ЛК. 18 – Побудова бази знань.
Перелік питань 1. Основні підходи до використання знань. 2. Основні моделі представлення знань. 3. Взаємодія між базою знань та експертною системою. 4. Застосування бази знань та її особливості. 5. Етапи побудови бази знань.
1. Основні підходи до використання знань. База знань - це сукупність знань, описаних з використанням обраної форми їх подання. База знань є основою будь-якої інтелектуальної системи. База знань містить опис абстрактних сутностей: об'єктів, відносин, процесів. Процедурні Декларативні Історично першими використовувалися процедурні знання, тобто знання, представлені в алгоритмах. Алгоритми, в свою чергу, були реалізовані в програмах. Однак розвиток систем штучного інтелекту підвищило пріоритет декларативних знань, тобто знань, зосереджених в структурах даних.
Основні підходи до використання знань. Однією з найбільш важливих проблем розробки систем штучного інтелекту є представлення знань. Подання знань - це їх формалізація та структурування, за допомогою яких відображаються характерні ознаки знань: внутрішня інтерпретованість, структурованість, зв'язність, семантична метрика і активність. При роботі зі знаннями використовуються два основних підходи: Логічний (формальний) підхід Евристичний (когнітивний) підхід
Основні підходи до використання знань. q Логічний (формальний) підхід, при якому основна увага приділяється вивченню та застосуванню теоретичних методів подання знань, формалізації, а також логічної повноти; q Евристичний (когнітивний) підхід, який орієнтується на забезпечення можливостей вирішення завдань. При цьому опора робиться на принцип організації людської пам'яті і евристичне моделювання. На відміну від формальних, евристичні моделі мають різноманітний набір засобів, що передають специфічні особливості тієї чи іншої області.
2. Основні моделі представлення знань. Існують наступні основні моделі подання знань: q Логічні моделі; q Продукційні моделі; q Семантичні мережі; q Фреймові моделі; q Моделі, засновані на нечітких множинах.
Основні моделі представлення знань. Логічні моделі. Згідно логічного підходу, вся система знань, необхідна для вирішення прикладних задач, розглядається як сукупність тверджень. Система знань представляється сукупністю формул логіки предикатів. Ця логіка оперує простими висловлюваннями, розчленованими на суб'єкт (щось лежаче в основі) і предикат (щось схвалювану про суб'єкта). Предикат відображає наявність або відсутність у суб'єкта тієї чи іншої ознаки. Формули в базі знань неподільні. Модифікація бази припускає лише додавання і видалення формул. Логічні методи забезпечують розвинений апарат виведення нових фактів на основі тих, що представлені в базі знань.
Основні моделі представлення знань. Логічні моделі. Основний недолік логічних методів - відсутність чітких принципів організації фактів в базі знань. Без формулювання таких принципів модель може перетворитися в погано осяжний конгломерат незалежних фактів, не піддаються аналізу і обробці. Тому логічні методи використовуються переважно в тих предметних областях, де система знань невелика за обсягом і відносно проста за структурою. В основі логічних моделей лежить формальна система, що задається четвіркою виду: М = <Т, Р, Л, В>.
Основні моделі представлення знань. Логічні моделі. Безліч Т є безліч базових елементів різної природи, що входять до складу деякого набору. Важливо, що для безлічі Т існує деякий спосіб визначення належності або неналежності довільного елемента до цього безлічі. Безліч Р є безліч синтаксичних правил. З їх допомогою з елементів Т утворюють синтаксично правильні сукупності. У безлічі синтаксично правильних сукупностей виділяється підмножина А. Елементи А називаються аксіомами. Безліч У є безліч правил виводу. Застосовуючи їх до елементів Л, можна отримати нові синтаксично правильні сукупності, до яких знову можна застосовувати правила з В. Правила виведення є найбільш складною складовою формальної системи. У базі знань зберігаються лише ті знання, які утворюють безліч А, а всі інші знання виходять з них за правилами виводу.
Основні моделі представлення знань. Продукційні моделі. Психологічні дослідження процесів прийняття рішень показали, що, розмірковуючи і приймаючи рішення, людина використовує продукційні правила (від англ. Production - правило виводу). У загальному випадку продукційне правило можна представити в наступному вигляді: i: S; L; A B; Q де i - індивідуальний номер продукції; S - опис класу ситуацій, в якому дана структура може використовуватися; L - умова, при якому продукція активізується; А-> В - ядро продукції, наприклад: «ЯКЩО A 1, А 2. . . , Аn ТО В » . Такий запис означає, що «якщо всі умови від А 1, до Ап є істиною, то В також істина» ; (Q-постусловіем продукційного правила, описує операції і дії (процедури), які необхідно виконати після виконання В. У лівій частині правила продукції ставиться деякий умова, а в правій частині - дія. Якщо всі умови істинні, то виконується дія, задане в правій частині продукції.
