются исследования посредством ДСМ-метода АПИ ([63], [64]).

В настоящее время достаточно развит базисный ДСМ-метод АПИ ([16], [35], [38], [57]), содержащий индуктивные правила вывода для канонов сходства, различия, сходства-различия [34а] и правил индуктивного вывода «с запретом на контрпримеры» [35], для которых разработаны средства обнаружения эмпирических закономерностей, представляемые посредством эмпирических номологических высказываний.

Для производных вариантов ДСМ-метода АПИ, которые используют индуктивные правила вывода для методов остатков, сопутствующих изменений [65] и правил индуктивного вывода с отношением порядка ([30], Часть I, Глава 1) не созданы средства для их упорядочения и обнаружения эмпирических закономерностей.

Аналогичное имеет место для модифицированных вариантов ДСМ-метода, которыми являются обобщенный ДСМ-метод с тернарным предикатом причинности [66], ситуационный ДСМ-метод с тернарным предикатом «объект, ситуация, эффект» [30, Часть I, Глава 2] и обратный ДСМ-метод автоматического порождения гипотез с предикатом для порождения гипотез «следствие-причина» [67].

Создание решателя задач с базисными, производными и модифицированными вариантами ДСМ-метода АПИ, применяемых для обнаружения эмпирических закономерностей и поддержки образования квазиаксиоматических (открытых) теорий является актуальной проблемой развития процедурных средств ТЭ как технологий ИИ, реализующих ИАД в науках о жизни и социальном поведении и в других областях, удовлетворяющих условиям применимости ДСМ-метода АПГ.

С точки зрения ТЭ, формулирующей содержание интеллектуальных процессов и реализующих их интеллектуальных систем (Df.1-1, Df.2-1) весьма распространенными являются перечисляемые ниже относительно ИИ заблуждения:

1. ИИ является комплексом компьютерных технологий (то есть, не исследовательская область и сфера её приложений, а программные продукты), 
2. ИИ есть машинное обучение [4],
3. ИИ есть нейронные сети, 
4. решение проблем ИИ невозможно без моделирования мозга (то есть, ИИ не является реализацией феноменологии интеллектуального процесса),
5. Big Data есть необходимое средство Knowledge Discovery (тогда как Open Data важнее Big Data для обнаружения эмпирических закономерностей).

Из заблуждений 1-4 следует неявная вера в возможности развития технологий, претендующих на имитацию интеллекта без понимания интеллекта и содержания эвристик, его имитирующих и усиливающих.

В силу сказанного понимание ИИ как «комплекса технологических решений, позволяющих имитировать когнитивные функции человека (включая самообучение и поиск решений без заранее заданного алгоритма) и получения при выполнении конкретных задач результатов, сопоставимых, как минимум, с результатами интеллектуальной деятельности человека» является эклектичной характеризацией проблем ИИ, и не может служить его определением, ибо неявно подразумевает перечисленные выше заблуждения относительно ИИ.

Подобная характеризация ИИ исключает использование его теоретических оснований и научного аппарата его развития и реализации.

В силу сказанного выше технологии ИИ могут лишь совершенствоваться и распространяться, но не возникать на теоретических основаниях, которые связаны с логиками рассуждений и средствами представления и организаций знаний в базах знаний.

В этой характеризации нет понимания «интеллектуальности» используемых процедур и отсутствует понимание самого интеллекта, что порождает чисто бихевиористское представление о процедурах ИИ: к ИИ относится всякая компьютерная программа, которая в результате делает то, что делает человек. Тогда автоматизация любых вычислительных процедур есть средство ИИ.

Подобная эклектичная трактовка проблем и средств ИИ фактически к главным средствам ИИ относит компьютерное зрение, обработку естественного языка, распознавание и синтез речи, интеллектуальную поддержку принятия решений и перспективные методы ИИ. Заметим, что «интеллектуальная поддержка принятия решений» должна быть основана на понимании конструктивно реализуемых интеллектуальных способностях (для этого необходимо определение идеального интеллекта Df.1-1).

Перспективные же методы ИИ не могут быть созданы без теории логики рассуждений и формализованных эвристик решения задач, использующих языки представления знаний, которые предполагают понятийный аппарат точной эпистемологии.

