24(5).1. Пространство целей как множество знаний суггестивной угрозы

Исследуя суггестивные воздействия, мы тем самым исследуем пространство скрытых целей.

Изучая какую-либо ситуацию или незнакомый объект, исследователь опирается на аналогии, понятные хотя бы ему самому. Для того, чтобы привычнее было продвигаться вперед, определим множество целей информационной системы в качестве базовых элементов суггестивного пространства информационной системы. После чего установим соответствующие метрические отношения на этом пространстве.

Но прежде чем поступить так, имеет смысл дать хотя бы краткое содержательное наполнение понятию «цель» (более подробное исследование проблемы цели см. в [78]).1

Как уже говорилось выше, суггестивное воздействие это воздействие по формированию у информационной обучающейся системы неосознаваемых, скрытых целей, но включенных в общую схему целеобразования и реализации целей.

Для исследования процессов целеобразования и развития скрытых целей необходимо, чтобы в модели присутствовали такие понятия как цель, скрытая цель, реализованная цель.

Предлагается в качестве базовой основы для создания средств моделирования процесса целеобразования и реализации цели опираться на какой-либо из формальных языков, обладающий такой структурой, в которой названные выше ключевые понятия могли бы фигурировать в качестве базовых элементов. Таким языком, пусть не идеальным, но вполне приемлемым после некоторой доработки, может стать язык искусственного интеллекта Пролог.

Напомним, что Пролог допускает три вида выражений: факты, правила, вопросы (цели).

Программа на языке Пролог — это текст, содержащий факты и правила. Текст этот становится процессом (начинает себя реализовывать), если сформулирован вопрос, т.е. определена цель (любой хаос во входных данных для информационной самообучающейся системы является вопросом).

К сожалению, стандартный Пролог сегодня не позволяет по одному и тому же тексту сформулировать несколько взаимно противоречивых вопросов, параллельно корректирующих правила исходного текста программы.

Представим себе, что в нашей модели подобные ограничения отсутствуют, более того, наши правила могут самомодифицироваться, т.е. одно правило способно изменить другое, самого себя, и, естественно, правила способны изменять базу данных, ибо, как говорилось выше, доказанная взаимосвязь несуществующих событий становится законом, в данном случае ¾ новым правилом.

Более того, в базу данных постоянно поступают новые факты, которые будем называть входными данными.

Таким образом, мы имеем текст из правил и фактов, составляющих базу данных, и ряд вопросов (целей).

Далее утверждаем, что цель, будучи достигнутой, становится правилом.

Утверждаем, что в информационной самообучающейся системе постоянно происходит изменение фактов из-за постоянного притока входных данных. Подобное накопление неизбежно приводит к тому, что какое-либо правило может быть системой признано ошибочным, т.е. вполне допустимо, что в тексте возникнет правило, отрицающее данное правило. Будем считать, что ошибочные правила разрушаются, а тем самым превращаются в вопрос (цель).

Каждая цель, активизируя правила, пытается перестроить текст таким образом, чтобы стать достижимой, т.е. превратится в правило. Образно говоря, цели — это своего рода свободные, самостоятельные «гравитационные массы», искривляющие пространство правил.

Утверждаем, что вопросы рождаются не только гибнущими правилами, но и фактами, не нашедшими себе место в правилах1 .

Таким образом получается, что именно цели устраивают настоящую «битву» над полем текста, определяющим жизнь информационных систем, за возможность реализоваться, т.е. превратится в правило.

Чем закончится данное сражение? Какими характеристиками должна обладать цель, чтобы выйти победителем? Обратите внимание, что все это очень похоже на рост лазерных мод, о которых говорилось ранее: «...

А что в нашем случае может характеризовать эффективность той или иной цели?

Сразу напрашивается ответ — этим чем-то может быть:

· «процессорное» время, выделяемое каждой цели для обработки текста;

· «близость» правил и фактов, до которых цель сумеет «дотянуться».

