Zrozumienie zapytań i sygnałów

Ustawienie

Aż do około połowy lat 70. XX wieku menedżerowie DARPA byli w stanie złagodzić wpływ poprawki Mansfielda (która wymagała, aby badania Departamentu Obrony były dostosowane do potrzeb wojskowych), opisując komputerowe programy badawcze w sposób, który podkreślał zastosowania. Larry Roberts, dyrektor IPTO DARPA na przełomie lat 60-tych i 70-tych, napisał, że poprawka Mansfielda stworzyła szczególny problem podczas mojego pobytu w DARPA. Zmusiło nas to do wygenerowania znacznej dokumentacji i do obrony różnych rzeczy. Sprawiło to, że mamy więcej prac rozwojowych w porównaniu z pracami badawczymi, aby uzyskać taką mieszankę, abyśmy mogli ją obronić. Jednak nie sądzę, że musiałem porzucić projekt w naszej grupie z powodu poprawki Mansfielda. Zawsze możemy znaleźć sposób na obronę informatyki.. Formalne wnioski do Kongresu dotyczące AI zostały napisane, aby podkreślić możliwy wpływ, a nie względy teoretyczne. Cordell Green, pracujący pod kierunkiem Robertsa w IPTO, napisał :

"Ogólnie rzecz biorąc, wszystko, co pojawiło się w AI, myśleliśmy, że wyglądało dobrze, wspierano… Jednym z moich zadań była obrona budżetu AI, ale to nie było strasznie trudne … wszelkiego rodzaju informatyka jest istotna, ponieważ będzie miała duży wpływ na każdą dużą organizację przetwarzającą informacje, a Departament Obrony jest z pewnością taką organizacją … wszystkie te badania powinny pozostać przy życiu, ponieważ miały potencjalne znaczenie wojskowe."

Jednak w połowie lat siedemdziesiątych presja na produkcję wojskową była użyteczna ,systemy stały się znacznie bardziej intensywne. DARPA, która hojnie wspierała raczej nieukierowane podstawowe badania nad sztuczną inteligencją, zamiast tego zaczęła koncentrować się na rozwiązywaniu "pilnych problemów DoD". Chociaż ówczesny dyrektor IPTO DARPA, J. C. R. Licklider, był jak zawsze życzliwy dla podstawowych badań nad AI, najwyższe kierownictwo DARPA miało zupełnie inne podejście. Licklider miał trudności z wytłumaczeniem swojego programu sztucznej inteligencji "front office" DARPA. Dyrektor DARPA na początku lat 70. Stephen Lukasik był (zgodnie z Lickliderem)

"ani za, ani przeciw AI. Był za dobrym zarządzaniem i wpadł na pomysł, że być może niektóre rzeczy związane z AI nie były zbyt dobrze zarządzane. . . . [Miał] przekonany, że propozycja nie jest propozycją, chyba że ma kamienie milowe. Myślę, że wierzył, że im więcej kamieni milowych, tym lepsza propozycja. . . . Myślę, że nie było niechęci do rozwijania AI, ale przekonanie, że to taki ważne pole, że naukowcy muszą nauczyć się żyć w większa, bardziej sztywna, ustrukturyzowana biurokracja"

Poglądy Lukasika na temat sposobu zarządzania projektami miały bezpośredni wpływ na podstawowe badania wspierane przez DARPA w AI. Na przykład" Kwartalne sprawozdanie z zarządzania ", które przedłożono w lutym 1975 r., opisujące postępy w Komputerowym Konsultancie SRI spowodował, że Licklider zapytał, w jaki sposób można przekształcić raport, aby podkreślić postępy na określonych ścieżkach w "Tabeli PERT". "Co chciałbym mieć" - napisał w liście z 3 marca 1975 r. - "to Tabela PERT , dzięki czemu mogę zaznaczyć osiągnięcia na czerwono i zobaczyć, gdzie stoisz w odniesieniu do ogólnego wzorca. . . . Czy masz taki wykres? Jeśli tak, prześlij mi kopię. Jeśli nie, to jak by to zrobić? Naprawdę nam w ARPA bardzo to pomaga"

