Дані і знання

!!!!!!!!!!!!!!!!Дані — це окремі факти, що характеризують об'єкти, процеси і явища предметної області, а також їх властивості.

При обробці на комп'ютерах дані трансформуються умовно проходячи наступний етап:

1) D1 — дані як результат вимірювань і спостережень

2) D2 — дані на матеріальних носіях інформації (таблиці, протоколи, довідники)

3) D3 — моделі чи структури даних у вигляді діаграм, графіків функцій

4) D4 — дані в комп'ютері на мові опису даних

5) D5 — бази даних на машинних носіях інформації

Знання базуються на даних отриманих емпіричним шляхом. Вони являють собою результат розумової діяльності людини спрямований на узагальнення людського досвіду отриманого в результаті практичної діяльності.

Знання — це закономірності предметної області (принципи, зв’язки, закони) отримані в результаті практичної діяльності і професійного досвіду, що дозволяють спеціалістам ставити і вирішувати задачі в цій області.

!!!!!!!!!!!!!!!!При обробці на комп'ютері знання трансформуються проходячи 5 етапів:

1) Z1 — знання в пам'яті людини як результат мислення

2) Z2 — матеріальні носії знань (підручники, методичні посібники)

3) Z3 — поле знань — це умовний опис основних об'єктів предметної області, їх атрибутів і закономірностей, що їх пов'язують

4) Z4 — знання описані на мовах представлення знань (продукційній мові, семантичній мережі, фреймі)

5) Z5 — база знань на машинних носіях інформації

Знання можна класифікувати за наступними категоріями:

1) поверхневі знання (про видимі взаємозв'язки між конкретними подіями і фактами в предметній області)

2) глибинні знання — це абстракції, аналогії, схеми, що відображають структуру і природу процесів, в протікають в предметній області. Ці знання пояснюють явища і можуть використовуватися для прогнозування поведінки об'єктів.

На сучасному етапі домінуючою парадигмою, що лежить в основі найвідоміших моделей подання знань у системах штучного інтелекту можна вважати парадигму (певну сукупність ключових принципів) характерну для символьного підходу. Цю парадигму можна охарактеризувати, як вербально-дедуктивну або словесно-логічну через певні чинники:

1) будь-яка інформаційна одиниця задається вербально, тобто у формі наближеній до словесної у вигляді набору явно сформульованих тверджень або фактів

2) основним механізмом отримання нової інформації на базі існуючої є дедукція, тобто висновок від загального до часткового

Лекція 4 (16.03.2009)

!!!!!!!!!!!!!!Але вербально дедуктивне задання знань не є повним, оскільки:

1) дедуктивний висновок не виступає єдино можливим, мислення людини багато в чому є рефлекторним, інтуїтивним, воно, як правило спирається на підсвідомі процеси, людина часто робить висновки за аналогією чи асоціацією. Провести дедуктивні побудови з самого початку до кінця на практиці як правило не можливе;

2) далеко не всі знання є вербальними, тобто жодне явище, твердження не зберігається в пам’яті людини явно.

В рамках вербально-дедуктивної парадигми можна навести таке визначення знань:

Знаннями інтелектуальної системи називається трійка <F, R, P>, де F – сукупність явних фактів, які зберігаються в пам’яті системи в явному вигляді, R – сукупність правил виведення, які дозволяють на основі відомих знань - набувати нових знань, P – це сукупність процедур, які визначають, яким чином слід застосовувати правила виведення.

Базою знань інтелектуальної системи називатимемо сукупність усіх знань, що зберігаються в пам’яті системи. В базах знань прийнято розрізняти екстенсіональну та інтенсіональну частину.

Екстенсіональною частиною бази знань називається сукупність усіх явних фактів.

Інтенсіональною частиною – сукупність усіх правил виведення та процедур, за допомогою яких, з існуючих фактів можна виводити нові твердження.

Все що може бути виведене логічним шляхом, як правило, не варто оголошувати фактами.

Знання і їх представлення в системах штучного інтелекту.

Знання – це складно організовані дані, що зберігаються в пам’яті системи штучного інтелекту і включають а себе відомості про об’єкти і відношення предметної області, процеси взаємодії об’єктів в часі і просторі, правила здійснення логічного виведення.

Модель представлення знань повинна відображати суттєві характеристики вирішуваної задачі і забезпечувати відповідною інформацією процедури, що здійснюють пошук рішень. При цьому модель повинна володіти необхідною виразною здатністю, щоб відображати всі деталі предметної області, що нас цікавлять, а також бути достатньо ефективною з точки зору пошуку рішень, який розглядають як виведення на знаннях.

