Классификация по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консультаций с пользовате­лем для специфически «экспертных» задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т. д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандарт­ные пакеты прикладных программ (например, математическую статистику, ли­нейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП (пакетами прикладных программ) или интегрированная среда для реше­ния сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отме­тить, что разработка таких систем являет собой задачу на порядок более сложную, чем разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

Теоретические аспекты инженерии знаний

Поле знаний

Инженерия знания — достаточно молодое направление искусственного интел­лекта, появившееся тогда, когда практические разработчики столкнулись с весь­ма нетривиальными проблемами трудности «добычи» и формализации знаний.

Централь­ным понятием на стадиях получения и структурирования является так называе­мое поле знании.

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 Pz формируется на третьей стадии разработки ЭС — ста­дии структурирования.

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.

Во-первых, как и в языке любой науки, в нем должно быть как можно меньше не­точностей, присущих обыденным языкам. Частично точность достигается более строгим определением понятий. Идеалом точности, конечно, является язык ма­тематики. Язык L, видимо, занимает промежуточное положение между есте­ственным языком и языком математики. Во-вторых, желательно не использовать в нем терминов иных наук в другом, то есть новом, смысле. Это вызывает недоразумения. В-третьих, язык L, видимо, будет либо символьным языком, либо языком графи­ческим (схемы, рисунки, пиктограммы). При выборе языка описания поля знаний не следует забывать, что на стадии формализации необходимо его заменить на машинно-реализуемый язык пред­ставления знаний (ЯПЗ), выбор которого зависит от структуры поля знаний.

Семио́тика, или семиоло́гия (греч. σημειωτική, от др.-греч. σημεῖον — «знак, признак»), — наука, исследующая свойства знаков и знаковых систем (естественных и искусственных языков). В последнее время сложилась также новая ветвь семиотики — прикладная семиотика.

Языки семиотического моделирования [Осипов, 1988; Поспелов, 1986] как есте­ственное развитие языков ситуационного управления являются, как нам кажет­ся, первым приближением к языку инженерии знаний. Именно изменчивость и условность знаков делают семиотическую модель применимой к сложным сфе­рам реальной человеческой деятельности. Поэтому главное на стадии концептуа­лизации — сохранение естественной структуры поля знаний, а не выразительные возможности языка.

Традиционно семиотика включает:

¾ синтаксис (совокупность правил построения языка или отношения между знаками);

¾ семантику (связь между элементами языка и их значениями или отношения между знаками и реальностью);

¾ прагматику (отношения между знаками и их пользователями).

 

Стратегии получения знаний

При формировании поля знаний ключевым вопросом является сам процесс по­лучения знаний, когда происходит перенос компетентности экспертов на инже­неров по знаниям.

Извлечение знаний (knowledge elicitation) — это процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными процесс рассуждений спе­циалистов при принятии решения и структура их представлений о предметной области.

В настоящее время большинство разработчиков ЭС отмечает, что процесс извле­чения знаний остается самым «узким» местом при построении промышленных ЭС. При этом им приходится практически самостоятельно разрабатывать методы из­влечения, сталкиваясь со следующими трудностями:

¾ организационные неувязки;

¾ неудачный метод извлечения, не совпадающий со структурой знаний в данной области;

¾ неадекватная модель (язык) для представления знаний.

¾ неумение наладить контакт с экспертом;

¾ терминологический разнобой;

¾ отсутствие целостной системы знаний в результате извлечения только «фраг­ментов»;

¾ упрощение «картины мира» эксперта и др.

Приобретение знаний (knowledge acquisition) — процесс наполнения базы знаний экс­пертом с использованием специализированных программных средств.

Термин формирование знаний традиционно закрепился за чрезвычайно-перспек­тивной и активно развивающейся областью инженерии знаний, которая занима­ется разработкой моделей, методов и алгоритмов обучения. Она включает индук­тивные модели формирования знаний и автоматического порождения гипотез, например ДСМ-метод на основе обучающих выборок, обучение по аналогии и другие методы. Эти модели позволяют выявить причинно-следственные эмпирические зависимости в базах данных с неполной информацией, содержащих структурированные числовые и символьные объекты (часто в условиях неполноты информации).

Формирование знаний (machine learning) — процесс анализа данных и выявление скрытых закономерностей с использованием специального математического аппарата и программных средств.

Традиционно к задачам формирования знаний или машинного обучения отно­сятся задачи прогнозирования, идентификация (синтеза) функций, расшифров­ки языков, индуктивного вывода и синтеза с дополнительной информацией. В широком смысле к обучению по примерам можно отнести и методы обучения распознаванию образов.

Таким образом, можно выделить три основные стратегии проведения стадии по­лучения знаний при разработке ЭС.

1. С использованием ЭВМ при наличии подходящего программного инструмен­тария, иначе приобретение знаний.

2. С использованием программ обучения при наличии репрезентативной (то есть достаточно представительной) выборки примеров принятия решений в пред­метной области и соответствующих пакетов прикладных программ, иначе фор­мирование знаний.

3. Без использования вычислительной техники путем непосредственного контак­та инженера по знаниям и источника знаний (будь то эксперт, специальная литература или другие источники), иначе извлечение знаний.

 

Список использованной литературы:

1. Базы данных: модели, разработка, реализация /Т.С. Карпова.- СПб.: Питер, 2002.-304 с.

2. Базы знаний интеллектуальных систем / Т.А. Гаврилова, В.Ф.Хорошевский – СПб.: Питер, 2001. – 384 с.: ил.

3. Бойко В.В., Савинков В.М. Проектирование баз данных информационных систем. - М.: Финансы и статистика, 1989. - 351 с.

4. Глухова Л.В., Сыротюк С.Д. Системное управление базами данных: Конспект лекций. – Тольятти.: ТГУ, 2004. – 176 с. ISBN 5-8259-0308-9

5. Информатика. Учебник для высших учебных заведений. /Под ред. проф. Н.А. Макаровой. М. Высшая школа. 2000, 567с.

6. Пономарева Н.В., Кузьмин Л.Г. Информационное обеспечение АСУ. М.: Финансы и статистика.

7. Хомоненко А.Д., Цыганков В.М., Мальцев М.Г. Базы данных: Учебник для высших учебных заведений / Под ред. проф. А.Д. Хомоненко.-­ СПб.: КОРОНА принт, 2000.-416с. 

1. Стасышин В.М. Введение в проектирование реляционных баз данных: Учеб. пособие. - Новосибирск, НГТУ, 1999. - 88 c.
2. Стасышин В.М. Доступ к базам данных: Учеб. пособие. - Новосибирск, НГТУ, 2001. - 94 c.
3. Стасышин В.М. Работа с базами данных// Методические указания к лабораторным работам 1-15 по курсу "Базы данных". - Новосибирск, НГТУ, 2003.-55 с.
4. Стасышин В.М. Язык структурных запросов SQL: Учеб. пособие. - Новосибирск: Изд-во НГТУ, 1996. - 33c.
5. Тиори Т., Фрай Дж. Проектирование структур баз данных: В 2-x кн. - М.: Мир, 1985. - Кн. 1. - 287 с.; Кн. 2. - 320 с.
6. Ульман Дж. Основы систем баз данных. - М.: Финансы и статистика, 1983. - 334 с.
7. Хаббард Дж. Автоматизированное проектирование баз данных. - М.: Мир, 1984. - 294 с.
8. Цикритизис Д., Лоховски Ф. Модели данных. - М.: Финансы и статистика, 1985. - 344 с.

 

ПРАКТИКУМ