Модели представления знаний в системах искусственного интеллекта.

Основной особенностью интеллектуальных систем является то что, они основаны на знаниях, а вернее, на некотором их представлении. Знания - это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать прикладные задачи в этой области.

При обработке на ЭВМ знания трансформируются, условно проходя следующие этапы:

· знания в памяти человека как результат мышления;

· материальные носители знаний (учебники, методические рекомендации);

· поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

· знания, описанные на языках представления знаний;

· базы знаний.

База знаний - это основа любой информационной системы. Наиболее фундаментальной и важной проблемой является описание смыслового содержания проблем самого широкого диапазона, т.е. должна использоваться такая форма описания знаний, которая гарантировала бы правильную обработку их содержимого по некоторым формальным правилам. Эта проблема называется проблемой представления знаний [14].

В настоящее время наиболее известны четыре подхода к представлению знаний в обсуждаемых системах:

· продукционные модели;

· семантические сети;

· фреймы;

· формальные логические модели.

Продукционная модель основана на представлении знаний в форме правил, структурированных в соответствии с образцом «ЕСЛИ - ТО». Часть правила «ЕСЛИ» называется условие, а «ТО» - выводом или действием. Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием - действия, выполняемые при успешном исходе поиска. Правило в общем виде записывается так:

ЕСЛИ А1, А2, …, Аn ТО В.

Такая запись означает, что «если все условия от А1 до Аn являются истинными, то В также истинно» или «когда все условия от А1 до Аn выполняются, то следует выполнить действие В». В случае n=0 продукция описывает знание, состоящее только из вывода, т.е. факт. Переменные в правиле показывают, что правило содержит некое универсальное общее знание, абстрагированное от конкретных значений переменных. Одна и та же переменная, использованная в выводе и различных посылках, может получать различные конкретные значения. При использовании продукционной модели база знаний состоит из набора правил. В интеллектуальную систему входит также механизм выводов, который позволяет на основе знаний, имеющихся в базе знаний, получать новые знания [14].

При этом считается, что одинаковые переменные, входящие в разные правила, независимы; объекты, имена которых эти переменные могут получать, никак не связаны между собой. Формализованная процедура, использующая сопоставление (при котором устанавливается, совпадают ли между собой две формы представления, включая подстановку возможных значений переменных), поиск в базе знаний, возврат к исходному состоянию при неудачной попытке решения, представляет собой механизм выводов.

Простота и наглядность представления знаний с помощью продукции обусловила его применение во многих системах, которые называются продукционными. Эти модели чаще всего применяются в промышленных экспертных системах.

Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между понятиями [8]. Семантические сети способны отображать структуру знаний во всей сложности их взаимосвязей, увязать в единое целое объекты и их свойства. Можно ввести несколько классификаций семантических сетей [8].

1. По количеству типов отношений:

· однородные (с единственным типом отношений);

· неоднородные (с различными типами отношений).

1. По типам отношений

· бинарные;

· n-арные.

Наиболее часто в семантических сетях используются следующие отношения:

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

· функциональные связи;

· количественные (больше, меньше, равно …);

· пространственные (далеко от, близко от, под, над …);

· временные;

· атрибутивные связи (иметь свойство, иметь значение …);

· логические связи (и, или, не) и др.

 

 

 

Ниже приведен пример части семантической сети [8].

Основное преимущество этой модели - в соответствии с современным представлениям об организации долговременной памяти человека. Недостаток модели - сложность поиска вывода на семантической сети [8].

Фреймовая система имеет все свойства, присущие языку представления знаний, и одновременно являет собой новый способ обработки информации. Слово «фрейм» в переводе с английского языка означает «рамка». Фрейм является единицей представления знаний об объекте, которую можно описать некоторой совокупностью понятий и сущностей. Фрейм имеет определенную внутреннюю структуру, состоящую из множества элементов, называемых слотами. Каждый слот в свою очередь, представляется определенной структурой данных, процедурой, или может быть связан с другим фреймом. Приведем пример фрейма: человек [14]

Фрейм: человек

Класс: Животное

Структурный элемент: Голова, шея, руки, ноги, …

Рост: 30 - 220 см

Масса: 1 - 200 кг

Хвост: Нет

Фрейм аналогии: Обезьяна

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

Традиционно в преставлении знаний выделяют формальные логические модели, основанные на классическом исчислении предикатов 1-го порядка, когда предметная область или задача описывается в виде аксиом.

Существуют и другие, менее распространенные подходы к представлению знаний в интеллектуальных системах, в том числе гибридные, на основе уже описанных подходов.

Перечислим главные особенности машинного представления данных.

1. Внутренняя интерпретируемость. Обеспечивается наличием у каждой информационной единицы своего уникального имени, по которому система находит ее для ответа на запросы, в которых это имя упомянуто.

2. Структурированность. Информационные единицы должны обладать гибкой структурой, для них должен выполнятся «принцип матрешки», т. е. вложенности одних информационных единиц в другие, должна существовать возможность установления соотношений типа «часть - целое», «род - вид», «элемент - класс» между отдельными информационными единицами.

3. Связность. Должна быть предусмотрена возможность установления связей различного типа между информационными единицами, которые бы характеризовали отношения между информационными единицами. Эти отношения могут быть как декларированными (описательными), так и процедурными (функциональными).

4. Семантическая метрика. Позволяет установить ситуационную близость информационных единиц, т. е. величину ассоциативной связи между ними. Такая близость позволяет выделять в знаниях некоторые типовые ситуации, строить аналогии.

5. Активность. Выполнение действий в интеллектуальных системах должно инициироваться не какими-либо внешними причинами, а текущим состоянием представленных в системе знаний. Появление новых фактов или описание событий, установление связей должно стать источником активности системы.

Наиболее наглядной и соответствующей современным представлениям об организации долговременной памяти человека моделью представления знаний является семантическая сеть [8], что особенно важно учитывать при обучении. Однако этой модели присущ основной недостаток - в ней затруднителен поиск вывода, который сводится к задаче поиска фрагмента сети, соответствующей поставленному вопросу. Как показано выше, чаще всего при обучении используется логическая модель представления знаний, которая имеет технологическое средство разработки систем и решения прикладных задач - логическое программирование.