Квалифицированное представление о развитии ИИ невозможно без понимания видов продуктов ИИ их взаимосвязи. Таковыми являются системы ИИ, интеллектуальные системы и ИИ-роботы. Системами ИИ являются любые компьютерные системы, реализующие известные процедуры, созданные ради общих идей ИИ: автоматическое доказательство теорем, рассуждения на основе прецедентов, нейронные сети, нечеткие множества и связанные с ними процедуры, генетические алгоритмы.

Главным продуктом ИИ являются интеллектуальные системы (ИС), реализующие интеллектуальные процессы такие, что они образованы взаимодействием мыслительных (МП) познавательных процессов (ПП), рассмотренных в §1 настоящей работы. Мыслительные процессы имитируются и усиливаются правилами формализованных логических выводов (в ДСМ-системе АПИ ими являются правила индуктивного вывода и вывода по аналогии). Познавательные же процессы имитируются и усиливаются процедурами преобразования массивов расширяемых данных (в том числе процедурами поиска сходства фактов, процедурами проверки сохранения гипотез при расширениях баз фактов и процедурами принятия результатов посредством абдуктивного объяснения баз фактов). К познавательным процедурам следует отнести и вычислительные процедуры, сопровождающие рассуждения и управляемые ими.

Таким образом, интеллектуальный процесс, характеризуемый множеством интеллектуальных способностей (1)-(13) из §1, реализуется посредством Решателя задач, применяемого к расширяемым базам фактов и знаний ИС.

Из перечня (1)-(13) следует, что ИС имеет два режима работы – автоматический и интерактивный. Следовательно, ИС являются партнерскими человеко-машинными системами.

ИС являются существенным модулем ИИ-роботов, а ИИ-робот = ИС + сенсорный модуль + мехатроника.

Таким образом, ИИ-роботы являются продуктом, основанным на ИС.

Содержание реализаций ИС и их ценность определяется тем, что ИС осуществляет ИАД, существенным образом, отличающимся от анализа и обработки данных для их фиксированных массивов.

ИАД – средство автоматизированной поддержки исследований, а исследование – осуществление интеллектуальных процессов, результатом которых является knowledge discovery.

Среди сотрудников некоторых ведущих мировых университетов и компьютерных фирм обсуждаются актуальные проблемы развития ИИ («точки роста»). Таковыми являются:

• создание партнерских человеко-машинных систем,
• разработка общей теории автоматизированных рассуждений, включающей и средства машинного обучения;
• создание интеллектуальных роботов (ИИ-роботов в нашей терминологии), реализующих рассуждения и принятия решений с использованием необходимого инструментария ИИ.

Замечание 17-3. Упомянутые «точки роста ИИ» имеют методологические теоретические средства для их развития и соответствующую экспериментальную поддержку посредством понятий и процедур ТЭ и основанного на ней ДСМ-метода АПИ.

Это утверждение имеет следующую аргументацию.

• Уточняется идея «интеллекта» посредством перечня интеллектуальных способностей (1)-(13) (из §1) и формулируется определение теоретического (идеального) интеллекта (Df.1-1)).
• В соответствии с Df.1-1 формулируется определение главного продукта ИИ – интеллектуальной системы (Df.2-1), а также определение ИИ-робота.
• Формулируются постулаты ТЭ Р1-Р7, характеризующие эвристику реализации интеллектуального процесса для knowledge discovery посредством партнерских человеко-машинных систем.
• Содержание эвристики для knowledge discovery реализуется посредством ДСМ-рассуждений и последующих ДСМ-исследований, являющихся пролонгированным применением взаимодействия познавательных процедур (индукции, аналогии и абдукции) для knowledge discovery.
• Результатом ДСМ-исследований является обнаружение множества эмпирических закономерностей ENS (эмпирических номологических высказываний).
• Обнаружение ENS посредством ДСМ-исследований в ИС-ДСМ возможно благодаря решению проблем индукции и абдукции (абдукции 1ого и 2ого рода); абдукция 2ого рода применяется в подтверждаемых ДСМ-рассуждениях, что является взаимодействием двух концепций истины – когерентной ([27], [28]) и корреспондентной ([25], [26], [28]).
• Обоснованность гипотез о причинах и предсказаниях гарантируется пятью уровнями принятия результатов ДСМ-рассуждений и ДСМ-исследований, итогом которых является семейство квазиаксиоматических теорий, соответствующих множеству Str возможных стратегий ДСМ-рассуждений.
• Пять уровней принятия результатов ДСМ-исследований обеспечивают организованный контроль за результатами ДСМ-метода АПИ, что осуществляется благодаря порождению эмпирических закономерностей ранга r, где r>1, при пролонгированном ДСМ-исследовании и обнаружении модальных следов, представляющих виды эмпирических закономерностей ранга r.
• Перечисленные условия реализации ДСМ-метода АПИ характеризуют автоматизированную эвристику, которая осуществляется в партнерских человеко-машинных системах ИС-ДСМ, в которых происходит интеллектуальный анализ данных (ИАД) посредством его образующих (1)´ – (15)´, сформулированных выше.

