Представление знаний в интеллектуальных системах
Данные и знания. Основные определения.
Особенности знаний. Переход от Базы Данных к Базе Знаний.
Модели представления знаний. Неформальные (семантические) модели.
Формальные модели представления знаний.
Продукционные системы
Стратегии решений организации поиска
Логический подход
Примеры применения логики для представления знаний
В настоящее время в исследованиях по искусственному интеллекту (ИИ)
выделились шесть направлений:
Представление знаний.
Манипулирование знаниями.
Общение.
Восприятие.
Обучение.
Поведение.
В рамках направления "Представление знаний" решаются задачи,
связанные с формализацией и представлением знаний в памяти интеллектуальной
системы (ИС). Для этого разрабатываются специальные модели представления знаний
и языки для описания знаний, выделяются различные типы знаний. Изучаются
источники, из которых ИС может черпать знания, и создаются процедуры и приемы, с
помощью которых возможно приобретение знаний для ИС. Проблема представления
знаний для ИС чрезвычайно актуальна, т.к. ИС - это система, функционирование
которой опирается на знания о проблемной области, которые хранятся в ее памяти.
Информация, с которой имеют дело ЭВМ, разделяется на
процедурную и декларативную. Процедурная информация овеществлена в
программах, которые выполняются в процессе решения задач, декларативная
информация - в данных, с которыми эти программы работают. Стандартной
формой представления информации в ЭВМ является машинное слово, состоящее
из определенного для данного типа ЭВМ числа двоичных разрядов - битов.
Машинное слово для представления данных и машинное слово для представления
команд, образующих программу, могут иметь одинаковое или разное число разрядов.
В последнее время для представления данных и команд используются одинаковые по
числу разрядов машинные слова. Однако в ряде случаев машинные слова разбиваются
на группы по восемь двоичных разрядов, которые называются байтами.
Одинаковое число разрядов в машинных словах для команд и
данных позволяет рассматривать их в ЭВМ в качестве одинаковых информационных
единиц и выполнять операции над командами, как над данными. Содержимое памяти
образует информационную базу.
В большинстве существующих ЭВМ возможно извлечение информации
из любого подмножества разрядов машинного слова вплоть до одного бита. Во многих
ЭВМ можно соединять два или более машинного слова в слово с большей длиной.
Однако машинное слово является основной характеристикой информационной базы,
т.к. его длина такова, что каждое машинное слово хранится в одной стандартной
ячейке памяти, снабженной индивидуальным именем - адресом ячейки. По этому имени
происходит извлечение информационных единиц из памяти ЭВМ и записи их в нее.
Параллельно с развитием структуры ЭВМ происходило развитие
информационных структур для представления данных. Появились способы описания
данных в виде векторов и матриц, возникли списочные структуры, иерархические
структуры. В настоящее время в языках программирования высокого уровня
используются абстрактные типы данных, структура которых задается
программистом. Появление баз данных (БД) знаменовало собой еще один шаг
на пути организации работы с декларативной информацией. В базах данных могут
одновременно храниться большие объемы информации, а специальные средства,
образующие систему управления базами данных (СУБД), позволяют эффективно
манипулировать с данными, при необходимости извлекать их из базы данных и
записывать их в нужном порядке в базу.
По мере развития исследований в области ИС возникла концепция
знаний, которые объединили в себе многие черты процедурной и декларативной
информации.
В ЭВМ знания так же, как и данные, отображаются
в знаковой форме - в виде формул, текста, файлов, информационных массивов и т.п.
Поэтому можно сказать, что знания - это особым образом организованные данные. Но
это было бы слишком узкое понимание. А между тем, в системах ИИ знания являются
основным объектом формирования, обработки и исследования. База знаний,
наравне с базой данных, - необходимая составляющая программного комплекса ИИ.
Машины, реализующие алгоритмы ИИ, называются машинами, основанными на знаниях,
а подраздел теории ИИ, связанный с построением экспертных систем, -
инженерией знаний.
Особенности знаний. Переход от Базы Данных к
Базе Знаний.
Особенности знаний:
- Внутренняя интерпретируемость
. Каждая информационная единица должна
иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы,
в которых это имя упомянуто. Когда данные, хранящиеся в памяти, были лишены
имен, то отсутствовала возможность их идентификации системой. Данные могла
идентифицировать лишь программа, извлекающая их из памяти по указанию
программиста, написавшего программу. Что скрывается за тем или иным двоичным
кодом машинного слова, системе было неизвестно.
