Консультационные системы в юридической деятельности

8.1. Основные концепции моделирования рассуждений

Информатизация общества, развитие кибернетики и компьютерных технологий привело к возникновению новой междисциплинарной отрасли – правовой информатики. В рамках правовой информатики осуществляется синтез данных юридических и прочих – технических, естественных, гуманитарных наук.

Первые компьютеры были названы ЭВМ не случайно: они были предназначены для вычислений. Однако вычисления позволяют решить только малую долю задач – основную часть человеческой деятельности составляют не расчеты, а рассуждения, поиски путей достижения поставленной цели. Такая деятельность называется интеллектуальной. Естественно, что информатики попытались создать программы, способные к интеллектуальной деятельности – искусственный интеллект.

Существует много определений этого понятия. Одним из определений можно считать тест Тьюринга (рис. 8):

«Испытатель через посредника общается с невидимым для него собеседником – человеком или системой. Интеллектуальной может считаться та система, которую испытатель в процессе своего общения не может отличить от человека».

Рисунок 8. Тест Тьюринга. Испытатель пытается определить, находится ли в «черном ящике» человек или техническое устройство.

Другое определение – более конкретное.

Искусственный интеллект ­– информационная система, способная к дедуктивному выводу, т.е. к генерации информации, которая в явном виде не содержится в системе.

Краткая историческая справка

Первые исследования, относимые к искусственному интеллекту, были предприняты почти сразу же после появления вычислительных машин. В 50‑е годы начались исследования по автоматическому переводу текстов (как вы знаете, эта проблема не решена до сих пор). В 1957 году Розенблат предложил устройство по распознаванию образов – персептрон, положивший начало разработкам множества других подобных устройств. Тогда же попытались создать машину, играющую в шахматы.

Все алгоритмы сводились к перебору возможных решений и выбора лучшего результата. Чтобы уменьшить количество проб, использовали правила отбрасывания части вариантов. Постепенно исследователи стали понимать, что для эффективной работы программа должна иметь знания в соответствующей области. Это понимание, возникшее в начале 70-х годов, по существу, означало качественный скачок в работах по искусственному интеллекту.

Как вы помните, человеческий мозг хранит не только информацию, но и знания.

Знание – осознанное понимание и толкование информации с учетом путей наилучшего ее использования для достижения конкретных целей.

В процессе принятия решений человек использует разные формы мышления. Среди них можно выделить вербальные (их можно сформулировать) и невербальные. Вербальные формы мышления используют накопленные знания. Невербальные формы могут опираться на опыт, интуицию, инстинкт и пр.

Искусственный интеллект использует только вербальные формы. Поэтому во многих предметных областях эксперты принимают решения лучше, чем компьютер.

Исследования в области искусственного интеллекта ведутся в нескольких направлениях:

представление знаний (создание баз знаний, формализация специальных знаний);

манипулирование знаниями (обучение ИС методом использования знаний);

общение (понимание речи, текстов, ведение диалога, генерация музыки, стихов);

восприятие информации (распознавание образов: анализ зрительной, акустической, тактильной информации, распознавание запахов);

обучение ИС решению новых задач, с которыми она еще не сталкивалась;

создание моделей поведения (ситуационного, целесообразного и т.д.)

Уже к середине 70-х годов появляются первые прикладные интеллектуальные системы, использующие различные способы представления знаний для решения задач – экспертные системы.

Экспертная система – человеко-машинный комплекс, основанный на профессиональных данных специалистов соответствующей сферы, имеющий внутреннюю логику и способный генерировать решения по существу рассматриваемой проблемы.

Хотя экспертные системы всегда жестко связаны с предметной областью, структура всех экспертных систем одинакова (рис. 9):

1) контур накопления и обработки знаний для формирования базы знаний (КП); 2) база знаний, на основе которой принимается решение (БЗн); 3) база данных (БД); 4) система обработки запроса пользователя (ОЗ); 5) система объяснений, которая с разным уровнем детализации объясняет, на основе каких рассуждения получен результат (СОб); 6) интерфейс пользователя (ИП).

Рисунок 9. Структура экспертной системы.

Формирование базы знаний происходит в процессе совместной работы эксперта – узкого специалиста в области права, и инженера знаний. Последний должен в процессе интервьюирования эксперта формализовать его опыт и знания для дальнейшего ввода в программу. Сложность задачи заключается в том, что человек не всегда может логически объяснить свое решение, принимая его за интуицию. Методики когнитивной психологии позволяют разбить процесс принятия решения на простые составляющие.

В процессе или по результатам решения задачи пользователь может попросить объяснение или обоснование хода решения. С этой целью экспертная система должна предоставить соответствующий механизм объяснения. Объяснительные способности экспертной системы определяют возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя, как и почему получено решение или запрошены те или иные данные, система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически.

Существует несколько способов построения Базы знаний.

