Представления знаний в интеллектуальных системах, экспертные системы / Хабр

Введение

В повседневной жизни, порой не замечая этого, человек постоянно обрабатывает ин-формацию: получает ее, запоминает, вспоминает, делает выводы, анализирует, вно-сит поправки в свои суждения, строит на основе полученных знаний и предположе-ний свое поведение.

Поэтому логично предположить, что, задавшись целью создать искусственный интеллект равный по мощности (или даже превосходящий) челове-ческому, захочется наделить этот новый разум аналогичными способностями (как минимум) к восприятию окружающей среды, речи, анализу ситуации, построению выводов, предположений, обладанию «характером», памятью.

Некоторые из этих пунктов весьма и весьма спорны, однако, все во многом зависит от того, какими именно чертами мы хотим наделить искусственный интеллект. Так, например, ими-тация характера и настроения совсем не обязательна и может даже мешать дости-жению поставленных целей и объективной оценке, в то время как для прохождения теста Тьюринга она может быть необходима.

Но среди перечисленных «способностей» есть несколько, которые качественно от-личали бы искусственный разум от простого суперкомпьютера. Они касаются по-лучения и обработки информации, умения пользоваться полученными знаниями и применять их.

Таким образом мы подходим к одной из основных проблем — как «научить» машину хранить и обрабатывать знания, не пользуясь помощью человека в их подготовке, а получая их на основе собственной деятельности. Эта проблема решается 6 различ-ными направлениями в теории искусственного интеллекта:

1) Представление знаний.

2) Манипулирование знаниями.

3) Общение.

4) Восприятие.

5) Обучение.

6) Поведение.

Рассмотрим первую из них, а именно — представление знаний.

1. Данные, информация и знания

Прежде, чем рассуждать о представлении знаний в доступном и «понятном» машине виде, требуется определиться с терминологией. Это в достаточной степени проблема-тично, так как такие термины, как «информация», «данные» и «знания» не имеют четкого определения, а то множество определений, что были созданы человечеством, иногда не просто частично пересекаются, а даже противоречат одно другому. Пере-числим некоторые из них, которые более точно описывают нашу предметную об-

Таким образом, мы получаем следующие закономерности:

имеют смысл

проверенная

При этом на данной диаграмме при движении слева направо уменьшается формали-зованность представления. И стоящая перед нами задача — представление знаний, самой неформальной сущности.

2.2. Классификация знаний

Можно найти и другие критерии для классификации знаний, но уже этого достаточ-но, чтобы показать разнородность человеческих знаний. Так, эмпирическое знание может быть одновременно и процедурным и личностным.

Логично предположить, что для описания той или иной категории лучше подходят определенные средства, в то время как другие значительно понижают эффектив-ность хранения и/или использования. Остановимся на общих моментах, абстрагиро-вавшись от вида категории знаний.

3. Особенности представления знаний внутри ИС

Представление знаний в памяти ЭВМ или на внешних носителях должно иметь осо-бенности, отличающие знания от данных, например, такие как:

конвертируемость.

Сперва следует отдельно указать, что обрабатываемой единицей для знаний является факт, а не запись данных. Факт — это некоторая запись, наделенная семантикой.

Теперь рассмотрим каждый вышеобозначенный пункт в отдельности. Внутренняя интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в кото-рых это имя упомянуто. Роль «имени» может выполнять набор аттрибутов.

Структурированность. Информационные единицы должны обладать гибкой струк-турой. Для них может выполняться рекурсия—вложимость одних информационных единиц в другие. Иначе говоря, должна существовать возможность произвольно-го установления между отдельными информационными единицами отношений типа «часть—целое», «род—вид» или «элемент—класс».

Связность. Между информационными единицами должна быть предусмотрена воз-можность установления связей различного типа. Семантика отношений может носить декларативный или процедурный характер. Например, две и более информацион-ные единицы могут быть связаны отношением «одновременно», две информационные единицы — отношением «причина—следствие» или «быть рядом».

Семантическая метрика. На множестве информационных единиц в некоторых слу-чаях полезно задавать отношение, характеризующее их ситуационную близость, т.е. силу ассоциативной связи. Отношение релевантности при работе с информационны-ми единицами позволяет находить знания, близкие к уже найденным, но не имеющие с ними прямой связи.

Активность. Данные обычно пассивны и используются командами в случае необхо-димости. Для ИС выполнение программ должно наоборот инициироваться текущим состоянием системы.