Исследуем значимость обоих факторов. Понятно, что если алгоритм поиска правил и фактов не эффективен, то можно веками наблюдать как яблоко падает с дерева и не видеть закона, объясняющего происходящее. Тем более, что в случае наличия многопроцессорности (у каждой цели свой процессор, каждая цель — это и есть процессор) и параллельности выполнения, процессорное время уже вряд ли может быть характеристикой эффективности реализации той или иной цели. Подобная система параллельности выполнения имеет место при работе головного мозга. Тот процесс, с которым в данный момент мы ассоциируем свое «я», нами называется «сознанием», но все остальные процессы на это время никуда не исчезают, они также развиваются, правда, на т.н. подсознательном уровне. (Сознание в данной модели рассматривается как доминирующий информационный процесс самообучающейся системы). Получается, что в случае параллельности выполнения, факт активизации той или иной цели не может являться ресурсом, который надо делить, грубо говоря, «право на жизнь имеет каждая мысль». А раз так, то тогда из лежащих на поверхности характеристик процессов определяющими становятся:

— наличие в системе соответствующих правил и фактов;

— «близость» правил и фактов к данной цели. «Близость» в «искривленном» пространстве правил определяется в первую очередь эффективностью примененного в системе поискового алгоритма, который и искривляет пространство правил и фактов, стараясь сделать его «удобным» для каждой из существующих целей.

Проанализируем сказанное.

Наличие в системе необходимых для реализации цели правил и фактов зависит:

· от их действительного наличия, что связано с входным потоком данных и способностью системы воспринимать и обрабатывать этот поток;

· от приоритетности целей. Вполне возможно, что наиболее значимые цели, например безопасность системы, в интерпретирующем себя тексте расположены «наиболее близко» к значимому для системы потоку входных данных;

· от возможности одной цели использовать результаты другой цели, рассматривая ее в качестве подцели (дерево целей), что позволит при минимуме активности получить максимум результата «чужими руками». Для этого используемая подцель должна успеть превратиться в правило, т.е. реализоваться;

· от способностей выдавать черное за белое, т.е. от способностей поддерживать ложные факты в качестве истинных в течение времени достаточном для того, чтобы «процесс пошел».

Подведем итог.

Предложенная модель, которую в дальнейшем будем называть ЦПФ-модель (цель-правило-факт), включает в себя множество целей, правил и фактов. Правила, т.е. формализованные знания, могут рождаться в системе, путем превращения цели в правило, но могут и погибать в случае не соответствия другим правилам. По сути дела мы имеем прообраз самозарождающихся и саморазрушающихся структур (СР-сети), в которой формальные нейроны, рождаются и умирают.

Понятно, что для решения любой задачи от информационной системы требуются не только функциональные способности, направленные на достижение частных подцелей, как-то: забить гвоздь, съесть палочками рис и т.п., но и организаторские, заключенные в умении управлять (выбирать в каждом конкретном случае) собственными (е) функциональными (е) способностями (и). При этом процесс обучения системы заключается как в получении конкретных навыков по решению конкретных задач, т.е. в формировании функциональных способностей, так и в формировании структур, ответственных за процесс управления функциональными способностями, что в целом для системы не менее важно.

Предлагается следующее описание процесса функционирования ЦПФ-модели (рис. 4.3).

Рис. 4.3. Схема функционирования ЦПФ-модели в режиме самообучения.

Входные данные через устройства ввода информации самообучающейся системы поступают в "память-распределитель", которая на первом этапе представляет собой необученный участок Р‑сети, т.е. является вопросом. Вообще, любой несбалансированный (необученный) участок памяти является вопросом, ищущим ответа.

Можно выдвинуть и более сильное утверждение — любой хаос является вопросом! До тех пор пока информационная система не найдет какую-либо интерпретацию бушующему вокруг нее хаосу, этот хаос будет оставаться вопросом, целью, требующей ее достижения. Хаос — это приманка для любопытствующих, это приманка для исследователей, для научных работников.

Хаос — это вечная криптограмма, притягивающая к себе уже проинтерпретированные части схемы.

