Представление знаний в системах искусственного интеллекта

Данные и знания.

При изучении интеллектуальных систем традиционно возникает вопрос — что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ.

Данные— это отдельные факты, характеризующие объекты, процессы и явления в предметной области, а также их свойства.

При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:

- данные как результат измерений и наблюдений;

- данные на материальных носителях информации (таблицы, протоколы, справочники);

- модели (структуры) данных в виде диаграмм, графиков, функций;

- данные в компьютере на языке описания данных;

- базы данных на машинных носителях.

Знания — это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области.

Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека, обобщают его опыт, полученный в ходе выполнения какой-либо практической деятельности. Они получаются эмпирическим путем.

При обработке на ЭВМ знания трансформируются аналогично данным:

- знания в памяти человека как результат мышления;

- материальные носители знаний (учебники и др.);

- поле знаний — условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

- знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы);

- базы знаний— основа любой интеллектуальной системы.

- Знания могут быть классифицированы по следующим категориям:

- поверхностные— знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;

- глубинные— абстракции, аналогии, схемы, отображающие структуру и процессы в предметной области.

Современные экспертные системы работают в основном с поверхностными знаниями, т.к. на данный момент нет адекватных моделей, позволяющих работать с глубинными знаниями.

Представление знаний.

2.2.1 Продукционные правила – наиболее простой способ представления знаний. Он основан на представлении знаний в форме правил, структурированных в соответствии с образцом «ЕСЛИ - ТО». Часть правила «ЕСЛИ» называется посылкой(условием), а «ТО» – выводом или действием. В случае, когда число условий равно нулю, описывается знание, состоящее только из вывода, т.е. факта. При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения — к данным). Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы. Простота и наглядность представления знаний с помощью продукций обусловила его применение во многих системах, которые называются продукционными.

2.2.2 Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними. Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: "это", "имеет частью", "принадлежит", "любит".

Семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

2.2.3Фреймовая система(англ. frame — каркас или рамка) предложена М.Минским в 70-е гг. как структура знаний для восприятия пространственных сцен.

Фрейм – это абстрактный образ или ситуация, атакже формализованная модель для отображения образа.

Структуру фрейма можно представить так:

ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

…………………………………………

(имя N-го слота: значение N-го слота)

В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире.

2.2.4 Формальные логические модели, основанные на классическом исчислении предикатов, когда предметная область или задача описывается в виде набора аксиом. Исчисление предикатов в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских "игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области. В промышленных же экспертных системах используются различные ее модификации и расширения.

Моделирование рассуждений.

Рассуждение– один из важнейших видов мыслительной деятельности человека, в результате которого он формирует на основе некоторых предложений, высказываний, суждений новые предложения, высказывания, суждения.

Человеческим рассуждениям присущи: неформальность, нечеткость, нелогичность, широкое использование образов, эмоций и чувств, что делает чрезвычайно трудными их исследование и моделирование. К настоящему времени лучше всего изучены логические рассуждения и разработано много механизмов дедуктивных выводов, реализованных в различных интеллектуальных системах, основанных на представлении знаний с помощью логики предикатов 1-го порядка.