Модели представления знаний

Одной из главных проблем, которые необходимо решать в системах представления знаний, является вопрос об оптимальном содержании двух протеворичивых концепций: общности системы представления знаний и эффективности ее использования.

Это объясняется тем, что чем более общая модель представления знаний, тем менее эффективной она является в смысле быстроты поиска решений.

Предметная область – это внешний мир, в котором система искусственного интеллекта должна вырабатывать свое решение. Для описания предметной области чаще всегог используется естественный язык.

Пространство состояний в системах искусственного интеллекта является дискретным, топологическим и, как правило, изображается в виде графа или мультиграфа. При этом вершины графа соответствуют состояниям, а дуги – операторам перехода из одного состояния в другое.

Представим структуру моделей представления знаний.

Модели представления знаний

Декларативные

Процедурные

Специального типа

Продукционные

Редукционные

Реляцион-ные

Предикатные

Нечеткие

Семантичес-кие сети

Сети фреймов

Декларативные модели

Основная проблема этих моделей – это проблема языка представления знаний. Для задания пространства состояний необходимо иметь систему описания состояния и операторов перехода из одного состояния в другое. Часто для описания состояния используется списочная структура, а для описания переходов – система подстановок или так называемые правила переписывания продукции.

Продукционные модели

В этих моделях представление знаний выглядит как ряд продукций, которые описывают переход из одного состояния в другое αφβ→αψβ, где α и β – некоторые символические строки в пространстве состояний.

В продукционных моделях сформулированы несколько общих правил, которые позволяют переписывать последовательности символьных строк. Т.о., с помощью правил можно описать смену состояний в предметной области.

Для большинства продукционных моделей можно построить дерево решений.

Преимущества. 1. Не нужно задавать специальных условий применимости операторов к состояниям.

2. Знания рассматриваются как набор продукций. Они зависят только от общего вида задачи, но не от конкретного ее содержания.

Редукционные модели

Эти модели основаны на декомпозиции исходной задачи.

Пусть исходная задача описывается тройкой (S,G,T), где S – исходное начальное состояние, Т – описание конечного целевого состояния, G – множество операторов g₁, g_2, ….., g_n. Решение задачи заключается в нахождении такой последовательности операторов, применяя которую переходим из S в Т (S→Т). Чаще всего все множители определить не удается. Определяют некоторые подмножества состояний (Т_1, Т₂), они являются промежуточными. Такой переход называется методом вывода решений с автоматическим построением редукционной модели.

Отметим, что основу процедуры редукции составляют ключевые операторы. Они обязательно должны присутствовать в решающей последовательности.

Примечание. В редукционных моделях кроме описания операторов и условий их применения должна содержаться информация о том, какие операторы выбираются в качестве ключевых с целью ликвидации тех или иных различий.

Предикатные модели

При реализации декларативного представления наиболее широко применяется язык предикатов. Например, если у какого-либо х есть знакомый y, то y является приятелем или сослуживцем. На языке предикатов это можно записать в виде:

Vх$у (Знакомы (х,у)→Приятели (х,у) V Сослуживцы (х,у))

Следует отметить, что в системах искусственного интеллекта, как правило, используется многотиповой язык предикатов. Это означает, что переменные могут принимать значения из различных множеств.

Например, для любой детали х существует станок у, на котором она может быть обработана:

Vх$у Обработана (х,у).

Здесь х принимает значения из множества деталей, у – их множества станков.

Язык предикатов в настоящее время широко используется в экспертных системах различного направления.

Процедурные модели

Проблема процедурного представления знаний тесно связана с разработкой специальных языков представления знаний. Часть этих языков называется языками программирования задач искусственного интеллекта. Отдельные элементы и механизмы для представления знаний были разработаны и встроены в языки программирования высокого уровня, которые называются метаязыками (LISP, SNOBOL, РЕФАЛ, ПРОЛОГ). С помощью таких языков была решена целая группа задач, позволяющих вести диалог с пользователем на естественном языке (играть в шахматы и другие). Приобретенный при этом опыт был использован в разработке языков представления знаний 1-го поколения (PLANNER, SAIL). Особенностью этих языков является реализация в них некоторых процедур, которые являются характерными для систем искусственного интеллекта.

Основной целью языка представления знаний является представление такого набора примитивов (элементарных основ), который был бы удобен для решения задач искусственного интеллекта. Эти примитивы не должны быть очень низкого уровня, т.к. язык становится неудобным для пользователя. С другой стороны, уровень примитивов не должен быть слишком высоким, т.к. это ухудшает приспосабливаемость языка к различным приложениям.

Дата добавления: 2014-01-20