И, наконец, очень важный фактор – необходимость сохранения и распределения знаний отдельных опытных экспертов, полученных ими в процессе многолетней работы и большого практического опыта. Проблема извлечения знаний и их распределения – сегодня одна из главных проблем производственных организаций.
Таким образом, необходима автоматизация интеллектуальной деятельности человека в производственных системах управления.
Важное место в теории искусственного интеллекта занимает проблема представления знаний, являющаяся, по мнению многих исследователей, ключевой. Что же представляют собой знания и в чем их отличие от данных?
Знания представляют собой совокупность сведений (у индивидуума, общества или у системы ИИ) о мире ( конкретной предметной области, совокупности объектов или объекта), включающих в себя информацию о свойствах объектов, закономерностях процессов и явлений, правилах использования этой информации для принятия решений.
Первоначально вычислительная техника была ориентирована на обработку данных. Это было связано как с уровнем развития техники и программного обеспечения, так и со спецификой решаемых задач. Дальнейшее усложнение решаемых задач, их интеллектуализация, развитие ВТ ставят задачу создания машин обработки знаний. Существенным отличием знаний от данных является их интерпретируемость.
Если для интерпретации данных необходимы соответствующие программы и сами по себе они не несут содержательной информации, то знания всегда содержательны. Другой отличительной чертой знаний является наличие отношений, например, вида “тип-подтип“, “элемент-множество“ и т.д. Знания характеризуются наличием ситуативных связей, определяющих ситуативную совместимость отдельных событий и фактов, позволяющих устанавливать причинно-следственные связи.
Некоторые исследователи предпринимали попытки определить типы знаний, которые должны быть представлены в системах ИИ. Так, например, этот перечень может охватывать: структуру, форму, свойства, функции и возможные состояния объекта; возможные отношения между объектами, возможные события, в которых эти объекты могут участвовать; физические законы; возможные намерения, цели, планы, соглашения..
Нередко представление знаний провозглашается ядром ИИ, а исследование механизмов представления – определяющей чертой ИИ. Так, Н. Нильсон считает, что “искусственный интеллект – это наука знаний, - как представлять знания, как получать и использовать их“
Правда, единодушия в этом вопросе нет. Как показал опрос, проведенный среди 300 исследователей. Выявилось “ошеломляющее разногласие в том, что означает представление знаний…“
Можно выделить ряд общих для всех систем представления знаний (СПЗ) черт. А именно:
Все СПЗ имеют дело с двумя мирами – представляемым и представляющим. Вместе они образуют систему для представления. Существует также ряд общих для всех СПЗ проблем. К ним можно отнести, в частности, проблемы: приобретения новых знаний и их взаимодействие с уже существующими, организации ассоциативных связей, неоднозначности и выбора семантических примитивов, явности знаний и доступности, выбора соотношения декларативной и процедуральной составляющих представления, что влияет на экономичность системы, полноту, легкость кодировки и понимания.
Модели представления знаний можно условно разделить на декларативные и процедуральные.
Декларативная модель основывается на предположении, что проблема представления некоей предметной области решается независимо от того, как эти знания потом будут использоваться. Поэтому модель как бы состоит из двух частей: статических описательных структур знаний и механизма вывода, оперирующего этими структурами и практически независимого от их содержательного наполнения. При этом в какой-то степени оказываются раздельными синтаксические и семантические аспекты знания, что является определенным достоинством указанных форм представления из-за возможности достижения их определенной универсальности.
В декларативных моделях не содержатся в явном виде описания выполняемых процедур. Эти модели представляют собой обычно множество утверждений. Предметная область представляется в виде синтаксического описания ее состояния (по возможности полного). Вывод решений основывается в основном на процедурах поиска в пространстве состояний
В процедуральном представлении знания содержатся в процедурах – небольших программках, которые определяют, как выполнять специфичные действия (как поступать в специфичных ситуациях). При этом можно не описывать все возможные состояния среды или объекта для реализации вывода. Достаточно хранить некоторые начальные состояния и процедуры, генерирующие необходимые описания ситуаций и действий.
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.
Страницы: 1, 2, 3, 4
