Моделі подання знань

Проблема подання знань є центральною для систем, що базуються на знаннях, і, зокрема, експертних систем, оскільки від її успішного розв’язання залежить реалізація основної їх функції - одержання нового знання. Саме виходячи з цього визначаються структура і форма організації моделей і методів подання знань, що здійснюють вирішальний вплив на ефективність системи, сприйняття зовнішньої інформації, діалог з користувачем. Як окрема область дослідження подання знань розвивається із середини 1960-х років.

Основні (класичні) моделі подання знань:

1) логічні:

– числення предикатів;

2) евристичні:

– продукційні правила;

– мережні моделі;

– фрейми.

В основі логічних моделей знань лежить поняття формальної системи, прикладом якої є числення предикатів.

На відміну від логічних, евристичні моделі знань використовують набір різноманітних засобів, що передають специфічні особливості моделі. Завдяки цьому евристичні моделі перевершують логічні за можливостями адекватного відображення предметної області і за ефективністю правил логічного виведення. До евристичних моделей, використовуваних в експертних системах, належать продукційні, мережні і фреймові системи.

Логічні моделі подання знань для опису розв’язуваної проблеми використовують твердження деякої формальної системи. Ціль проблеми формулюється також у вигляді твердження, справедливість якого необхідно встановити або спростувати, виходячи з аксіом і правил виведення формальної системи.

Відповідно до правил, встановлених у формальній системі, заключному твердженню - теоремі, отриманій з початкової системи тверджень (аксіом, посилок), приписується істинне значення, у разі якщо кожній посилці або аксіомі також приписується істинне значення.

Множину базових елементів логічних моделей подання знань складають логічні зв’язки, квантори, константи, змінні, функціональні і предикатні символи; синтаксичні правила. Останні визначають поняття: терм, атом, правильно побудована формула. Правила виведення дають змогу із наявних аксіом одержувати деякі висновки.

Зазвичай для позначення об’єктів предметної області використовуються константи, а для позначення класів об’єктів, властивостей і відношень між об’єктами вибираються імена предикатів. Формули, що містять квантори і змінні, описують загальні закономірності предметної області.

Системи продукцій. Під продукційною системою розуміють певний метод організації обчислювального процесу, при якому програма перетворення деякої інформаційної структури задається у вигляді множини правил-продукцій.

Кожне правило являє собою сполучення елементів: умова придатності - дія. Умова придатності специфікує деякі вимоги до поточного стану інформаційної структури, а дія містить опис операцій, які потрібно виконати у разі задоволення цих вимог.

Продукційні правила – найбільш простий спосіб представлення знань. Він грунтується на представленні знань в формі правил, структурованих у відповідності до схеми «якщо – то». Частина правила «якщо» називається посилкою (або умовою придатності), а частина «то» – висновком.

Правило записується так: Якщо а1, а2,..., аn то b.

Наприклад: Якщо (1) у є батьком х

(2) z є братом у

То z є дядьком х

Якщо посилок немає, тоді знання складаються лише з висновку і називаються фактами.

У продукційних системах використовуються два основні методи логічного виведення: пряме і зворотне.

За прямого виведення правила досліджуються одне за одним у певній послідовності. Виходячи з початкових умов (даних), введених користувачем, для кожного правила оцінюється істинність чи хибність його умови придатності. Якщо умова істинна, правило активізується, в іншому разі - ні. Процедура виведення є ітеративною і може потребувати декількох прогонів через усю низку правил, поки буде визначене певне значення цільової змінної.

За зворотного виведення припускається істинність наслідку (дії) деякого правила, після чого потрібно, рухаючись низкою правил у зворотному напрямку, довести, що є підстави для такого твердження.

Переваги продукційних систем:

· універсальність методу програмування, що уможливлює створення різноманітних прикладних систем, що відрізняються способами подання правил і структур даних;

· природна модульність організації знань, коли кожна продукція являє собою закінчений фрагмент знань про предметну область, а множина продукцій природно структурується на підмножини, що належать до певних компонентів знань;

· незалежність кожної продукції від змісту інших продукцій забезпечує легкість їх формулювання та модифікації;

· декларативність продукційної системи, що забезпечує опис самої предметної області, а не відповідних процедур опрацювання.

