*/ -->

Представление знаний. (Массель Л.В.)

51__Классификациям моделей представления знаний.

Под знаниями следует понимать не только данные, то есть голые факты, но и алгоритмы их обработки. Решению именно этой задачи и посвящена теория создания экспертных систем, то есть систем, построенных на знаниях экспертов.

Под экспертной системой понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или разумное решение поставленной задачи.

При таком подходе центральной проблемой становится разработка формальной модели представления знаний. Модель представления знаний, рассматриваемая как ядро экспертной системы, должна определять тип используемых данных, методы их структурирования и способы задания логических связей между ними. В зависимости от этого различают следующие виды формальных моделей представления знаний:

[image]

Модель знаний определяет форму представления зданий в базе знаний.

Когнитивная модель – гипотетическая модель, описывающая структуру знаний. Для интеллектуальной системы когнитивная модель совпадает с моделью знаний.

Модель мира – способ отображения в памяти интеллектуальной системы знаний о внешней среде.

Когнитивная наука – комплекс научных дисциплин, объединенных предметом исследований и отображением познавательных моделей человека окружающей его действительности и исследование механизма рассуждений об этой действительности.

Когнитология (инженерия знаний) – раздел искусственного интеллекта, в рамках которого решаются проблемы, связанные с извлечением, приобретением, представлением знаний и манипулирования ими. Служит основанием для создания интеллектуальных систем.

Одной из наиболее важных проблем, характерных для систем, основанных на знаниях, является проблема представления знаний. Это объясняется тем, что форма представления знаний оказывает существенное влияние на характеристики и свойства системы. Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование. В таких случаях необходимо отличать знания, предназначенные для обработки компьютером, от знаний, используемых человеком. Кроме того, при большом объеме знаний желательно упростить последовательное управление отдельными элементами знаний.

При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородное представление приводит к упрощению механизма управления логическим выводом и упрощению управления знаниями. Представление знаний должно быть понятным экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка.

Типичными моделями представления знаний являются:

1) Логическая модель;

2) Модель, основанная на использовании правил (продукционная модель);

3) Модель, основанная на использовании фреймов;

4) Модель семантической сети.

  • Логическая модель – модель представления знаний, в основе которой лежит формальная система (например, исчисление предикатов). Логика имеет дело с выявлением обоснованности утверждения, т.е. с методами, позволяющими документировать, можно ли данное заключение вывести исходя из известных факторов.

Логический вывод – последовательность рассуждений, приводящая к следствию с использованием аксиом и правил вывода.

Логика бывает монотонная (логика замкнутого мира, некоторая формальная система, т.е. если на каком-либо шаге вывода получено утверждение, то оно действует на последних шагах) и немонотонная (логика открытого мира: утверждение при поступлении в систему новой информации может измениться. Эта логика характерна для интеллектуальных систем, имеющих дело со сложными предметными областями).

Если экспертная система реализует монотонную логику, ее называют статической, а если немонотонную – динамической экспертной системой.

Нечеткая логика – логика, в которой используются не количественные, а качественные определения, т.е. чаще всего это нечеткие определения лингвистической переменной, например частота: часто, редко, всегда, никогда. Для измерения вводят шкалу, где каждому лингвистическому значению присваивается числовое значение (никогда – 0, всегда – 1).

Лингвистическая модель - модель, основанная на расширении формальной системы, в рамках которого вводятся процедуры изменения всей или части элементов формальной системы в зависимости от решаемой задачи.

  • Продукционные модели и продукционные системы.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы.

В модели правил знания представлены совокупностью правил вида "ЕСЛИ - ТО". Системы с базами знаний, основанные на этой модели, называются продукционными системами. Эти системы бывают двух диаметрально противоположных типов - с прямыми и обратными выводами.

В системе продукций с обратными выводами с помощью правил строится дерево И/ИЛИ, связывающее в единое целое факты и заключения; оценка этого дерева на основании фактов, имеющихся в базе данных, и есть логический вывод.

При прямом выводе отправной точкой служат предоставленные данные, процесс оценки приостанавливается в узлах с отрицанием, причем в качестве заключения (если не все дерево пройдено) используется гипотеза, соответствующая самому верхнему уровню дерева (корню).

Преимущество обратных выводов в том, что оцениваются только те части дерева, которые имеют отношение к заключению, однако если отрицание или утверждение невозможны, то порождение дерева лишено смысла.

