Одним из участников встречи “РобоСектор 2017” была компания МИВАР. Мы попросили Вячеслава Осипова, вице-президента компании МИВАР, рассказать о том, чем сейчас занята компания, каких успехов удалось добиться, и каковы планы на ближайшее время. 

Владимир Осипов, вице-президент компании МИВАР

 

В.О.: Основы миварного подхода зародились в конце 80-х годов. Мы продолжаем развивать это направление, технологии, ищем прикладные задачи, где можно применять Мивары. 

Речь идет о логическом искусственном интеллекте (ЛИИ). Как известно, есть различные уровни реализации ИИ. Например, есть рефлексный уровень - его хорошо моделируют нейронные сети, статистические подходы; а есть уровень логический - основанный на использовании баз знаний (параметры и правила) и логическом выводе.

Преимущество логического подхода заключается в том, что система, построенная на ЛИИ не просто выдает ответ, но способна его обосновать, предъявив решение. По-классике, логические задачи решаются на компьютере полным перебором. В нашем случае, единственные и первые в мире, мы ушли от полного перебора. Это позволяет нам решать логические задачи за реальное время. Мы  регулярно мониторим научное пространство, но до сих пор нам не встречалась ни одна компания в мире, ни один институт, которые могли бы этим похвастаться.

Для лучшего понимания вычислительной сложности логических задач - приведу цифры.

Время решения задачи определяется следующим образом: отношение количества «шагов решения задачи» к  «скорости компьютера». Для компьютеров вычислительная мощность измеряется во флопсах (количество операций с плавающей запятой в секунду) и составляет сегодня для одного процессора примерно 10 в 11 степени. 

На данный момент, принято причислять к суперкомпьютерам системы с вычислительной мощностью более 10 терафлопсов (10*10^12 или десять триллионов флопсов; для сравнения среднестатистический современный настольный компьютер имеет производительность порядка 0.1 терафлопса). Одна из наиболее мощных на тесте HPL компьютерных систем — китайский Tianhe-2 — имеет производительность, превышающую 33,8 петафлопсов. В часе 3600 секунд.

Таким образом, для расчета примерного  времени решения задачи, количество «правил» делим на скорость компьютера в секундах. Для примерного определения скорости можно просто делить N! на 10 в 11 степени.

 

Из приведенной таблицы видно, что уже 15 правил требуют более 10 секунд, что не позволяет управлять, к примеру, роботом в реальном времени.

20  правил - это  2 432 902 008 176 640 000 вариантов, т.е. 2*10 в 18 степени; делим на 10 в 11 степени и получаем примерно 10 в 7 степени секунд;

30 правил - это 265252859812191058636308480000000, т.е. примерно 10 в 32 степени и время решения будет больше 10 в 20 степени секунд;

300 правил - это примерно 10 в 614 степени…

Получаем «показатель сравнения» в виде «время принятия решений в различных ситуациях».  «Сложность ситуации»  определяется количеством правил, а время принятия решений измеряется в секундах. Для современных роботов реальное время работы не должно превышать секунду. Традиционные подходы уже с 15 правил перестают работать в реальном времени, а миварный подход преодолевает это ограничение.

Разработанная нами программа КЭС!МИ задачи в "300 правил" решает за доли секунды.

По критерию времени решения задачи мивары позволили от факториального роста времени (тысячи лет и более) перейти к "линейному росту" и реальному времени решения задачи со скоростью более 5 млн правил в сек.  Что скажете - это прорывая технология?

 

АБ: Как давно вы начали свои разработки? Какие продукты или решения уже доступны для использования?

Мы уже достаточно давно начали разработки прикладного ПО. С 2012 года открыт проект МИВАР. Нами получен патент на автоматизированное построение логического вывода в миварной базе знаний. У нас собственный R&D-центр. Соответственно, от научных изысканий до программного кода - все наше, никакого импорта или зависимости от зарубежных лицензий.

На сегодняшний день разработаны три прикладных платформенных продукта.

Во-первых, это упомянутый КЭС!МИ (Конструктор Экспертных Систем !МИварный), позволяющий создавать экспертные системы, базирующиеся на моделях знаний, и решающие задачи, которые сегодня решает только человек. КЭС!МИ включен в Единый реестр российского ПО и доступен для покупки/продажи. КЭС!МИ - это базовое логическое ядро, которое лежит в основе остальных разработок Компании.

Во-вторых, это ТЭЛ!МИ (Текстовый Эмулятор Личности !МИварный) – семантическая платформа, работающая с текстами на естественном языке, понимающая смысл при работе с текстами. Под смыслом подразумеваем четкое определение значение слова, которое имеется в виду в соответствующем контексте. На сегодня - это передовой край работы с семантикой.

Третья наша платформа - “РОБО!Разум”. “РОБО!Разум” - это платформа для разработки систем принятия решений для автономных роботов, способная синтезировать в реальном времени алгоритм действий робота - это ноу-хау нашей компании.

Как вы знаете, обычно роботы используют либо обширную библиотеку готовых алгоритмов, которые лишь огрубленно применимы к той или иной реальной ситуации, либо используются различные рефлексные подходы: нейронные сети, глубокое обучение, “генетические алгоритмы” и т.д. Безусловно, в робототехнике есть задачи, которые неплохо решаются с использованием перечисленных подходов.

Подходов много, но работают они на “уровне рефлексов” и представляют из себя “черные ящики”, тогда как в нашем случае, мы имеем дело с “белым ящиком”, который для нас фактически “прозрачен”. Мы в любой момент можем сказать, почему робот принял то, или иное решение, ведь он подобно человеку – «рассуждает», опираясь на знания. А в процессе «рассуждения» приходит в логическому выводу. Робот на миварной платформе «понимает» инструкции, т.е. имеющиеся возможности и ограничения, может действовать, исходя из условий, в которых находится, и самостоятельно решать задачи, которые перед ним поставлены.

 

АБ: Вячеслав, какова предыстория появления логических подходов к ИИ, ведь это направление в какой-то период считалось бесперспективным из-за технических ограничений? 

В настоящее время мы имеем дело с третьей волной интереса к ИИ. Первая волна случилась в 60-е годы, когда разработчики были почти уверены, что они в шаге от создания ИИ, способного заменить человека всегда и во всем, во всех сферах его деятельности. Эта волна постепенно сошла на нет, в связи со слабостью технологий того времени, прежде всего, компьютерных.

Следующая волна опиралась на более мощное «железо», к тому же заметно усовершенствовался математический аппарат. Появились мощные экспертные системы и у нас, и за рубежом.  В тот момент все уперлись как раз в логические задачи, которые являются задачами с NP-полнотой, то есть требуют для решения только полного перебора. В те годы другого решения этих задач не обнаружили, и начали изыскания в другом направлении - с опорой на методы машинного обучения, нейронные сети и т.п. - работу со статистикой. Повторюсь - есть задачи, которые статистика решает хорошо, а есть такие, которые статистика не решает в принципе. К тому же давно известно, что статистику можно обмануть, статистика “смотрит” назад, в прошлое, почти не работает с событийностью (новыми событиями, которые могут оказаться решающими). Есть и другие минусы у этих подходов. Логика - это следующий уровень, позволяющий существенно расширить спектр возможностей.

 

АБ: Расскажите о вашей системе “Роборазум” - это ведь также пример использования ИИ?

В.О. Прежде, чем перейти к “РОБО!Разум”, давайте немного разберемся с искусственным интеллектом. Вот карта искусственного интеллекта, которую мы предлагаем. Показывали ее на многих конференциях, коллеги с нами, как правило, соглашаются и активно поддерживают.