Таким образом, принципы ТЭ и основанный на них ДСМ-метод АПИ, являющийся отечественным методом ИИ, способны осуществлять решение проблем, относящимся к упомянутым «точкам роста ИИ».

ДСМ-метод АПИ, как формализованная эвристика, применим к предметным областям таким, что знания в них слабо формализованы, а данные могут быть структурированы (эти условия характерны для применения ИС – главного продукта ИИ). Перечислим эти области: медицина, фармакология, экология, социология, криминалистика, техническая диагностика, робототехника, управление и оборона.

Применение ИС в медицине, в частности, может решать задачи поддержки диагнозов, предсказаний выбора наилучшего способа лечения, предсказания возможных осложнений при хирургических операциях, прогнозирования рецидивов или ремиссий после проведенных лечений (в том числе с использованием генетической информации [70]).

Важно отметить, что надежность результатов применения ИС в медицине зависит от последующих наблюдений над прошедшими лечение больными, что требует соответствующей организации и стандартов в представлении историй болезней в базах данных. Создание единых баз данных для решения диагностических задач и консультаций в удаленном доступе также является задачей, реализуемой посредством ИС.

Актуальной проблемой является создание ИС для ИАД совершаемых преступлений с обнаружением условий (ситуаций), причин преступлений и характеристик преступников.

Важной областью применения ИС является социология. Возможность применения ИАД посредством ИС является решением проблемы формализованного качественного анализа социологических данных ([63], [64]).

Применение ИС, реализующих ДСМ-метод АПИ, в социологии решает важные задачи посредством ИАД (следовательно, качественным анализом данных), а, именно исследование индивидуального поведения, обнаружение детерминант социального поведения, учет влияния ситуаций (ситуационная версия ДСМ-метода АПИ ([38], Часть IV, Глава 2)), анализ и прогнозирование мнений с распознаванием их рациональности.

Качественный анализ данных посредством ИАД в ИС может быть применен и в других социальных науках (например, в социальной психологии и антропологии).

Так как ДСМ-метод АПИ удовлетворяет постулатам Р1 – Р7 ТЭ, характеризующих взаимодействие мыслительного и познавательного процесса (§1), то ИС-ДСМ являются конструктивным средством решения задач когнитивной социологии: имитации и усиления познавательных возможностей исследователя – социолога и обнаружение рациональности мнений респондентов.

Следует отметить необходимые условия для создания ИС – возможность выделения существенных параметров, характеризующих носителей эффектов и самих эффектов и разработку языка представления знаний. Эти условия порождают необходимость междисциплинарной организации коллектива создателей ИС и их профессиональной подготовки.

Разработка главного продукта ИИ – интеллектуальных систем и основанных на них ИИ-роботах требует создания необходимых условий для их создания и поддержки их функционирования. Перечислим ниже эти условия. 

• Необходимы систематические исследования особенностей представления знаний для разных предметных областей и соответствующих им задач.
• Следует разрабатывать логики рассуждений и реализующие их в ИС Решатели задач. 
• Необходимо разрабатывать реализацию эффективности вычислительных и логических процедур, а также параллельные реализации Решателей задач для эффективного обнаружения эмпирических закономерностей.
• Созданные прототипы ИС и их исследовательские версии должны проверяться для различных предметных областей и различных структур данных. Кроме того необходимо использовать для препроцессинга известные средства ИИ – машинное обучение, деревья решений и средства компьютерного зрения (для ИИ-роботов).
  Аспекты (а), (b), (с), (d) разработки систем ИИ и ИС являются необходимым основанием академических исследований, результаты которых будут порождать технологические применения средств ИИ для практических целей.
• Следует создать трехуровневую инфраструктуру для развития ИИ в РФ. Таковой должна быть следующая организация:

