Модели представления знаний в ис

Модели представления знаний отражают структуру БЗ, методы наполнения и извлечения знаний и алгоритмы поиска решений.

Существует множество моделей представления знаний. Т.к. БЗ является неотъемлемым компонентом ИС, то выбор модели определяет качество разрабатываемой системы. Выбор модели, неадекватной знаниям предметной области, приводит к созданию «систем-монтсров», обладающих тривиальным интеллектом.

Проблема представления знаний решается на трех уровнях:

1 – технический – характеризует аппаратную реализацию моделей знаний с использованием параллельных вычислений в реальном масштабе времени, имеющих гигантские объемы памяти;

2 – программный (логический) – разработка программ, реализующих все алгоритмы представления знаний;

3 – концептуальный – определяет выбор моделей представления знаний, описывающих предметную область.

Каждая модель определяет форму представления знаний, связи между знаниями, их иерархию и способы изменения.

Все модели можно разделить на 4 базовых группы:

• продукционные модели;

• семантические сети;

• фреймы;

• формальные логические модели.

Продукционная модель знаний.

Продукционная модель или модель, основанная на правилах (продукциях), позволяет представить зна­ния в виде предложений типа:

Если (условие), то (действие).

Если (причина), то (следствие).

Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний. Под «действием» (консеквентом) понимаются другие утверждения, которые становятся истинными, если истинно условие, либодействия, выполняемые при успешном исходе поиска в БЗ.

Консеквент может быть промежуточным, выступающим как условие для поиска на следующем шаге, и терминальным, завершающим работу системы или алгоритма поиска.

Эта модель позволяет описать предметную область в виде причинно-следственных связей.

База знаний в ИС на основе данной модели состоит из базы фактов и базы правил. В оперативной памяти хранятся рабочие переменные алгоритма поиска, т.е. условия, которые требуют доказательства, промежуточные решения. Такая структура позволяет легко модифицировать БЗ и используется в задачах, где нет четких правил и алгоритмы являются эвристическими.

Запрос к БЗ содержит утверждения о некотором состоянии предметной области. Машина вывода (алгоритм поиска) ищет правила, адекватные поставленной задаче, и выполняет действия, заключенные в правилах. В результате просматриваются последовательно все факты из базы фактов и все правила из базы правил.

Если терминальное решение не будет получено, то процесс поиска начинается сначала с принятием новых условий о состоянии предметной области.

Пример 2.1

Пусть в БЗ содержатся следующие знания о предметной области «Биржа»:

1) База фактов:

F1. Уровень цен на бирже падает.

F2. Уровень цен на бирже растет.

F3. Процентные ставки падают.

F4. Процентные ставки растут.

F5. Курс доллара растет.

F6. Курс доллара падает.

2) База правил:

R1. Если F3, то F2.

R2. Если F4, то F1.

R3. Если F6, то F4.

R4. Если F5, то F3.

3) Запрос к БЗ:

Как изменится ситуация на бирже в случае падения курса доллара?

0. F6 = true

1. R3 ® F4 = true

2. F4 = true

3. R2 ® F1 = true

4. F1 = true

5. Result: F6 ® F4, F1

 

Примечания: 1) При использовании продукционной модели возникает проблема контроля непротиворечивых данных в БЗ (ответственность возлагается на программиста).

2) Изменение предметной области приводит к появлению новых фактов о ее состоянии, отсутствующих в БЗ. Это позволяет автоматически пополнять БЗ, укоряя процесс поиска.

Например, в результате запроса появляется новое правило:

R5. Если F6, то F4& F1, которое позволяет убрать правило R3 из базы правил.

3) Найденные в соответствии с запросом решения и цепочки вывода помещаются в базу типовых решений, что позволяет при повторном решении той же задачи использовать готовые шаблоны.

4) При добавлении пользователем или экспертом новых фактов и правил о предметной области нужно вначале проверить их достоверность перед помещением в БЗ.

 

Продукционная модель наиболее часто применяется в промышленных экспертных системах, т.к. она проста, понятна, модифицируема. Разработаны специальные языки представления знаний с помощью продукционной модели – OPS5, G2. на базе данной модели строятся экспертные системы, такие как EXSYS, ЭКО.