Итак, есть три направления исследований: общетеоретическое – важное направление, ведь тут наука, визионерство, взгляд в будущее с опорой на фундаментальные знания и исследования. Сюда также относятся околофилософские рассуждения на тему: как изменится мир, когда в нем появится ИИ. Следующее направление – моделирование мышления. Этим путем идут сейчас в основном на Западе. В данном случае модель интеллекта строится по биологическому прототипу, моделируется, аналогичная природной, архитектура искусственного мозга. Третье - “прикладное направление”, конструктивизм, ИТ-подход. В нем ИИ рассматривается, как программа или комплекс прикладных программ, решающих определенные задачи. Именно этот, функциональный подход, на мой взгляд наиболее эффективный, для применения в реальной жизни, когда ИИ выполняет функции и решает задачи вместо человека или вместе с ним.

Также следует вспомнить, что есть три уровня исследований в области ИИ.

Первый уровень мы называем доинтеллектуальным, или рефлексным уровнем. Это методы, работающие на статистике, на прецедентах, на размеченных датасетах. Без этого уровня не обойтись, на этом уровне “работают” животные. Они кое-что умеют, порой это впечатляет, но с интеллектом напрямую это не связано.

Есть логический уровень, когда мы можем говорить о рассуждении, понимании причинно-следственных связей, построении логических цепочек, применении моделей знаний. На этом уровне способны действовать только люди. 

Следующий - это “социальный уровень”, сложно формализуемый, оперирует такими категориями, как интуиция, чувства, эмоции. На этом уровне компьютер понимает шутки или может, например, благодаря какой-то ошибке может совершать открытия, как это бывало с учеными-людьми. Тут есть определенные теоретические наработки, но решений пока не представлено.

Прежде чем, приступить к роботам, мы начали разработки с экспертных систем, как систем ИИ, построенных на базах знаний. Оказалось, что с опорой на базы знаний и логику, на экспертные системы - можно очень хорошо понимать естественный язык. Как известно, ИТ - это: сбор, передача, хранение, обработка и представление информации. В нашем понимании к ИИ относится обработка и хранение информации.

Здесь и применяются три фундаментальных технологии, три наших ноу-хау, на которых строится логический ИИ.

Первая технология - это хранение данных. Здесь мы используем многомерную активную эволюционную базу данных и гносеологической модель представления “вещь-свойство-отношение” (ВСО). Эта модель представления позволяет наиболее полно описать окружающий наш мир, взаимоотношения между объектами, субъектами.

Следующая технология - это логический вывод с линейной вычислительной сложностью. Если обычно логический вывод решается полным перебором, то мы решили эту задачу без полного перебора, сведя ее к линейной сложности.

Третья технология  - так называемый «системных подход» - это концептуальная модель предметной области (экспертная модель), т.е. модель знаний, формализованная определенным образом и положенная в нашу систему.

Три этих технологии, используемые вместе, позволяют нам говорить о том, что логический ИИ создан! 

Возвращаясь к представленной схеме, - логический ИИ дает принципиально новые возможности для таких прикладных направлений как: экспертные системы, системы поддержки принятия решений, системы семантической обработки текста, смысловой подход в понимание образов, автоматизированные системы управления и интеллектуальные системы принятия решений для управления роботами.

Это поднимает уровень интеллектуальности робототехники на новую высоту. Речь идет о полностью автономных роботах, использующих базу знаний с информацией об окружающей среде, о ее объектах, о том, каким образом с ними можно взаимодействовать. Робот, располагая такими знаниями, способен решать сложные задачи, генерировать алгоритмы действия, планировать свою деятельность, сверять план-факт.   

Иными словами, у нас есть текущее состояние - информация полученная от сенсорных систем (датчиков), и есть целевое состояние, которое требуется достигнуть, т.е. задача, которую необходимо решить. “РОБО!Разум” синтезирует этот алгоритм перехода из текущего состояния в целевое. 

 

АБ: Где можно применять «РОБО!Разум» сегодня?

Если говорить о поле применимости «РОБО!Разума» то  можно обозначить все направления, где активно внедряются роботы. «РОБО!Разума» - это автономные автомобили, самолеты, корабли, подлодки, тракторы и т.п. Актуальные уже сегодня направления: освоение арктического шельфа, проведение контртеррористических операций, обширный круг задач в сельском хозяйстве, роботы незаменимы в вооруженных противостояниях (к примеру Сирия).