Oczywiście w badaniach podstawowych, chociaż można ogólnie opisać problemy, które próbuje się rozwiązać, nie można (z wyprzedzeniem) opisać, jakie będą rozwiązania. wraz z postępem badań eksploracyjnych pojawiają się nowe problemy, więc nie można nawet opisać wszystkich problemów z wyprzedzeniem. Nie można sporządzić takiego szczegółowego planu badań podstawowych, jaki można zastosować w celu zastosowania już opracowanej technologii do określonych zastosowań Niestety zarządzanie DARPA zmieniło się z ludzi, którzy rozumieli, jak inicjować i zarządzać podstawowymi badaniami, na ludzi, którzy wiedzieli, jak zarządzać aplikacjami technologicznymi. Przejście w kierunku krótkoterminowych, intensywnie zarządzanych badań stało się bardziej wyraźne, gdy George Heilmeier zastąpił Stephena Lukasika jako Dyrektor DARPA w 1975 r. Heilmeier pochodził z RCA, gdzie kierował grupą badawczą, która wynalazła pierwszy wyświetlacz ciekłokrystaliczny. Licklider napisał później, że Heilmeier "chciał zrozumieć sztuczną inteligencję w sposób, w jaki rozumiał wyświetlacze ciekłokrystaliczne. . . " . Jednym z zadań, które powierzył Heilmeier IPTO, było opracowanie "mapy drogowej" (czyli szczegółowego planu) dla jej programu badawczego AI (i innych programów informatycznych). Ta mapa drogowa powinna podsumować dotychczasowe osiągnięcia, wskazać obszary, w których istniejącą technologię można zastosować do problemów wojskowych, oraz wskazać kamienie milowe po drodze. Te "wskazówki" kierownictwa ARPA spowodowały ogromne trudności dla Licklidera, niektóre z nich zostały wyjaśnione w e-mailu wysłanym do niektórych liderów badań nad AI w kwietniu 1975 r. Oto kilka fragmentów:
… dominującym kierunkiem w ARPA jest prowadzenie badań w obrębie konkretnego kontekstu problemów wojskowych i nie przeprowadzanie badań
nie ma wojskowego "nabywcy" gotowego przejąć go, gdy tylko koncepcja została dobrze sformułowana…
[są] silne naciski nowego dyrektora, George Heilmeiera, że IPTO "przekierowuje'' wysiłki AI uniwersytetu na pracę nad problemami, które mają prawdziwą ważność DoD…
…sytuację komplikuje fakt, że ARPA była za wspieraniem badań podstawowych na dość wysokim poziomie przez ponad dziesięć lat (wydało na to ponad 50 milionów dolarów) i jest to naturalne pytanie nowego dyrektora, a nawet starego, z pytaniem: "Co otrzymaliśmy poza tym pod względem poprawy obrony narodowej?"

Zgodnie z notatką wielkanocną Licklidera, niektóre z rzeczy, które zdaniem Heilmeiera dla IPTO dla Departamentu Obrony były następujące:

•  poproś komputery, aby odczytały kod Morse'a w obecności innego kodu i szumu,
•  poproś komputery, aby zidentyfikowały / wykryły słowa kluczowe w strumieniu mowy,
•  rozwiązać "problem oprogramowania" DoD
•  wnoszą rzeczywisty wkład w dowodzenie i kontrolę, oraz
•  zrób dobrą rzecz w sonarze.
Chociaż jeden z elementów na liście Heilmeiera dotyczył przetwarzania mowy , jedną z ofiar jego kadencji jako dyrektora DARPA był program SUR. Żaden z systemów opracowanych w ramach programu nie był w stanie reagować w czasie rzeczywistym, ani nie mógł poradzić sobie z wystarczająco dużymi słownikami. Heilmeier uważał (prawdopodobnie z słusznego powodu), że rozumienie mowy jest nadal podstawową działalnością badawczą. Pomyślał więc, że powinna je wspierać, powiedzmy, National Science Foundation (NSF), i odrzucił propozycje DARPA, aby go kontynuować. Niestety większość obszarów badawczych, które znajdowały się na własnej liście Licklidera (o czym również wspomniano w jego notatce wielkanocnej), nie była wyraźnie wymieniona na liście Heilmeiera. (Nie mogę się oprzeć wspominaniu o jednym z przedmiotów na liście Licklider:

