Таким образом можно предположить, что первичным источником знаний интеллектуальной системы всегда служит и продолжает оставаться деятельность человека как субъекта познания. Это предположение отвечает так называемой гипотезе слабого искусственного интеллекта [10]. Систематизация знаний, их интерпретация и подготовка для переработки интеллектуальной системой является одной из задач инженерии знаний [7].
Инженерия знаний как методология проектирования интеллектуальной системы медиаробота
Инженерия знаний -- синтетическая дисциплина, которая возникла на пересечении методов системного анализа, информатики и когни- тологии (cognitivescience), благодаря чему она соединила в своей методологии черты номотетического и идеографического подходов. На данном этапе своего развития инженерия знаний служит технико-теоретической базой для моделирования знаний и конструирования интеллектуальных систем. Претендующая на роль её естественнонаучного основания когнитология является областью исследований, содержащей много нерешённых проблем. Она развивалась относительно независимо, начиная с середины 1970-х годов [11]. Поэтому при создании интеллектуальных систем «инженер по знаниям» (синонимы: аналитик, когнитолог) часто сам испытывал (и продолжает ипытывать) дефицит знаний в области фундаментальных законов, управляющих мышлением. Для компенсации неопределённости аналитик часто был вынужден прибегать к эвристическим приёмам решения проектных задач.
Одну из базовых компетенций аналитика составляет оптимизация методов преобразования знаний в машинную форму представления. Как полагает один из видных специалистов по искусственному интеллекту Э. Фейгенбаум [12], центральным принципом инженерии знаний служит тезис Ф. Бэкона о заключённой в знаниях силе. Поэтому интеллект медиаробота в первую очередь определяется его базой знаний и уже во вторую -- алгоритмами их переработки. Соответственно, основанные на знаниях алгоритмы, или методы решения задач, в искусственном интеллекте принято относить к «сильным» методам, т.е. основанным на богатой эмпирической базе, в отличие от «слабых» методов, основанных на эвристиках, опирающихся на метод сплошного перебора.
Собственно знания в контексте неклассической эпистемологии также делятся на две категории -- эксплицитные и имплицитные знания [13]. Эксплицитные знания могут быть записаны в нотации тех или иных знаковых систем. Для их анализа существуют хорошо разработанные приёмы, например, текстологические. Имплицитные (личностные) знания закодированы в памяти экспертанеявно. Выбор стратегии для извлечения знаний, их вербализации и структурирования является не только одной из центральных задач аналитика, но и современного гуманитарного знания в целом. Сегодня основным средством решения этих задач остаются методы структурной коммуникации. От степени полноты и корректности представления имплицитных, или неявных знаний зависит уровень антропоморфности социального и языкового поведения робота.
Помимо указанной категоризации знаний применяется и другая категоризация, основанная на степени формализации знаний. Сведения о социальных фактах, составляющие смысл новостного дискурса, относятся к категории слабо формализованных, «мягких» знаний. Для их извлечения из памяти эксперта и передачи в базу знаний системы эти сведения подвергаются процедурам трансформации. Они служат для перевода неявных знаний с естественногоязыка описания на искусственный язык, близкий к внутреннему (искусственному) языку машины.
Наиболее важную роль играют следующие трансформации. Во- первых, это неформальная процедура извлечения закодированных в памяти знаний. Процедура извлечения в настоящее время считается наиболее узким местом в построении базы знаний. Это вызвано тем, что технология извлечения вынуждена избегать жёстких методов экспертизы из-за риска искажения смысловых связей имплицитных знаний эксперта. Поэтому степень формализации имплицитных знаний на шаге извлечения невысока -- она ограничена частным тезаурусом эксперта.
Другим важным шагом процесса подготовки знаний для машинной обработки является формирование так называемого поля знаний -- условного описания основных объектов проблемной ситуации, их свойств и отношений. Поле знаний -- это модель ситуации, выраженная на языке спецификации знаний -- вспомогательном языке аналитика. Смешанная нотация является его наиболее характерной чертой. Она включает как буквенно-цифровые символы, так и иконические знаки (пиктограммы, графику и др.). Этот язык занимает промежуточный уровень абстракции между естественным и формальным математическим языком.
