ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ИНФОРМАЦИОННЫХ СИСТЕМАХ l Искусственный

ИНТЕЛЛЕКТУАЛЬНЫЕ ТЕХНОЛОГИИ В ИНФОРМАЦИОННЫХ СИСТЕМАХ

l Искусственный • • интеллект – это совокупность аппаратно-программных средств, позволяющих решать сложные задачи на основе имитации интеллектуальной деятельности человека. Искусственный интеллект позволяет имитировать следующие возможности человеческого мозга: способность к обучению; способность к обобщению; способность к адаптации; способность образного мышления.

l Одним из направлений искусственного интеллекта является работа систем, основанных на знаниях. l Знания – это выявленные закономерности предметной области (в которой работает информационная система), позволяющие решать возникающие задачи. l Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека. Знания хранятся в базе знаний.

Главная особенность баз знаний и программ их обрабатывающих заключается в том, что они способны не только выдавать на запросы пользователей сообщения, хранящиеся в памяти ЭВМ, но и формировать ответы на основе логических выводов, не хранящиеся в ЭВМ в явном виде.

l Знания могут быть квалифицированы по следующим категориям: l поверхностные – это знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области; l глубинные – это абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области. Современные экспертные системы работают с поверхностными знаниями

Также знания можно разделить на процедурные и декларативные. Процедурные знания – это знания, основанные на алгоритмах, которые обрабатывают данные. Для изменения таких знаний необходимо изменять программы, которые работают по заданным алгоритмам. l Декларативные знания сосредоточены в структурах данных, таких как таблицы, списки, абстрактные типы данных. l Декларативными знаниями считаются предложения, записанные на специальных языках представления знания, приближенных к естественному языку общения человека. l Такие языки называют также моделями знаний. l

l Существуют следующие модели представления знания, которые используются в информационных системах: l продукционные; l семантические сети: l фреймы.

l Продукционная модель знаний состоит из трех основных компонентов: § рабочая память, в которой хранятся исходные факты и результаты выводов, полученных из этих фактов; § набор правил, представляющих собой базу знаний; § механизм логического вывода, формулирующий новые факты.

l l l § § § Работа данной модели будет выглядеть следующим образом. Например, в рабочей памяти хранятся следующие исходные факты: Доля выборки записей при запросах в работающей БД составляет 9%. Используемая при работе ЭВМ – IMB PC AT. Имеется следующий набор правил: Если используется метод доступа индексный, то используемая СУБД – Access. Если используется метод доступа последовательный, то используемая СУБД – Fox. Pro. Если доля выборки записей при запросах составляет менее 10%, то метод доступа индексный.

Следует определить, какая СУБД используется, и какой метод доступа применяется. Первым будет сопоставлено условие правила 3 с фактами из рабочей памяти. В результате будет сформулирован новый факт – «Используется индексный метод доступа» . Затем будет сопоставлено условие правила 1 с фактами из рабочей памяти. В результате будет сформулирован новый факт – «Используемая СУБД при работе – Access» .

l. В результате мы получили два новых факта. Эти факты можно включить в рабочую память, в результате чего объем знаний у модели увеличится, и она сможет отвечать на новые вопросы и решать новые задачи. l Для получения вывода в приведенном примере правила применялись к фактам, записанным в рабочей памяти. В результате применения правил добавлялись новые факты в рабочую память. Такой способ действий называется прямым выводом.

Возможен также обратный вывод целей. В качестве цели выступает подтверждение истинности факта, отсутствующего в рабочей памяти. При обратном выводе исследуется возможность применения правил, подтверждающих цель, необходимые для этого дополнительные факты становятся новыми целями и процесс повторяется.

l Представление знаний в виде набора правил имеет следующие преимущества: l простота создания и понимания отдельных правил; l простота механизма логического вывода. l К недостаткам этого способа организации базы знаний относятся неясность взаимных отношений правил и отличие от человеческой структуры знаний.

l. В основе модели фреймов лежит фиксация знаний путем сопоставления новых фактов с рамками, определенными для каждого объекта в сознании человека. Структура в памяти ЭВМ, представляющая эти рамки, называется фреймом. l Фрейм представляет собой таблицу, структура и принципы организации которой являются аналогичными отношениям, которые используются в реляционных моделях данных.

l Различие заключается в следующем: § имя атрибута может в ряде случаев занимать в фрейме позицию значения; § значением атрибута может служить имя другого фрейма или имя программно реализованной процедуры.

l Структура фрейма состоит из слотов. Слот фрейма – это элемент данных, предназначенный для фиксации знаний об объекте, которому отведен данный фрейм. Каждый слот имеет следующие параметры: § уникальное имя слота; § указатель наследования, который показывает, какую информацию верхнего уровня наследуют слоты нижнего уровня; § указатель типа данных.

l Общий вид фрейма имеет следующий вид: l Имя фрейма l Имя слота 1 (значение) l Имя слота 2 (значение) l …. . l Имя слота N (значение)

l Пример. l Для объекта «преподаватель» фрейм будет выглядеть следующим образом: l Преподаватель l ФИО (Васильев И. В. ) l Должность (доцент) l Звание (кандидат наук) l и т. д.

l § § Фреймовые системы имеют следующие преимущества по сравнению с продукционной моделью представления знаний: знания основаны на базе объектов; допускается комбинация представления декларативных (как устроен объект) и процедурных (как взаимодействует объект) знаний; иерархия фреймов соответствует классификации понятий, которая привычна для восприятия человеком; система фреймов легко расширяется и модифицируется.

Модель семантических сетей представляет собой единую совокупность базы знаний и механизма вывода новых фактов. На основании вопроса к базе знаний строится семантическая сеть, отображающая структуру вопроса. Ответ получается в результате сопоставления общей сети для базы знаний в целом и сети для вопроса.

Например, дана семантическая сеть (точнее часть сети), отображающая деятельность коммерческой фирмы.

Для вопроса «Кто руководит человеком, который развозит товар в магазин «Вектор» , и как его зовут? » будет построена следующая сеть, отображающая структуру вопроса:

Модель семантических сетей логически понятна для проектировщика ЭИС. Однако ее главный недостаток заключается в том, что при увеличении размеров сети увеличивается время вывода новых фактов с помощью механизма сопоставления.