"Opracuj system, który poprowadzi niedostatecznie przeszkolonych pracowników utrzymania ruchu przez konserwację skomplikowanego sprzętu." Jeden z przedmiotów Heilmeiera był jednak wystarczająco niejasny, aby uzasadnić pracę zarówno w NLP, jak i przy widzeniu komputerowym. Było to "dowodzenie i kontrola", działanie polegające na pozyskiwaniu i przedstawianiu odpowiednich informacji dowódcom, aby mogli skutecznie kontrolować siły zbrojne. Oficerowie programu DARPA, Floyd Hollister i pułkownik David Russell, byli w stanie przekonać kierownictwo DARPA, że tekstowy dostęp w języku naturalnym do dużych, rozproszonych baz danych będzie ważnym elementem systemów dowodzenia i kontroli. Argumentowali, że technologia takiego dostępu jest wystarczająco daleko, aby można ją było zastosować w tak zwanych "systemach testowych dowodzenia i kontroli". W końcu Bill Woods i koledzy z BBN zademonstrowali już LUNAR, naturalny język "front end" dla baz danych o skałach księżycowych. Kilku innych badaczy również rozpoczęło prace nad problemem komunikowania się z komputerami przy użyciu języka angielskiego lub innego języka naturalnego. (Na przykład ponad pięćdziesiąt artykułów na temat NLP zostało zaprezentowanych na piątym IJCAI w 1977 r. Na MIT, a wydanie biuletynu SIGART ACM z lutego 1977 r. Opublikowało podsumowanie trwających badań nad interfejsami języka naturalnego.) W kolejnej części opiszę niektóre osiągnięcia w tym okresie w zakresie komunikacji z komputerami przy użyciu języka naturalnego. Drugim obszarem o dużym znaczeniu dla dowodzenia i kontroli była automatyzacja analizy zdjęć lotniczych. Wykrywanie celów o znaczeniu wojskowym na tych zdjęciach, takich jak drogi, mosty i sprzęt wojskowy, zwykle wymagało godzin pracy analityków wywiadu. Ponieważ techniki opracowywane przez badaczy w dziedzinie widzenia komputerowego mogą dostarczyć narzędzi pomagających ludzkim analitykom, DARPA miał dobre powody, by kontynuować finansowanie badań nad widzeniem komputerowym. W 1976 r. rozpoczął program "Image Understanding" (IU) w celu opracowania technologii wymaganej do automatycznej i półautomatycznej interpretacji i analizy zdjęć wojskowych i powiązanych obrazów. Chociaż początkowo był pomyślany jako program pięcioletni, trwał (z szerszymi celami) przez ponad dwadzieścia lat. Robienie czegoś z sonarem było jednym z elementów na liście Heilmeiera. W swojej notatce wielkanocnej Licklider napisał: "Jednym z głównych obszarów srebrnej kuli [Heilmeiera] jest podwodny dźwięk i sonar, a IPTO właśnie "kupuje" projekt HASP (podejście AI Eda Feigenbauma)."