Мережні моделі подають знання у вигляді мережі, вершинам якої відповідають поняття (об’єкти, події, процеси, явища), а дугам - відношення, що існують між поняттями.

Класифікація мережних моделей здійснюється в залежності від умов опису вершин і зв’язків. Якщо вершини не мають власної внутрішньої структури, то відповідні мережі називають мережами простого типу. Якщо ж вершини мережі самі мають деяку структуру у вигляді мережі, то такі мережі називають мережами ієрархічного типу. Відношення між вершинами можуть бути однаковими; у цьому разі мережі називаються однорідними. Якщо ці відношення мають різноманітний зміст, то мережа називається неоднорідною.

В залежності від характеру відношень, приписуваних дугам мережі, виділяють такі типи мереж:

1. Функціональні мережі, у яких дві з’єднані дугою вершини відповідають: одна - деякій функції, друга - аргументу даної функції.

2. Сценарії - однорідні мережі, у яких використовується єдиний тип відношень - відношення нестрогого порядку. Найчастіше це відношення визначає всі можливі послідовності подій.

3. Семантичні мережі, у яких використовуються відношення різноманітного типу, а вершини можуть мати різну інтепретацію. Основними структурними одиницями, із яких будується семантична мережа, є фрейми.

Порівняно з іншими моделями, семантичні мережі мають переваги:

· більш ефективний інформаційний пошук, оскільки асоціації між об’єктами мережі визначають шляхи доступу, що проходять по базі знань;

· можливість явного відображення структур, властивих знанням про предметну область, наприклад, відношень «частка-ціле», «елемент-множина», «клас-підклас» та ін.

Фрейми. Фрейм являє собою системно-структурний опис предметної області (подій, явищ, ситуацій, станів і т. ін.), який складається з порожніх аспектних (рольових) позицій (слотів), що відповідають змістовним ознакам предметної області й після заповнення конкретними даними перетворюють фрейм на носій конкретного знання.

В перекладі з англійської «фрейм» (frame) означає «каркас», «рамка».

З кожним фреймом може бути асоційована інформація різних видів. Одна її частина вказує, як варто використовувати даний фрейм, інша - які наслідки може мати його виконання, третя - що слід виконати, якщо ці очікування не підтвердяться.

Структура фрейма зазвичай має такий вигляд:

{<ім’я фрейма> <ім’я слота > <значення слота>

<ім’я слота > <значення слота>... }

Імена слотів часто називають рольовими мітками або просто ролями.

Наприклад, структура фрейма відрядження подається як:

{відрядження хто <значення слота> куди

<значення слота> коли <значення слота> на який термін

<значення слота> із ким <значення слота>}

При цьому деякі слоти при переході до конкретного фрейму мають обов’язково заповнюватися, а інші можуть залишатися порожніми.

Для фреймових моделей подання знань основною операцією є пошук за зразком. Зразок являє собою фрейм, у якому заповнені не всі структурні одиниці, а тільки ті, за якими серед фреймів, що зберігаються в пам’яті комп’ютера, будуть відшукуватися потрібні фрейми. Наприклад, якщо у зразку зазначене ім’я деякого слота і його значення, то процедура пошуку за зразком забезпечує вибірку усіх фреймів, у яких міститься слот із таким ім’ям і таким значенням слота, як у зразка. Також може бути задана деяка логічна функція від імені фрейма, деяких імен слотів і значень слотів.

Іншими процедурами, характерними для фреймових моделей, є процедури поповнення слотів даними, а також введення в систему нових фреймів і нових зв’язків між ними.

Окремі фрейми можуть об’єднуватись у мережу за допомогою семантичних відношень. Прикладами пар відношень, у яких одне відношення є інверсією іншого, є такі:

· бути частиною / мати частину;

· мати вид / бути прикладом;

· бути елементом множини / включати;

· бути підмножиною / включати;

· бути наступним / передувати;

· мати суб’єкта / бути суб’єктом;

· мати об’єкт / бути об’єктом;

· бути причиною / бути наслідком.

