Искусственный интеллект и экспертные системы

Связность.

 

В информационной базе между  информационными единицами должна быть предусмотрена возможность  установления связей различного типа. Прежде всего эти связи могут характеризовать отношения между информационными единицами. Например: две или более информационные единицы могут быть связаны отношением «одновременно», две информационные единицы - отношением «причина – следствие» или отношением «быть рядом». Приведенные отношения характеризуют декларативные знания. Если между двумя информационными единицами установлено отношение «аргумент – функция», то он характеризует процедурное знание, связанное с вычислением определенных функций. Существуют - отношения структуризации, функциональные отношения, каузальные отношения и семантические отношения. С помощью первых задаются иерархии информационных единиц, вторые несут процедурную информацию, позволяющие вычислять (находить) одни информационные единицы через другие, третьи задают причинно следственные связи, четвертые соответствуют всем остальным отношениям.

Перечисленные три особенности  знаний позволяют ввести общую модель представления знаний, которую можно  назвать семантической сетью, представляющей собой иерархическую сеть в вершинах которой находятся информационные единицы.

Семантическая метрика.

 

На множестве информационных единиц в некоторых случаях полезно  задавать отношение, характеризующее  информационную близость информационных единиц, т.е. силу ассоциативной связи  между информационными единицами. Его можно было бы назвать отношением релевантности для информационных единиц. Такое отношение дает возможность  выделять в информационной базе некоторые  типовые ситуации (например «покупка», «регулирование движения»). Отношение  релевантности при работе с информационными  единицами позволяет находить знания близкие к уже найденным.

Активность.

 

С момента появления ЭВМ  и разделения используемых в ней информационных единиц на данные и команды создалась ситуация, при которой данные пассивны, а команды активны. Все процессы протекающие в ЭВМ инициируются командами, а данные используются этими командами лишь в случае необходимости. Для ИС эта ситуация неприемлема. Как и у человека, в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов или описание событий, установление связей может стать источником активности системы.

 

    Также знания  можно разделить на:

Поверхностные – знания о видимых взаимосвязях между  отдельными событиями и фактами  предметной области;

Глубинные – абстракции, аналогии, схемы отображающие структуру  и процессы в предметной области.

 

    Современные экспертные  системы работают в основном  с поверхностными знаниями. Это  связано с тем, что на данный  момент нет адекватных моделей,  позволяющих работать с глубинными  знаниями.

3.2 Модели представления  знаний.

    Одной из наиболее  важных проблем, характерных для  систем, основанных на знаниях,  является проблема представления  знаний. Это объясняется тем, что  форма представления знаний оказывает  существенное влияние на характеристики  и свойства системы. Для того  чтобы манипулировать всевозможными  знаниями из реального мира  с помощью компьютера, необходимо  осуществлять их моделирование.  В таких случаях необходимо  отличать знания, предназначенные  для обработки компьютером, от  знаний, используемых человеком. 

    При проектировании  модели представления знаний  следует учитывать такие факторы,  как однородность представления  и простота понимания. Однородное  представление приводит к упрощению  механизма управления логическим  выводом и упрощению управления  знаниями. Представление знаний  должно быть понятным экспертам  и пользователям системы. В  противном случае затрудняются  приобретение знаний и их оценка. Однако выполнить это требование  в равной степени, как для  простых, так и для сложных  задач довольно трудно. Обычно для несложных задач останавливаются на некотором среднем (компромиссном) представлении, но для решения сложных и больших задач необходимы структурирование и модульное представление.

 

    Типичными моделями  представления знаний являются:

Продукционная модель;

Модель, основанная на использовании  фреймов;

Модель семантической  сети;

Логическая модель.

 

Продукционная модель.

 

    Продукционная  модель - модель, основанная на правилах, позволяющая представить знания  в виде предложений типа: Если (условие), то (действие). Идея этого  метода принадлежит Э. Посту  (1943).

    В качестве  условия и действия в правилах  может быть, например, предположение  о наличии того или иного  свойства, принимающее значение  истина или ложь. При этом термин  действие следует трактовать  широко: это может быть как  директива к выполнению какой-либо  операции, рекомендация, или модификация  базы знаний – предположение  о наличии какого-либо производного  свойства.

    При использовании  продукционной модели база знаний  состоит из набора правил. Программа,  управляющая перебором правил, называется  машиной вывода. Чаще всего вывод  бывает прямой (от данных к  поиску цели) или обратный (от  цели для ее подтверждения  - к данным). Данные - это исходные  факты, на основании которых  запускается машина вывода - программа,  перебирающая правила из базы.

 

    Примером продукции  может служить следующее выражение: 

 

        ЕСЛИ  клиент работает на одном месте  более двух лет, 

        ТО  клиент имеет постоянную работу.[11]

 

    Как условие,  так и действие правила могут  учитывать несколько выражений,  объединенных логическими связками И, ИЛИ, НЕ:

 

        ЕСЛИ  клиент имеет постоянную работу 

        И  клиенту более 18 лет 

        И  клиент НЕ имеет финансовых  обязательств,

        ТО  клиент может претендовать на  получение кредита.[11]

 

    Помимо продукционных  правил база знаний должна  включать и простые факты, поступающие  в систему через интерфейс  пользователя или выводимые в  процессе поиска решения задачи. Факты являются простыми утверждениями  типа «клиент работает на одном  месте более двух лет». И когда  в процессе интерпретации правил  машиной вывода какой-либо факт  согласуется с частью правила  ЕСЛИ, то выполняется действие, определяемое  частью ТО этого правила. Новые  факты, добавляемые в базу знаний  в результате действий, описанных  в правилах, также могут быть  использованы для сопоставления с частями ЕСЛИ других правил. Последовательное сопоставление частей правил ЕСЛИ с фактами порождает цепочку вывода. Цепочка вывода, полученная в результате последовательного выполнения правил П1 и П2 показана ниже (см. Рисунок 1. Пример цепочки вывода.). Эта цепочка показывает, как на основании правил и исходных фактов выводится заключение о возможности получения кредита. Цепочки вывода экспертной системы могут быть предъявлены пользователю и помогают понять, как было получено решение.

