გოდერძი ლეჟავა

Inductive logic plays a fundamental role in the functioning of the human brain (and the brain in general). The notion of an induction output processor proved highly fruitful for modeling some functions of the human mind. The functional scheme of the induction output processor was developed based on the hypothesis of the basic operator of inductive logic. The processor allows the sensory information presented in the form of multidimensional vectors to be compared in a certain way to the information loaded into the processor's RAM matrix, which is the "knowledge" gained by the cybernetic system as a result of "previous experience" or learning. The result of the comparison is generated at the output of the processor in the form of distances defined in the sensor space, or "similarity measures". One of the modifications to the processor was actually implemented for a practical unmanned navigation system.

Приводятся результаты работ, которые были проведены в Институте кибернетики. На плантациях западной Грузии был собран статистический материал большого объема. На его основе были пос-троены статистические характеристики сырьевого слоя и создан банк изображений побегов. Была создана имитационная исследовательско-демонстрационная программа, которая позволила пе-ренести часть исследований из плантации в лабораторию. Была разработана концепция чаесборо-чной системы нового поколения. Создан и испытан на стенде опытный образец сборочной систе-мы.

Предложена гипотеза о базовом операторе индуктивной логики. Рвссмотрен процессор который осуществляет базовую операцию индуктивной логики. Рассмотрена также гибридная интеллектуальная система, в которой роль адаптивной системы выполняет процессор индуктивного вывода. Рассмотрены интеллектуальные процедуры, реализация которых стала возможной посредством такой гибридной системы

Рассмотрена гибридная интеллектуальная система (ГИС), состоящая из двух различных по своей природе подсистем а) подсистемы обработки сенсорной информации, основанной на методах индуктивного вывода, которая по своей природе представляет систему параллельной обработки информации и б) символьно знаковой подсистемы обработки информации, основанной на мето-дах дедуктивного вывода, которая по своей природе представляет систему последовательной обработки информации. ГИС предназначена для реализации вычислительноемких алгоритмов искусственного интеллекта в реальном времени. В отличие от методов дедуктивного вывода, которые хорошо развиты и располагают мощными аппаратнымисредствами реализации в виде универсальных ЭВМ и развитым искусством програм-мирования, для систем индуктивного вывода практически не существует ни теории, ни универ-сальных средств аппаратного обеспечения. Правда, возможна программная реализация процедур индуктивного вывода с помощью ЭВМ, но из-за последоватедьного характера дедуктивных мето-дов это связано с громоздкими вычислениями, в ряде случаев исключает возможность получать решения в реальном времени, что для задач искусственного интеллекта неприемлемо. В оперативной памяти подсистемы индуктивного вывода фиксировано множество описаний сос-тояния среды образующее «базу априорных знаний» подсистемы в виде многомерных векторов. При поступлении на вход подсистемы индуктивного вывода текущей сенсорной информации в ви-де вектора той же размерности, интерпретируемого как описание «текущего состояния среды», параллельно и практичуски мгновенно осуществляется сравнение поступающего на вход вектора со всеми векторами «базы знаний» и вычисляются результаты сравнения в виде величин, опреде-ляемых как «мера сходства» описания текущего состояния среды со всеми описаниями, представ-ленными в памяти. Операция определения «меры сходства» т.е. операция сравнения является ба-зовй операцией индуктивной лщгики; с её помощью можно строить такие метапроцедуры искус-ственного интеллекта, как кластеризация пространства описаний, формироварие понятий, итсаит, распознавание образов и др. Совмещение различных по своей природе систем вывода в единую гибридную систему представ-ляет многообещающую область исследования; оно открывает возможности для развития следую-щего поколения «интеллектуальных систем».