Такі зв’язки-відношення дозволяють з’ясовувати структуру понять і дій, послідовності дій, спрямованих на досягнення цілей.

35. Суть і класифікація експертних систем

Експертні системи як самостійний напрямок розвитку інтелектуальних систем сформувався на початку 1980-х років. Експертні системи (ЕС) є класом систем штучного інтелекту, що дістають, накопичують і коректують знання з певної предметної галузі (зібрані в основному експертами), формують нові знання, розв’язують практичні задачі (використовуючи логічне виведення), а також пояснюють хід їх розв’язку.

З експертними системами пов’язують термін «інженерія знань», введений Е.Фейгенбаумом, що означає «привнесення принципів і інструментарію досліджень з області штучного інтелекту в рішення важких прикладних проблем, що потребують знань експертів».

Експертним системам притаманні три особливості, пов’язані з їх використанням: корисність, продуктивність і прозорість. Саме висока корисність експертних систем обумовила їх інтенсивний розвиток і розповсюдження. Надаючи суттєву допомогу в рішенні конкретних задач, ЕС сприяють високій продуктивності в дослідженні проблеми. Прозорість ЕС дозволяє користувачу спостерігати «зсередини» процес прийняття рішення експертною системою і контролювати його.

Розробка експертної системи можлива і доцільна за виконання таких умов:

- наявність кола експертів, що можуть передати системі свої знання;

- можливість створення експертами вербалізованого (словесного) опису методів рішення задач;

- збіг оцінок рішень у даній предметній області у більшості експертів;

- складність задач предметної області (або недоступність для рішення неспеціалісту, або потреба значних часових витрат) і їх практична значущість;

- непотрібність для рішення задач різноманітних загальних знань;

- потреба в евристичних методах при розв’язанні задачі (у зв’язку з хибністю, неповнотою і змінюваністю даних і знань у предметній області).

В залежності від призначення виділяють такі види ЕС:

· інтерпретаційні ЕС, призначені для побудови опису ситуацій за даними спостереження, нариклад, ЕС для виявлення корисних копалин (PROSPECTOR), спілкування на іноземній мові (HEARSBY), ідентифікації хімічних структур (DENDRAL/COGEN);

· системи автоматизованого проектування, наприклад, системи проектування і конструювання опірних конструкцій (SACON), розрахунку конструкцій ЕОМ (R1/XCON), автоматичного програмування (ARE) та ін.;

· планові і прогнозні ЕС, призначені для вироблення програми дій, необхідних для досягнення певних цілей, а також вироблення прогнозів майбутніх подій на основі минулих подій та поточних даних. До ЕС цього типу належать системи прогнозів погоди, транспортних потоків (АТС), оцінки врожаю (PLANT), аналізу військових дій і прогнозування їхнього розвитку (TECH, ROSS) та ін.;

· діагностуючі системи, спроможні знаходити причини спостережуваних відхилень у поводженні. Робота систем передбачає виявлення відхилень від еталонного поводження і встановлення діагнозу. Прикладами таких систем є системи медичної діагностики (PUFF, PIP, MYCIN), діагнозу механічних властивостей (МЕСНО, SACON), аналізу помилок у програмному забезпеченні (PROGRAMMERS APPRENTICE) та ін.;

· системи спостереження, контролю і керування, наприклад, ЕС контролю фінансових або торгових операцій, контролю виконання проектів, спостереження за роботою реакторів на атомних електростанціях, спостереження за дотриманням графіків повітряного сполучення та ін. Головним завданням цих ЕС є відстеження можливих порушень у потоці операцій і видача сигналу тривоги у разі необхідності втручання людини;

· навчальні автоматизовані системи, призначені для надання можливості користувачам виявляти і аналізувати помилки у певних областях. Від таких систем потрібно уміння формувати гіпотези про знання і поводінку, визначати відповідні навчальні методи і засоби дій. Існують системи для навчання використанню обчислювальної техніки та програмного забезпечення тощо.

Дата добавления: 2015-05-08