Г. Р. Громов АВТОФОРМАЛИЗАЦИЯ  ПРОФЕССИОНАЛЬНЫХ   ЗНАНИЙ  

«Микропроцессорные средства и системы», # 3 1986,c. 87

3) робот выполняет любое указание человека в тех случаях, когда это не противоречит первым двум законам.

Понятно, что эксплуатация программ, полученных методами автоформализации профессиональных знаний, допустима лишь в рамках “третьего закона робототехники”. Обеспечить безусловное выполнение “первого закона” и, по возможности, снизить риск нарушения “второго” — это профессионально выполняемая с максимально достижимым уровнем строгости задача “программирования на заказ”.

Вернемся к “транспортной задаче”. Пусть в цехе с многоуровневой системой автоматизации производственных процессор необходимо запрограммировать траекторию движения транспортного робота так, чтобы В условиях частой сиены маршрутов движения и одновременной работы большого числа таких роботов время простоя станков в ожидании доставляемых заготовок было бы минимальным. Предположим также, что до введении системы “сплошной автоматизации” в цехе работали электрокары с опытными водителями, которые исключали простой оборудования.

Иными словами, мы снопа возвращаемся к задаче об “охотнике”... Только начать теперь надо будет с проверки выполнения первых" двух “законов Азимова”. Транспортный робот должен быть предварительно обеспечен аппаратно-программными средствами “нижнего уровня”, которые полностью исключают возможность совершить наезд на человека, на какое-либо цеховое оборудование, столкновение роботов и т.д. В рамках тех возможностей управления движением, которые остаются после выполнения “условий безопасности”, объектно-ориентированная программ-ная система предоставляет водителю электрокара необходимые средства, чтобы экспериментировать с прокладкой маршрута, например, в режиме компьютерной игры.

Пусть в первом варианте такой программы робот успешно проходит маршрут лишь в 40 % случаев. Это значит, что в первом приближении 70 % ранее существовавшей численности водителей смогут теперь обеспечить тот же поток деталей, которые они раньше доставляли всей бригадой (предполагая, что 10% будут теперь заняты лишь тем, чтобы находить и возвращать в точку старта “заблудившихся роботов”). Когда программа будет дополнительно усовершенствована и вероятность того, что робот не сойдет с оптимального маршрута, достигнет, скажем. 60%, это будет означать, что может быть высвобождена почти половина водителей и т. д.

Последний пример нам потребовался, чтобы еще раз подчеркнуть: разработанная в режиме персональных вычислений программа должна оцениваться по совершенно иным критериям, чем профессионально создаваемый на заказ “программный продукт”, потребительская ценность которого вообще не может обсуждаться до получения “сертификата” о безошибочном прохождении комплекса узаконенных тестов. С другой стороны — продукт автоформализации профессиональных знаний часто оказывается локально полезным еще задолго до окончательной доводки соответствующей программы. Более того, для многих из такого типа программ сама по себе постановка задачи на достижение близкого к 100 % уровня надежности может оказаться экономически просто бессмысленной, в то время как программа, которая надежно “срабатывает” даже менее, чем в половине практически интересных случаев, может дать весьма ощутимый прирост производительности труда на автоматизируемом рабочем месте.

Разные задачи, разные технологии, разные области приложений и, как следствие, принципиально различные критерии качества процесса формализации профессиональных знаний.

Понятие формализации наполняется, таким образом, новым “инструментальным” смыслом и далеко выходит за те жесткие дедуктивно-логические рамки, в которых оно сформировалось за первые 25 веков развития доминирующей сегодня “античной ветви” науки математики.

Успех или неудача акта формализации знаний все более нередко определяется не уровнем его логической доказательности, а принципиально иными “прагматическими” критериями (например, как показано выше, это могут быть... экономические критерии). Иными словами, с расширением областей приложений ЭВМ  типичными становятся ситуации, когда традиционно неразрывная со времен “программы математизации знаний Пифагора из Самоса” концептуальная связь двух фундаментальных  понятий: формализация и логическая доказательность — не сохраняется.

Именно это обстоятельство к имелось в виду, когда мы отмечали выше, что с массовым переходом к технологии автоформализации знаний трансформируется само понятие  - формализация.

Инверсная “триада”

Профессионал в данной предметной области, как правило, знает, как найти верное решение практически н любой конкретной ситуации, которая может возникнуть в ходе реального производственного процесса, однако не знает и, видимо, не может знать, какие именно рабочие ситуации н в какой последовательности сложатся на очередной “трассе решений”.

Главное внешнее отличие режима “персональных вычислений" от традиционных методов программирования заключается поэтому .в том, что к моменту пуска первого варианта программы ее автор не может быть уверен  в том, что знает верный путь решения. Все, чем он располагает,— основанная на профессиональном опыте уверенность, что выход из любой конкретной ситуации будет найден непосредственно в контексте решения (“по месту”). В значительной степени с этим обстоятельством и связана принципиальна я сложность формализации интуитивно, видимо, существующих решений “слабоструктурированных” задач. Непреодолимая, как правило, трудность на пути формального описания такого типа задач — необходимость учета слишком большого числа факторов. Относительный вес этих факторов меняется от реализации к реализации заранее непредсказуемым образом... Именно это последнее обстоятельство ограничивало до сих пор возможность использования в решении на ЭВМ такого типа прикладных задач стандартной последовательности этапов: математическая модель, алгоритм, программа (типовая “триада” решения).

Моделирование предлагает, как известно, возможность предварительного выделения из большого числа факторов, реально влияющих на решение любой практической интересной задачи, относительно небольшого числа наиболее важных. Это н позволяет абстрагироваться при изучении математической модели от сложности всего остального “окружения” реаль-ного мира. Понятно, что в задачах, где априори невозможно выполнить разделение большого числа переменных на “существенные” и “несущественные”, не может быть использован этот традиционный механизм абстракции. Приходится либо искать какие-то другие подходы к решению прикладной задачи, либо ... объявить такие задачи “донаучными” (выбор удобных здесь эпитетов необычайно богат), т.е. закрыть проблему старым, как мир, и поэтому безупречно надежным приемом — “зелен виноград”...

Альтернативный подход — автоформализация профессиональных знаний— позволяет, при необходимости, вернуться к математическому исследованию автоматизированного средствами персональных вычислений производственного процесса. В ряде случаев оказывается возможным использовать машинную выдачу текста созданной “непрограммирующим профессионалом” программы для реконструкции по ней хотя бы самых общих контуров неосознанно используемого автором алгоритма управления. При этом может быть сделана попытка использовать “восстановленный” алгоритм как базу для создания методами технологии программировании “на заказ” более эффективной по машинным ресурсам програм-

«Микропроцессорные средства и системы», # 3 1986,c. 87