Семантика непосредственно  заложена в описание элементов базы знаний, за счет чего повышается эффективность поиска решений. Статическая база знаний мала по сравнению с процедуральной частью. Она содержит так называемые “утверждения“, которые приемлемы в данный момент, но могут быть изменены или удалены в любой момент. Общие знания и правила вывода представлены в виде специальных целенаправленных процедур, активизирующихся по мере надобности. Процедуры могут активизировать друг друга, их выполнение может прерываться, а затем возобновляться. Возможно использование процедур - “демонов“, активизирующихся при выполнении операций введения, изменения или удаления данных.

 Средством повышения  эффективности генерации вывода в процедуральных моделях является добавление в систему знаний о  применении, т.е. знаний о том, каким образом использовать накопленные знания для решения конкретной задачи. Эти знания, как правило, тоже представляются в процедуральной форме.

 Главное преимущество процедуральных моделей представления  знаний заключается в большей  эффективности механизмов вывода за счет введения дополнительных знаний о применении, что, однако снижает их общность. Другое важное преимущество заключено в выразительной силе. Эти системы способны смоделировать практически любую модель представления знаний. Выразительная сила процедуральных систем проявляется в расширенной системе выводов, реализуемых в них. Большинство расширенных форм выводов может быть охарактеризовано понятием “предположение об отсутствии“ и сводится к схеме: “Если А (предварительное условие) – истинно и нет доказательств против В, то предложить В“. Подобные правила вывода оказываются полезными в основном в двух случаях:

1. Неполнота знаний. Если в системе представления отдельные факты не представлены или невыводимы, правила вывода позволяют гипотетически признавать их верными при условии, что в системе нет или в ней невыводимы доказательства противного.
2. Вывод в условиях ограниченности ресурсов. Из-за ограниченности ресурсов процессы вывода не могут завершиться, а должны быть оставлены для получения результатов. В этом случае правила определяют дальнейшие действия системы.

 Системы представления, содержащие подобные правила, оказываются  немонотонными, т.е. добавление новых  утверждений может запретить  генерацию вывода, который первоначально  мог быть получен. Добавление новых фактов может привести к возникновению противоречий. В некоторых системах кроме самих утверждений содержатся также записи причин, по которым были приняты эти утверждения. При добавлении новых фактов осуществляется проверка того, сохраняются ли справедливость утверждений и соответствие причинам. 

 Рассмотрим  различные формы моделей представления  знаний.

 Продукционные модели представляют собой набор  правил в виде “условие - действие“, где условия являются утверждениями  о содержимом БД (фактов), а действия есть некоторые процедуры, которые могут модифицировать содержимое БД. Продукционные модели из-за модульного представления знаний, легкого расширения и модификации нашли широкое применение в экспертных системах.

 Другая важная схема представления знаний – семантические сети, представляющие собой направленный граф, в котором вершинам ставятся в соответствие конкретные объекты, а дугам, их связывающим, - семантические отношения между этими объектами. Семантические сети могут использоваться как для декларативных, так и для процедуральных знаний.

 Перспективной формой представления знаний являются фреймы, которые быстро завоевали  популярность у разработчиков систем ИИ благодаря своей универсальности  и гибкости.

 Принципиальным  методом для логического представления знаний является использование логики предикатов первого порядка (исчисление предикатов). При таком подходе знания о некоторой предметной области могут рассматриваться как совокупность логических формул. Изменения в модели представления знаний происходят в результате добавления или удаления логических формул.

 В редукционных моделях осуществляется декомпозиция исходной задачи на ряд подзадач, решая  которые последовательно определяют решение поставленной задачи.

 Логические  представления легки для понимания и располагают правилами вывода, необходимыми для операций над ними. Однако в логических моделях представление знаний отношения между элементами знаний выражаются ограниченным набором средств используемой формальной системы, что не позволяет в полной мере отразить специфику предметной области. Недостатком логического представления является также тенденция потреблять большие объемы памяти ЭВМ.