• Коллективы академических исследователей принципов ТЭ и средств создания методов ИИ, ИС с Решателями задач, а также методологии разработок ИИ-роботов.
• Должны быть созданы подразделения для разработок прототипов ИС и ИИ-роботов и полигоны их испытаний.
• Следует установить взаимодействие коллективов 10 и 20 с организациями потребителями продуктов ИИ (государственными организациями и коммерческими фирмами).
• Подобная инфраструктура может обеспечить развитие проблем и средств ИИ, если будет создана система подготовки специалистов для этих целей.

В связи с содержанием проблем ИИ, тесно связанных с ТЭ, логикой, математикой, программированием и методами ИИ образование IT-специалистов, способных создавать методы ИИ, разрабатывать ИС и когнитивное и программное обеспечение ИИ-роботов весьма специфично и неоднородно. Дело в том, что оно требует специализации в зависимости от роли будущих ИИ-специалистов в создании продуктов ИИ, а также новых методов и теоретических оснований.

Необходимо создавать образовательные программы для четырех типов специалистов:

• Тип I – ИИ-теоретик;
• Тип II – разработчик программного обеспечения систем ИИ, ИС и ИИ-роботов; 
• Тип III – квалифицированный пользователь, применяющий методы ИИ;
• Тип IV – специалист соответствующей предметной области, принимающий участие в разработке ИС (например, медик, социолог, криминалист, военный).

Очевидно, что должны быть созданы образовательные программы для всех четырех видов специалистов, в которых были бы базовые курсы математики, логики, программирования, методов ИИ и принципов проектирования ИС. 

Перечислим ниже базовые курсы для специалистов Типа I

• математический цикл: математический анализ, алгебра, дискретная математика, теория вероятностей и математическая статистика, дифференциальные уравнения, вычислительная математика, математическая логика, теория алгоритмов, математическая лингвистика.
• цикл программирования: языки программирования и методы программирования (в том числе методы параллельного программирования).
• методы искусственного интеллекта: машинное обучение, нейронные сети, нечеткие множества, генетические алгоритмы, логика интеллектуальных систем, методы интеллектуального анализа данных, проектирование интеллектуальных систем, основы робототехники.
• лингвистический цикл: курсы морфологии, синтаксиса, семантики, процедуры компьютерной лингвистики.
• эпистемологический цикл: Аристотель, Ф. Бэкон, Д. Юм, И. Кант, Д.С. Милль, Ч.С. Пирс, Логический позитивизм, К.Р. Поппер.

Из-за междисциплинарности образовательных программ и интенсивной их практической поддержки – участия в разработках главных продуктов ИИ (ИС и ИИ-роботов), необходим срок обучения в течение шести лет.

Профессиональная подготовка IT-специалистов типов I-IV создаст необходимый корпус исследователей и технологов, способных осуществлять реальное развитие проблем и практических применений ИИ оригинального, а не эпигонского характера. Следует обратить внимание на имеющиеся результаты отечественной школы исследователей относительно теоретических оснований ИС – главного продукта ИИ.

В заключение обсудим источники, вызвавшие потребность в развитии проблем и продуктов ИИ, как области исследований и технологических применений.

Современное общество в двух своих ипостасях, которыми являются цивилизация и культура, характеризуют как информационное общество [71]. Его цивилизационными особенностями являются 

• коммуникация, реализуемая компьютерными системами и возможностями интернета,
• применение информационных систем в управлении (в том числе, в документообороте),
• компьютерный анализ данных при принятии решений,
• роботизация производства и военной сферы,
• использование знаний в управлении и производстве, изменение в связи с этим понятия стоимости (в прошлом понимаемой как овеществленный труд),
• экспертные системы в сфере услуг.
• автоматизированная поддержка исследований (в том числе в медицине и экологии),
• анализ эмпирических данных и осуществление экспериментов (в том числе и моделирование исследуемых явлений) в науках о жизни, социальном поведении и в гуманитарных исследованиях.

