Интеллектуальная робототехника Ч.3: концепция когнитивного обучения - интеллектуальный роботренажер

Наукоемкая ИТ («философии инженерного проектирования – System of Systems Engineering Ap-proach ») интеллектуальной робототехники, разработанная школой проф. С.В. Ульянова [1-10], аккумулирует и развивает результаты многих наукоемких ИТ, таких как технология искусственного интеллекта, нейрофизиологии в виде нейроинтерфейсов типа «мозг – компьютер – исполнительное устройство», робастное интеллектуальное когнитивное управление в условиях нештатных ситуаций, нанотехнологий в виде новых интеллектуальных материалов, квантового управления и нанороботов, ИТ интеллектуальных вычислений, технологии разработок новых алгоритмов и программного продукта типа квантовых алгоритмов и квантового программирования для проблемно-ориентированных роботов и мн. др.

Эволюция и развитие самой ИТ проектирования корректных моделей интеллектуальной робототехники, таким образом, зависит от перспективности и степени развития как собственных ИТ, так и многих смежных из перечисленных выше перспективных ИТ проектирования.

Ускоренное развитие ИТ в смежных областях и достижения отдельных компаний и университетов в разработке инновационных ИТ проектирования робототехники отразилось в прогнозировании и обосновании развития направлений работ, с одной стороны, и резком отставании образовательных программ университетов и колледжей при подготовке профессиональных кадров для таких ИТ, с другой стороны. Так, например, существует модель (см. рис. 1), предложенная компанией Gartner для прогнозирования и объяснения тенденций, связанных с появлением новых ИТ.

Рис. 1. Прогноз развития перспективных ИТ

Модель показывает, насколько перспективной является технология на основании степени интереса к ней со стороны общества и специалистов. Как правило, она используется при принятии решений об использовании той или иной технологии в бизнесе или инвестировании в бизнес, который использует эту технологию. Цикл представляет собой график кривой, на которой отображаются позиция технологии. На оси абсцисс отображаются этапы во времени, которые проходят технологии. На оси ординат – уровень ожиданий от этой технологии. Точка технологии на графике может принадлежать одному из пяти типов в зависимости от прогноза зрелости конкретной технологии.

Сотрудники американской консалтинговой компании Gartner выделяют следующие типы: меньше, чем через 2 года; от 2 до 5 лет; от 5 до 10 лет; больше, чем 10 лет; устарела до плато ( obsolete before plateau ). Любая технология циклически проходит этапы своей зрелости, от рождения до стабильного коммерческого внедрения:

• -    technology trigger ( Технологический триггер ). Технология зарождается. Начинаются обсуждения в среде специалистов с постепенной миграцией публикаций в общественную прессу. Некоторые технологии «умирают» на этой ступени.

• -    peak of inflated expectation ( Пик чрезмерных ожиданий ). Общественный ажиотаж приводит к чрезмерному энтузиазму и нереалистичным ожиданиям. Появляются первые компании, которые пробуют внедрить технологию. Как правило, неудачные, но, благодаря новизне, технология становится популярной и вызывает бурные обсуждения в социуме.

• -    trough of disillusionment ( Пропасть разочарования ). Выявляются недостатки технологии. В социуме отмечается разочарование технологией, связанное с несоответствием ожиданиям. Не все технологии могут преодолеть пропасть, оставаясь в ней на долгое время или навсегда.

• -    slope of enlightenment ( Склон просвещения ). Эффективный поиск решений проблем технологии. Технология преодолевает основные недостатки. Появляются первые коммерческие внедрения и стабильная аудитория. После успешных попыток и полученных результатов интерес социума начинает возвращаться.

• -    plateau of productivity ( Плато продуктивности ). Технология переходит из разряда новой в достоверно разработанную и подтвержденную на практике. Внедрение технологии можно повсеместно наблюдать в рамках её бизнес-домена. Общество воспринимает технологию как данное, осознавая её реальные преимущества и недостатки.

Прогноз развития перспективных моделей ИТ от компании Gartner на 2016 представлен на рис. 2.

Рис. 2. Перспективы развития ИТ на 2016 г.

На рис. 3, а, б показан анализ перспективных ИТ в области облачных вычислений и робототехники [11-14], соответственно.

(а)

(в)

Рис. 3. Развитие ИТ в области облачных вычислений (а), робототехники (б), автоматизации (в) и образовательных процессов (г)

Pla tea и will be reached In:                                                       obsolete

(б)

(г)

Основная критика предложенной фирмой Gartner модели связана с тем, что о перспективности технологии судят по количеству положительных и отрицательных упоминаний о ней в социуме, а не некоторых объективных критериях, отображающих действительную эффективность технологии. Использование этой модели накладывает риск на того, кто её использует, что и подтверждают небольшое количество неверных заключений самой компании Gartner , сделанных при помощи этой модели. В частности, Gartner ежегодно составляет «циклы зрелости технологий» – Gartner Hype Cycle , в которых прогнозирует темпы развития инноваций. Издание Startuplife.by показало, какие 10 трендов, по мнению Gartner , будут развивать прогресс в 2017 г. Например, кроме «цикла ажиотажа» Gartner собирает ТОП-10 технологий в трёх категориях. Каждый год технологии и циклы преимущественно разные. Так выглядит прогноз агентства Gartner на 2017 г.