 Ряд понятий  человеческих знаний оказывается трудно, а иногда и невозможно описать  количественно, используя детерминированные или стохастические методы. Трудности возникают при создании моделей не полностью определенных, неточных, нечетких знаний. Это связано с тем, что человеческому мышлению присуща лингвистическая неопределенность; знания и понятия, которыми оперирует человек, часто имеют качественную природу, они ситуативны, бывают неполными. Для формализации знаний такого типа используется аппарат теории нечетких множеств, создание которого связано с именем известного американского ученого Л. Заде.

 Неточность, неопределенность или неполнота, заключенные в смысловых значениях или выводах, присущи естественным языкам с их сложной структурой и многообразием понятий. Различают несколько типов неопределенности в прикладных системах ИИ. Первый связан с ненадежностью исходной информации – неточность измерений, неопределенность понятий и терминов, неуверенностью экспертов в своих заключениях.

Второй –  обусловлен нечеткостью языка представления  правил, например в экспертных системах. Неопределенность возникает также, когда вывод в ПСИИ базируется на неполной информации, т.е. нечетких посылках. Еще один тип неопределенности может появляться при агрегации правил, исходящих от разных источников знаний или от разных экспертов. Эти правила могут быть противоречивыми или избыточными.

 В заключение необходимо отметить, что деление  моделей представления знаний на декларативные и процедуральные весьма условно, так как в реальных системах представления знаний используются в равной мере элементы и сочетания  всех указанных выше форм моделей представления знаний.

3. Архитектура ПСИИ

3.1. Структура ПСИИ

   Говоря  об архитектуре систем ИИ, прежде всего  понимают организацию структуры, в  рамках которой происходило бы применение знаний и решение проблем в  конкретной предметной области. Выбор соответствующей структуры, свойства и функции компонентов систем ИИ, в особенности производственных, определяется и направляется формулируемыми принципами инженерии знаний. На формирование этих принципов в значительной степени оказывают влияние, как специфика предметной области, так и характер задач и функций, решение которых возлагается на ПСИИ.

   В зависимости  от характера выполняемых функций  и области действий эксперты выполняют  несколько характерных задач, которые  являются типичными. Эти задачи следующие: интерпретация, планирование, управление, проектирование, диспетчирование и мониторинг, прогнозирование, диагностика. А главное – эксперт способен обновлять свои знания, объяснять действия, обосновывать решения, прогнозировать развитие ситуаций, активно взаимодействовать с внешней средой и воспринимать информацию различного характера, получать решения на основе имеющихся знаний, хранить в памяти необходимую информацию и фактографические данные.

   Таким образом, чтобы создать систему, работающую со знаниями и способную в какой-то мере заменить эксперта или помочь ему в принятии решений при управлении производством, необходимо заложить в архитектуру системы возможности по реализации названных функций. На рисунке представлена обобщенная структура и компоненты ПСИИ, а также ее окружение.

   Структура ПСИИ представленная здесь не универсальна. Ни одна из существующих ПСИИ не содержит все компоненты. Включение тех  или иных компонентов и связей в систему в значительной степени  определяется ее назначением, функциями, предметной областью, формой взаимодействия с производственным процессом. Некоторые компоненты могут встречаться практически в каждой ПСИИ.

   Далее следует описание основных частей ПСИИ.

3.2. База знаний

 Основу –  ядро любой ПСИИ – составляют база знаний и заложенный в систему механизм вывода решений. Если говорить обобщенно, эти компоненты определяют две основные интеллектуальные характеристики системы: способность хранить знания о чем-то и умение оперировать этими знаниями. Более развитым системам, основанным на знаниях, присуща, также способность обучаться, т.е. приобретать новые знания, расширять БЗ, корректировать знания в соответствии с изменяющимися условиями и ситуацией в предметной области.