Знання характеризуються рядом властивостей, що відрізняють їх від традиційних моделей даних:

1) внутрішня інтерпретована (при зберіганні поряд з традиційними даними зберігаються також інформаційні структури, що дозволяють інтерпретувати вмістиме комірок пам’яті)

2) структурованість (знання складаються з окремих інформаційних одиниць, між якими можна встановити класифікуючи відношення: рід, вид, клас, елемент класу)

3) зв’язність (між інформаційними одиницями передбачаються зв’язки різного типу: причина-наслідок, одночасно, бути поряд та інші. Ці зв’язки (причинно-наслідкові, просторові) визначають семантику і прагматику предметної області)

4) семантична метрика (на множині інформаційних одиниць, що зберігаються в пам’яті вводяться деякі шкали, що дозволяють оцінити їх семантичну близькість, це дозволяє знаходити в інформаційній базі знання близькі до уже знайдених)

5) активність (з допомогою даної властивості підкреслюється принципова відмінність знань від даних)

Виконання тих чи інших дій ініціюється станом бази знань, при цьому передбачається, що поява нових фактів і зв’язків може активізувати систему.

Моделлю знань називається фіксована система формалізмів (понять і правил), відповідно до яких інтелектуальна система подає знання у своїй пам’яті та здійснює операції над ними. Моделі представлення знань можна умовно розділити на:

1) декларативні

2) процедурні

В декларативних моделях знання представляються (подаються) у вигляді описів об’єктів і у вигляді відношень між об’єктами без вказування в явному вигляді, як ці знання обробляти. Такі моделі передбачають відділення опису (декларацій), опису деклараційних структур від механізму виведення, що оперує цими структурами.

В процедурних моделях знання представляються алгоритмами (процедурами), які мають в наявності необхідні описи інформаційних елементів і одночасно визначають способи їх обробки.

!!!!Моделі задання знань необхідні для:

1) створення спеціальних мов описів знань і маніпулювання ними (знаннями)

2) формалізації процедур, зіставлення нових знань із уже відомих

3) формалізації механізмів логічного виведення

!!!!!Найвідомішими є чотири класи моделей:

1) логічні

2) продукційні

3) мережеві (семантичні мережі)

4) фреймові

Логічна модель представлення знань

В основі логічних моделей представлення знань лежить поняття формальної системи. Формальна система задається M={T, P, A, R}, де T – множина базових елементів, P – множина синтаксичних правил, A – множина аксіом, R – множина правил виведення.

Множина T складається із скінченного чи безконечного числа елементів різної природи. Елементи множини T – це алфавіт формальної системи (фігури на шаховій дошці), на основі якого будуються всі решта складові формальної системи. На множину T ніяких обмежень не накладається. Важливо тільки що б для T існувала процедура перевірки приналежності деякого елемента множині T.

Множина P дозволяє будувати з елементів T синтаксично правильні сукупності базових елементів. На множину синтаксичних правил також не накладається особливих обмежень. Необхідно тільки, щоб існувала конструктивна процедура, яка б дозволяла за скінченне число кроків дати однозначну відповідь на питання, чи є дана сукупність елементів з множини T синтаксична правильною. Такі сукупності називають правильно побудованими формами (ППФ).

Серед всіх ППФ виділяють певну множину аксіом A, при цьому повинна існувати процедура, яка дозволяє для будь-якої ППФ вирішити питання чи є вона аксіомою даної формальної системи.

Множина R – це скінченна множина відношень між ППФ, що називаються правилами виведення.

Позитивною стороною формальної системи з точки зору представлення знань є те, що її можна розглядати, як генератор нових знань. В цьому випадку з множини аксіом A, що представляють собою знання, які початково зберігаються в базі знань штучного інтелекту виводяться з допомогою правил виведення – похідні знання. Для цього машина виведення аналізує представлення знань в пам’яті комп’ютера.

Лекція 5 (23.03.2009)

Дані і знання

Дані – це окремі факти, що характеризують об’єкти, процеси і явища предметної області, а також їх властивості.

Продукційні моделі представлення знань

Продукційною моделлю називається подання знань у вигляді сукупності продукції.

Продукція визначається як вираз такого вигляду:

????? (i)Q; P; A=>B; N

де i – ім’я продукції, за допомогою якого вона виокремлюється серед усієї множини продукції, Q – сфера застосування продукції (предметна область до якої вона належить), P – умова застосування продукції, якщо A то слідує B – ядро продукції яке залежить від конкретної ситуації, N – пост-умова продукції, що постулює продукції, які необхідно виконати після реалізації ядра.

Популярність продукційних моделей зумовлена їх такими позитивними рисами:

1) більшість людських знань може бути записана у вигляді продукції

2) модульність – продукції за рідким винятком є незалежними і внесення або вилучення окремих продукцій, як правило, не приводить змін в інших продукціях

3) в разі необхідності продукційні системи можуть реалізувати будь який алгоритм

4) продукції можуть бути порівняно легко розподілені за сферами застосування

5) дуже перспективним є об’єднання продукційних систем і мережних завдань

6) продукції можуть працювати паралельно та асинхронно тому їх зручно реалізовувати на основі багатопроцесорних комплексів

Однак продукційні моделі мають певні недоліки:

1) процес виведення має низьку ефективність, так як при великому числі продукції, значна частина часу витрачається на непродуктивну перевірку умов застосування правил

2) перевірка несуперечливості системи продукцій стає вельми складною із-за не детермінованого вибору виконуваної продукції з конфліктної множини

В загальному випадку продукційні система включає наступні компоненти:

1) базу продукційних правил

2) базу даних (робочу пам’ять)

3) інтерпретатор

Множина продукційних правил утворює базу правил, кожне з яких являє собою відокремлений фрагмент знань (чанк) про вирішувану проблему.