То обстоятельство, что в шенноновской теории информации полностью игнорируется содержательная сторона, является одной из основных причин, тормозящих прогресс на пути создания искусственных интеллектуальных систем. В предлагаемом подходе информация рассматривается как процесс когнитивной интеракции. Приемник состоит из подсистем индуктивного и дедуктивного выводов. Подсистема интуктивного вывода через сенсорную систему воспринимает физическое воздействие, соответствующее “описанию среды». В качестве подсистемы индуктивного вывода применяется разработанный нами оптоэлектронный процессор; в качестве же подсистемы дедуктивного вывода – обычная ЭВМ. Подсистема дедуктивного вывода оперирует понятиями, сформирован-ными системой индуктивного вывода и выбирает адекватные реакции на текущее состояние среды, из собственного репертуара возможных действий. Совместная работа подсистем индуктивного и дедуктивного вывода позволяет значительно приб-лизится к пониманию структуры человеческого интеллекта; приблизится к решению проблемы создания семантической теории информации. Нами были выделены два вида информационного воздействия – два вида информации: „текущая актуальная информация” и „информация, образу-ющая базу знаний“. Были разработаны способы количественной оценки этих типов информационного воздействия. На основании экспериментов большого объёма была показана состоятельность данного подхода.

ოპტიკური სუპერკომპიუტერის შექმნისა და ხელოვნური ინტელექტის პრობლემები მიეკუთვნებიან ბოლო ათწლეულების ყველაზე აქტუალურ პრობლემათა რიცხვს. ისინი წლების მანძილზე განსაზღვრავდნენ საქართველოსმეცნიერებათა აკადემიის კიბერნეტიკის ინსტიტუტში მიმდინარე კვლევების ხასიათს. ცნობილია, რომ ოპტიკურ სიგნალს, როგორც ინფორმაციის გადამტანს, გააჩნია არსებითი უპირატესობები ელექტრულთან შედარებით. მიუხედავად ამისა და მიუხედავად დიდი ძალისხმევისა ვერ შეიქმნა ოპტიკური კომპიუტერი. თუმცა, ოპტიკური საშუალებები საოცრად ეფექტურები გამოდგა გამოთვლატევად ამოცანებში - ინფორმაციის ე. წ. წინასწარი კომპიუტერამდელი დამუშავების მოწყობილობებში. ამას სიღრმისეული მიზეზი ჰქონდა. რამდენადაც ელექტრონიკის საშუალებები ეფექტურები არიან დედუქციური გამოყვანის საშუალებებში, რომლებსაც მიმდევრობითი ხასიათი აქვთ, იმდენად ისინი არაეფექტურები არიან ინდუქციური გამოყვანისათვის, ვინაიდან არ იძლევიან ასეთი გამოყვანის ძირითადი უპირატესუბის ოპერაციათა განპარალელების დიდი პოტენციალის რეალიზაციის საშუალებას. აღნიშნულის გათვალისწინებით დამუშავდა პარალელური მოქმედების ინდუქციური გამოყვანის პროცესორი. პროცესორმა საშუალება მოგვცა ახლებურად დაგვენახა კიბერნეტიკის ისეთი ძირეული პრობლემა, როგორიცაა სემანტიკური ინფორმაციის რაოდენობრივი შეფასების პრობლემა.

Процессор индуктивного вывода фиксирует в памяти описания среды имеющие значение для устойчивости системы. Параллельнопроисходитмаркировкаикластеризацияописаний. Этиоперацииможнотрактоватькакобучение. Некоторые описания среды запускают ответную реакцию системы, но не влияют, или почти не влияют на дальшнейщее функционирование системы. Информацию, которую содержат такие описания, мы назвали «текущей актуальной». Информацию, которую содержат описания, фиксфция которых существенно влияет на дальнейщую работу процессора, мы назвали: «Информация, которая образует базу знаний».

In the nineties, the opinion matured that the artificial intelligence system, similar to the human brain, should consist of two subsystems: an inductive system, which by its nature is a parallel action system, and a deductive inference system, which by its nature is a sequential action system. The role of the latter is well performed by a conventional computer. The situation is worse with the inductive inference subsystem. Attempts to use neural networks have not yielded practical results. As is known, the Institute of Cybernetics has considerable experience in creating practical real-time intelligent systems. In these systems, the role of pre-computer processing subsystems is usually performed by special purpose parallel optical devices. Based on the accumulated experience, a general purpose induction inference processor was developed for artificial intelligence systems.