Конвертируемость. Содержание знаний не должно зависить от его записи. Поэтому форма представления, уровень детализации и степень неопределенности информации о предметной области может трансформироваться в процессе перехода к очередному этапу решения интеллектуальной задачи. Это свойство, в отличие от предыдущих, отражает динамичность знаний и связано с обучением системы.

4. Модели представления знаний

Среди множества разработанных моделей представления знаний можно выделить два основных подхода: эмпирический и теоретический.

Эмпирический подход основывается на исследовании сознания человека, изучении

принципов организации памяти и моделировании механизмов решения задач. Другой подход — теоретический, можно также назвать теоретически обоснованным. Он «гарантирует» правильность решений. В рамках этого подхода до настоящего времени удавалось решать только сравнительно простые задачи из узкой предметной

области. Кроме моделей, разработанных в рамках каждого из этих подходов, отдельно вы-деляют (относя к обоим подходом сразу) бионическое направление, представленное генетическими алгоритмами и нейронными сетями.

В каждом подходе мы увидим свое отношение и к тому, что является знанием, и к тому, как его представлять. Если в теоретических моделях знания строго формали-зованы, то эмпирические призваны дать некоторую свободу. Однако, ценой за эту свободу будет потенциальная невыводимость некоторых решений и невозможность найти ответ на поставленный вопрос, когда теоретические модели это гарантируют.

Рассмотрим каждую из моделей.

4.2. Логическая модель

Вся информация в логической модели рассматривается как совокупность фактов и связывающих их утверждений, которые представляются как формулы в некоторой логике. Знания при этом представляются набором подобных утверждений, а постро-ение выводов и получение новых знаний сводится к реализации процедуры логиче-ского вывода. Этот процесс может быть строго формализован, так как в его основе лежит классический аппарат математической логики.

Сложности могут возникнуть при описании неоднородных миров (объекты относятся к разным категориям и их связывают различные отношения). Для преодоления этой и других сложностей в конкретных предметных областях используют расширенные модели, использующие нечеткую логику, оперирующие эмпирическими кванторами.

Такие расширенные модели объединяют возможности логического и лингвистиче-ского подходов, в результате чего называются логико-лингвистическими моделями данной предметной области.

4.3. Сетевая модель

Сетевая модель (или семантическая сеть) в инженерии знаний представляется на-правленным графом, узлы которого соответствуют понятиям и объектам, а дуги — отношениям между ними. В сетевой модели основными отношениями являются is-a и part-of, с помощью которых можно описать большой объем знаний.

Семантическая сеть позволяет снизить объем хранимых данных, обеспечивает реали-зацию ассоциативных связей. Проблема гибкости модели и существования бесконеч-ного множества возможных связей решается добавлением новых типов отношений. В проектах, посвященных моделированию человеческой памяти, также было предло-жено при использовании расширяемой подобным образом семантической сети также строить модель, хранящую все типы соединений и отношения подобия и взаимоза-меняемости между ними.

4.4. Формальные грамматики

Форальная грамматика (теория) состоит из алфавита (словаря), множества синтак-сических правил, которые позволяют определить истинность или ложность выраже-ний, построенных в данном языке, базовой системы подобных выражений, которые всегда истинны и называются аксиомами, множества правил вывода, позволяющих преобразовывать одно выражение в другое.

В основе этой модели лежит исчисление высказываний, которое можно считать клас-сическим примером аксиоматических систем. Эта система хорошо исследована и име-ет разработанную модель логического вывода. Эти свойства переносятся и на модель, ее использующую.

Главным недостатком является отсутствие гибкости системы. В случае модифика-ции или расширения модели может потребоваться перестроить всю систему, что для практических систем неприемлемо. Как следствие, формальные грамматики исполь-зуются в тех предметных областях, которые хорошо локализуются и мало зависят от внешних факторов.

4.5. Фреймовые модели

Фреймовая модель основана на концепции Марвина Мински — профессора Массачу-сетского технологического института, основателя лаборатории искусственного интел-лекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Сам фрейм представляет собой структуру данных для представления некоторого объекта. Информация, относящаяся к фрейму, содержится в составляющих его сло-тах. Значением слота может быть практически что угодно: числа или математиче-ские соотношения, тексты на естественном языке или программы, правила вывода (в случае терминального слота), либо ссылки на другие фреймы. Это позволяет ре-ализовать систему отношений между фреймами и даже рекурсию.

Каждый фрейм состоит из произвольного числа слотов, причем несколько из них обычно определяются самой системой для выполнения специфических функций, а остальные определяются пользователем.