Входные данные, пройдя распределитель, поступают на вход/выход произвольных участков функциональной памяти, т.е. память распределитель ретранслирует обучающую выборку внешней среды. Функциональные участки выбираются произвольным образом в силу того, что сама память-распределитель необучена. Выходные данные с функциональных участков поступают обратно в память-распределитель, но уже в качестве требуемого результата, т.е. функциональная память становится учителем, хотя сама еще необучена. Однако она способна обучать тому, как надо распределять обучающую выборку внешней среды. Она способна показать, где должны быть расположены те самые дорожки на газонах. Это возможно потому, что функциональных участков много и какой-нибудь из них обязательно будет близок к правильному ответу. Под действием обучающей выборки память-распределитель превращается из вопроса в правило, согласно которого осуществляется распределение входной информации по всей самообучающейся системе. После чего уже начинается целенаправленная трансляция обучающей выборки на участки функциональной памяти.

В многопроцессорной системе обученная память-распределитель транслирует обучающую выборку сразу на несколько участков функциональной памяти. Образно говоря, входные данные, попав в систему, копируются в количестве достаточном для удовлетворения всех целей, «проглатываются» этими целями, встраиваются, превращая цель в правило, или отвергаются, не найдя себе места.

Что интересно, по близкому сценарию предполагается работа биохимического компьютера Адлемана [73].

Суть:

1. Реальные объекты отображаются в соответствующий набор произвольных последовательностей из нуклеотидов.

2. С учетом требований модели, используя соответствующий «клей», запускается процесс склеивания цепочек нуклеотидов. Для размножения цепочек используется метод Polymerase Chain Reaction, позволяющий синтезировать миллионы копий определенной последовательности по нескольким первым и последним нуклеотидам. В результате в «бульоне» формируется все множество возможных решений задачи. Осталось отобрать то, которое удовлетворяет ограничениям.

3. Известно, что под действием электрического тока молекулы различной длины двигаются с различной скоростью. Используя этот факт, из множества возможных решений отбираются те решения, которые соответствуют молекулам определенной длины.

Грубо говоря, работа подобного компьютера на третьем этапе напоминает работу золотоискателя, который вымывает золото из груды песка.

Возможно, что аналогичным образом осуществляет поиск ключа и сама природа, используя биосферу в качестве бульона, а людей в качестве нуклеотидов.

Понятно, что уже сегодня при наличии в лабораториях биохимических компьютеров говорить о надежной криптографии, ориентирующейся на NP-полные алгоритмы бессмысленно. Для решения криптоаналитической задачи на подобного рода биохимических компьютерах длина ключа практически не имеет значения. Таким образом, классическая вычислительная криптография с появлением названных средств приблизилась к своей могиле, куда ее в ближайшее время и уложат. Но останутся продолжатели ее дела: биохимический компьютер Адлемана и компьютерная стеганография.

Медленно, но верно человек в своих исследованиях и разработках в удобном для себя масштабе времени поднялся до принципов, применяемых природой в эволюционных процессах, в общем виде решающих задачу криптоанализа — поиска оптимальной формы жизни, и возможно поставил точку в развитии собственной классической криптографии.

Теперь попробуем перенести сказанное в логику работы нашей модели.

Итак, пусть в информационной системе вызрел конкретный вопрос. Ответить на него можно либо путем поиска доказательств, т.е. путем перебора известных правил и фактов по определенному правилу, либо попробовать упростить сам вопрос, т.е. выполнить следующее:

1) добавить в него интересующий факт таким образом, чтобы вопрос превратился в правило;

2) проверить истинность полученного правила путем применения его к уже известным примерам, если результат верен перейти к п.5, иначе к п.3;

3) устранить из полученного правила наиболее «мешающий» факт (уничтожить мешающий элемент), т.е. упростить вопрос (чаще всего этим мешающим фактом является вновь поступивший);

4) если правило изменилось и еще существует, то перейти к п.2, иначе завершить работу по данной цели;

5) зафиксировать вопрос в виде правила и завершить работу.

В том случае, если процесс обучения завершен не удачно, т.е. инициируемый вопрос (участок памяти) полностью уничтожен, начнется переобучение памяти-распределителя до тех пор, пока управление не будет передано на другой участок памяти.