 

 

 

Рисунок 1. Пример цепочки  вывода.[11]

 

    Представления  знаний в виде продукций наиболее  распространено в экспертных  системах, так как запись знаний  фактически ведется на подмножестве  естественного языка. 

    Продукционная  модель чаще всего применяется  в промышленных экспертных системах, которые называют продукционными. Она привлекает разработчиков  своей наглядностью, высокой модульностью, легкостью внесения дополнений  и изменений и простотой механизма  логического вывода.

 

Фреймовая модель.

 

    Впервые термин  «фрейм» был предложен в 70-е  годы Марвином Минским [12], который определил его следующим образом:

    «Фрейм – это  структура данных, представляющая  стереотипную ситуацию, вроде нахождения  внутри некоторого рода жилой  комнаты, или сбора на вечеринку  по поводу дня рождения ребенка.  К каждому фрейму присоединяется  несколько видов информации. Часть  этой информации – о том,  как использовать фрейм. Часть  о том, чего можно ожидать  далее. Часть о том, что следует  делать, если эти ожидания не  подтвердятся». 

    Фрейм - это  минимальное возможное описание  сущности какого-либо явления,  события, ситуации, процесса или  объекта. Минимальность означает, что при дальнейшем упрощении  описания теряется его полнота,  она перестает определять ту  единицу знаний, для которой предназначено.  Например, слово "комната" вызывает  у слушающих образ комнаты: "жилое  помещение с четырьмя стенами,  полом, потолком, окнами и дверью, площадью 6-20 м2 ". Из этого описания ничего нельзя убрать (например, убрав окна мы получим уже чулан, а не комнату), но в нем есть "дырки", - это незаполненные значения некоторых атрибутов - количество окон, цвет стен, высота потолка. покрытие пола и др. [11].     В теории фреймов такой образ называется фреймом.

    Фрейм имеет  определенную структуру, состоящую  из множества элементов – слотов. Каждый слот в свою очередь,  представляется определенной структурой  данных, процедурой, или может быть  связан с другим фреймом. 

 

    Структуру фрейма  можно представить так: 

 

ИМЯ ФРЕЙМА :

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

- - - -

(имя N-го слота: значение N-гo слота).

 

    Ту же запись  представим в виде таблицы,  дополнив двумя столбцами. 

 

 

 

    В таблице дополнительные  столбцы предназначены для описания  типа слота и возможного присоединения  к тому или иному слоту специальных  процедур, что допускается в теории  фреймов. Эти процедуры в литературе  иногда именуются «демонами». Со  слотом можно связать любое  количество процедур, но наиболее  часто используются следующие:

Процедура на событие «если  добавлено» (IF-REMOVED). Выполняется, когда  новая информация записывается в  слот.

Процедура на событие «если  удалено» (IF-ADDED). Выполняется, когда  информация удаляется из слота.

Процедура на событие «по  требованию» (IF-NEEDED). Выполняется, когда  запрашивается информация из пустого  слота.

 

    В качестве  значения слота может выступать  имя другого фрейма; так образуют  сети фреймов. 

    Различают фреймы-образцы,  или прототипы, хранящиеся в  базе знаний, и фреймы-экземпляры, которые создаются для отображения  реальных ситуаций на основе  поступающих данных. Прототип –  это уже не абстрактный образ,  а наиболее типичный представитель  своего класса, с обобщенными,  но вполне конкретными, значениями  своих свойств. Например, прототип  понятия четырехугольник можно  определить как фигуру, имеющую  четыре угла.

    Модель фрейма  является достаточно универсальной,  поскольку позволяет отобразить  все многообразие знаний о  мире через:

 

фреймы-структуры, для обозначения  объектов и понятий (заем, залог, вексель);

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

 

    Важнейшим свойством  теории фреймов является заимствованное  из теории семантических сетей  наследование свойств. И во  фреймах, и в семантических  сетях наследование происходит  по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, список и значения слотов. Возможно наследование свойств от нескольких прототипов. Такой вид наследования получи название «множественное наследование».

    В качестве примера можно рассмотреть формирование понятия заказ товара (см. Рисунок 2. Пример описания знаний с помощью фреймов.).

 

 

 

Рисунок 2. Пример описания знаний с помощью фреймов.[11]

 

    Основным преимуществом  фреймов как модели представления  знаний является способность  отражать концептуальную основу  организации памяти человека, а  также гибкость и наглядность.

Модель семантической  сети.

 

    Одним из способов  представления знаний является  семантическая сеть. Изначально  семантическая сеть была задумана  как модель преставления структуры  долговременной памяти в психологии, но в последствии стала одним из основных способов представления знаний в инженерии знаний.

    В основе сетевых  моделей представления знаний  лежит идея о том, что любые  знания можно представить в  виде совокупности объектов (понятий)  и связей (отношений) между ними. В отличие от продукционных эти модели более наглядны, поскольку любой пример можно представить в виде ориентированного (направленного) графа, вершины которого - понятия, а дуги - отношения между ними.