Детальная информация

Актуальность исследования. Обусловлена кризисом современных нейросетевых парадигм, связанным с их низкой объяснимостью, высокой ресурсоёмкостью и уязвимостью. Возврат к оптимизированным символьным методам в рамках гибридных моделей (третьего поколения ИИ) рассматривается как стратегический путь развития. Работа направлена на преодоление «бутылочного горлышка» приобретения знаний и оптимизацию классических алгоритмов символического ИИ за счёт использования современных вычислительных мощностей. Научная новизна. Заключается в разработке вероятностной метрики эффективности, адаптированной для инкрементального диалогового контекста, и создании оптимизированного алгоритма продукционного вывода, который использует эту метрику для адаптивного выбора следующего признака на каждом шаге. В качестве базового языка программирования выбран Scheme (диалект Lisp) в реализации Gambit Scheme. Этот выбор обусловлен с мощными средствами для обработки символьной информации, функциональной парадигмой и гомоиконичностью, что обеспечивает концептуальную чистоту и выразительность [1, 10]. Архитектура системы. Включает модуль базы знаний (представленной в виде иерархической семантической сети на S-выражениях), модуль продукционного вывода и модуль расчёта вероятностной метрики. Система поддерживает интерактивный диалог с пользователем и инкрементальное обучение. Разработанные методы могут быть применены в прикладных областях, требующих эффективной и объяснимой классификации: медицинской диагностике, технической экспертизе, клиентских сервисах, управлении космическими аппаратами. Система демонстрирует потенциал в качестве символьного ядра гибридных нейро-символических архитектур третьего поколения ИИ.

Relevance of the study. Due to the crisis of modern neural network paradigms associated with their low explainability, high resource intensity and vulnerability. The return to optimized symbolic methods within hybrid models (third generation AI) is seen as a strategic development path. The work is aimed at overcoming the "bottleneck" of acquiring knowledge and optimizing the classic algorithms of symbolic AI through the use of modern computing power. Scientific novelty. It consists in developing a probabilistic performance metric adapted for an incremental dialog context, and creating an optimized production inference algorithm that uses this metric to adaptively select the next feature at each step. Scheme (Lisp dialect) was chosen as the basic programming language in the Gambit Scheme implementation. This choice is due to powerful tools for processing symbolic information, a functional paradigm and homoiconicity, which provides conceptual purity and expressiveness. System architecture. It includes a knowledge base module (represented as a hierarchical semantic network on S-expressions), a production output module and a probability metric calculation module. The system supports interactive dialogue with the user and incremental training. The developed methods can be applied in applied areas that require effective and understandable classification: medical diagnostics, technical expertise, client services, spacecraft control. The system shows potential as a character core of third generation AI hybrid neuro-symbolic architectures.