С точки зрения самообучающейся системы, реализованной на принципе избыточности (можно считать, что природа поиск решения практически всех своих проблемы строит на этом принципе), придти к пониманию чего-либо, используя поиск доказательства через полный перебор вариантов, не всегда возможно в условиях ограниченного времени и традиционной вычислительной техники. Полный перебор всегда слишком длителен и утомителен и вряд ли может способствовать выживанию системы в тяжелых условиях внешней среды, где время нужной реакции во многом определяет способности системы по выживанию.

Не всегда у системы есть время для того, чтобы гоняться за «рыбой любимого сорта и любимого размера».

Надо дать рыбе возможность самой приплыть в нужное время в нужное место.

В этом случае задача заключается только в нахождении соответствующего знания в самом себе.

А это знание, с той или иной степенью точности всегда имеет место быть (в силу огромной избыточности природы).

Сказанное выше, пока еще рано применять к современным техническим системам, в которых каждый элемент на счету. Но вот что касается живой природы, то она скорее всего строит свои процессы познания именно отталкиваясь от избыточности.

В предложенном алгоритме явно просматривается стремление самообучающейся системы к минимальности, т.е. к избавлению от бесполезных (лишних) аксиом, фактов, правил вывода.

ЦПФ-модель позволяет дать объяснение так называемому интуитивному знанию, когда человек мгновенно приходит к пониманию чего-либо, а на логическое обоснование объяснения уходят годы и годы, так как логическое обоснование требует осознания процессов, в том числе неосознанных ранее, которые и позволили получить результат.

Вернемся к формальному описанию модели.

Проведем условное разделение нашей программы (модели) на два блока в соответствии со схемой рис.4.3.

Первый блок реализует работу памяти-распределителя, назовем его блоком распределения, а второй — функциональной памяти — функциональным блоком.

Согласно описанной схемы в ходе обработки входных сообщений в каждом блоке в качестве базовых должны быть реализованы функции, ответственные за:

1) синтез цели из имеющихся в системе фактов;

2) синтез поступившего на вход факта с имеющейся у системы целью. Результатом операции синтеза становится правило. Данная функция предназначена для превращения вопроса в правило;

3) поиск некорректностей в заданном правиле, например, поиск в тексте его отрицания. В случае нахождения, происходит перевод правила в разряд вопросов. Результатом выполнения функции является вопрос. Данная функция предназначена для уничтожения взаимоисключающих правил и «превращения» их в вопросы;

4) выделение факта в правиле, который больше других мешает признавать данное правило истинным. Результатом применения данной функции становится факт;

5) упрощение правил. Данная операция применяется для установления истинности правила, путем исключения из него некорректных, «мешающих стать истинным» фактов;

6) проверку истинности правила.

В данном случае речь не идет о доказательстве функциональной полноты механизма самообучения системы, речь идет лишь о достаточности приведенных функций для перевода фактов в правила и обратно.

Различные комбинации названных шести функций позволяют создавать конкретные алгоритмы и программы, в ходе работы которых факты способны образовывать правила, «корректные» для заданной обучающей выборки, а правила превращаться в факты, если они становятся не угодными окружающей среде.

Процесс обучения по каждому входному сообщению считается завершенным, когда один или более вопросов превратится в правило или входное сообщение (факт) «потеряется», т.е. активизированные им цели вернутся в свое первоначальное состояние.

Возврат всех целей в первоначальное состояние говорит о том, что данную входную информацию система не способна «заметить» (осмыслить). Неспособность системы в определенном состоянии осознавать происходящее обозначим как проблему «невидимости».

Что же касается глобальных целей, то их определение скрыто в длинной последовательности событий (фактов), из которой любой информационной системе доступен лишь небольшой участок.

Поэтому система постоянно строит собственные модели и проверяет их истинность на фактах, которые ей становятся доступными. При этом, еще раз отметим, информационная самообучающаяся система отбрасывает или не «замечает» те из них, которые «грубо» противоречат построенной с таким трудом модели или никак не с ней не коррелируют.