Изменения в культуре информационного общества:

возникновение средств computer science, логики рассуждений и теории алгоритмов;

уточнение и формализация идей эпистемологии – возникновение точной эпистемологии.

Цивилизационные особенности 1-8 и изменения в культуре 1*,2* породили потребность в инструментарии ИИ и возможность его создания, соответственно.

Таким образом, ТЭ и ИИ – ответ науки, и порожденной его технологии на возникшие потребности информационного общества. С этим связана необходимость точной эпистемологии как идейной основы для анализа потоков информации и использования знаний для принятия решений в условиях информационного общества. 

Так как искусственный интеллект является областью компьютерных реализаций средств ТЭ, которыми являются средства представления знаний и логики рассуждений (Df.1-2), то сферой применения ИИ являются предметные области такие, что знания в них слабо формализованы, а данные могут быть структурированы. Очевидно, что таковыми являются, прежде всего, науки о жизни и социальном поведении, гуманитарные науки, а также социальная и гуманитарная сфера (в том числе: медицина и управление).

Таким образом, специфической особенностью информационного общества [71] является конструктивное использование знаний, что является особенностью его культуры. Оно порождает необходимость интеллектуализации в управлении, медицине, научных исследованиях и коммуникации.

Средствами же интеллектуализации являются принципы ТЭ и технологии ИИ: системы ИИ, интеллектуальные системы, ИИ-роботы. Прямыми плодами интеллектуализации являются когнитивная социология, evidence based medicine, интеллектуальное управление, развитие которых существенным образом зависит от применения продуктов ИИ и принципов ТЭ.

Из сказанного следует неудачность термина «цифровизация», ибо для информационного общества адекватным будет термин «интеллектуализация» («знания» versus «цифра»).