Основні моделі представлення знань. Продукційні моделі. При використанні продукційної моделі база знань складається з набору правил. Програма, що управляє перебором правил, називається машиною виводу. Механізм виведення пов'язує знання воєдино, а потім виводить з послідовності знань висновок. Властивості продукційних моделей: q Модульність - окремі продукційні правила можуть бути додані, видалені або змінені в базі знань незалежно від інших; q Кожне продукційне правило є самостійним елементом знань; q Простота смислової інтерпретації; q Природність з точки зору здорового глузду. Недоліки продукційних систем виявляються тоді, коли число правил стає великим і виникають непередбачувані побічні ефекти від зміни старого і додавання нового правила. Крім того, скрутна оцінка цілісного образу знань, що містяться в системі.
Основні моделі представлення знань. Семантичні моделі. Семантична мережа - це модель формалізації знань у вигляді орієнтованого графа з розміченими вершинами і дугами. Вершин відповідають об'єкти, поняття або ситуації, а дугам - відношення між ними. В якості понять зазвичай виступають абстрактні або конкретні об'єкти, а відносини це зв'язки типу: «це» ( «АКО - А-Кind-Of» , «is» ) «має частиною» ( «has part» ) «належить» . Характерною особливістю семантичних мереж є обов'язкова наявність трьох типів відносин: q Клас-елемент класу; q Властивість-значення; q приклад елемента класу. q q q q Найбільш часто в семантичних мережах використовуються наступні відносини: Зв'язки типу «частина-ціле» ; Функціональні зв'язки (які визначаються зазвичай дієсловами «виробляє» , «впливає» та ін); Кількісні (більше, менше, однаково і т. д. ); Просторові (далеко від, близько від і ін); Тимчасові (раніше, пізніше і ін); Атрибутивні зв'язки (мати властивість, мати значення); Логічні зв'язки (І, АБО, НЕ); Лінгвістичні зв'язки та ін.
Основні моделі представлення знань. Фреймові моделі. Термін фрейм (frame - каркас, рамка) запропонований М. Мінським у 70 -ті роки для позначення структури знань по сприйняттю просторових сцен. Ця модель, як і семантична мережа, має глибоке психологічне обгрунтування. Під фреймом розуміється абстрактний образ або ситуація. Фреймова модель, заснована на теорії М. Мінського, являє собою систематизовану у вигляді єдиної теорії технологічну модель пам'яті людини та її свідомості. Всі фрейми взаємозв'язані і утворюють єдину фреймову структуру, в якій органічно поєднані декларативні та процедурні знання. Це дає можливість досить швидко виробляти композицію і декомпозицію інформаційних структур аналогічно тому, як це робив би людина при описі структури своїх знань. Найважливішою властивістю фреймів є запозичене з теорії семантичних мереж спадкування властивостей. І у фреймах, і в семантичних мережах спадкування відбувається по зв'язках типу «це» (АКО - А-Кind-оf) - Слот АКО вказує на фрейм більш високого рівня ієрархії, звідки неявно успадковуються, тобто переносяться, значення аналогічних слотів, причому спадкування властивостей може бути частковим.
Основні моделі представлення знань. Фреймові моделі. До основних переваг фреймової моделі відносяться: q Здатність відбивати концептуальну основу організації пам'яті людини; q Наочність представлення; q Модульність; q Можливість використання значень слотів за замовчуванням. Однак фрейм-уявлення є не конкретним мовою подання знань, а деякою ідеологічною концепцією, яка реалізується по-різному в різних мовах. Теорія фреймів послужила поштовхом до розробки декількох мов представлення знань, які завдяки своїм широким можливостям і гнучкості стали в останні роки досить поширеними. Основним недоліком фреймових моделей є відсутність механізмів управління виводу.