Таблица 1.1
| Фамилия |
Год рождения |
Специальность |
Стаж, число лет |
| Попов |
1965 |
Слесарь |
5 |
| Сидоров |
1946 |
Токарь |
20 |
| Иванов |
1925 |
Токарь |
30 |
| Петров |
1937 |
Сантехник |
25 |
- Если, например, в память ЭВМ нужно было записать сведения о сотрудниках
учреждения, представленные в табл. 1.1, то без внутренней интерпретации в
память ЭВМ была бы занесена совокупность из четырех машинных слов,
соответствующих строкам этой таблицы. При этом информация о том, какими
группами двоичных разрядов в этих машинных словах закодированы сведения о
специалистах, у системы отсутствуют. Они известны лишь программисту, который
использует данные табл. 1.1 для решения возникающих у него задач. Система не в
состоянии ответить на вопросы типа "Что тебе известно о Петрове?" или "Есть ли
среди специалистов сантехник?".
- При переходе к знаниям в память ЭВМ вводится информация о некоторой
протоструктуре информационных единиц. В рассматриваемом примере она
представляет собой специальное машинное слово, в котором указано, в каких
разрядах хранятся сведения о фамилиях, годах рождения, специальностях и
стажах. При этом должны быть заданы специальные словари, в которых перечислены
имеющиеся в памяти системы фамилии, года рождения, специальности и
продолжительности стажа. Все эти атрибуты могут играть роль имен для
тех машинных слов, которые соответствуют строкам таблицы. По ним можно
осуществлять поиск нужной информации. Каждая строка таблицы будет экземпляром
протоструктуры. В настоящее время СУБД обеспечивают реализацию внутренней
интерпретируемости всех информационных единиц, хранящихся в базе данных.
- Структурированность
. Информационные единицы должны обладать гибкой
структурой. Для них должен выполняться "принцип матрешки", т.е. рекурсивная
вложимость одних информационных единиц в другие. Каждая информационная единица
может быть включена в состав любой другой, и из каждой информационной единицы
можно выделить некоторые составляющие ее информационные единицы. Другими
словами, должна существовать возможность произвольного установления между
отдельными информационными единицами отношений типа "часть - целое", "род -
вид" или "элемент - класс".
- Связность
. В информационной базе между информационными единицами
должна быть предусмотрена возможность установления связей различного типа.
Прежде всего эти связи могут характеризовать отношения между информационными
единицами. Семантика отношений может носить декларативный или процедурный
характер. Например, две или более информационные единицы могут быть связаны
отношением "одновременно", две информационные единицы - отношением "причина -
следствие" или отношением "быть рядом". Приведенные отношения характеризуют
декларативные знания. Если между двумя информационными единицами установлено
отношение "аргумент - функция", то оно характеризует процедурное знание,
связанное с вычислением определенных функций. Далее будем различать
отношения структуризации, функциональные отношения, каузальные отношения и
семантические отношения. С помощью первых задаются иерархии
информационных единиц, вторые несут процедурную информацию, позволяющую
находить (вычислять) одни информационные единицы через другие, третьи задают
причинно - следственные связи, четвертые соответствуют всем остальным
отношениям.
- Между информационными единицами могут устанавливаться и иные связи,
например, определяющие порядок выбора информационных единиц из памяти или
указывающие на то, что две информационные единицы несовместимы друг с другом в
одном описании.
Перечисленные три особенности знаний позволяют ввести общую модель
представления знаний, которую можно назвать семантической сетью,
представляющей собой иерархическую сеть, в вершинах которой находятся
информационные единицы. Эти единицы снабжены индивидуальными именами. Дуги
семантической сети соответствуют различным связям между информационными
единицами. При этом иерархические связи определяются отношениями структуризации,
а неиерархические связи - отношениями иных типов.
- Семантическая метрика
. На множестве информационных единиц в некоторых
случаях полезно задавать отношение, характеризующее ситуационную близость
информационных единиц, т.е. силу ассоциативной связи между информационными
единицами. Его можно было бы назвать отношением релевантности для
информационных единиц. Такое отношение дает возможность выделять в
информационной базе некоторые типовые ситуации (например, "покупка",
"регулирование движения на перекрестке"). Отношение релевантности при работе с
информационными единицами позволяет находить знания, близкие к уже найденным.