Dostęp języka naturalnego do systemów komputerowych

LIFER

W SRI Gary Hendrix opracował system o nazwie LIFER (skrót od Language Interface Facility with Elliptical and Recursive Features), zaprogramowany w INTERLISP, do szybkiego rozwoju "frontonów" języka naturalnego do baz danych i innego oprogramowania . LIFER pozwolił nietechnicznemu użytkownikowi określić podzbiór języka naturalnego (na przykład angielski) do interakcji z systemem baz danych lub innym oprogramowaniem. Analizator składni zawarty w LIFER mógłby następnie przetłumaczyć zdania i zapytania w tym języku na odpowiednie interakcje z oprogramowaniem. LIFER miał mechanizmy do obsługi danych eliptycznych (tzn. niekompletnych), do korygowania błędów ortograficznych oraz do umożliwienia nowicjuszom rozszerzania języka za pomocą parafraz. Interesującą cechą LIFER było to, że język, którym mógł się posługiwać, został zdefiniowany w kategoriach "wzorców", które wykorzystywały pojęcia semantyczne w dziedzinie aplikacji. Jednym z takich wzorców może być na przykład CO TO JEST < ATRYBUT > OD < OSOBY >, gdzie słowa WHAT, IS, THE i OF to rzeczywiste słowa, które mogą wystąpić w zapytaniu w języku angielskim, a < ATRYBUT > i < OSOBA > to "symbole wieloznaczne ", które mogą pasować do dowolnego słowa w predefiniowanych zestawach. < ATTRIBUTE > może zostać zdefiniowane tak, aby pasowało do słów takich jak WIEK, WAGA, WYSOKOŚĆ itp., A może pasować do JOHN, SUSAN, TOM itp. Ten wzorzec rozpoznałby wówczas zdanie takie jak CO TO JEST WYSOKOŚĆ Z SUSAN .Tę metodę definiowania gramatyki należy przeciwstawić zwykłej zasadzie składniowej struktury wyrażeń, takie jak S ⇐ NP VP. Jak wspomniałem wcześniej, gramatyki oparte na pojęciach w dziedzinie aplikacji nazywane są "gramatykami semantycznymi". LIFER wykorzystał uproszczoną rozszerzoną sieć przejściową (taką jak te, które opisałem w poprzednim rozdziale) do analizy zdania wejściowego. Każdy wzór zdefiniowany przez gramatykę odpowiadał możliwej "ścieżce" w sieci przejściowej. Zdanie wejściowe analizowano, próbując dopasować je do jednej z tych ścieżek, zwracając uwagę na to, który konkretny przypadek wieloznacznej karty, taki jak < ATRYBUT >, został użyty w dopasowaniu. W zależności od pobranej pa i wartości wieloznacznych na ścieżce automatycznie utworzono oprogramowanie, które następnie wykorzystano do wykonania odpowiedniego zapytania do bazy danych lub wykonania odpowiedniej komendy. W 1982 r. Hendrix opuścił SRI, tworząc firmę Symantec, która planowała opracować i sprzedać system odpowiadający na pytania w języku naturalnym oparty na gramatyce semantycznej, takiej jak LIFER. [Być może przetwarzanie języka naturalnego (lub rynek docelowy) nie było całkiem do końca gotowy, ponieważ firma Symantec została później zreorganizowana, aby sprzedawać zabezpieczenia komputerowe i oprogramowanie antywirusowe.] LIFER był używany w SRI jako składnik języka naturalnego o nazwie "LADDER" do uzyskiwania dostępu do wielu rozproszonych baz danych. LADDER (skrót od Language Access to Distributed Data with Error Recovery) przetłumaczył angielskie zapytanie na hipotetyczne zapytanie do bazy danych, które zakładało bardzo prostą organizację bazy danych. Za pomocą systemu o nazwie IDA (akronim oznaczający inteligentny dostęp do danych) to hipotetyczne zapytanie zostało przekształcone w serię rzeczywistych zapytań do bazy danych, które uwzględniały faktyczną organizację bazy danych. Wzięto także pod uwagę wiedzę składniową i semantyczną, próbując tworzyć bardzo wydajne zapytania i wykrywać wszelkie błędne aktualizacje zawartości bazy danych. (Więcej badań nad systemami podobnymi do IDA przeprowadzono we wspólnym programie między Stanford University a SRI, o nazwie KBMS, akronimem systemu zarządzania opartego na Knowlege, przy wsparciu DARPA.) Zgodnie z koncentracją DARPA na zastosowaniach wojskowych, LADDER był w stanie odpowiedzieć na pytania dotyczące okrętów morskich, korzystając z informacji o rozmiarach, typach, lokalizacjach statków itp. z różnych baz danych. Niektóre przykładowe interakcje z wczesną wersją LADDERA pokazano poniżej. Zwróć uwagę na zdolność systemu do poprawiania błędów ortograficznych, radzenia sobie z niekompletnymi pytaniami i akceptowania parafraz



