• - лингвосемиотические знания,
• - семантические знания,
• - концептуальные знания,
• - фактографические знания,
• - теоретические знания,
• - алгоритмические знания,
• - кибернетические знания.

 

3 Особенности представления знаний внутри ИС

     Представление знаний в памяти ЭВМ или на внешних носителях должно иметь особенности, отличающие знания от данных, например, такие как:

• внутренняя интерпретируемость;
• структурированность;
• связанность;
• сематическая метрика;
• активность;
• конвертируемость.

     Обрабатываемой  единицей для знаний является факт, а не запись данных. Факт – это некоторая запись, наделенная сематикой.

     Внутренняя  интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в которых это имя упомянуто. Роль «имени» может выполнять набор атрибутов. Смысл такого расширения данных – идентифицировать данные и их назначение должна уметь не только посторонняя программа, которая обладает информацией о том, как правильно расшифровать эти данные, но и сама система.

     Структурированность. Информационные единицы должны обладать гибкой структурой. Для них может выполняться рекурсия – вложимость одних информационных единиц в другие. Иначе говоря, должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа «часть – целое», «род – вид» или «элемент-класс».

     Связность. Между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Сематика отношений может носить декларативный или процедурный характер. Например, две и более информационные единицы могут быть связаны отношением «одновременно», две информационные единицы – отношением «причина-следствие» или «быть рядом».

     Сематическая  метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее их ситуационную близость, т.е. силу ассоциативной связи. Этот пункт считается критичным для моделирования процесса генерации идей.

     Активность. Данные обычно пассивны и используются командами в случае необходимости. Для ИС выполнение программ должно наоборот инициироваться текущим состоянием системы.

     Конвертируемость. Содержание знаний не должно зависить от его записи. Поэтому форма представления, уровень детализации и степень неопределенности информации о предметной области может трансформироваться в процессе перехода к очередному этапу решения интеллектуальной задачи. Это свойство, в отличие от предыдущих, отражает динамичность знаний и связано с обучением системы.

     Поле  знаний – это условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из системы знаний эксперта, в виде графа, диаграммы, таблицы или текста.

     Поле  знаний, как первый шаг к формализации, представляет модель знаний о предметной области, в том виде, в каком ее сумел выразить аналитик на некотором «своем» языке. При выборе языка описания поля знаний на стадии формализации необходимо его заменить на машинно-реализуемый язык представления знаний, выбор которого зависит от структуры поля знаний.

 

4 Представления знаний

     Система искусственного интеллекта – это  система, оперирующая знаниями о  проблемной области. Без базы знаний систем искусственного интеллекта не существует. Для формализации и представления  знаний разрабатываются специальные  модели представления знаний и языки для описания знаний, выделяются различные типы знаний.

     Модели  представления знаний относятся  к прагматическому направлению (основано на предположении о том, что мыслительная деятельность человека – «черный  ящик») в исследованиях по искусственному интеллекту. При этом в системах, основанных на знаниях, информационные структуры представляются в форме декларативных (описательных) знаний, а алгоритмы и эвристики – в форме процедурных знаний.

     Признано, что системы, основанные на знаниях, целесообразно разрабатывать с выделением ряда подсистем. Основными из них считаются:

• подсистема представления декларативных знаний;
• подсистема представления процедурных знаний;
• подсистема манипулирования знаниями (механизм логического вывода).

     Целью такого разделения является возможность  использования системы в различных  предметных областях. Для этого достаточно заменить подсистему представления  декларативных знаний без изменения  остальных частей. В самом деле, имея универсальный механизм логического вывода, достаточно заполнить оболочку системы конкретными правилами и фактами из требуемой предметной области, чтобы получить готовую к применению систему.

     История развития методов инженерии знаний свидетельствует о том, что эта  идея продолжительное время являлась основополагающим направлением исследований. Так, например, А. Ньюэлл и Г. Саймон из Университета Карнеги-Меллона (США) разработали программу GPS – универсальный решатель задач. В формальной логике был разработан метод резолюций. В 70-х гг. XX в., однако, большинство исследователей пришли к выводу, что не существует универсальной системы представления процедурных знаний, пригодной для всех областей деятельности. Подтверждением этому служит высокая ценность специалистов-экспертов в узких предметных областях. Была сформулирована проблема представления знаний.

     Проблема  представления знаний заключается  в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении  задач, и возможностями формального (однозначно-ограниченного) представления такой информации в ЭВМ. Часто проблема осложняется трудностями для эксперта по формулированию в явном виде имеющихся у него знаний.

     Общая проблема представления знаний включает ряд частных проблем:

• представление декларативных знаний как данных, наделенных семантикой (фактов);
• представление процедурных знаний как отношений между элементами модели, в том числе в виде процедур и функций;
• представление метазнаний – правил обработки фактов, способов организации логического вывода, методов решения задач пользователем, порождения новых знаний и т. д.

 

5 Модели представления знаний

     Среди множества разнообразных моделей  представления знаний можно выделить два основных подхода: эмпирический и теоретический.

     

     

     

     

       

     

     

     

     

       

     

     

     

     Эмпирический  подход основывается на исследовании сознания человека, изучении принципов  организации памяти и моделировании  механизмов решения задач. Другой подход – теоретический, можно назвать  теоретически обоснованным. Он «гарантирует правильность решений. В рамках этого подхода до настоящего времени удавалось решать только сравнительно простые задачи из узкой предметной области.

     Кроме моделей, разработанных в рамках каждого из этих подходов, отдельно выделяют бионическое направление, представленное генетическими алгоритмами и нейронными сетями.

     В каждом подходе увидим свое отношение  и к тому, что является знанием, и к тому, как его представлять. Если в теоретических моделях  знания строго формализованы, то эмпирические призваны дать некоторую свободу. Однако, ценой за эту свободу будет потенциальная невыводимость некоторых решений и невозможность найти ответ на поставленный вопрос, когда теоретические модели это гарантируют.

 

6 Продукционная модель

     Продукционные модели можно считать наиболее распространенными моделями представления знаний. Продукционная модель – это модель, основанная на правилах, позволяющая представить знание в виде предложений типа:

     «ЕСЛИ условие, ТО действие»

     Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу.

     В общем случае продукционную модель можно представить в следующем  виде:

     N – имя продукции;

     A – сфера применения продукции;

     U – условие применимости продукции;

     C – ядро продукции;

     I – постусловия продукции, актуализирующиеся при положительной реализации продукции;

     R – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т. д.;

     Системы обработки знаний, использующие продукционную модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.

     Примеры продукционных правил:

     ЕСЛИ  «двигатель не заводится»  и  «стартер двигателя не работает»ТО 

       «неполадки в системе электропитания  стартера»

     Любое правило состоит из одной или  нескольких пар «атрибут-значение». В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых установлена в процессе решения конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил. Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объём фактов в рабочей памяти, как правило, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.

     Существуют  два типа продукционных систем –  с «прямыми» и «обратными»  выводами. Прямые выводы реализуют  стратегию «от фактов к заключениям». При обратных выводах выдвигаются  гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании фактов, поступающих в рабочую память. Существуют также системы с двунаправленными выводами.

     Основные  достоинства систем, основанных на продукционных моделях, связаны  с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее: