<<
>>

7.2. МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

Представление знаний в СИИ — это не только фундаменталь­ное понятие, но и решающий аспект их разработки. Выбор моде­ли представления знаний (МПЗ) очень сложен ввиду их многооб­разия и размытости критериев выбора и важен, ибо он оказыва­ет огромное влияние на любую часть СИИ и предопределяет их возможности (свойства и характеристики).
Последствия неудач­ного решения проблемы представления знаний могут быть ката­строфическими. Кроме того, используемый в СИИ формализм представления знаний определяет характер их получения и на­копления, в результате которого создается БЗ, ориентированная на определенную структуру представления, а не на сущность са­мих знаний. Выбор модели, не адекватной типам знаний, приво­дит к потере многих существенных деталей прикладной задачи и порождает тривиальный интеллект.

Проблемы представления знаний в компьютерных системах решаются на трех уровнях:

♦ техническом — реализация сложных представлений знаний, требующая электронной вычислительной техники с чрезвычайно сложной функциональной архитектурой, обеспечивающей парал­лельные вычисления и гарантирующей протекание процесса пред­ставления знании в режиме реального времени, а также мощны­ми запоминающими устройствами;

• программном (логическом) — создание программ, которые обеспечивают выполнение всех алгоритмов, необходимых для представления знаний;

♦ концептуальном — выработка концепций, моделей, образу­ющих методологию искусственного интеллекта.

Под представлением знаний подразумевают соглашение о том, как описывать реальную ПрО (понятия и отношения). Иногда такое соглашение называют нотацией. Каждая модель знаний определяет форму представления знаний и является формализ­мом, призванным отобразить объекты, связи между ними и от­ношения, иерархию понятий ПрО и изменение отношений между объектами.

Для решения проблемы представления знаний разработаны разнообразные модели представления знаний (МПЗ). В систе­мах искусственного интеллекта используются в основном четыре типа МПЗ: логические, продукционные, семантические сети и фреймы.

Логические модели представляют знания в виде формул, кото­рые состоят из констант, переменных, функций, предикатов, ло­гических связок и кванторов. Каждая логическая формула дает частичное описание состояния предметной области.

В основе всех логических моделей представления знаний ле­жит понятие формальной системы задаваемой четверкой:

где Т — множество базовых элементов (алфавит формальной системы);

Р — множество синтаксических правил, позволяющих строить син­таксически правильные выражения А из Г;

А — множество априорно истинных аксиом (любое множество син­таксически правильных выражений);

Р — правила вывода, позволяющие расширять множество аксиом.

Среди реализаций логических моделей представления знаний раз­личают системы дедуктивного типа (имеют фиксированную систе­му правил вывода) и индуктивного типа (правила вывода порожда­ются системой на основе конечного числа обучающих примеров).

В логических моделях синтаксис задается набором правил по­строения правильных синтаксических выражений, а семантика —

набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семанти­чески правильным. Преимуществами логических схем пред­ставления знаний являются: высокий уровень модульности зна­ний, лаконичность представления, наличие тела анализа и опре­деление понятия логического вывода, позволяющее получить формальным путем новые знания.

Однако им свойственны и недостатки: чрезмерный уро­вень формализации знаний; слабая наглядность, трудность про­чтения логических формул и сложность их понимания; низкая производительность СИИ при обработке знаний и большая тре­буемая память; отсутствие выразительных средств для отраже­ния особенностей ПрО и структурирования знаний; громоздкость при описании больших объемов знаний.

Логические модели в силу присущих им недостатков самосто­ятельно применяются в СИИ крайне редко. Обычно они исполь­зуются в сочетании с другими МПЗ.

Продукционныемодели. Продукционные правила (продукции) задаются в виде выражений:

ЕСЛИ условие ТО действие;

ЕСЛИ причина ТО следствие;

ЕСЛИ ситуации ТО решение.

Суть этих выражений заключается в том, что если выполняет­ся условие, то нужно произвести некоторое действие. Продукци­онные модели могут быть реализованы как процедурно, так и декларативно. В процедурных системах присутствуют три ком­понента: база данных, некоторое число продукционных правил, состоящих из условий и действий, а также интерпретатор, кото­рый последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. В базе данных хранятся известные факты выбранной ПрО.

