Представление знаний и вывод на знаниях

При изучении интеллектуальных систем традиционно возникает вопрос — что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.

Данные— это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.

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

1. D1 — данные как результат измерений и наблюдений;

2. D2 — данные на материальных носителях информации (таблицы, протоколы, справочники);

3. D3 — модели (структуры) данных в виде диаграмм, графиков, функций;

4. D4 — данные в компьютере на языке описания данных;

5. D5 — базы данных на машинных носителях информации.

Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

Знания — это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.

При обработке на ЭВМ знания трансформируются аналогично данным.

1.Z1 — знания в памяти человека как результат мышления;

2.Z2 — материальные носители знаний (учебники, методические пособия);

3.Z3 — поле знаний — условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

4.Z4—знания, описанные на языках представления знаний;

5.Z5— база знаний на машинных носителях информации. Часто используется такое определение знаний.

Знания — это хорошо структурированные данные, или данные о данных, или метаданные.

Существует множество способов определять понятия. Один из широко применяемых способов основан на идее интенсионала. Интенсионал понятия — это определение его через соотнесение с понятием более высокого уровня абстракции с указанием специфических свойств. Интенсионалы формулируют знания об объектах. Другой способ определяет понятие через соотнесение с понятиями более низкого уровня абстракции или перечисление фактов, относящихся к определяемому объекту. Это есть определение через данные, или экстенсионал по­нятия.

Пример 1.1

Понятие «персональный компьютер». Его интенсионал: «Персональный компьютер —

это дружественная ЭВМ, которую можно поставить на стол и купить менее чем за $2000-3000».

Экстенсионал этого понятия: «Персональный компьютер — это Mac, IBM PC, Sinkler...»

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний — базы знаний (небольшого объема, но исключительно дорогие информационные массивы). База знаний — основа любой интеллектуальной си­стемы.

Знания могут быть классифицированы по следующим категориям:

¾ Поверхностные — знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

¾ Глубинные — абстракции, аналогии, схемы, отображающие структуру и природу процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.

Поверхностные знания: «Если нажать на кнопку звонка, раздастся звук. Если болит голова, то следует принять аспирин».

Глубинные знания: «Принципиальная электрическая схема зевота и проводки. Знания физиологов и врачей высокой квалификации о причинах, видах головных болей и методах их лечения».

Современные экспертные системы работают в основном с поверхностными знаниями. Это связано с тем, что на данный момент нет универсальных методик, по­зволяющих выявлять глубинные структуры знаний и работать с ними.

Знания традиционно делят на процедурные и декларативные. Исторически первичными были процедурные знания, то есть знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся, и все большая часть знаний сосредоточилась в структурах данных (таблицы, списки, абстрактные типы данных), то есть увеличивалась роль декларативных знаний.

Сегодня знания приобрели чисто декларативную форму, то есть знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.

Модели представления знаний

Существуют десятки моделей (или языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:

• продукционные модели;

• семантические сети;

• фреймы;

• формальные логические модели.

9.6.1. Продукционная модель

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

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

Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, хранящиеся в базе фактов, на основании которых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы знаний.

Имеется большое число программных средств, реализующих продукционный подход, а также промышленных ЭС на его основе (например, ЭС,созданных средствами G2) и др.

Семантические сети

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

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

В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: «это» («АКО — A-Kind-Of», «is»), «имеет частью» («has part»), «принадлежит», «любит». Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

класс — элемент класса (цветок — роза);

свойство — значение (цвет — желтый);

пример элемента класса (роза — чайная).

Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями.

По количеству типов отношений:

¾ Однородные (с единственным типом отношений).

¾ Неоднородные (с различными типами отношений). По типам отношений:

¾ Бинарные (в которых отношения связывают два объекта).

¾ N-арные (в которых есть специальные отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:

¾ связи типа «часть — целое» («класс — подкласс*, «элемент —множество*, и т. п.);

¾ функциональные связи (определяемые обычно глаголами «производит», «влияет»...);

¾ количественные (больше, меньше, равно...);

¾ пространственные (далеко от, близко от, за, под, над...);

¾ временные (раньше, позже, в течение...);

¾ атрибутивные связи (иметь свойство, иметь значение);

¾ логические связи (И, ИЛИ, НЕ);

¾ лингвистические связи и др.

Проблема поиска решения в базе знаний типа семантической сети сводится к за даче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.

Для реализации семантических сетей существуют специальные сетевые языки, например NET, язык реализации систем SIMER+MIR [Осипов, 1997] и др. Широко известны экспертные системы, использующие семантичес­кие сети в качестве языка представления знаний — PROSPECTOR, CASNET, TORUS.

9.6.3. Фреймы

Термин фрейм (от английского frame, что означает «каркас» или «рамка») был предложен Маренном Минским, одним из пионеров ИИ, в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование. Фрейм – это абстрактный образ для представления некоего стереотипа восприятия.