Манипулирование знаниями.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1 ПРЕДСТАВЛЕНИЕ ЗНАНИЙ
1.1 Понятие знания
1.2 Классификация знаний
1.3 Особенности представления знаний внутри информационной системы
1.4 Модели представления знаний
2 МАНИПУЛИРОВАНИЕ ЗНАНИЯМИ
2.1 Инженерия знаний
2.2 Методы поиска релевантных знаний
2.3 Вывод, основанный на знаниях
ЗАКЛЮЧЕНИЕ
ЛИТЕРАТУРА

Обучающейся системе необходимо иметь функцию преобразования входной информации в формат, удобный для дальнейшего использования и включения в базу знаний.
Для решения задач в продукционной интеллектуальной системе существует два основных метода дедуктивного логического вывода: обратный и прямой (2,4). Может использоваться и комбинация этих двух методов. При обратном логическом выводе процесс интерпретации правил начинается с правил, непосредственно приводящих к решению задачи. В них в правой части находятся заключения с фактами, являющимися решением (целевыми фактами). При интерпретации этих правил в процесс решения могут вовлекаться другие правила, результатом выполнения которых являются факты, участвующие в условиях конечных правил и т.д.
.
2.2 Методы поиска релевантных знаний

Этот процесс в общем случае состоит из процедуры сравнения двух фрагментов знаний (собственно, сопоставление) и процедуры перебора вариантов для сопоставления.
По способу сравнения двух фрагментов знаний различают следующие виды сопоставлений (2,4):
− синтаксическое;
− параметрическое;
− семантическое.
При синтаксическом сопоставлении происходит сравнение на полное тождество двух структур данных, представляющих знания. Единственное различие, допускаемое в этих структурах и приводящее к успешному сопоставлению, возможно в неопределенных переменных, включенных в сравниваемые структуры. Примером такого сопоставления является унификация предикатов в Прологе, при которой сначала проверяются на тождество имена предикатов, затем, проверяется количество аргументов в них, а затем попарно сравниваются аргументы (при этом неопределенным переменным, если они есть в одном из предикатов, присваиваются значения из другого).
При параметрическом сопоставлении возможно неполное тождество сравниваемых структур данных, представляющих фрагменты знаний. При этом результатом сопоставления является некоторая вычисляемая при сравнении мера их синтаксического различия (различия в структуре данных), которая может состоять из множества параметров, таких как различие в количестве аргументов предиката, количественное различие в написании имен предикатов или аргументов (или названий или значений слотов) и т.п.
При семантическом сопоставлении происходит сравнение семантики (смысла) сравниваемых фрагментов знаний. Обычно это приводит к необходимости просмотра структур данных, связанных со сравниваемыми фрагментами (других фрагментов знаний), т.е. описывающих их семантику и, в конечном итоге, к синтаксическому или параметрическому сопоставлению фрагментов знаний, из которых они состоят. Последние фрагменты являются более элементарными (базовыми) фрагментами. Их можно сравнить с терминальными символами при грамматическом разборе, а фрагменты, для сопоставления которых используется семантическое сравнение, – с нетерминальными символами. При семантическом сопоставлении обычно используют понятие семантической близости понятий (фрагментов знаний). Иногда семантическая близость может быть вычислена непосредственно, например, при сопоставлении двух лингвистических переменных, описанных на одной и той же метрической шкале. В более сложном случае семантическая близость может оцениваться в процессе просмотра описаний семантик, описывающих сравниваемые фрагменты знаний. При этом могут использоваться результаты параметрического сопоставления базовых фрагментов знаний. Универсальных и достаточно хорошо математически обоснованных алгоритмов семантического сопоставления (в отличие от синтаксического) не существует.
В основе практически всех методов решения задач в искусственном интеллекте лежит какой-либо из вариантов сопоставления фрагмента базы знаний (запроса) с образцами, хранящимися в базе знаний (или поиск релевантных. Несколько в стороне находится поиск релевантных знаний, реализуемый в нейронных сетях, который можно назвать ассоциативным поиском. В отличие от методов, описанных выше, знания в этом случае представляются в виде сигналов или численных значений состояний нейронов, а не в виде символьных обозначений.
2.3 Вывод, основанный на знаниях
Несмотря на вес недостатки. наибольшее распространение получила продукционная модель представления знаний. При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода.
Машина вывода (интерпретатор правил) выполняет две функции: во-первых, просмотр существующих фактов из рабочей памяти (базы данных) и правил из базы знаний и добавление (по мере возможности) в рабочую память новых фактов и, во-вторых, определение порядка просмотра и применения правил. Этот механизм управляет процессом консультации, сохраняя для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочей памяти оказывается недостаточно данных.
В подавляющем большинстве систем, основанных на знаниях, механизм вывода представляет собой небольшую по объему программу и включает два компонента — один реализует собственно вывод, другой управляет этим процессом. Действие компонента вывода основано на применении правила, называемого modus ponens (4).
