Эволюция систем приобретения знаний

Состояние и перспективы автоматизированного приобретения знаний

Методы определения отношений

Если на стадии 4 (см. рис. 4.10) мы выявили связи между понятиями и использо­вали их на стадиях 5 и 6 для получения пирамиды знаний, то на стадии 7 мы даем имена связям, то есть, превращаем их в отношения.

В работе [Поспелов, 1986] указывается на наличие более 200 базовых видов раз­личных отношений, существующих между понятиями. Предложены различные классификации отношений [Келасьев, 1984; Поспелов, 1986]. Следует только подчеркнуть, что помимо универсальных отношений (пространственных, вре­менных, причинно-следственных) существуют еще и специфические отноше­ния, присущие той или иной предметной области [Гаврилова, Червинская, Яшин, 1988].

Интересные возможности к структурированию знаний добавляют системы ког­нитивной графики. Так, в системе OPAL [Olton., Muser, Combs et al., 1987] экс­перт может манипулировать на экране дисплея изображениями простейших по­нятий и строить схемы лечения заболеваний, обозначая отношения явными линиями, которые затем именуются.

Предлагаемая в данном учебнике методология структурирования опирается на современные представления о структуре человеческой памяти и формах репре­зентации информации в ней [Величковский, 1982].

Скудность методов структурирования объясняется тем, что методологическая база инженерии знаний только закладывается, а большинство инженеров по зна­ниям проводит концептуализацию, руководствуясь наиболее дорогими и неэф­фективными способами - «проб и ошибок» и «по наитию», то есть исходя из со­ображений здравого смысла.

В данном параграфе мы рассмотрим автоматизированный подход к проблеме из­влечения и структурирования знаний, традиционно называемый приобретением знаний (knowledge acquisition).

Поскольку основную трудность в создании интеллектуальных систем представ­ляет домашинный этап проектирования, выполняемый инженером по знаниям (или аналитиком), - анализ предметной области, получение знаний и их струк­турирование, - эти процедуры традиционно считаются «узким местом» (bottle­neck) проектирования экспертных систем [Gaines, 1987; Boose, 1990]. Последние 5-6 лет усилия разработчиков направлены на создание инструментальной про­граммной поддержки деятельности инженера по знаниям и эксперта именно на этих этапах.

Первое поколение таких систем появилось в середине 80-х - это так называемые системы приобретения знаний (СПЗ) (TEIRESIAS [Davis, 1982], SIMER+ MIR [Осипов, 1988], АРИАДНА [Моргоев, 1988]). Это средства наполнения так называемых «пустых» ЭС, то есть систем, из БЗ которых изъяты знания (напри­мер, EMYCIN - EMPTY MYCIN, опустошенная медицинская ЭС MYCIN со спе­циальной диалоговой системой заполнения базы знаний TEIRESIAS). Их авто­ры считали, что прямой диалог эксперта с компьютером через СПЗ поможет сократить жизненный цикл разработки.

Однако опыт создания и внедрения СПЗ продемонстрировал несовершенство такого подхода.

Основные недостатки СПЗ I поколения:

• Слабая проработка методов извлечения и структурирования знаний.

• Жесткость модели представления знаний, встроенной в СПЗ и связанной с привязкой к программной реализации.

• Ограничения на предметную область.

Таким образом, традиционная схема разработки СПЗ I поколения:

создание конкретной ЭС → опустошение БЗ → разработка СПЗ для новых наполнений БЗ → формирование новой БЗ для другой ЭС

оказалась несостоятельной для промышленного применения.

Второе поколение СПЗ появилось в конце 80-х и было ориентировано на более широкий модельный подход [Gaines, 1989; Борисов, Федоров, Архипов, 1991] с акцентом на предварительном детальном анализе предметной области. Так, в Ев­ропе широкое применение получила методология KADS (Knowledge Acquisition and Documentation Structuring) [Wielinga et al., 1989], в основе которой лежит понятие интерпретационной модели, позволяющей процессы извлечения, струк­турирования и формализации знаний рассматривать как «интерпретацию» линг­вистических знаний в другие представления и структуры.

Дата добавления: 2015-07-02