Активность. С момента появления ЭВМ и разделения используемых в ней
информационных единиц на данные и команды создалась ситуация, при которой
данные пассивны, а команды активны. Все процессы, протекающие в ЭВМ,
инициируются командами, а данные используются этими командами лишь в случае
необходимости. Для ИС эта ситуация не приемлема. Как и у человека, в ИС
актуализации тех или иных действий способствуют знания, имеющиеся в системе.
Таким образом, выполнение программ в ИС должно инициироваться текущим
состоянием информационной базы. Появление в базе фактов или описаний событий,
установление связей может стать источником активности системы.
Перечисленные пять особенностей информационных единиц определяют ту грань, за
которой данные превращаются в знания, а базы данных перерастают в базы знаний
(БЗ). Совокупность средств, обеспечивающих работу с знаниями, образует
систему управления базой знаний (СУБЗ). В настоящее время не существует баз
знаний, в которых в полной мере были бы реализованы внутренняя
интерпретируемость, структуризация, связность, введена семантическая мера и
обеспечена активность знаний.
Модели представления знаний.
Неформальные (семантические) модели.
Существуют два типа методов представления знаний (ПЗ):
- Формальные модели ПЗ;
- Неформальные (семантические, реляционные) модели ПЗ.
Очевидно, все методы представления знаний, которые рассмотрены выше, включая
продукции (это система правил, на которых основана продукционная модель
представления знаний), относятся к неформальным моделям. В отличие от формальных
моделей, в основе которых лежит строгая математическая теория, неформальные
модели такой теории не придерживаются. Каждая неформальная модель годится только
для конкретной предметной области и поэтому не обладает универсальностью,
которая присуща моделям формальным. Логический вывод - основная операция в СИИ -
в формальных системах строг и корректен, поскольку подчинен жестким
аксиоматическим правилам. Вывод в неформальных системах во многом определяется
самим исследователем, который и отвечает за его корректность.
Каждому из методов ПЗ соответствует свой способ описания знаний.
Логические модели. В основе моделей такого типа лежит формальная
система, задаваемая четверкой вида: M = <T, P, A, B>. Множество T
есть множество базовых элементов различной природы, например слов из
некоторого ограниченного словаря, деталей детского конструктора, входящих в
состав некоторого набора и т.п. Важно, что для множества T существует
некоторый способ определения принадлежности или непринадлежности произвольного
элемента к этому множеству. Процедура такой проверки может быть любой, но за
конечное число шагов она должна давать положительный или отрицательный ответ на
вопрос, является ли x элементом множества T. Обозначим эту процедуру П(T).
Множество P есть множество синтаксических правил. С их помощью
из элементов T образуют синтаксически правильные совокупности.
Например, из слов ограниченного словаря строятся синтаксически правильные фразы,
из деталей детского конструктора с помощью гаек и болтов собираются новые
конструкции. Декларируется существование процедуры П(P), с помощью
которой за конечное число шагов можно получить ответ на вопрос, является ли
совокупность X синтаксически правильной.
В множестве синтаксически правильных совокупностей выделяется некоторое
подмножество A. Элементы A называются аксиомами. Как и для
других составляющих формальной системы, должна существовать процедура П(A),
с помощью которой для любой синтаксически правильной совокупности можно получить
ответ на вопрос о принадлежности ее к множеству A.
Множество B есть множество правил вывода. Применяя их к
элементам A, можно получать новые синтаксически правильные совокупности,
к которым снова можно применять правила из B. Так формируется
множество выводимых в данной формальной системе совокупностей. Если
имеется процедура П(B), с помощью которой можно определить для любой
синтаксически правильной совокупности, является ли она выводимой, то
соответствующая формальная система называется разрешимой. Это показывает,
что именно правило вывода является наиболее сложной составляющей формальной
системы.
Для знаний, входящих в базу знаний, можно считать, что множество A
образуют все информационные единицы, которые введены в базу знаний извне, а с
помощью правил вывода из них выводятся новые производные знания. Другими
словами формальная система представляет собой генератор порождения новых знаний,
образующих множество выводимых в данной системе знаний. Это
свойство логических моделей делает их притягательными для использования в базах
знаний. Оно позволяет хранить в базе лишь те знания, которые образуют множество
A, а все остальные знания получать из них по правилам вывода.