В двунаправленных выводах сначала оценивается небольшой объем полученных данных и выбирается гипотеза (по примеру прямых выводов), а затем запрашиваются данные, необходимые для принятия решения о пригодности данной гипотезы. На основе этих выводов можно реализовать более мощную и гибкую систему.

Системы продукций с прямыми выводами включают три компонента:

Сильные стороны:

1) Простота создания и понимания отдельных правил;

2) Простота пополнения, модификации и аннулирования;

3) Простота механизма логического вывода.

Слабые стороны:

1) Неясность взаимных отношений правил;

2) Сложность оценки целостного образа знаний;

3) Крайне низкая эффективность обработки;

4) Отличие от человеческой структуры знаний;

5) Отсутствие гибкости в логическом выводе.

  • Семантические сети (аналогия с моделями данных)

Одним из способов представления знаний является семантическая сеть. Семантическая сеть (сетевая модель) – модель представления знаний, в основе которой лежат семантические сети, вершинами которых являются информационные единицы, а дуги характеризуют отношения и связи между ними (пример – модель «сущность-связь»).

Термин семантическая означает смысловая, а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.

Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

• класс — элемент класса;

• свойство — значение;

• пример элемента класса.

Классификаций семантических сетей по количеству типов отношений:

базу правил (знаний), состоящую из набора продукций (правил вывода);

  • базу данных, содержащую множество фактов, отображающую текущее состояние некоторой задачи;

  • интерпретатор для получения логического вывода на основании этих знаний (управляющую структуру, решающую, какое из правил продукции требуется применить первым, определяющую последовательность правил).

[image]База правил и база данных образуют базу знаний, а интерпретатор соответствует механизму логического вывода. Вывод выполняется в виде цикла "понимание - выполнение", причем в каждом цикле выполняемая часть выбранного правила обновляет базу данных. В результате содержимое базы данных преобразуется от первоначального к целевому, т.е. целевая система синтезируется в базе данных. Иначе говоря, для системы продукций характерен простой цикл выбора и выполнения (или оценки) правил, однако из-за необходимости периодического сопоставления с образцом в базе правил (отождествлением) с увеличением числа последних (правил) существенно замедляется скорость вывода.

  • однородные (с единственным типом отношений);

  • неоднородные (с различными типами отношений). По типам отношений:

  • бинарные (в которых отношения связывают два объекта);

  • n-арные (в которых есть специальные отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:

  • связи типа "часть-целое" ("класс-подкласс", "элемент-множество" и т.п.);

  • функциональные связи (определяемые обычно глаголами "производит", "влияет"...);

  • количественные (больше, меньше, равно...);

  • пространственные (далеко от, близко от, за, под, над ...);

  • временные (раньше, позже, в течение...);

  • атрибутивные связи (иметь свойство, иметь значение...);

  • логические связи (и, или, не) и др.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

Основное преимущество этой модели — в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели — сложность поиска вывода на семантической сети.

  • Фреймовые модели. Скелетный фрейм и конкретизация фрейма.

Под фреймом понимается абстрактный образ или ситуация. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 20 м2 ". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть "дырки", или "слоты", — это незаполненные значения некоторых атрибутов - количество окон, цвет стен, и др.

В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.

Фреймовая модель – модель преставления знаний, в основе которой лежат фреймы – особые единицы, состоящие из слотов. Фрейм состоит из конечного числа слотов (составляющих ячеек), каждый из которых имеет имя и значение. Последние могут быть ссылкой на другие слоты или фреймы. Фрейм – «каркас», «рамка». Некоторая структура знаний, в которой лежат ячейки. Каркас знаний.

Структуру фрейма можно представить так:

ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота), (имя 2-го слота: значение 2-го слота), (имя N-ro слота: значение N-го слота).

В таблице дополнительные столбцы предназначены для описания типа слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

  • фреймы-структуры, для обозначения объектов и понятий (заем, залог);

  • фреймы-роли (менеджер, кассир, клиент);

  • фреймы-сценарии(собрание акционеров);

  • фреймы-ситуации (тревога, авария,) и др.

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.

Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

Во фрейме-описании в качестве имен слотов задан вид программного обеспечения, а значение слота характеризует массу и производителя конкретного вида продукции. В ролевом фрейме в качестве имен слотов выступают вопросительные слова, ответы на которые являются значениями слотов. Для данного примера представлены уже описания конкретных фреймов, которые могут называться либо фреймами - примерами, либо фреймами - экземплярами. Если в приведенном примере убрать значения слотов, оставив только имена, то получим так называемый фрейм - прототип. Достоинство фрейма - представления во многом основываются на включении в него предположений и ожиданий. Это достигается за счет присвоения по умолчанию слотам фрейма стандартных ситуаций. В процессе поиска решений эти значения могут быть заменены более достоверными. Некоторые переменные выделены таким образом, что об их значениях система должна спросить пользователя. Часть переменных определяется посредством встроенных процедур, называемых внутренними. По мере присвоения переменным определенных значений осуществляется вызов других процедур. Этот тип представления комбинирует декларативные и процедурные знания.

Фреймовые модели обеспечивают требования структурированности и связанности. Это достигается за счет свойств наследования и вложенности, которыми обладают фреймы, т.е. в качестве слотов может выступать система имен слотов более низкого уровня, а также слоты могут быть использованы как вызовы каких-либо процедур для выполнения.

 

52__Архитектура экспертной системы. Типы экспертных систем.

В течение последних десятилетий многочисленные попытки исследователей были направлены на создание систем, способных заменить специалиста в конкретной предметной области, т. е. решать задачи в отсутствие экспертов. Эти системы получили название экспертных систем.

Экспертная система (ЭС) – это интеллектуальная система, предназначенная для оказания помощи специалистам, работающим в некоторой предметной области. Под ЭС понимается программа, обладающая следующими свойствами:

  1. Компетентность – система должна достигать экспертного уровня решений. Система должна быть умной (дуракоустойчивой), адекватно реагировать на запрос.

  2. Символьное рассуждение – система должна уметь представлять знания в символьном виде, должна уметь переформулировать символьные знания.

  3. Глубина – должна уметь работать в предметной области, содержащей трудные задачи, должна уметь использовать сложные правила.

  4. Самосознание – система должна уметь исследовать свои рассуждения, должна уметь объяснять свои действия.

Одним из наиболее популярных определений экспертной системы является следующее: "Под экспертной системой понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительно желаемой характеристикой такой системы, которая многими рассматривается как основная, является способность системы пояснять по требованию ход своих рассуждений в понятной для спрашивающего форме"

Структура экспертной системы представлена следующими структурными элементами:

  • База знаний - механизм представления знаний в конкретной предметной области и управления ими;

  • Механизм логических выводов - делает логические выводы на основании знаний, имеющихся в базе знаний;

  • Пользовательский интерфейс - используется для правильной передачи ответов пользователю;

  • Модуль приобретения знаний - служит для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости;

    Интерфейс пользователя

    Система объяснения знаний

    Машина вывода СУБЗ

    База знаний

    Система приобретения знаний

  • Модуль советов и объяснений - механизм, способный не только давать заключение, но и представлять различные комментарии, прилагаемые к этому заключению, и объяснять его мотивы. В противном случае пользователю будет трудно понять заключение. Такое понимание необходимо, если заключение используется для консультации или оказании помощи при решении каких-либо вопросов. Кроме того, с его помощью эксперт определяет, как работает система, и позволяет точно выяснить, как используются знания, предоставленные им.

Перечисленные структурные элементы являются наиболее характерными для большинства экспертных систем, хотя в реальных условиях некоторые из них могут отсутствовать.

Программный комплекс, поддерживающий отображение данных и знаний для двух предметных областей в общем случае можно назвать гибридной экспертной системой. 2 типа гибридных ЭС: 1. ЭС, использующие разные модели представления знаний; 2. ЭС, кроме БД и БЗ, включающая еще прикладные программы предметной области.

Известны три основные разновидности исполнения экспертных систем:

    • Экспертные системы, выполненные в виде отдельных программ, на некотором алгоритмическом языке, база знаний которых является непосредственно частью этой программы. Как правило, такие системы предназначены для решения задач в одной фиксированной предметной области. При построении таких систем применяются как традиционные процедурные языки PASCAL, C и др., так и специализированные языки искусственного интеллекта LISP, PROLOG.

    • Оболочки экспертных систем - программный продукт, обладающий средствами представления знаний для определенных предметных областей. Задача пользователя заключается не в непосредственном программировании, а в формализации и вводе знаний с использованием предоставленных оболочкой возможностей. Недостатком этих систем можно считать невозможность охвата одной системой всех существующих предметных областей. Примером могут служить ИНТЕРЭКСПЕРТ, РС+, VP-Expert.

    • Генераторы экспертных систем - мощные программные продукты, предназначенные для получения оболочек, ориентированных на то или иное представление знаний в зависимости от рассматриваемой предм. области. Примеры этой разновидности - системы KEE, ART и др.