Продукционные правила (продукции) содержат специфичес­кие знания предметной области о том, какие еще дополнитель­ные факты могут быть учтены, есть ли специфические данные в базе данных. В системах искусственного интеллекта, построенных на использовании продукционных МПЗ, база данных представ­ляет собой переменную часть, а правила и интерпретатор не из­меняются. Благодаря свойству модульности, присущему продук­ционным МПЗ, можно добавлять и изменять знания (правила, факты). Поэтому продукционные МПЗ применяются в ПрО, где нет четкой логики и задачи решаются на основе независимых правил (эвристик).

Правила продукции несут информацию о последовательнос­ти целенаправленных действий.

Продукционные модели благодаря причинно-следственному характеру правил (продукций) хорошо отражают прагматичес­кую составляющую знаний.

СИИ продукционного типа проявляют свои сильные сторо­ны, если решается небольшая задача. При увеличении объема зна­ний эффективность СИИ падает.

Следующим шагом на пути выявления структуры, присущей зна­ниям, являются модели, в которых в явной форме выделяются все отношения, образующие эту структуру, с описанием их семантики.

Семантические сети основываются на результатах изучения организации долговременной памяти человека. Характерной осо­бенностью для семантических сетей является то, что они для об­разования своей структуры используют два компонента — поня­тия и отношения. Вершинам сети соответствуют понятия (объек­ты, события, процессы, явления), а дугам, их соединяющим, — отношения между понятиями.

В зависимости от структуры узлов и характера отношений между ними различают следующие сети: простые, иерархические, однородные и неоднородные. Последние делятся на функциональ­ные сети, сценарии и семантические сети.

В семантических сетях знания представлены в терминах есте­ственного языка и отношений между ними (элемент — класс; класс — подкласс; функциональные дуги).

Основные характеристики семантических сетей:

♦ объекты описываются на естественном языке;

♦ все знания накапливаются в относительно однородной структуре памяти;

♦ на сетях определяются унифицированные отношения меж­ду объектами, которым соответствуют унифицированные мето­ды вывода;

♦ методы вывода в соответствии с запросами определяют уча­стки семантического знания, имеющего отношение к поставлен­ной задаче, формулируя акт понимания запроса и некоторую цепь выводов, соответствующих решению задачи.

Семантические сети обладают следующими м и: повышенной гибкостью за счет наличия свойств ассоциатив­ности и иерархичности; гармоничным и естественным сочетани­ем декларативного и процедурного, синтаксического и семанти­ческого знания; наглядностью отображения объектов, связей, отношений в силу присущей им возможности графической нота­ции; легкой читаемостью и понимаемостью знаний; высокой сте­пенью структуризации знаний.

Среди недостатков сетевого представления выделяют: сложность и трудность разработки алгоритмов их анализа ввиду нерегулярности структуры и большого количества дуг, несущих синтаксическую информацию; пассивность структуры сети, для обработки которой необходим сложный аппарат формального вывода и планирования; разнообразие типов вершин и связей, произвольность структуры, требующей большого разнообразия процедур обработки; трудность представления и обработки не­точных и противоречивых знаний.

В целом семантические сети позволяют представлять семан­тику а также осуществлять за наличия связей и отно­шений между понятиями целевую ориентацию и таким образом отражать прагматическую составляющую знаний.

В связи с указанными недостатками предприняты попытки усо­вершенствования семантических сетей, которые в основном наце­лены на организацию процессов обобщения в сети, решение про­блемы поиска и повышения их изобразительных возможностей.

Фреймы — это особые познавательные структуры, дающие целостное представление о явлениях и их типах. Фреймы отра­жают концептуальную основу организации памяти человека.

Структура фрейма имеет вид:

где / — имя фрейма;

Ук — имя слота;

Цк — значение слота;

Рк — процедура (необязательный элемент).

Слоты — это некоторые структурные элементы фрейма, за­полнение которых приводит к тому, что фрейм ставится в соот­ветствие некоторой ситуации, явлению, объекту или процессу. В качестве слота может быть указано имя другого фрейма.

Значениями слота могут быть конкретные данные, процеду­ры и даже продукция. Слот может быть пустым (незаполненным).