---

ЛИТЕРАТУРА

1. Тьюринг А. Может ли машина мыслить? // В: сб. Информационное общество. -Изд-во И74 АСТ. – 2004. – с. 221-284;
Turing A.M. Computing machinery and intelligence // Mind. - 1950. N 59. – pp. 433-460.
2. Маккарти Дж. и Р. Дж. Хейес Некоторые философские проблемы в задаче построения искусственного интеллекта // В: Кибернетические проблемы бионики. – М.: Издательство «Мир». – 1972. – с.40-88
MacCarthy G., HayesP.G. Some philosophical problems from the standpoint of Artificial Intelligence // Machine Intelligence. 1969. – N4, pp. 463-502
3. Минский М. На пути к созданию искусственного разума // В кн.: Вычислительные машины и мышление. Под ред. Э.Фейгенбаума и Дж. Фельдмана. – М.: Издательство «Мир». – 1967. – с.402-458;
Minsky M. Steps Towards Artificial Intelligence. – Proc. IRE. – 1961. – Vol. 49. – pp. 8–30.
4. Алпайдин Э. Машинное обучение: новый искусственный интеллект? //М.: Издательская группа «Точка». – 2017.
5. Минский М. Сообщество разума // М.: Издательство АСТ. – 2018;
Minsky M. The Society of Mind // Simon & Schuster, Inc. – 1986.
6. Кант И. Критика чистого разума. Т. 3. – М.: «Мысль». – 1964.
7. Пойа Д. Как решить задачу // М.: Государственное учебно-педагогическое издательство Министерства просвещения РСФСР. – 1959.
George Pólya. How to Solve It . Princeton University press, USA. 1945.
8. Бернайс П. О рациональности // В кн.: Эволюционная эпистемология и логика социальных наук. Карл Поппер и его критики. – М.: Эдиториал УРСС. – 2000, с.154-162;
9. Bernays P. Concerning Rationality // The Philosophy of Karl Popper. Ed. Be Schilpp P.A. The Libruary of Living Philosophers. – vol. 14. – Book 1/ Open Count Publishing Co. , LaSalle, Illionois. – 1974. – pp. 597-605.
10. Fann K.T. Pierce’s theory abduction. - The Hague: Martinus Nijhoff Publishers, 1970.
11. Вертгеймер М. Продуктивное мышление. – М.: Прогресс, 1987;
Vertheimer M. Productive Thinking. – Harper & Brothers Publishers, New York, 1954.
12. Серль Д. Рациональность в действии. – М.: ПРОГРЕСС – Традиция, 2004; John R. Searle. Rationality in Action. A Bradford Book The MIT Press Cambridge, Massachusetts London, England. 2001.
13. Финн В.К. К структурной когнитологии: феноменология сознания с точки зрения искусственного интеллекта// В кн.: В.К. Финн Искусственный интеллект. Методология, применения, философия. – М.: КРАСАНД. – 2018, с. 256-277.
14. Миллер Д.,  Галантер Ю., Прибрам К. Планы и структура поведения. – М.: Издательство «ПРОГРЕСС», 1965;
MillerG.A., Galanter E., Pribram K.H/ Plans and the Structure of Behavior. – 1960. – A HOLT-DRYDEN SOOK, Henry Holt and Company, New York.
15. Пирс Ч.С. Как сделать наши идеи ясными. В кн.: Избранные произведения. – М.: ЛОГОС, 2000, с. 266-295.
16. Поппер К. Знание и психофизическая проблема. В защиту взаимодействия. – М.: Издательство ЛКИ, 2008;
Popper K.R. Knowledge and the Body-Mind Problem. In defense of interaction. – Estate of Sir Karl Popper, 2008.
17. Финн В.К. Об эвристиках ДСМ-исследований (дополнение к статьям) // Научно-техническая информация. Сер. 2. – 2019. – N 10. – с. 1-34;
Finn V.K. On the Heuristics of JSM Research (Additions to Articles) // Automatic Documentation and Mathematical Linguistics. – 2019. – N 5. Pp. 250-282.
18. Nickerson R.S., Perkins D.N., Smith E.E. The teaching of thinking. Hillsdale, NY: Erlbaum, 1985.
19. Ясперс К. Общая психопатология. – М.: ПРАКТИКА, 1997;
Jaspers K. ALLGEMEIN PSYCHO-PATOLOGIE. – 1973. – Springer-Verlag, Berlin, Heidelberg, New York.
20. McCarthy J. From here to human-level AI // Artificial Intelligence. – 2007. – vol.171, N18, pp.1174-1182.
21. Гадамер Х.Г. Истина и метод. М.: ПРОГРЕСС, 1988;
Gadamer H.-G, Wahrheit und Methode. J.C.B. Mohr (Paul Siebek), Tubingen, 1960.
22. Финн В.К. Искусственный интеллект: методология, применение, философия. – М.: КРАСАНД, 2018; Часть III, Глава 2, с. 232-239.
23. Крафт В. Венский кружок. Возникновение неопозитивизма. – М.: Идея-Пресс, 2003;
24. Kraft V. Der Weiner Kreis. Der Ursrung des Neopositivismus. - Wein, Springer-Verlag, 1950.
25. Поппер К.Р. Объективное знание. Эволюционный подход. – М.: УРСС, 2002;