?????Чанк – це об’єктивна існуюча одиниця знань, що виділяється людиною в процесі пізнання навколишнього світу.

Передумова правила часто розглядається як зразок.

Зразок – це деяка інформаційна структура, що визначає узагальнену ситуацію (умову, стан і т.п.) навколишньої дійсності, при якій активізується правило.

Робоча пам’ять (глобальна база даних) відображає конкретні ситуації (стани, умови), що виникають в зовнішньому середовищі.

Інформаційна структура, що представляє конкретну ситуацію зовнішнього середовища в робочій пам’яті називається образом.

???????Інтерпретатор реалізує логічне виведення. Процес виведення нових знань є циклічним і називається пошуком за зразком. Розглянемо його (зразок) в спрощеній формі:

Ø біжучий стан модельованої предметної області відображається в робочій пам’яті у вигляді сукупності образів, кожен з яких подається за допомогою фактів

Ø робоча пам’ять ініціалізується фактами, що описують задачу

Ø потім вибираються ті правила, для яких зразки, що представлені передумовами правил співставимі з образами в робочій пам’яті

Ø дані правила утворюють конфліктну множину

Ø всі правила, що входять в конфліктну множину можуть бути активізовані

Ø у відповідності з вибраним механізмом вирішення конфлікту активізується одне з правил

Ø виконання дії, що знаходиться у висновку правила, приводить до зміни стану робочої пам’яті

Ø в подальшому цикл управління виведенням повторюється

Ø вказаний процес завершується, коли не виявиться правил передумови яких, співставимі з образами робочої пам’яті

Таким чином процес виведення, що базується на пошуку за зразком складається з чотирьох кроків:

1) вибір образу

2) співставлення образу зі зразком і формування конфліктного набору правил

3) вирішення конфлікту

4) виконання правила

Управління виведення продукційних систем

В ході вирішення проблеми інтерпретатор виконує дві задачі:

1) власне логічне виведення

2) управління виведенням

Логічне виведення в продукційних системах реалізується на основі пошуку за зразком, що описаний вище.

Управління виведенням в продукційних системах передбачає вирішення наступних двох питань:

1) З чого потрібно починати процес виведення?

2) Що робити, якщо на деякому кроці виведення можливий вибір різних варіантів його продовження?

Відповідь на перше питання приводить до прямого і зворотного ланцюжка суджень, а відповідь на друге питання – до механізмів вирішення конфліктів продукційних систем.

!!!!! Лекція 7 (6.04.2009)

!!!!!!Семантичні мережі представлення знань (друга модель представлення знань)

Семантичну мережу можна неформально уявити у вигляді графу, вершини якого як правило позначають об’єкти предметної області, а дуги відповідають зв’язкам між ними.

Семантичні мережі є зручним способом графічного подання знань. Особливий акцент при цьому робиться на зв’язках між різними інформаційними одиницями та між різними фрагментами знань. Важливим є те, що вся інформація про дане поняття групується навколо вузла мережі, який відповідає цьому поняттю. І вузли і дуги, як правило мають мітки (імена). Імена вершин і дуг, як правило співпадають з іменами відповідних об’єктів і відношень предметної області.

<I, C1, C2, …, Cm, G>, де І – це типи інформаційних зв’язків, G – відображення, що задає зв’язки між інформаційними одиницями.

Семантичні мережі є широким класом мережевих моделей. Виділяють:

1) класифікуючі мережі (дозволяють задавати відношення ієрархії між інформаційними одиницями)

2) функціональні мережі (характеризуються наявністю функціональних відношень, які дозволяють описувати процедури обчислень одних інформаційних одиниць через інші)

3) сценарії (використовуються відношення типу «причина – наслідок», «дія», «засіб дії» і т.д.)

Об’єкти предметної області, що відображаються в семантичній мережі можна умовно розділити на три групи:

1) узагальнюючі об’єкти (відповідає деякій збірній абстракції, реально існуючого об’єкта, процеса чи явища предметної області; узагальнюючі об’єкти фактично представляють певні класи предметної області)

2) індивідні [конкретні] (це якимось чином виділений одиничний представник (екземпляр) класу)

3) агрегатні (називаються складений об’єкт утворений з інших об’єктів, які розглядаються як його складові частини)

Введена класифікація об’єктів є відносною. Залежно від вирішуваної задачі, один і той же об’єкт може розглядатися як будь-який з описаних вище.

Типи зв’язків між об’єктами семантичних мереж можуть бути будь-якими, але найчастіше застосовуються наступні основні зв’язки (відношення):

1) рід/вид

2) бути представником

3) бути частиною

Наявність зв’язків типу рід/вид між узагальнюючини об’єктами А і В означає, що поняття А є більш загальним ніж поняття В. будь-який об’єкт що вдображається поняттям В відображається і поняттям А, але не навпаки. Всі властивості родового об’єкта А, як правило є властивими і видовому об’єкту В.

Дата добавления: 2014-01-04