Иерархия фреймов может описывать либо объект (тогда фреймы — составные ча-сти объекта, а слоты описывают его свойства), либо ситуацию или процесс (тогда фреймы — факты или этапы, а в слотах содержатся еще и вызываемые процедуры).

4.8. Алгебраические модели

Алгебраическая модель подразумевает представление знаний в виде некоторых ал-гебраических примитивов, над которыми определено множество действий (некоторые из которых можно задать таблично). Для набора знаний представленного в таком виде действуют правила алгебраических множеств, такие как аксиоматизация, опре-деление подсистем и отношений эквивалентности. Также возможно построение цепей множеств (множества, для которых определен порядок отношения «быть подсисте-мой»).

Изначально предполагалось использовать подобную модель в качестве формализо-ванной системы построения аналогий (за счет определения эквивалентности). Одна-ко, на эту формальную модель очень сложно отобразить весь набор знаний, поэтому от этой идеи отказались.

4.9. Нейронные сети, генетические алгоритмы

Эти модели нельзя строго отнести к эмпирическому или теоретическому подходам. Их относят, как было сказано ранее, к бионическому направлению. Оно основывается на предположении о том, что если в искусственной системе воспроизвести структуры и процессы человеческого мозга, то и результаты решения задач такой системой будут подобны результатам, получаемым человеком.

Так, в нейронных сетях моделируются персептроны и их поведение, призванные ско-пировать дейтельность мозга, а генетические алгоритмы несут в себе принципы есте-ственного отбора и эволюции (за счет внесения изменений через мутации и смешение наследственностей).

Особенностью моделей этого типа является широкое использование эвристик, что в каждом случае требует доказательства правильности получаемых решений.

Кафедра вычислительной математики и программирования

Реферат на тему «Представление знаний»

Преподаватель: Д. В. Сошников Студент: Ю. М. Сергукова Группа: 08-406

Москва, 2021

Содержание

1 Введение 2

2 Представление знаний. Теоретическая часть 3

Данные,информацияизнания …………………… 3
Классификациязнаний ………………………. 4
ОсобенностипредставлениязнанийвнутриИС ………….. 4

Моделипредставлениязнаний ……………………

6

Продукционнаямодель …………………… 7
Логическаямодель …………………….. 7
Сетеваямодель ……………………….. 8
Формальныеграмматики ………………….. 8
Фреймовыемодели …………………….. 8
Комбинаторныемодели …………………… 9
Ленемы ……………………………

Классификация моделей представления знаний. контрольная работа. информационные технологии. 2021-05-20

Модели представления знаний

Продукционная мпз

В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):IF <условие>, THEN <действие>Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR.

Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример: IF температура реактора подымается THEN добавить стержни в реакторВ базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи.

Среды разработки продукционных систем(clips)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.Пример:

(defrule bronchitis    // deftule зарезервированное слово, которое вводит новое правило за ним следует название правила
(symptoms (temperature 39) (cough true)(pressure "110-130"))  //симптом с температурой 39, наличием кашля, и давлением 110-130
=> (printout t "Диагноз - бронхит" crlf))   //это симптомы бронхита

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.В 80-ых годах появляются профессия – инженер по знаниям.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем.

Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Языки разработки фреймовых моделей (frame representation language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

(frame Room // вводим новый фрейм Room
     (windows (value(4), demon(open))) //Слот windows со значением 4 и демоном open
     (doors (value(1), demon(open))) //Слот doors со значением 1 и демоном open
     (conditioners (value(2), demon(turn on))) //Слот conditioners со значением 2 и демоном turn on
     (sokets (value(10), demon(turn on))) //Слот sokets со значением 10 и демоном turn on
)

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Заключение

Мы рассмотрели основные подходы к построению моделей представления знаний. У каждой из них есть свои достоинства и свои недостатки, которые делают каждую из них наиболее эффективной в конкретной области и при определенных условиях.

Однако, после рассмотрения этих моделей становится очевидно, что создание интел-лекта, подобного человеческому в плане самостоятельных обработки информации и использования знаний, пока невозможно. По крайней мере, не в чистых моделях. Логично предположитель, что требуется совместить некоторые из этих моделей для получения основных качеств, свойственных человеческому разуму.

Но даже в случае создания подобного интеллекта останется еще несколько качеств, которые практически невозможно запрограммировать (о чем неоднократно говорят, например, создатели и исследователи экспертных систем) — такие как неординар-ность мышления и способность к творчеству, умение строить предположения и до-гадки, создавать теории и идеи. И, как ни странно, именно эти качества в свое время подтолкнули человечество к идее создания искусственного интеллекта.