На проходившем в сентябре прошлого года форуме АРМИЯ 2016  мы продемонстрировали возможность ситуационного управления группировкой роботов и «РОБО!Разум» вызвал большой интерес со стороны различных структур Министерства Обороны РФ. Это огромные перспективы. Издательство «ВОЕННОЕ.РФ» включило нашу разработку в ТОП 20 военных новинок.

Россия – самая заинтересованная в автономных роботах страна. У нас огромная территория, низкая плотность населения, протяженная внешняя граница. Для нас роботы - это вопрос выживания в сложном мире, когда рядом есть страны, в которых проживают сотни миллионов, или даже свыше миллиарда человек. Высочайшая конкуренция.

 

АБ: Сейчас «горячая тема» автономный автомобиль, применим ли здесь логический ИИ? 

В.О. Автопилот для автомобилей – очень перспективное направление и миварам тут тоже есть важное место. Давайте посмотрим на это вот с какой стороны. Зададим себе вопрос: готовы ли мы свершить поездку по городу в автомобиле, которым управляет водитель, не знающий правил дорожного движения? Ответ, на мой взгляд, очевиден. Так вот ПДД – это тоже логика. И с точки зрения реализации системы автопилотирования для автомобилей – это принципиально. Модель проезда средней сложности перекрестка в условиях города – это порядка 250 правил. Вычислительная сложность – 250!(факториал), т.е. примерно 3,23*10⁴⁹² возможных вариантов ситуаций. (Если быть точным = 323285626090910773232081455202436847099484371767378066674794242711282374755511120948881791537102
819945092850735318943292673093171280899082279103027907128192167652724018926473321804118626100683
292536513367893908956993571353017504051317876007724793306540233900616482555224881943657258605739
922264125483298220484913772177665064127685880715312897877767295191399084437747870258917297325515
028324178732065818848206247858265980884882554880000000000000000000000000000000000000000000000000
000000000000).

Автопилот, реализованный на миварном подходе, будет знать ПДД и сможет сдать экзамен  на право вождения транспортного средства. Это уже юридический аспект, он очень важен. Вопросы о правомерности появления беспилотных автомобилей на улицах города являются одним из принципиальных сдерживающих факторов. Мы можем помочь преодолеть этот барьер.

Существующие разработки (Tesla, Google и др.) используют рефлексные методы, работают на статистике, на прецедентах. Это ближе например, к лошади, она тоже может строить свое поведение на основании прецедентов, но правил поведения на дороге не знает.

 

АБ: Какие применения находят ваши системы?

В.О.: Наши продукты в первую очередь хорошо интегрируются в отраслях, где процессы хорошо автоматизируемы и накоплены подробно описанные, формализованные знания, для построения базы знаний. Если посмотреть по отраслям, то наиболее развитыми и наиболее подходящими являются: медицина, банки, телеком, ритейл, логистика, ЖКХ, различные нефте- и газодобывающие компании. Здесь стоит сосредоточить внимание тем, кто хотел бы внедрить наши платформы.

В настоящий момент у нас есть портфель проектов на разной стадии реализации - либо на стадиях пилотов, либо на стадиях демо-стендов.

Есть, например, опыт роботизации службы поддержки для ситуаций, когда есть большая ERP-система, и ее пользователи регулярно сталкиваются с трудностями. Они пишут в службу поддержки, сообщая, например, что у них например, определенная транзакция не проводится или не работает привычная функция. Запрос попадает на первую линию. Там робот-оператор идентифицирует и классифицирует запрос. Если он типовой и на него есть готовый ответ, то робот-оператор его выдает. Если нет, то рассматривает уже подробно, формирует инструкцию - как проблему можно решить или обойти.

Это традиционная схема организации колл-центра. Мы внедряли нашу систему для увеличения скорости обработки инцидентов и улучшения качества обслуживания - начиная от первой линии и вплоть до уровня администратора, когда система автоматически синтезирует решение для пользователя. Или, как минимум, диагностируется проблема для которой нет решения.