Выбор или разработка языка описания «мягких» знаний в значительной мере определяется опытом аналитика. Официальные проекты универсальных языков данного типа широкого применения пока не нашли. Как полагают, хорошим приближением к такому языку может стать язык семиотического моделирования, который занимает одно из центральных мест в прикладной семиотике [14].
Своей универсальностью семиотические модели обязаны пластичности языка условных знаков инженерной и когнитивной графики (схем, иконических знаков, графиков и т.д.). Похожие обозначения находят все более широкое применение и в медийной практике в виде языка инфографики. Благодаря этому удаётся строить эффективные нотации, оптимально сочетающие гибкость и строгость со смысловой прозрачностью, интуитивной ясностью и др. Математический аппарат исчислений, например, формальный логики, таким набором качеств не обладает. Нередко на завершающем шаге трансформаций это становится причиной отказа в пользу менее точных, но более гибких языков описания экспертных знаний.
Медиаробот в контексте
концепции фреймов
Завершающий шаг создания базы знаний состоит в переводе свода знаний на конкретный язык представления в базе знаний робота. Одним из ранних подходов к представлению знаний стал предложенный Марвином Минским ещё в 70-х годах ХХ века язык фреймов Марвина Минского [15], а также сетевые модификации и обобщения этой модели. Эти идеи легли в основу современной методологии объектноориентированного программирования, позволившей улучшить ясность компьютерных программ [16].
Важным стимулом к созданию концепции «фрейма знаний» стали исследования по гештальтпсихоло- гии. Фрейм -- это условный каркас, который отражает, по крайней мере, концептуально, блочную организацию памяти человека. В инженерии знаний фреймами также называют абстрактные образы стереотипов восприятия, например, «стадион», «команда», «состязание» и др. Термином «фрейм» также обозначают и знаковую модель для формализованного представления ментального образа.
Типовую структуру фрейма можно представить в виде поименованногосписка ячеек (слотов), который содержит пары (<имя свойства> : <значение свойства>). Такую абстрактную структуру называют фреймом-образцом. Он имеет вид текстового шаблона
{<Имя фрейма> :
(<свойство 7> : <значение 7>);
(<свойство 2> : <значение 2>);
(<свойство п> : <значение п>)}.
При формировании базы данных в пустые ячейки шаблона фрейма- образца заносятся данные о свойствах предметной области. Заполненный фрейм-образец превращается во фрейм-экземпляр, который описывает текущее состояние конкретной новостной истории, например, спортивного состязания:
{<Чемпионат мира по футболу> :
(<место проведения> : <Россия>); (<год проведения> : <2018>); (<участник> : <Германия>);
(<игрок> : <Платтенхардт>); }.
Фреймы допускают объединение в сети, позволяющие строить иерархические модели знаний. Элементом сети фреймов, например, может быть спортивный профиль игрока
{<Игрок> :
(<фамилия> : <Платтенхардт>); (<имя> : <Марвин>);
(<возраст> : <26>);
(<рост> : <181>);
(<специализация> : <защитник>)}.
Фреймы зарекомендовали себя как универсальные, гибкие и наглядные модели представления стереотипных новостных историй. В частности, интеллектуальные системы на основе фреймов оказались вполне эффективными в практике роботизации новостных агентств, несмотря на то, что они отражают лишь поверхностную макроструктуру потока новостей -- на уровне грамматики текста [17].
Технология естественного языка в интеллектуальной системе медиаробота
Для моделирования глубинных явлений речевой деятельности, протекающих на уровне грамматики естественного языка (ЕЯ), существует специальный класс алгоритмов и моделей, носящий название технологии ЕЯ. Технология ЕЯ позволяет системе воспроизводить когнитивные процессы создания и понимания контента более точно, чем техника фреймов. Оснащение системы технологией ЕЯ открывает возможности речевого общения с роботом, по крайней мере, в рамках узкопрофессиональной лексики -- онлайн анализа информации, самообучения робота и ряда других когнитивных функций. В перспективе, вероятно, лидерство перейдёт от технологий ЕЯ к технологиям самообучения, т.к. именно эта «способность» машины позволит имитировать фундаментальное свойство человеческого мозга -- нейропластичность.