CHAT-80

W latach 1979-1982 Fernando Pereirai David H. D. Warren opracowali system o nazwie CHAT-80 na University of Edinburgh. CHAT-80 był w stanie odpowiedzieć na dość złożone pytania w języku angielskim dotyczące bazy danych faktów geograficznych. Według rozprawy Pereiry praca nad CHAT-80 rozpoczęło się jako "próba wyjaśnienia i ulepszenia niektórych wcześniejszych prac Alaina Colmerauera". CHAT-80 został napisany w PROLOGU, logicznym języku programowania opracowanym pierwotnie przez Alaina Colmerauera. W rzeczywistości gramatyka używana przez CHAT-80 składała się z logicznych wzorów podanych w języku PROLOG. Na przykład,

zdanie (s (NP, VP), S0, S): - fraza rzeczownikowa (NP, N, S0, S1),
fraza czasownika (VP, N, S1, S)

jest sposobem CHAT-80 stwierdzenia, że "istnieje zdanie między punktami S0 i S w ciągu (słów), jeśli istnieje fraza rzeczownikowa o numerze N (to znaczy liczba pojedyncza lub mnoga) między punktami S0 i S1, a fraza czasownika z liczbą N między punktami S1 i S" .Gramatyki zdefiniowane przez tego rodzaju klauzule PROLOG nazywane są gramatykami Definite Clause Grammars (DCG). Kilka takich klauzul było używanych przez CHAT-80 do analizowania zdań angielskich. Rzeczywiste parsowanie zostało wykonane przez program PROLOG składający się z tych klauzul. W CHAT-80 obliczenie znaczenia (czyli semantyki) zapytania w języku angielskim było kierowane przez strukturę składniową zapytania (obliczoną przez program PROLOG) i było wyrażony jako logiczna formuła. Ta formuła została następnie przekształcony w indywidualne zapytania bazy danych potrzebne do udzielenia odpowiedzi na pierwotne pytanie. Oto kilka przykładów (z rozdziału 5 rozprawy Pereiry) zapytania, na które CHAT-80 był w stanie odpowiedzieć:

P: Jaka jest stolica Górnej Volty?
Odp .: Wagadugu
P: Stolicą którego kraju jest Londyn?
Odp .: Zjednoczone Królestwo
P: Jaki jest ocean, który graniczy z krajami afrykańskimi i który graniczy z krajami azjatyckimi?
Odp .: Ocean Indyjski
P: Jakie są stolice krajów graniczących z Bałtykiem?
Odp .: Dania: Kopenhaga; wschodnie Niemcy: wschodni Berlin; Finlandia: Helsinki; Polska: Warszawa; Związek Radziecki: Moskwa; Szwecja: Sztokholm; zachodnie Niemcy: Bonn
P: Jaka jest łączna powierzchnia krajów na południe od równika, a nie w Australii?
Odp .: 10228 ksqmiles
P: W jakich kontynentach nie ma kraju, w którym znajdują się więcej niż dwa miasta, których populacja przekracza 1 milion?
Odp .: Afryka, Antarktyda, Australia
P: Który kraj graniczący z Morzem Śródziemnym graniczy z krajem graniczącym z krajem, którego populacja przekracza populację Indii?
Odp.: Turcja

Chociaż przykłady te wskazują raczej imponującą wydajność, możliwości CHAT-80 były ograniczone ograniczonym słownictwem i gramatyką. Ograniczenia te zostały szczegółowo opisane w rozprawie Pereiry.

