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

Манипулирование знаниями.

Семантическая сеть позволяет снизить объем хранимых данных, обеспечивает реализацию ассоциативных связей. Проблема гибкости модели и существования бесконечного множества возможных связей решается добавлением новых типов отношений.
В проектах, посвященных моделированию человеческой памяти, также было предложено при использовании расширяемой подобным образом семантической сети также строить модель, хранящую все типы соединений и отношения подобия и взаимозаменяемости между ними.
Формальные грамматики. Формальная грамматика (теория) состоит из алфавита (словаря), множества синтаксических правил, которые позволяют определить истинность или ложность выражений, построенных в данном языке, базовой системы подобных выражений, которые всегда истинны и называются аксиомами, множества правил вывода, позволяющих преобразовывать одно выражение в другое.
В основе этой модели лежит исчисление высказываний, которое можно считать классическим примером аксиоматических систем. Эта система хорошо исследована и имеет разработанную модель логического вывода. Эти свойства переносятся и на модель, ее использующую.
Главным недостатком является отсутствие гибкости системы. В случае модификации или расширения модели может потребоваться перестроить всю систему, что для практических систем неприемлемо. Как следствие, формальные грамматики используются в тех предметных областях, которые хорошо локализуются и мало зависят от внешних факторов.
Фреймовые модели. Фреймовая модель основана на концепции Марвина Мински — профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания. В отличие от других моделей в ней фиксируется жесткая структура информационных единиц, которая называется протофреймом (конкретным фреймом).
Сам фрейм представляет собой структуру данных для представления некоторого объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Значением слота может быть практически что угодно: числа или математические соотношения, тексты на естественном языке или программы, правила вывода (в случае терминального слота), либо ссылки на другие фреймы. Это позволяет реализовать систему отношений между фреймами и даже рекурсию.
Каждый фрейм состоит из произвольного числа слотов, причем несколько из них обычно определяются самой системой для выполнения специфических функций, а остальные определяются пользователем.
Иерархия фреймов может описывать либо объект (тогда фреймы — составные части объекта, а слоты описывают его свойства), либо ситуацию или процесс (тогда фреймы — факты или этапы, а в слотах содержатся еще и вызываемые процедуры).
Комбинаторные модели. Комбинаторные модели основаны на рассмотрении дискретных объектов, конечных множеств и заданном на них отношении порядка. В рамках комбинаторики также рассматриваются все возможные изменения, перестановки и сочетания, в рамках заданных множеств.
Комбинаторные модели используются в задачах топологии (например, поиск пути), задачах прогнозирования поведения автоматов, при изучении деревьев решений, частично упорядоченных множеств.
Основная проблема указана еще в определении этой модели: она оперирует только дискретными объектами и конечными множествами, связанными однородными отношениями.
Ленемы. Ленемы представляют собой смешанный тип модели, являющийся как бы «развитием» других моделей (фреймы, семантические сети и т.д.).
Ленема предназначена для структурного комплексного описания понятий предметной области. По изобразительным возможностям ленемы более совершенны, чем такие традиционные модели представления знаний, как семантическая сеть, фрейм, система продукций. Однако, для некоторых понятий модель представления знаний на основе ленем может быть неудобной и даже неприемлемой. Например, это такие понятия, в описании которых очень большую роль играет внутренняя динамика.
Модель, созданная на базе ленем, позволяет объединить на пользовательском уровне три существующие в настоящее время парадигмы представления знаний:
1) логическую (продукционная и логическая модели);
2) структурную (семантические сети и фреймы);
3) процедурную.
Для некоторых ситуаций это очень удобно, так как при реализации сложных моделей, включающих знания различных типов, возникает необходимость совмещения в одном языке представления знаний различных концепций.
Алгебраические модели. Алгебраическая модель подразумевает представление знаний в виде некоторых алгебраических примитивов, над которыми определено множество действий (некоторые из которых можно задать таблично). Для набора знаний представленного в таком виде действуют правила алгебраических множеств, такие как аксиоматизация, определение подсистем и отношений эквивалентности. Также возможно построение цепей множеств (множества, для которых определен порядок отношения «быть подсистемой»).