Для работы такой системы необходимо, чтобы она понимала смысл приходящего сообщения, а не только опиралась на какие-то ключевые слова или иные параметры из запроса. Например, “не проводится транзакция номер ХХХ, не хватает прав доступа”. Система должна понять, что проблема не в транзакции, а в правах доступа, и искать решение не в бухгалтерских процессах, а расширить доступ. Или другая ситуация - пользователь жалуется, что “пропала кнопка с экрана”. Системе нужно понять, какую функциональность активировала эта кнопка, Затем предложить пользователю активировать ее другим способом.

Еще о прикладных задачах. Понимания текста на естественном языке позволяет создавать системы нового типа, нового уровня. Появляются два класса задач.

Первый класс задач связан с текстовой аналитикой, с вычленением из текста определенных данных, новой информации, преобразованием инструкций в модель знаний - все это различные виды аналитической работы с текстом. Важно понимать, что формализованный текст, написанный языком инструкций или внутренней нормативной документации, гораздо проще «понять», чем язык художественной прозы или язык, которым пишутся детские сказки, в которых обычно присутствует многозначность.   

Второй класс задач - это вопросно-ответные системы. Эти системы на сегодняшний день востребованы на рынке, есть спрос на так называемые чат-боты, на виртуальных консультантов. Рынок появился не так давно, но с появлением в соцсетях и мессенджерах возможности интегрировать в них чат-ботов, возник некий взрывной эффект интереса к этому направлению. Сейчас мы разрабатываем демо-стенды и ориентировали работу в направлении большой вопросно-ответной системы, которая будет с опорой на внутренние инструкции и процессы, на основе которых действует компания, генерировать решения для сотрудников компании при их работе с конечными потребителями. Представьте, что существует некий фронт-офис, работающий с потребителями, соответственно, регулярно  возникают неожиданные вопросы и непростые ситуации, зачастую неописанные в скриптах и инструкциях. Для такой службы, как правило, характерна немалая ротация. Приходится постоянно обучать новых сотрудников. Создавать в том или ином виде знания, инструкции, к которым они могут обращаться для решения той или иной задачи. Этот процесс можно сильно упростить для человека, перевести его в поле обычного текстового диалога с консультантом, Пользователь “вбивает” свой вопрос в окно “консультанта”, набирая текст на обычном, естественном языке, то в ответ ему система ИИ формирует ответ, с достоверностью, стремящейся к 100%. Иными словами, ИИ выдает экспертное решение, сообразно конкретному случаю, и опять же, на естественном языке.

На подобном примере виден новый качественный переход от пассивных форм накопления знаний и их использования - чтение человеком первоисточника, последующий анализ полученной информации и только затем решение, к активным - получение ответа или решения происходит в момент обращения.

Это пока разработка, но под конкретного заказчика, которого сегодня назвать не могу в силу соглашения о неразглашении. Сможем рассказать об этом после того, как пройдет конечная стадия внедрения. 

 

АБ: Ваши системы требуется приобретать в собственность, или возможны варианты пользования ими по модели SaaS?

ВО: Мы открыты для обсуждения различных вариантов работы с нами. Каких-то принципиальных предубеждений в отношении моделей распространения продукта у нас нет. Многое зависит от ситуации. Кому-то удобно пользоваться нашими серверами, от кого-то нормативные акты требуют сохранять автономность.

Основное, что мне хотелось бы отметить, это то, что наши разработки перешли от подготовительных этапов в плоскость практических разработок прикладных решений под заказчиков. Будем рады новым обращениям к нам в МИВАР от тех, кто заинтересовался возможностями применения наших разработок в области ИИ для решения своих практических задач.

+ + 

Другие материалы встречи: 
- Репортажи: РобоСектор 2017 
- АВИ-Солюшнс о локализации достижений мировой робототехники 
- Интервью: Коллаборативный робот Pulse - родом из Беларуси