Правило modus ponens. Если известно, что истинно утверждение А и существует правило вида «ЕСЛИ А, то B», тогда утверждение В также истинно.
Правила срабатывают, когда находятся факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.
Компонент вывода должен функционировать даже при недостатке информации. Полученное решение может и не быть точным, однако система не должна останавливаться из-за того, что отсутствует какая-либо часть входной информации.
Управляющий компонент определяет порядок применения правил и выполняет четыре функции(4).
1. Сопоставление — образец правила сопоставляется с имеющимися фактами.
2. Выбор — если в конкретной ситуации может быть применено сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию (разрешение конфликта).
3. Срабатывание — если образец правила при сопоставлении совпал с какими-либо фактами из рабочей памяти, то правило срабатывает.
4. Действие — рабочая память подвергается изменению путем добавления в нее заключения сработавшего, правила. Если в правой части правила содержится указание на какое-либо действие, то оно выполняется (как, например, в системах обеспечения безопасности информации).
Интерпретатор продукций работает циклически. В каждом цикле он просматривает все правила, чтобы выявить те, посылки которых совпадают с известными на данный момент фактами из рабочей памяти. После выбора правило срабатывает, его заключение заносится в рабочую память, и затем цикл повторяется сначала.
В одном цикле может сработать только одно правило. Если несколько правил успешно сопоставлены с фактами, то интерпретатор производит выбор по определенному критерию единственного правила, которое срабатывает в данном цикле. Цикл работы интерпретатора (4) схематически представлен на рис. 2.2.
Рисунок 2.2 – Цикл работы интерпретатора
Информация из рабочей памяти последовательно сопоставляется с посылками правил для выявления успешного сопоставлений. Совокупность отобранных правил составляет так называемое конфликтное множество. Для разрешения конфликта интерпретатор имеет критерий, с помощью которого он выбирает единственное правило, после чего оно срабатывает. Это выражается в занесении фактов, образующих заключение правила, в рабочую память или в изменении критерия выбора конфликтующих правил. Если же в заключение правила входит название какого-нибудь действия, то оно выполняется.
Работа машины вывода зависит только от состояния рабочей памяти и от состава базы знаний. На практике обычно учитывается история работы, то есть поведение механизма вывода в предшествующих циклах. Информация о поведении механизма вывода запоминается в памяти состояний (рис. 2.3). Обычно память состояний содержит протокол системы.
Рисунок 2.3 – Схема функционирования интерпретатора
От выбранного метода поиска, то есть стратегии вывода, будет зависеть порядок применения и срабатывания правил. Процедура выбора сводится к определению направления поиска и способа его осуществления. Процедуры, реализующие поиск, обычно «зашиты» в механизм вывода, поэтому в большинстве систем инженеры знаний не имеют к ним доступа и, следовательно, не могут в них ничего изменять по своему желанию.
При разработке стратегии управления выводом важно определить два вопроса:
1. Какую точку в пространстве состояний принять в качестве исходной? От выбора этой точки зависит и метод осуществления поиска — в прямом или обратном направлении.
2. Какими методами можно повысить эффективность поиска решения? Эти методы определяются выбранной стратегией перебора — глубину, в ширину, по подзадачам или иначе.
ЗАКЛЮЧЕНИЕ
Мы рассмотрели основные подходы к построению моделей представления знаний. У каждой из них есть свои достоинства и свои недостатки, которые делают каждую из них наиболее эффективной в конкретной области и при определенных условиях.
Чтобы знаниями можно было пользоваться при решении заданий, стоит научить систему искусственного интеллекта оперировать ими. В рамках данного направления разрабатываются способы пополнения знаний на основе их неполных описаний, создаются методы достоверного и правдоподобного вывода на основе имеющихся знаний, предлагаются модели рассуждений, которые опираются на знание и особенности, которые имитируют человеческие рассуждения. Манипулирование знаниями очень тесно связано с представлением знаний, и разделить эти два направления можно лишь условно.
ЛИТЕРАТУРА
 Представление и использование знаний. Под ред. X. Уэно, М. Исидзука Мир, 1989. 220 с.
Базы знаний интеллектуальных систем / Т. А. Гаврилова, В.Ф. Хорошевский — СПб: Питер, 2000. — 384 с:
Приобретение знаний. Пер. с япон. Под ред. С. Осуги, Ю. Саэки. М. Мир, 1990. 304 с
А.В. Гаврилов. Системы искусственного интеллекта: Учеб. пособие: в 2-х ч. – Новосибирск: Изд-во НГТУ, 2001. – Ч. 1. – 67 с.
Рассел С. Норвиг П. Искусственный интеллект: современный подход, 2-е изд..: Пер. с англ. — М. : Издательский дом "Вильяме", 2006. — 1408 с.
1
Данные
Информация
Знания
имеют смысл
проверенная
Механизмы выводов обучающей системы
Механизмы выводов пользовательской системы
База
знаний
человек