Przenośne systemy zapytań w języku naturalnym

CHAT-80 został zaimplementowany jako system zapytań do bazy danych faktów geograficznych. Ponieważ jednak znaczna część jego projektu nie była dostosowana do geografii, można go łatwo zmodyfikować, aby obsługiwał inne bazy danych. CHAT-80 był tylko jednym z kilku systemów zapytań, które można było "przenosić" w tym sensie, że można je było dostosować jako interfejsy języka naturalnego do różnych baz danych. Inne takie systemy zostały opracowane w ASK w Caltech, EUFID w SDC, IRUS w BBN, LDC-1 opracowany na Uniwersytecie Duke′a, NLP-DBAP opracowany w Bell Laboratories, a TEAM opracowany w SRI. Ponieważ wiem więcej o TEAM niż o innych, powiem kilka rzeczy na ten temat jako reprezentatywny dla jego klasy. TEAM (skrót od Transportable English Database Access Medium) był obsługiwany przez DARPA i został zaprojektowany do pozyskiwania informacji o bazie danych z bazy danych przez administrator oraz interpretować i odpowiadać na pytania bazy danych, które są zawarte w podzbiorze języka angielskiego odpowiednim dla tej bazy danych. TEAM, podobnie jak wiele innych przenośnych systemów, został zbudowany w taki sposób, że informacje potrzebne do dostosowania go do nowej bazy danych i odpowiadających jej tematów można było uzyskać od eksperta w tej bazie danych, nawet jeśli on lub ona może nic nie wiedzieć o interfejsach języka naturalnego. Aby zilustrować działanie TEAM, jego projektanci wykorzystali bazę danych składającą się z czterech "plików" (lub "relacji") danych geograficznych. Prześledzę niektóre kroki, które zespół TEAM użył do udzielenia odpowiedzi na pytanie "Pokaż najwyższy szczyt każdego kontynentu". Zespół TEAM wykorzystał podsystem DIALOGIC do konwersji zapytania w języku angielskim na wyrażenie logiczne. W ramach DIALOGIC podsystem oparty na DIAMOND przeprowadził analizę składniową z wykorzystaniem gramatyki DIAGRAM. Drzewo parsujące o najwyższym wyniku pokazano na rysunku



W oparciu o to drzewo analizy i wiedzę na temat pojęć używanych w bazie danych system analizy semantycznej przekształcił zapytanie w następujące wyrażenie logiczne (tutaj przekształcone w formie angielskiej dla lepszego zrozumienia): FOR EVERY CONTINENT WHAT IS EACH PEAK SUCH THAT THE PEAK IS THE HIGHEST PEAK SUCH THAT THE CONTINENT IS CONTINENT OF THE PEAK? Następnie zespół TEAM wykorzystał swoją wiedzę na temat struktury bazy danych i tego, w jaki sposób komponenty tego logicznego wyrażenia są powiązane z relacjami w bazie danych, w celu wygenerowania rzeczywistego zapytania do bazy danych i skonstruowania odpowiedzi.