Основні моделі представлення знань. Моделі, засновані на нечітких множинах. Існує цілий клас описів, що оперують якісними характеристиками об'єктів (багато, мало, сильний, дуже сильний і т. п. ). Ці характеристики зазвичай розмиті і не можуть бути однозначно інтерпретовані, проте містять важливу інформацію. ь. У завданнях, розв'язуваних інтелектуальними системами, часто доводиться користуватися неточними знаннями, які не завжди можуть мати чіткі значення істинності. На початку 70 -х американський математик Лотфі Заде запропонував формальний апарат нечіткої (fuzzy) алгебри і нечіткої логіки. Пізніше цей напрям одержало широке поширення і поклало початок однієї з гілок штучного інтелекту під назвою м'які обчислення. Л. Заде ввів одне з головних понять в нечіткої логіки - поняття лінгвістичної змінної. Лінгвістична змінна (ЛП) - це змінна, значення якої визначається набором словесних характеристик деякого властивості. Нечітка множина визначається через деяку базову шкалу В і функцію приналежності нечіткій множині m (х), x є В, приймаючу значення на інтервалі [0. . . 1]. Таким чином, нечітка множина В - це сукупність пар виду (х, m (х), де), x є В. Функція приналежності визначає суб'єктивну ступінь впевненості експерта в тому, що дане конкретне значення базової шкали відповідає обумовленому нечіткій множині.
3. Взаємодія між базою знань та експертною системою. Експертні системи (ЕС) - це складні програмні комплекси, що акумулюють знання фахівців у конкретних предметних областях і тиражують цей досвід для консультацій менш кваліфікованих користувачів. В цілому процес функціонування ЕС можна представити таким чином: користувач, що бажає одержати необхідну інформацію, через користувальницький інтерфейс надсилає запит до ЕС. Вирішувач, на основі бази знань, генерує і видає користувачеві відповідну рекомендацію, пояснюючи хід своїх міркувань за допомогою підсистеми пояснень.
Взаємодія між базою знань та експертною системою. Користувач - фахівець предметної області, для якого призначена система. Зазвичай його кваліфікація недостатньо висока, і тому він потребує допомоги експертної системи. Інженер по знаннях - фахівець у галузі штучного інтелекту, виступаючий в ролі посередника між експертом і базою знань. Інтерфейс користувача - комплекс програм, що реалізують діалог користувача з ЕС як на стадії введення інформації, так і при отриманні результатів. База знань (БЗ) - ядро ЕС, сукупність знань предметної області, реалізована на основі обраної моделі представлення знань і записана на машинний носій у формі, зрозумілій експерту і користувачу. Вирішувач - програма, що моделює хід міркувань експерта на підставі знань, наявних в БЗ. Підсистема пояснень - програма, що дозволяє користувачеві отримати відповіді на питання: «Як була отримана та чи інша рекомендація? » І «Чому система прийняла таке рішення? » . Інтелектуальний редактор БЗ - програма, що надає інженеру по знаннях можливість створювати БЗ в діалоговому режимі. Включає в себе систему вкладених меню, шаблонів мови представлення знань, підказок і інших сервісних засобів, що полегшують роботу з базою.
Взаємодія між базою знань та експертною системою. Всі системи, засновані на знаннях, можна розділити на системи, які вирішують завдання аналізу, і системи, які вирішують завдання синтезу. Основна відмінність завдань аналізу від завдань синтезу полягає в тому, що якщо в завданнях аналізу безліч рішень може бути перераховане і включене в систему, то в завданнях синтезу безліч рішень потенційно не обмежена і будується з рішень підпроблем. Завданнями аналізу є інтерпретація даних, діагностика, підтримка ухвалення рішення; до завдань синтезу відносяться проектування, планування, управління. Статистичні ЕС розробляються у предметних областях, в яких база знань та інтерпретовані дані не змінюються в часі.
Взаємодія між базою знань та експертною системою. Системи, засновані на знаннях, мають такими специфічними властивостями: q Експертиза може проводитися тільки в одній конкретній області; q База знань і механізм виведення є різними компонентами; q Найбільш підходяща область застосування - рішення завдань дедуктивним методом, тобто правила або евристики виражаються у вигляді пар посилок і висновків типу «якщото» ; q Ці системи можуть пояснювати хід розв'язання задачі зрозумілим користувачеві способом; q Вихідні результати є якісними (а не кількісними); q Системи, засновані на знаннях, будуються за модульним принципом, що дозволяє поступово нарощувати їх бази знань.
Взаємодія між базою знань та експертною системою. Системи, засновані на знаннях, мають такими специфічними властивостями: q Експертиза може проводитися тільки в одній конкретній області; q База знань і механізм виведення є різними компонентами; q Найбільш підходяща область застосування - рішення завдань дедуктивним методом, тобто правила або евристики виражаються у вигляді пар посилок і висновків типу «якщото» ; q Ці системи можуть пояснювати хід розв'язання задачі зрозумілим користувачеві способом; q Вихідні результати є якісними (а не кількісними); q Системи, засновані на знаннях, будуються за модульним принципом, що дозволяє поступово нарощувати їх бази знань.