Фреймы.

Термин фрейм (от англ. frame – рамка, каркас) был предложен Маренном Минским в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен.

Фрейм — это абстрактная модель для представления какой-либо сцены. Модель на основе фреймов легко программировать, использую объектную технологию. Основная сложность использования этой модели заключается в разработке алгоритмов поиска на множестве фреймов.

Пример 2.2.

Фрейм «комната» описывает шаблон помещения с четырьмя стенами, полом, потолком, окнами и дверью некоторой площадью. Конкретные значения их не определены.

Каждый составляющий – это слот. Слот представляет собой незаполненное значение некоторого атрибута.

Различают несколько типов фреймов:

ü фреймы-образы;

ü фреймы-структуры (заем, залог, вексель);

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

ü фреймы-сценарии (банкротство, собрание акционеров, празднование име­нин);

ü фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Традиционно структура фрейма может быть представлена как список свойств:

Имя фрейма:

роль 1 (слот 1);

роль 2 (слот 2);

…

роль k (слот k);

Здесь:

Имя слота:

(признак 1, значение 1),

(признак 2, значение 2),

…

(признак N, значение N).

Связь

В данном случае связь определяет отношение между фреймами.

 

Существует несколько способов получения знаний слотами фреймов:

1) По умолчанию от фрейма-образа.

2) Через наследование свойств от фрейма, указанного в слоте АКО (АКО = A-Kind-Of).

3) Путем вычисления значения по формуле, указанной напрямую в слоте.

4) Через присоединенную процедуру.

5) Из диалога с пользователем.

Важнейшим свойством теории фреймов является наследование свойств по АКО-связям. Слот АКО при этом указывает на фрейм более высокого уровня иерархии, от которого наследуются значения одноименных слотов.

Пример 2.3.

1) Человек:

АКО = млекопитающее;

Умеет = мыслить.

2) Ребенок:

АКО = человек;

Возраст = 0 – 16 лет;

Рост = 50 – 180 см;

Любит = сладкое.

3) Ученик:

АКО = ребенок;

Учится = в школе, в ПТУ;

Возраст = 7 – 17 лет.

В данной сети фреймов на вопрос: «Любят ли ученики сладкое?» - получает ответ «Да».

 

Для фреймовой модели разработаны специальные языки программирования, наиболее известные из которых FRL и KRL. На их основе построены такие экспертные системы, как ANALYST, TRISTAN.

 

Семантические сети

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

Понятия – это объекты, свойства объектов, процессы и др. Отношения — это семантические связи между понятиями.

Существует 4 базовых типа отношений:

1 – класс – элемент класса (цветок — роза);

2 – свойство – значение (цвет — желтый);

3 – пример элемента класса (роза — чайная);

4 – целое – часть (роза — лепесток).

По количеству отношений различают семантические сети:

1) Однородные (с единственным типом отношений).

2) Неоднородные (с различными типами отношений).

По числу связей различают семантические сети:

1 – бинарные (в которых отношения связывают два объекта);

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

Пример 2.4.

1) Иванов является директором.

2) «Альфа-банк» имеет гарантии платежеспособности клиента и размещается в г. Москва.

3) В общем случае для описания даже простой модели предметной области получается сложная семантическая сеть:

4) Для анализа множества ситуаций, возникающих в предметной области, используют обобщения семантических сетей, вводя подсети, соответствующие роли или ситуации предметной области.

1. «Альфа-банк» предоставил кредит Радиозаводу.

2. «Альфа-банк» получил кредит от МВФ.

При обобщении здесь вводят 2 типа ролей:

- кредитор;

- заемщик, -

и строят подсеть:

Для такой сети конкурентные утверждения о предметной области соответствуют присвоению значений узлам сети. Т.е. «Альфа-банк» может быть и кредитором, и заемщиком, в зависимости от ситуации.

Эта модель наиболее близко описывает представления о памяти человека (нейронные сети). Ее недостаток – сложность процедуры поиска и громоздкая структура сети.

Существуют языки представления знаний в виде семантических сетей, из которых известны Net, SIMER, на их основе строятся экспертные системы CASNET, TORUS.