Изначально предполагалось использовать подобную модель в качестве формализованной системы построения аналогий (за счет определения эквивалентности). Однако, на эту формальную модель очень сложно отобразить весь набор знаний, поэтому от этой идеи отказались.
Нейронные сети, генетические алгоритмы. Эти модели нельзя строго отнести к эмпирическому или теоретическому подходам. Их относят, как было сказано ранее, к бионическому направлению. Оно основывается на предположении о том, что если в искусственной системе воспроизвести структуры и процессы человеческого мозга, то и результаты решения задач такой системой будут подобны результатам, получаемым человеком.
Так, в нейронных сетях моделируются персептроны и их поведение, призванные скопировать дейтельность мозга, а генетические алгоритмы несут в себе принципы естественного отбора и эволюции (за счет внесения изменений через мутации и смешение наследственностей).
Особенностью моделей этого типа является широкое использование эвристик, что в каждом случае требует доказательства правильности получаемых решений.
2 МАНИПУЛИРОВАНИЕ ЗНАНИЯМИ
2.1 Инженерия знаний
Основной проблемой при разработке современных экспертных систем является проблема приобретения знаний, т.е. преобразование разного вида информации (данных) из внешнего представления в представление в виде знаний, пригодное для решения задач, для которых создается экспертная система. Эту проблему часто называют проблемой извлечения знаний из данных (в более общем виде, из внешнего мира), которая сводится к задаче обучения интеллектуальной системы.
Примерами задач извлечения знаний являются:
1) выявление причинно-следственных связей между атрибутами реляционной базы данных и формирование их в виде правил в продукционной экспертной системе;
2) формирование программы (или правил) решения задачи (например, планирования производственного процесса или поведение робота) на основе примеров удачного планирования, вводимых в компьютер;
3) выявление информативных признаков для классификации объектов, существенных с точки зрения решаемой задачи.
Обучающиеся системы можно классифицировать по двум признакам: уровень, на котором происходит обучение и применяемый метод обучения. По-первому признаку различают обучение на символьном уровне (SLL – symbol level learning), при котором происходит улучшение представления знаний на основе опыта, полученного при решении задач, и обучение на уровне знаний (KLL – knowledge level learning), при котором происходит формирование новых знаний из существующих знаний и данных.
На символьном уровне обучение сводится к манипулированию уже существующими структурами, представляющими знание, например, корректировка коэффициентов достоверности правил-продукций, изменение порядка расположения (просмотра) правил-продукций в базе знаний вводимого пользователем описания решения задачи на достаточно формализованном языке, не сильно отличающимся от языка, на котором представляются знания в системе.
На уровне знаний обучение сводится к выявлению и формализации новых знаний. По признаку применяемого метода обучения различают системы, в которых используются аналитические или эмпирические методы обучения. Аналитические, в свою очередь, делятся на использующие глубинные (knowledge-rich) или поверхностные (knowledge-drizen) знания. Эмпирические делятся на использующие знания (knowledge-learning) или данные (data-drizen).
С другой стороны в инженерии знаний известны три основных подхода к приобретению знаний: индуктивный вывод, вывод по аналогии и обучение на примерах. В основе индуктивного вывода лежит процесс получения знаний из данных и/или других знаний (в продукционных системах – правил из фактов и/или других правил). Вывод по аналогии основан на задании и обнаружении аналогий между объектами (ситуациями, образами, постановками задачи, фрагментами знаний) и применением известных методов (процедур) к аналогичным объектам. В основе обучения на примерах лежит демонстрация системе и запоминание ей примеров решения задач. Резкой границы между этими методами не существует, т.к. все они базируются на обобщении, реализованной в той или иной форме, т.е. реализуют переход от более конкретного знания (фактов) к более абстрактному знанию.
Приобретение знаний в узком смысле слова — это работа по наполнению баз знаний (1,2). Но ведь кто-то должен выбрать знания, которые следует поместить в базу знаний и соответствующим образом закодировать. В этом случае данными являются форма представления знаний и методы их использования (например, формулы выводов).