 При проектировании ПСИИ значительные усилия и время  затрачиваются на разработку БЗ, т.е. накопление знаний, создание модели представления знаний, их структурирование, заполнение БЗ и дальнейшее поддержание ее в актуальном состоянии. Прежде чем приступить к проектированию и реализации БЗ, разработчикам необходимо осмыслить и разрешить ряд вопросов, непосредственно связанных с процессом создания БЗ и ПСИИ в целом. Вот круг задач, решаемых на начальном этапе разработки (при условии, что вопрос о целесообразности разработки ПСИИ в этой области решен положительно):

 Изучение проблемной области (объекта, задач, целей), т.е. “что представлять в БЗ“ и “для чего представлять“; определение понятия “знание“ в контексте исследуемой проблемной области; выявление источников знаний, активная и кропотливая работа с ними; определение типов знаний для решения задачи; оценка на основе исследования проблемной области и характера знаний пространства поиска решений с целью выбора способа структуризации знаний и метода поиска решений (механизма вывода); определение способа структуризации знаний, т.е. того, “как представлять знания“; выбор способа представления знаний; определение структуры БЗ; определение характера взаимодействия структурных частей БЗ, а также взаимодействия ее с другими компонентами ПСИИ в процессе поиска решений; подготовка к процессу заполнения БЗ.

3.3. Механизм вывода

 Характер  поиска необходимых знаний в БЗ, способ организации вывода решений определяются стратегией управления интеллектуальной системы. Стратегия управления представляет собой средство, использующее рассуждения или осуществляющее выводы о знаниях, содержащихся в БЗ. Сформулируем более точно функции механизма вывода и стратегий управления.

 Механизм  вывода реализует общую встраиваемую схему поиска решений. Стратегии  управления обеспечивают разнообразное  управление в рамках принятой для  данной системы схемы механизма  вывода. Другими словами, стратегия управления определяет последовательность и содержание действий при реализации механизма вывода. Она может составлять часть метауровня знаний, т.к. является знанием, которое рассуждает о другом знании, содержащемся в системе.

 Наиболее часто реализуемый вариант структуры взаимодействия решающих компонентов систем ИИ включает в себя БЗ, рабочую память (глобальную БД) и управляющую структуру. Работа управляющей структуры в общем случае заключается в анализе состояния рабочей памяти и выявлении по описанию характера и типа данных в рабочей памяти в БЗ знаний (правил, объектов или фактов), соотносимых с этим описанием. Т.е. в БЗ определяется некий подходящий блок знаний (или набор блоков), готовый работать в соответствии с текущими данными рабочей памяти.

 Процесс реализации стратегии вывода проходит через  четыре основных стадии: выбор, сопоставление, разрешение конфликтов, выполнение.

3.4. Диалоговый интерфейс

 Производственные  системы ИИ функционируют в подавляющем  большинстве реализаций, а интерактивном режиме с пользователями, поэтому они должны обладать дружелюбным интерфейсом, позволяющим человеку легко и в удобной для него форме взаимодействовать с ее компонентами. Общение человека и ПСИИ могут обеспечивать и реализовывать различные программные и технические средства ввода и вывода информации. Взаимодействие пользователя с компьютером возможно посредством речи, сенсорного экрана введения текстов на естественном языке, изображений, работы с графикой, полиэкранным дисплеем, манипулятором типа ”мышь”.

 Естественной  формой общения человека с ПСИИ является язык, на котором говорит. В настоящее  время одной из проблем ИИ является развитие систем понимания ЕЯ. Языки, с помощью которых пользователь может общаться с машиной, можно  разделить на три класса: регламентированные, профессионально – ориентированные и естественные.

 При регламентированном языке система сама выбирает вариант  диалога и ведет его. Пример - ”меню” и анкетный язык. Преимущества такого способа общения – простота и  надежность. Однако жестко запланированный и заложенный в память системы сценарий диалога не может предусмотреть все возможные варианты диалога.

 Более совершенной  формой общения пользователя с системой является общение на ограниченном ЕЯ. Лексика здесь ограничена предметной областью, к которой язык отнесен. Эта форма общения исключает различные формы одного и того же слова и пользователь не может выйти за рамки словарного запаса данной системы.