Дополнив традиционную речевуюпрактику генерации новостных сообщений алгоритмической, технологии ИИ открыли путь к радикальной модернизации системы дискурса. Считается, что она перераспределит роли, права и обязанности между акторами и медиароботами с разной степенью их автономии от социального контроля.
Уровень достижений в исследовании ИИ ещё не позволяет строить роботов с высокой степенью социального интеллекта и ответственности, способностью к самообучению и самостоятельной переработке текстов на уровне полного ЕЯ. Поэтому даже вербальный «интеллект» медиароботов сужен до уровня, так называемого ограниченного ЕЯ. Его характеризует низкое лексическое и грамматическое разнообразие, а также отсутствие высоких требований к стилю изложения и глубине логических выводов [18].
Язык новостей по мнению ван Дейка [17] доставляет типичный пример такого сужения, отвечающего возможностям современных технологий ЕЯ. Он охватывает информационные ниши повторяющихся проблемных ситуаций -- события спортивной, финансовой и криминальной жизни и др. В сводках новостей обычно используются устоявшиеся грамматические формулы (штампы). Они имеют чёткую смысловую структуру и сравнительно легко поддаются алгоритмизации. Это резко упрощает моделирование сценариев дискурса для их воспроизведения машиной. В общем случае такая задача сводится к замене языкового механизма генерации естественных речевых форм системой алгоритмов. Примеры таких «автоматических сообщений», сгенерированных машиной, уже вошли в повседневную практику информационных агентств, в России -- это Интерфакс и ТАСС.
Интеллектуальная система медиаробота как цифровая модель общего интеллекта
Вопросы алгоритмической (машинной) имитации устной и письменной речи разного уровня сложности, вплоть до речи поэтической, как одни из ключевых проблем теории ИИ поднимались ещё Норбер- том Винером [19]. Они исследуются теоретически и экспериментально более полувека. Так как интеллектуальная система медиаробота по своим внешним характеристикам в идеале должна приближаться к разуму человека, то эффективное применение частных технологий ИИ дополняется минимальным набором функций «общего интеллекта». Так, технология ЕЯ интегрируется в медиаиндустрии с другими интеллектуальными системами -- базами знаний, машинным обучением, машинной аналитикой и др.
Хотя разработчики интеллектуальных систем не ставят конечной целью создание копирующих мышление автоматов, многие исследования ИИ сосредоточены на попытках понимания когнитивных основ человеческого разума. Сегодня общий интеллект человека продолжает оставаться единственным критерием для оценки интеллектуальных действий. Важной эмпирической предпосылкой его понимания, которое необходимо для развития теории интеллектуальных систем, станут, вероятно, количественные модели общего интеллекта. Попытку создания такой модели представляет популярная в когнитивной психологии, но мало освещенная в области информатики, двухфакторная модель общего интеллекта Кэттелла -- Хорна [20]. На сегодняшний день это наиболее разработанная полевая модель интеллекта. Она создана на основе анализа достаточно представительной выборки психометрических данных. Авторам модели удалось выделить две устойчивые формы общего интеллекта, отвечающие за разные когнитивные функции. Так, кристаллизованная (консервативная) форма интеллекта отвечает за накопленный в течение жизни индивида стратегический запас знаний, решение типовых задач классическими методами и т.п., в то время как подвижная (гибкая) форма интеллекта -- за такие приспособительные функции, как количественное мышление, решение тактических задач, адаптацию к новым условиям и т.п. Признаки этих эмпирических форм, прослеживаются в теоретических основаниях искусственного интеллекта [21], классификации знаний на процеду- ральные и декларативные, а также в архитектуре программ интеллектуальных систем медиароботов.
Выводы
1. Роботизация производства новостного дискурса стала объективным трендом в развитии медиасистем ХХ! века. В связи с этим наблюдается рост удельного веса технологий искусственного интеллекта в роботизированном производстве контента, что приводит к заключению о рождении новой отрасли медиаиндустрии XXI века -- роботожурналистики. Эта тенденция постоянно усиливается в контексте долгосрочного программного требования «медиатизации всего» [22]. Его воплощение ведёт к слиянию интеллектуальных ресурсов человека и машины, вплоть до полного поглощения роботом ряда трудовых функций человека. Программа интеллектуальной медиатизации означает глубинную реконструкцию производственных отношений внутри институтов медиа.