26. Karl R. Popper. Objective Knowledge. An Evolutionary Approach. – Oxford Clarendon Press, 1979.
27. Фрейд З. Сновидения. – Алма-Ата, 1990.
28. Tarski A. The Concept of Truth in Formalized Languages// В кн.: A. Tarski Logic, Semantics, Metamathematics. – Oxford: At the Clarendon Press. – 1956. – pp. 152-278.
29. Тарский А. Семантическая теория истины и основания семантики // В кн.: Аналитическая философия: становление и развитие. – с. 90-129;
30. Tarski A. The Semantic Conception of Truth and the Foundation of Semantics //Philosophy and Phenomenological Research. 1944. – Vol. 4, N 3. – pp. 341-375.
31. Rescher N. The Coherence Theory of Truth. – Oxford: The Clarendon Press, 1973.
32. Вейнгартен П. Фундаментальные проблемы истины. – М.: РОССПЭН. – 2005;
33. Weingartner P. Basic Question on Truth. – Dordrecht/ Boston/ London: Kluver Academic Publishers, 2000.
34. Финн В.К. О классе ДСМ-рассуждений, использующих изоморфизм правил индуктивного вывода // Искусственный интеллект и принятие решений. –  2016– № 3. – с. 95-108.
35. ДСМ-метод автоматического порождения гипотез: логические и эпистемологические основания. Под общей редакцией О.М. Аншакова // М.: Книжный дом «ЛИБРОКОМ», 2009.
36. Nilsson N.J. Artificial Intelligence: A New Synthesis. Morgan Kaufmann Publishers, Inc.: San Francisco, California, 1998.
37. Люгер Дж.Ф. Искусственный интеллект. Стратегии и методы решения сложных проблем. – М.: Издательский дом «Вильямс» , 2003;
38. Luger G.F. Artificial Intelligence and Strategies for Complex Problem Solving. –Addison-Wesley Publishing Company, Inc., 2002.
39. Шестерникова О.П., Агафонов М.А., Винокурова Л.В., Панкратова Е.С., Финн В.К. Интеллектуальная система прогнозирования развития сахарного диабета у больных хроническим панкреатитом // Искусственный интеллект и принятие решений. – 2015. N 4. С. 12-50.
40. [34a] Милль Д.С. Система логики силлогистической и индуктивной. – 5-е изд. – М.: ЛЕНАНД, 2011;
41. Mill J.S. A System of Logic Ratiocinative and Inductive, Being a Connected View of Principles of Evidence and the Methods of Scientific Investigation. London: Parker, Son and Bowin, 1843.
42. Финн В.К. Эпистемологические основания ДСМ-метода автоматического порождения гипотез // Научно-техническая информация. Сер. 2., 2013. N 9. С. 1-29 (Часть I); N 12. с.1-26 (Часть II);
43. Finn V.K. Epistemological Foundations of the JSM Method for Automatic Hypothesis Generation. Automatic Documentation and Mathematical Linguistics, vol. 48. – N 2. – pp. 96-148.
44. Финн В.К. Дистрибутивные решетки индуктивных ДСМ-процедур // Научно-техническая информация. Сер. 2. – 2014. – N 11. – с. 1-30;
45. Finn V.R, Distributive Lattices of Inductive JSM-Procedures // . Automatic Documentation and Mathematical Linguistics. 2014. - vol. 48, N 6. – pp. 265-295.
46. Rosser J.B., Turquette A.R. Many-Valued Logics. North – Holland Publishing Company, Amsterdam, 1958.
47. Бочвар Д.А. Об одном трехзначном исчислении и его применении к анализу парадоксов классического расширения функционального исчисления // Математический сборник. – 1938. – Т 4, Выпуск 2. – с.287-308.
48. Финн В.К. Искусственный интеллект: методология, применение, философия. – М.: КРАСАНД, 2018.
49. Гершель Дж. Философия естествознания. – М.: Книжный дом «ЛИБРОКОМ». – 2011;
50. Herschel J.F.W. Preliminary Discourse on the Study of Natural Philosophy. – London, 1851.
51. Anderson A.R. and Belnap N.D. Entailment: The Logic of Relevance and Necessity. – Vol. 1. – Princeton: Princeton University Press, 1975.
52. Smullyan R.M. First-Order Logic. – New York: Springer-Verlag, Inc., 1968.
53. Peirce C.S. Collected papers. – Cambridge, MA: Harvard University Press, 1934. – p. 189.
54. Abductive Inference: Computation, Philosophy, Technology / eds. J.R. Josephson, S.G. Josephson. – Cambridge: University Press. 1994.
55. Aliseda A. Abductive Reasoning // Synthes Library. – 2006. – Vol. 330.
56. Kapitan T. Pierce and the Structure of Abductive Inference // В кн.: Studies in the Logic of Charles Sanders Pierce . – Eds. N. Houser, Don D. Roberts, and James Van Evra.- Indiana University Press. – 1997.