TOP 10 Trends 2015-2017

2015	2016	2017
Merging the Real World and Virtual World	Digital Mesh	intelligent
Computing Everywhere	Device Mesh	Artificial Intelligence and Advanced Mactine Learning
The Internet of Things	Continuous & Ambient UX	Intelligent Apps
3D Printing	3D Printing Materials	Intelligent Tilings
Intelligence Everywhere	Smart Machines	Digital
Advanced, Pervasive and Invisible Analytics	Information of Everything	Virtual Reality and Augmented Reality
Context-Rich Systems	Advanced Machine Learning	Digital Twins
Smart Machines	Autonomous Agents&Things	Btockchains and Distributed Ledgers
The New IT Reality Emerges	New IT Reality	Mesh
Cloud/Client Computing	Adaptive Security Architecture	Conversational Systems
Software-Defined Applications and Infrastructure	Advanced Systems Architecture	Digital Technoiogy Platforms
Web-Scale IT	Mesh App & Service Architecture	Mesh App and Service Arclltecture
Risk-Based Security and Self-protection	loTArchitecture & Platforms	Adaptive Security Architecture

ИТ проектирования интеллектуальной робототехники, как отмечалось выше, по своей сути опирается на ИТ искусственного интеллекта (раздел Intelligent ), новые виды интеллектуальных и когнитивных вычислений, новые виды интеллектуального когнитивного управления типа нейроинтерфейсы «мозг – компьютер – исполнительное устройство» и др.

Если обратиться к графику на рис. 2 и 3, то видно, что к самым перспективным ИТ относятся в частности ИТ « quantum computing », « brain – computer interface », « affective computing », « smart robots », « machine learning », «autonomous vehicle», которые и составляют платформу интеллектуальной когнитивной робототехники, которые и были ранее заложены в структуру разработанного интеллектуального роботренажера.

Данный прогноз от Gartner можно в определенном смысле считать достаточно «запоздалым», так как ещё с 1996 г. перечисленные ИТ являются для групп проф. С.В. Ульянова в РФ, Италии, Японии и США предметом интенсивного исследования, и закреплены соответствующей интеллектуальной собственностью высшей категории в виде публикаций и патентов в США, странах ЕС, Китае и Японии (см., например, [1-9] и цитированную литературу).

Эволюция и синергетика ИТ в проектировании корректных моделей интеллектуальных робототехнических систем

Согласно прогнозу данные ИТ могут быть реализованы через 10 и более лет. Однако синергетический эффект, полученный группами проф. С.В. Ульянова на протяжении 37 лет в университетах СССР (МИРЭА и ФизТех, Москва), ИПУ, ИФТП и ИПМ АН СССР (Москва), Японии (University of Electro-Communications , Tokyo , Chofu ), Италии ( Milan University , Crema ) и США ( CA University , San Diego ), а также в R&D Centers ( ST Microelectronics &  Yamaha Motors Co ., Ltd .), от взаимодействия перечисленных выше ИТ в разработке ИТ проектирования интеллектуальной робототехники, дал положительный результат как в ускоренном развитии и разработке указанных ИТ, так и в реализации самой интеллектуальной робототехники.

Полученный синергетический эффект [10] намного опередил прогноз от компании Gartner и составил основу разработки ИТ модели интеллектуального роботренажера.

В частности, появилась возможность создать принципиально новую научно обоснованную платформу образовательного процесса в интеллектуальной робототехнике на основе нового вида интеллектуального самоорганизующегося роботренажера, учитывающий в учебном процессе опережение результатов разработки ИТ проектирования на базисе интеллектуальных вычислений и новых видов мехатроники.

В данном образовательном процессе обучающийся формирует свои активные знания за счет участия в создании новых видов мехатроники, алгоритмического обеспечения и программного продукта для интеллектуального когнитивного управления конкретного робота. В этом случае осуществляется извлечение новых знаний и обучающийся может непосредственно оценить приобретенные знания, сравнивая с предыдущими этапами, например, исследования и формирования БЗ самоорганизующегося нечеткого регулятора и т.п. Поэтому синергетический эффект самоорганизации знаний может быть проверен непосредственно математическим и физическим (натурным) моделированием на разработанном роботренажере.

Рассмотрим кратко концепцию построения интеллектуального самоорганизующегося роботре-нажера для когнитивного обучения проектированию интеллектуальной робототехники.