Приобретение знаний в этом смысле само по себе сложная работа, на практике в ходе этой работы часто выявляются недостатки базового понимания проблемной области, в которой будет применяться система, недостатки формы представления знаний и методов их использования. Это также следствие отсутствия теории. Поэтому на основе существующих баз данных осуществляют пересмотр понятий проблемных областей и повторное изучение систем, включая базы знаний. Эту работу, выполняемую в дополнение к приобретению знаний в узком смысле, можно назвать приобретением знаний в широком смысле слова. На практике эта работа тесно связана со всем процессом разработки экспертных систем — от возникновения замысла до ее реализации и совершенствования. Этот процесс, за исключением нескольких примеров, так­же обсуждался лишь эпизодически. Процесс организации знаний в базу и построения экспертных систем называют также инженерией знаний.
Существует три уровня методов оснащения программ экспертными знаниями (1,3).
Первый уровень. Это этап создания алгоритма, взятого из литературы или при­думанного специалистом или проектировщиком системы, и преобразование его в программу самими проектировщиками. На практике трудноосуществим.
Второй уровень. Программа может заполнить про­белы в знаниях, например из литературы, описывая объекты или формируя этапы (план) работ.
Третий уровень. Программа самостоятельно при­обретает алгоритмические знания, «читая» книги. Разумеется, способность «чтения» книг, как мы уви­дим из примеров систем второго уровня, подразуме­вает несовершенство того, что мы называем книгой. Это интеллектуальные способности высокого уровня, которые позволят не только каким-то образом усвоить содержание книг, подобно тому, как загружаются программы в компьютер, но и использовать информацию как подсказку или совет.
Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее система­тизации. При этом в зависимости от способности системы обучения к логическим выводам возможны различные формы приобретения знаний, а также раз­личные формы получаемой информации. Форма представления знаний для их использования определяется внутри системы, поэтому форма информации, которую она может принимать, зависит от того, какие способности имеет система для формализации информа­ции до уровня знаний. Если обучающаяся система со­всем лишена такой способности, то человек должен заранее подготовить все, вплоть до формализации информации, т. е. чем выше способности машины к логическим выводам, тем меньше нагрузка на человека.
Функции, необходимые обучающейся системе для приобретения знаний, различаются в зависимости от конфигурации системы. В дальнейшем при рассмотрении систем инженерии знаний предполагается, что существует система с конфигурацией, показанной па рис. 2.1, которая включает базу знаний и механизм логических выводов, использующий эти знания при решении задач. Если база знаний пополняется зна­ниями о стандартной форме их представления, то этими знаниями также можно воспользоваться. Сле­довательно, от функций обучения требуется преобра­зование полученной извне информации в знания и пополнение ими базы знаний.
Можно предложить следующую классификацию этапов обучения, соответствующих способностям компьютеров к формализации (1,3).
A. Получение информации без логических выво­дов.
1. Ввод программ.
2. Ввод фактических данных,
Б. Получение извне информации, уже представленной в форме знаний.
1. Получение готового набора знаний, представленных во внутреннем формату;
2. Получение знаний, представленных во внутреннем формата, в режиме диалога;
3. Получение знаний, представленных во внешнем формате, и их понимание.
B. Обучение по примерам.
1. Параметрическое обучение.
2. Обучение на основе выводов по аналопщ,
3. Обучение на основе выводов по индукций (эвристическое обучение).
Г. Приобретение знаний на метауровне.
Рисунок 2.1 – Базовая структура систем обработки знаний
Категорию А можно назвать обучением без выводов или механическим запоминанием, это простой прогресс получения информации, при котором необяза­тельны функции выводов, а полученная информация в виде программ или данных используется для реше­ния задач в неизменном виде. Другими словами, это способ получения информации, характерный для су­ществующих компьютеров.
Категория Б — это получение информации извне, представленной в форме знаний, т. е. в форме, кото­рую можно использовать для выводов. 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.