The development of computer technologies has made it possible to solve a number of problems of artificial intelligence. At the same time, a large set of important problems remained unsolved, requiring real-time solution, the solution of which requires the use of inductive methods. Intellectual activity is carried out through two systems that are different in nature – through the joint coordinated work of systems of inductive and deductive conclusions. Therefore, any artificial intelligent system must contain two information processing subsystems: a) a sensory information processing subsystem based on inductive inference methods, which by its nature is a parallel information processing system, and b) a symbolic-sign information processing subsystem based on deductive inference methods. , which by its nature is a sequential information processing system. To solve a specific practical problem, we have developed a processor that imitates the operation of inductive inference. The processor made it possible to see a number of problems in a new way and, in particular, the problem of quantifying semantic information. In the RAM of the processor, the “learning material” is represented in the form of multidimensional vectors. “The learning material is a set of concepts and their corresponding probabilities. In practice, we have a statistical ensemble; the uncertainty of the ensemble changes when new learning material arrives. This change in uncertainty can be used as a measure of the semantic information contained in the incoming new learning material. 

ინდუქციური გამოყვანის პროცესორი საშუალებას იძლევა, რომ მის მეხსიერებაში ცნებები დაფიქსირდეს გამიჯნული კლასტერების სახით.ეს კლასტერები შესაბამის ალბათობებთან ერთად ქმნიან სტატისტიკურ ანსამბლს, რომელსაც გააჩნია გარკვეული განუზღვრელობა. ახალი ინფორმაცია ცვლის ანსამბლს; იცვლება ანსამბლის განუზღვრელობაც. ცნებებთან დაკავშირებული ეს განუზღვრელობის ცვლილება შეიძლება გამოყენებულ იქნას, როგორც სემანტიკური ინფორმაციის ზომა, რომელსაც ახალი ინფორმაცია შეიცავს.

დისერტაციის რეცენზირება

სამაგისტრო ნაშრომების ხელმძღვანელობა

სადოქტორო თემის ხელმძღვანელობა/თანახელმძღვანელობა

უცხოურ ენებზე მონოგრაფიის სამეცნიერო რედაქტირება

ქართულ ენაზე მონოგრაფიის სამეცნიერო რედაქტირება

რეფერირებული ან პროფესიული ჟურნალის/ კრებულის მთავარი რედაქტორობა

სამეცნიერო პროფესიული ჟურნალის/ კრებულის რეცენზენტობა

რეფერირებული სამეცნიერო ან პროფესიული ჟურნალის/ კრებულის სარედაქციო კოლეგიის წევრობა

საერთაშორისო ორგანიზაციის მიერ მხარდაჭერილ პროექტში/გრანტში მონაწილეობა

სახელმწიფო ბიუჯეტის სახსრებით მხარდაჭერილ პროექტში/ გრანტში მონაწილეობა

პატენტის ავტორობა

უფლება ქართულ ან უცხოურ სასაქონლო ნიშანზე, სასარგებლო მოდელზე

საქართველოს მეცნიერებათა ეროვნული აკადემიის ან სოფლის მეურნეობის აკადემიის წევრობა

საერთაშორისო პროფესიული ორგანიზაციის წევრობა

კონფერენციის საორგანიზაციო/ საპროგრამო კომიტეტის წევრობა

ჯილდო ეროვნული/ დარგობრივი პრემია, ორდენი, მედალი და სხვ.

საპატიო წოდება

მონოგრაფია

სახელმძღვანელო

სტატია მაღალ რეიტინგულ და ადგილობრივ ჟურნალებში

პუბლიკაცია სამეცნიერო კონფერენციის მასალებში, რომლებიც ინდექსირებულია Web of Science-ში და Scopus-ში