Из всех ранее рассмотренных МПЗ только фреймам свойствен­ны высокая структурируемость, внутренняя интерпретируемость посредством имен и значений и связность слотов и их значений. Кроме того, фреймы обладают высокой наглядностью и модуль­ностью, объединяют достоинства декларативного и процедурного представления знаний. Однако фреймы наиболее эффективны при обработке семантической составляющей знаний. У фреймов, как и у семантических сетей, отсутствуют универсальные процедуры их обработки, что приводит к неэффективному использованию ресурсов вычислительной техники (памяти и быстродействия).

Рассмотренные МПЗ наследуют ряд структур данных и явля­ются в некотором смысле их разновидностями, хотя ются в СИИ для обработки знаний.

Общими слабыми сторонами моделей представления знаний являются ограниченные выразительные возможности для описа­ния экспертных знаний, невозможность описания знаний слож­ной структуры, недостаточная эффективность нотации (вычис­лительная эффективность).

Одной из попыток расширения возможностей СИИ является использование сочетания различных МПЗ: фреймов и продукций (продукционные правила в слотах фрейма являются формой при­соединения к фрейму процедурных знаний); семантических сетей и логических моделей; семантических сетей и продукций. Однако простое объединение в одной базе знаний нескольких МПЗ, по­лучивших название комбинированных или смешанных, как прави­ло, малоэффективно. Различные МПЗ не обязательно несовмес­тимы друг с другом, однако они отличаются по степени соответ­ствия конкретным внутренним представлениям эксперта.

Сейчас ведется поиск новых МПЗ, базирующихся на идеях, отличных от формальной системы или сети понятий, ориентиру­ющихся на языковые конструкции (семантику естественного языка).

<< | >>
Источник: Т.П. Барановская, В.И. Лойко, М.И. Семенов, А.И. Трубилин. Информационные системы и технологии в экономике: Учебник. - 2-е изд., доп. и перераб. Под ред. В.И. Лойко. - М.: Финансы и статистика, - 416 с: ил.. 2005

Еще по теме 7.2. МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ:

  1. 4.2.2. Классификация методов представления знаний
  2. ИНФОРМАЦИОННЫЙ ПРОЦЕСС ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
  3. 7.3.3. ПОВЫШЕНИЕ ЭФФЕКТИВНОСТИ ПРОЦЕССА ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
  4. 4.2. Методы представления знаний
  5. Глава 7. ИНФОРМАЦИОННЫЙ ПРОЦЕСС ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
  6. 7.3. ПРИОБРЕТЕНИЕ И ФОРМАЛИЗАЦИЯ ЗНАНИЙ 7.3.1. ЭЛЕМЕНТЫ ТЕХНОЛОГИИ ПРИОБРЕТЕНИЯ ЗНАНИЙ
  7. 83. ВИДЫ ПРЕДСТАВЛЕНИЙ. КЛАССИФИКАЦИЯ ПРЕДСТАВЛЕНИЙ ПО СТЕПЕНИ ОБОБЩЕННОСТИ
  8. 81. ВИДЫ ПРЕДСТАВЛЕНИЙ. ЗРИТЕЛЬНОЕ И СЛУХОВОЕ ПРЕДСТАВЛЕНИЕ
  9. 82. ВИДЫ ПРЕДСТАВЛЕНИЙ. ДВИГАТЕЛЬНОЕ И ПРОСТРАНСТВЕННОЕ ПРЕДСТАВЛЕНИЕ
  10. Взаимосвязь моделей АБ-АБ и 1Б-ЬМ. Основные переменные и уравнения модели 1Б-1*М. Вывод кривых /5 и ЬМ. Наклон и сдвиг кривых 1Б и ЬМ. Равновесие в модели 1Б-ЬМ
  11. 6.1.2. Расчетно-логические системы с базами знаний
  12. 7.3.2. МЕТОДЫ ПРИОБРЕТЕНИЯ ЗНАНИЙ
  13. 3.3.3 Передача знаний
  14. 7.1. СВОЙСТВА И ТИПЫ ЗНАНИЙ
  15. Информационные системы с базами знаний
  16. 39. ПРИМЕНЕНИЕ ЗНАНИЙ, УМЕНИЙ И НАВЫКОВ
  17. 6.1. Интеллектуальные системы6.1.1. Предыстория моделирования знаний
  18. 87. ОБЩАЯ МЕТОДИКА ФОРМИРОВАНИЯ ЗНАНИЙ