57. Venema Y. Dynamic Models in Their Logical Surroundings // в кн.: Logic in Action. – Institute for Logic, Language, and Computation. – 2001.
58. [46a] Ван Бентам Й. Логика рассуждения: много ли значат факты? // Вопросы философии. – 3011. – N 2. – с. 63-76;
59. Van Benthem J. Logic and Reasoning: Do the Facts Matter? // Studia Logica. – 2008. – Vol. 88, Т 1. – p. 67-84.
60. Reichenbach H. Nomological Statement and Admissible Operations. – Amsterdam: North-Holland Publishing Co., 1954.
61. Финн В.К. О неаристотелевском строении понятий // Логические исследования. – 2015. – N 21 (1). – с. 9-43.
62. Фейс Р. Модальная логика. – М.: Изд-во «Наука». – 1974;
63. Feys R. Modal Logics. – Louvain / Paris: E. Nauwelaerts / Gauthier-Villars Publishers, 1965.
64. Chellas B.F. Modal Logic. An Introduction. – Cambridge: Cambridge University Press, 1980.
65. Вригт фон Г.Х. Логико-философские исследования. – М.: ПРОГРЕСС. – 1986;
66. Von Wright G.H. Explanation and Understanding. – London, 1971.
67. Финн В.К. Эвристика обнаружения эмпирических закономерностей и принципы интеллектуального анализа данных // Искусственный интеллект и принятие решений. – 2018. – N 3. – с. 3-19.
68. Юм Д. Трактат о человеческой природе. – М.: КАНОН. – 1995.
69. Gillies D. Artificial Intelligence and Scientific Method. – New York. – Oxford University Press Inc., 1996.
70. Hintikka J. What is Abduction? The Fundamental Problem of Contemporary Epistemology // Transactions of the Charles S. Pierce Society. – 1998. – Vol. XXXIV. – N 3. – pp. 503-533.
71. Финн В.К., Шестерникова О.П. Эвристика обнаружения эмпирических закономерностей посредством ДСМ-рассуждений // Научно-техническая информация. – 2018. – N 9. – с.9-42.
72. Frunkfurt H. Pierce’s Notion of Abduction // The Journal of Philosophy. -1958. – Vol. 55. – pp. 593-597.
73. Кассирер Э. Познание и действительность. – М.: ГНОЗИС. – 2006;
74. Cassirer E. Substanzbegriff und Funktionsbegriff: Untersuchungen über die Grundfragen der Erkenntniskritik. – Berlin. -1910.
75. Quinlan J.R. Induction of Decision Trees // Machine Leaning. – 1986. Val. 1. – N 1. – pp. 81-106.
76. Wille R. Formal Concept Analysis as Mathematical Theory of Concepts and Concept Hierarchies // Ganter B., Stumme G., Wille R. (Eds.) Formal Concept Analysis. Foundations and Applications. Springer-Verlag. Berlin-Heidelberg, 2005. – pp. 1-33.
77. Риккерт Г. Науки о природе и науки о культуре. – М.: Изд-во «Республика». 1998.
78. Климова С.Г., Михеенкова М.А., Финн В.К. ДСМ-метод в качественном социологическом исследовании: основные принципы и опыт использования // Социологический журнал. – 2016. – т. 22. – N 2. – с. 8-30.
79. Finn V.K., Mikheyenkova M.A. // Plausible Reasoning for the Problems of Cognitive Sociology.  – 2011. Vol. 20. – N 1-2. – pp. 111-137.
80. Финн В.К. Индуктивные методы Д.С. Милля в системах искусственного интеллекта. Часть I // Искусственный интеллект и принятие решений. 2010. – N 3. – с. 3-21; Часть II // Там же. – N 10. – с. 14-48;
81. Finn V.K. J.S. Mill’s Inductive Methods in Artificial Intelligence Systems. Part I // Scientific and Technical Information Processing/ - 2011. – Vol. 38, N 6. – pp. 385-402; Finn V.K. Mill’s Inductive Methods in Artificial Intelligence Systems. Part II. Vol. 39, N 5. – pp. 241-260.
82. Финн В.К., Шестерникова О.П. О новом варианте обобщенного ДСМ-метода автоматизированной поддержки научных исследований // Искусственный интеллект и принятие решений. – 2016. N 1. С. 57-64.
83. Автоматическое порождение гипотез в интеллектуальных системах. Под. Общ. Ред. О.М. Аншакова. – М.: Книжный дом «ЛИБРОКОМ» - 2020.
84. Голуб А. Искусственный интеллект для моды. – Минск. – «Дискурс». – 2019.
85. НАЦИОНАЛЬНАЯ СТРАТЕГИЯ развития искусственного интеллекта на период до 2030 года. – с. 2-3.
86. Чебанов Д.К., Михайлова И.Н. Интеллектуальный анализ данных пациентов с меланомой для поиска маркеров заболевания и значимых генов // Научно-техническая информация. – Серия 2. – 2019. – N 10. – с. 35-40.
87. Уэбстер Ф. Теория информационного общества. – М.: АСПЕНТ ПРЕСС. – 2004. 
88. Webster F. Theories of the Information Society. – Routledge. – London and New York. 1995.