HASP / SIAP

W 1972 r., gdy Larry Roberts był nadal dyrektorem IPTO, poprosił Eda Feigenbauma ze Stanford o zastanowienie się nad zastosowaniem pomysłów sztucznej inteligencji tak skutecznie wykorzystywanych w DENDRAL do problemu identyfikacji i śledzenia statków i łodzi podwodnych na oceanie przy użyciu danych akustycznych z ukrytego hydrofonu. Niektóre dane akustyczne zebrane przez układy hydrofonów pochodzą z obracających się wałów i śmigieł oraz maszyn tłokowych na pokładzie statków. Różne statki emitują dźwięki o własnych cechach identyfikujących podstawowe częstotliwości i harmoniczne. Ludzcy specjaliści, którzy analizują tego rodzaju dane z monitoringu, patrzą na sonogramy dźwięków oceanicznych i, dopasowując widma dźwiękowe do przechowywanych referencji, próbują zidentyfikować i zlokalizować statki, które mogą być obecne (jeśli występują). Podejmowanie tych decyzji często wymaga wykorzystania informacji nieobecnych w samych sygnałach, takich jak raporty z innych matryc czujników, raporty wywiadowcze oraz ogólna wiedza na temat cech statków i wspólnych szlaków morskich. Problem z analizą komplikuje kilka czynników: hałas tła z odległych statków miesza się z hałasem burzowym i biologicznym. Ścieżki dźwiękowe do tablic różnią się w zależności od cykli dobowych i sezonowych. Nadejście energii dźwiękowej kilkoma ścieżkami może nagle zmienić się na brak przybycia lub przybycie tylko części promieniowania statku. Dźwięk z jednego źródła może wydawać się docierać z wielu kierunków jednocześnie. Charakterystyka odbiorników może również powodować mieszanie dźwięku z różnych łożysk, które wydają się pochodzić z jednego miejsca. Wreszcie najbardziej interesujące cele okrętów podwodnych są bardzo ciche i skryte. Wspierane przez DARPA prace nad tym problemem rozpoczęły się w 1973 roku w firmie Systems Control Technology, Inc. (SCI), firmy z Palo Alto z doświadczeniem w tej dziedzinie, która mogłaby pracować nad klasyfikowanymi projektami wojskowymi. (SCI został później przejęty przez British Petroleum). Feigenbaum i jego koledzy z SCI wkrótce zdali sobie sprawę, że strategia "generowania i testowania" DENDRAL nie zadziała w przypadku problemu nadzoru oceanicznego, ponieważ nie istniał "generator legalnego ruchu" które mogłyby wygenerować pozycje statków kandydujących i ich trasy, biorąc pod uwagę dane z nadzoru. Jednak zauważając, że ogólny problem analizy można podzielić na poziomy podobne do tych używanych w architekturze tablicy HEARSAY-II (okazało się, że system dobrze radzi sobie z sygnałami w hałasie), zespół pomyślał, że coś podobnego zadziałałoby na ich problem. Zespół opracował system o nazwie HASP (akronim Heuristic Adaptive Surveillance Program) oparty na modelu Blackboard. Dalsze prace, które przetworzą rzeczywiste dane oceaniczne, rozpoczęły się w SCI od SIAP (akronim programu Surveillance Integration Automation Program) w 1976 r. Najwyższym poziomem Blackboard była "tablica sytuacji" {symboliczny model rozwijającej się sytuacji oceanicznej, zbudowany i utrzymywany przez program. Opisano hipotezę, że wszystkie statki znajdują się tam z poziomem konwencyjnym związanym z każdym z nich. Tuż pod pokładem sytuacji znajdował się poziom zawierający poszczególne hipotetyczne jednostki. Każdy element statku miał informacje o swojej klasie, położeniu, aktualnej prędkości, kursie i miejscu docelowym, każdy z ważeniem konsystencji. Poniżej poziomu statku znajdował się poziom zawierający hipotetyczne źródła dźwięku: silniki, wały, śmigła itp. wraz z ich położeniem i wagami zależności. Funkcje spektralne wyodrębnione z danych akustycznych były na najniższym poziomie. Poziomy były połączone źródłami wiedzy (KS), które były w stanie wnioskować, że jeśli podejrzewa się obecność pewnych elementów na jednym poziomie, wówczas inne elementy można by wywnioskować, że są obecne na innym poziomie (lub jeśli były już obecne na tym poziomie, ich suma może być dostosowana). Podobnie jak w HEARSAY-II, linki mogą obejmować wiele poziomów i wyciągać wnioski w górę, w dół lub w obrębie poziomu. Wnioskowanie spowodowane przez jedną KS może pozwolić drugiej KS na wyciągnięcie dodatkowego wniosku, i tak dalej, w kaskadzie, aż do wszystkich wykorzystanych odpowiednio informacji. W ten sposób można przyswoić nowe informacje i sformułować oczekiwania dotyczące możliwych przyszłych wydarzeń. Jeden typ KS składał się z reguł IF - THEN. (Użyto również innych typów.) Na przykład tutaj jest IF-THEN (przetłumaczona na angielski dla czytelności), która działała na poziomie źródła: JEŻELI: źródło zostało utracone z powodu zanikania w niedalekiej przeszłości, i podobne źródło uruchomiono na innej częstotliwości, a lokalizacje dwóch źródeł są stosunkowo blisko, NASTĘPNIE: są tym samym źródłem o sile 3.