Одним из часто употребляемых оснований классификации экспертных систем является тип решаемых ими задач.

  • Интерпретация - Построение описаний ситуаций по наблюдаемым данным, распознавание символов, образов, понимание речи, анализ изображений, идентификация символов или решение других аналитических задач.

  • Прогноз - Вывод вероятных следствий из заданных ситуаций, давать вероятностную оценку задаваемую пользователем информации. Используется: прогноз погоды, демографический прогноз, оценка будущего результата и т.п.

  • Диагностика - Заключение о нарушениях в системе исходя из наблюдений, делается вывод о нарушение в работе объекта по данным наблюдения за ним.

  • Проектирование - Построение конфигурации объектов при ограничениях, создается конструкция объекта с учетом соответствующих ограничений.

  • Планирование - Проектирование плана действий

  • Мониторинг - Сравнение наблюдений с критическими точками плана, предназначены для выявления «узких» мест в работе систем и предупреждения попадания системы в такие «узкие» места

  • Отладка - Выработка рекомендаций по устранению неисправностей, обобщает в себе элементы планирования, проектирования и прогнозирования, в них выдаются рекомендации по исправлению обнаруженных затруднений в процессе функционирования объекта.

  • Ремонт - Выполнение плана применения выработанной рекомендации, планируется как устранить неисправность в работе объекта.

  • Обучение - Диагностика, отлаживание и исправление поведения ученика, констатирует и отлаживают знания ученика. В таких системах создана некая модель знаний, фактические знания сравниваются с этой моделью и при необходимости исправляются, добавляются и уточняются

  • Управление - Интерпретация, прогноз, ремонт и мониторинг поведения системы, объединяют в себе элементы всех предыдущих систем

Существует два типа ЭС:

  1. Система тиражирования знаний, предназначенная для не очень квалифицированных специалистов – используются, как правило, для обучения специалистов и могут содержать декларативные знания.

  2. Система получения новых знаний, которые ориентированы на работу с широко квалифицированными специалистами – включают подсистему объяснения и ориентированы на высококвалифицированных специалистов, т.е. лиц, принимающих решения.

 

53__Классификация методов извлечения знаний.

В начале развития направления «искусственный интеллект» основное внимание уделялось созданию инструментальных средств. Оказалось, что основная проблема состоит в заполнении базы знаний, т.е. в извлечении знаний экспертов.Методы извлечения знаний:

Методы извлечения знаний

Пассивные

Текстологические

Коммуникативные

Активные

Групповые

Индивидуальные

 

54__Инструментальные средства и стадии разработки ЭС.

Под экспертной системой понимается система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система может предложить разумный совет или осуществить разумное решение поставленной задачи. Дополнительно желаемой характеристикой такой системы, которая многими рассматривается как основная, является способность системы пояснять по требованию ход своих рассуждений в понятной для спрашивающего форме.

ОСОБЕННОСТИ СОЗДАНИЯ ЭКСПЕРТНЫХ СИСТЕМ

Проектирование экспертных систем имеет определенные отличия от создания традиционного программного продукта. Суть этого отличия в том, что разработчики не пытаются сразу построить конечный продукт, а создают прототип экспертной системы. Прототип должен удовлетворять основным требованиям к системе при минимальной трудоемкости при его создании. Для удовлетворения этим требованиям используются разнообразные инструментальные средства (специализированные языки искусственного интеллекта, оболочки экспертных систем и др.) ускоряющие процесс разработки. Возможно, что может потребоваться создание не одного, а нескольких прототипов, базирующихся на различных способах представления знаний, с последующим выбором наиболее удачного. B том случае, когда достигнута удовлетворительная работа прототипа по всему комплексу задач, возможно принятие решения об окончательном перепрограммировании всей системы на языках низкого уровня, с целью улучшения ее характеристик - увеличения быстродействия, уменьшения занимаемой памяти, повышения эргономических параметров интерфейса.

Опыт разработки экспертных систем позволяет выделить следующие этапы при их создании:

  1. Идентификация - определение проблемы, ресурсов, целей, экспертов, производится неформальное (вербальное) описание проблемы.

  2. Концептуализация - выделение ключевых понятий системы, отношений и характеристик, достаточных для полного и детального описания рассматриваемой проблемы.

  3. Формализация - выражение введенных понятий на некотором формальном языке, построение модели исследуемой области.

  4. Этап выполнения - создание одного или нескольк

Сделать бесплатный сайт с uCoz