Взаємодія між базою знань та експертною системою. При визначенні доцільності застосування ЕС потрібно керуватися наступними критеріями: q Дані і знання надійні і не змінюються з часом; q Простір (або область) можливих рішень відносно невелике; q У процесі рішення задачі повинні використовуватися формальні міркування; q Повинен бути принаймні один експерт, здатний явно сформулювати свої знання і пояснити методи застосування цих знань для вирішення завдань.
Взаємодія між базою знань та експертною системою. Системи, засновані на знаннях, мають певні переваги перед людиною-експертом: q У них немає упереджень; q Вони не роблять поспішних висновків; q Вони працюють систематизовано, розглядаючи всі деталі, часто вибираючи найкращу альтернативу з усіх можливих; q База знань може бути великий і досить стабільною. Будучи введеними в машину один раз, знання зберігаються назавжди; q Системи, засновані на знаннях, стійкі до «перешкодам» . Експерт же користується побічними знаннями і легко піддається впливу зовнішніх факторів, які безпосередньо не пов'язані з розв'язуваної завданням.
4. Застосування бази знань та її особливості. Прості бази знань можуть використовуватися для зберігання даних про організації: документації, інструкцій, статей технічного забезпечення. Головна мета створення таких баз — допомогти менш досвідченішим людям знайти існуючий опис способу вирішення якої-небудь проблеми предметної області. Онтологія може служити для представлення в базі знань ієрархії понять і відношень між ними. Онтологія, яка ще містить і екземпляри об'єктів не що інше, як база знань. База знань — важливий компонент інтелектуальної системи. Найвідоміший клас таких програм — експертні системи. Вони призначені для знаходження способу вирішення специфічних проблем, базуючись на записах БЗ і на користувацькому описі ситуації. Створення і використання систем штучного інтелекту потребує величезних баз знань.
Застосування бази знань та її особливості. Цікаві особливості, які можуть (але не зобов'язані) бути в інтелектуальній системі, і які стосуються баз знань: q Машинне навчання : Це модифікація своєї БЗ в процесі роботи інтелектуальної системи, адаптація до проблемної області. Аналогічна можливості людини «набиратися досвіду» ; q Автоматичне доведення (висновки) Здатність системи виводити нові знання із старих, знаходити закономірності в БЗ. Деякі автори вважають, що БЗ відрізняється від бази даних наявністю механізму висновків; q Інтроспекція : Знаходження протиріч, нестиковок в БЗ, відслідковування правильної організації і коректності роботи БЗ. q Доведення висновку : Здатність системи «пояснювати» хід її думок при знаходження вирішення задачі, причому по «першій вимозі» .
5. Етапи побудови бази знань. Побудова бази знань включає три етапи: Опис предметної області Вибір моделі подання знань Придбання знань
Етапи побудови бази знань. Перший крок при побудові бази знань полягає у виділенні предметної області, на рішення завдань якої орієнтована експертна система. По суті, ця робота зводиться до окресленню інженером знань кордонів області застосування системи і класу вирішуваних нею завдань. При цьому необхідно: q. Визначити характер вирішуваних завдань; q. Виділити об'єкти предметної області; q. Встановити зв'язки між об'єктами; q. Вибрати модель подання знань; q. Виявити специфічні особливості предметної області. Виділення предметної області являє собою перший крок абстрагування реального світу.
Етапи побудови бази знань. Виділення предметної області являє собою перший крок абстрагування реального світу. Після того як предметна область виділена, інженер по знаннях повинен її формально описати. Для цього йому необхідно вибрати модель подання знань. Формально це має бути модель, за допомогою якої можна найкраще відобразити специфіку предметної області. Інженер по знаннях насамперед зобов'язаний провести опитування експерта і тільки потім приступати до побудови системи. При цьому необхідно визначити цільове призначення системи. При цьому головна мета розбивається на підцілі.
Етапи побудови бази знань. На наступному етапі необхідно окреслити межі вихідних даних. Для побудови простору пошуку рішення необхідно визначити підцілі на кожному рівні ієрархії цілей загальної задачі. У вершині ієрархії слід помістити задачу, яка але своєї спільності відображає принципові можливості та призначення системи. Після виявлення об'єктів предметної області необхідно встановити, які між ними існують зв'язки. Слід прагнути до виявлення якомога більшої кількості зв'язків.
Етапи побудови бази знань. Отриманий якісний опис предметної області має бути представлен засобами якою-небудь формальної мови, щоб привести цей опис до виду, що дозволяє помістити його в базу знань системи. Для вирішення цього завдання вибирається відповідна модель представлення знань, за допомогою якої відомості про предметної області можна виразити формально.