HASP / SIAP posiadał kilka rodzajów źródeł wiedzy, z których każde było reprezentowane w sposób odpowiedni do zaangażowanego poziomu (poziomów). Niektóre KS opierały się na informacjach o środowisku, takich jak wspólne szlaki żeglugowe, lokalizacja tablic i znane obszary manewrów. Inni mieli informacje o jednostkach pływających i ich typach, ich prędkościach, częściach składowych, charakterystyce akustycznej, bazach domowych i tak dalej. Oprócz KS zajmujących się wiedzą odpowiednią dla różnych poziomów, istniały "meta" KS, które miały informacje o tym, jak korzystać z innych KS. Działania KS w łączeniu informacji na różnych poziomach można przedstawić jako sieć, taką jak ta pokazana schematycznie na rysunku



Pod koniec sesji analitycznej, gdy wszyscy KS mieli okazję wziąć udział i akcja umarła, powstała sieć nazywana jest "aktualnie najlepszą hipotezą" (CBH) na temat obecnej sytuacji oceanicznej. Oto częściowa próbka (przetłumaczona na angielski), w jaki sposób można opisać CBH dla konkretnego uruchomienia HASP / SIAPmight. Klasa Vessel-1, znajdująca się w pobliżu szerokości i szerokości geograficznej 37,3 i długości 123,1 w czasie dnia 2, 4 godzin i 55 minut, może być klasą Cherry, Iris, Tulipan lub Poppy. Dwa odrębne źródła akustyczne, wspierane przez odpowiednie zestawy harmoniczne, zostały zidentyfikowane dla Vessel-1. Źródło-1 może być spowodowane wałkiem lub śmigłem klasy statku Cherry lub Poppy. Podobne możliwości źródła istnieją dla Source-5. Te dwa źródła zostały zasymilowane w Vessel-1 ze względu na możliwość znanego stosunku mechanicznego, który istnieje między dwoma źródłami. Korporacja MITER przeprowadziła kilka eksperymentów w celu porównania wydajności HASP / SIAP z wydajnością dwóch ekspertów analityków sonarowych. W jednym z tych eksperymentów MITER stwierdził, że "wykazano, że HASP / SIAP dobrze radzi sobie z danymi pochodzącymi z oceanów ... W przypadku tej ograniczonej sceny oceanicznej program nie jest mylony przez dane obce i daje wyniki porównywalne do eksperta analityka". W innym eksperymencie stwierdzono, że "HASP / SIAP lepiej rozumiał scenę oceaniczną niż drugi analityk, a także pierwszy analityk. Program może działać skutecznie z więcej niż jednym zestawem akustycznym. SIAP klasyfikuje scenę oceaniczną trzy godziny, co wskazuje na prawdopodobieństwo skuteczności SIAP w zmieniającej się sytuacji oceanicznej. " Trzeci eksperyment doprowadził do wniosków, że "z wyjątkiem tego, że program SIAP uzyskał znacznie więcej kontaktów niż ludzcy analitycy, opisy scen oceanicznych są bardzo podobne". Co więcej, "SIAP może przeprowadzać klasyfikację statków w coraz trudniejszych scenach oceanicznych bez znacznego wzrostu wykorzystania zasobów komputerowych". Jak wspomniano wcześniej, model tablicy został również zastosowany w kilku innych obszarach. Przykłady obejmują analizę krystalograficzną białka, rozumienie obrazu i rozumienie dialogu. Co ciekawe, architektura tablicy ma wpływ nie tylko na technologię. Donald Norman, psycholog kognitywny, powiedział, że HEARSAY-II jest źródłem pomysłów dla psychologii teoretycznej i że spełnia on swoje "intuicje dotyczące formy ogólnej struktury przetwarzania poznawczego". Ponadto, jak wspomnę w późniejszym rozdziale, kilka modeli kory nowej obejmuje interakcyjne warstwy przypominające zarówno formę, jak i mechanizmy systemów tablicy.