Продукционная модель (модель правил), наиболее распространенная в настоящее время. Модель состоит из цепочки правил

ЕСЛИ (а И б И в..) ТО (х ИЛИ у…)

Если высказывание в левой части правила истинно, истинно и высказывание в правой части.

Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.

Например, пусть в БЗн записаны следующие правила поиска неисправностей в бытовой технике

ЕСЛИ (отключено электричество) ТО (не работает электрический чайник И не работает телевизор)

ЕСЛИ (телевизор испорчен)
ТО (нет звука ИЛИ нет изображения)

ЕСЛИ (отключена вилка телевизора) ТО (не работает телевизор)

ЕСЛИ (не работает электрический чайник И не отключено электричество) ТО (электрический чайник испорчен)

ЕСЛИ (телевизор не работает)
ТО (нет звука И нет изображения)

Задаем системе

Факт 1 (В телевизоре есть звук, но нет изображения) И

Факт 2 (электрический чайник не работает).

ЭС строит логическую цепочку

Правило 1 à Правило 5 à электричество не отключено (промежуточный результат)

Правило 4 à испорчен чайник.

Заключение ЭС: чайник испорчен.

Объяснение ЭС: электричество не отключено, а чайник не работает.

Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а ценность одного невыводимого (нового, дополнительного) правила весьма высока. Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений результатов работы системы.

Основной недостаток продукционных экспертных систем — трудность обеспечения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий. Кроме того, время формирования итогового заключения может быть достаточно большим.

2) Фреймовая модель. Сравнительно новая модель представления знаний.

Фрейм — это минимальная структура информации, необходимая для представления знаний о классах объектов, явлений, ситуаций, процессов и др. Фрейм состоит из узлов и отношений.

Фреймы связаны друг с другом. С помощью фреймов можно моделировать знания о самых разнообразных объектах предметной области — важно лишь, чтобы эти объекты составляли класс стереотипных объектов, процессов и т.п. Примерами стереотипных жизненных ситуаций могут служить собрание, совещание; сдача экзамена или зачета; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др. Примеры стереотипных понятий: алгоритм; действие; методика и др. Понятия права по своей природе стереотипны. На рис. 10 показан пример фрейма Понятие для понятия Право. Этому фрейму соответствуют 4 слота. Для каждого слота есть набор значений, которое он может принимать.

Кто имеет права? – Гражданин.

Какие виды прав он имеет? – Конституционное, гражданское, избирательное, земельное и т.д.

На что распространяются права гражданина? – право на вещь/право на действие

Существуют правила связи слотов между собой. Фрейм Право имеет слот Избирательное право. Он связан с соответствующим Фреймом «Избирательное право». Фрейм «Избирательное право» будет иметь слоты

Возраст? (> 18)

Пол? (м, ж)

Гражданство? (РФ)

Болезнь? (кроме психических)

судимость? (отбывает наказание)

При запросе слоты с одинаковыми значениями активизируются, из них поступает информация и формируется ответ на запрос

Соответственно, Фрейм «Иванов» будет иметь конкретные значения слотов: 16 лет, мужской, РФ. Соответственно, следует, что он не имеет права избирать…

Рисунок 10. Фрейм со слотами.

Одной из первых была создана экспертная система DENDRAL, разработанная в Станфордском университете и предназначенная для порождения формул химических соединений на основе спектрального анализа. В настоящее время DENDRAL поставляется покупателям вместе со спектрометром.

Система PROSPECTOR прогнозирует залежи полезных ископаемых. Имеются сведения о том, что с ее помощью были открыты залежи молибдена, ценность которых превосходит 100 миллионов долларов. Система оценки качества воды, реализованная на основе российской технологии SIMER + MIR несколько лет назад, определила причины превышения предельно допустимых концентраций загрязняющих веществ в Москве-реке в районе Серебряного Бора.

В настоящее время разработка и реализация экспертных систем из научных разработок превратилась в самостоятельную инженерную область.

Большую роль ЭС играют в правоприменительной практике.

ЭС широко используются ФБР, Полицейским управлением Японии. В Европе приняты специальные программы внедрения ИС в правовую сферу.

ЭС отнесены к основным компонентам информационной инфраструктуры Генеральной прокуратуры РФ.

2. Задачи обработки естественного языка.

Это направление связано с разработкой систем поддержки речевого общения, c решением проблем уточнения запроса в информационных системах, с задачами сегментации текстов по тематическим топикам, с задачами управления диалогом, с задачами анализа естественного языка с использованием различных эвристик. По-прежнему актуальны обучения контекстному анализу текста, задачи приобретения знаний интеллектуальными системами и извлечения информации из текстов. Важнейшей задачей в процессе извлечения информации, как, впрочем, и в процессе приобретения знаний, является минимизация роли эксперта – участника процесса.

Важность этого направления нельзя недооценивать. Причина тому - возрастание потоков текстовой информации, существующий социальный заказ на поиск релевантной информации, на анализ текстовой информации, на извлечение данных из текстов. Таким образом, значение методов автоматического анализа текстов будет в дальнейшем возрастать.