2. Сетевые модели. В основе моделей этого типа лежит конструкция,
названная ранее семантической сетью. Сетевые модели формально можно задать в
виде H = <I, C1, C2, ..., Cn, Г>.
Здесь I есть множество информационных единиц; C1, C2,
..., Cn - множество типов связей между информационными единицами.
Отображение Г задает между информационными единицами, входящими в I,
связи из заданного набора типов связей.
В зависимости от типов связей, используемых в модели, различают
классифицирующие сети, функциональные сети и сценарии. В
классифицирующих сетях используются отношения структуризации. Такие сети
позволяют в базах знаний вводить разные иерархические отношения между
информационными единицами. Функциональные сети характеризуются наличием
функциональных отношений. Их часто называют вычислительными моделями,
т.к. они позволяют описывать процедуры "вычислений" одних информационных единиц
через другие. В сценариях используются каузальные отношения, а также отношения
типов "средство - результат", "орудие - действие" и т.п. Если в сетевой модели
допускаются связи различного типа, то ее обычно называют семантической сетью.
3. Продукционные модели. В моделях этого типа используются некоторые
элементы логических и сетевых моделей. Из логических моделей заимствована идея
правил вывода, которые здесь называются продукциями, а из сетевых моделей
- описание знаний в виде семантической сети. В результате применения правил
вывода к фрагментам сетевого описания происходит трансформация семантической
сети за счет смены ее фрагментов, наращивания сети и исключения из нее ненужных
фрагментов. Таким образом, в продукционных моделях процедурная информация явно
выделена и описывается иными средствами, чем декларативная информация. Вместо
логического вывода, характерного для логических моделей, в продукционных моделях
появляется вывод на знаниях.
4. Фреймовые модели. В отличие от моделей других типов во фреймовых
моделях фиксируется жесткая структура информационных единиц, которая называется
протофреймом. В общем виде она выглядит следующим образом:
(Имя фрейма:
Имя слота 1(значение слота 1)
Имя слота 2(значение слота 2)
. . . . . . . . . . . . . . . . . . . . . .
Имя слота К (значение слота К)).
Значением слота может быть практически что угодно (числа или
математические соотношения, тексты на естественном языке или программы, правила
вывода или ссылки на другие слоты данного фрейма или других фреймов). В качестве
значения слота может выступать набор слотов более низкого уровня, что позволяет
во фреймовых представлениях реализовать "принцип матрешки".
При конкретизации фрейма ему и слотам присваиваются конкретные имена и
происходит заполнение слотов. Таким образом, из протофреймов получаются
фреймы - экземпляры. Переход от исходного протофрейма к фрейму - экземпляру
может быть многошаговым, за счет постепенного уточнения значений слотов.
Например, структура табл. 1.1, записанная в виде протофрейма, имеет вид
(Список работников:
Фамилия (значение слота 1);
Год рождения (значение слота 2);
Специальность (значение слота 3);
Стаж (значение слота 4)).
Если в качестве значений слотов использовать данные табл. 1.1, то получится
фрейм - экземпляр
(Список работников:
Фамилия (Попов - Сидоров - Иванов - Петров);
Год рождения (1965 - 1946 - 1925 - 1937);
Специальность (слесарь - токарь - токарь - сантехник);
Стаж (5 - 20 - 30 - 25)).
Связи между фреймами задаются значениями специального слота с именем "Связь".
Часть специалистов по ИС считает, что нет необходимости специально выделять
фреймовые модели в представлении знаний, т.к. в них объединены все основные
особенности моделей остальных типов.
Формальные модели представления знаний.
Система ИИ в определенном смысле моделирует интеллектуальную деятельность
человека и, в частности, - логику его рассуждений. В грубо упрощенной форме наши
логические построения при этом сводятся к следующей схеме: из одной или
нескольких посылок (которые считаются истинными) следует сделать "логически
верное" заключение (вывод, следствие). Очевидно, для этого необходимо, чтобы и
посылки, и заключение были представлены на понятном языке, адекватно отражающем
предметную область, в которой проводится вывод. В обычной жизни это наш
естественный язык общения, в математике, например, это язык определенных формул
и т.п. Наличие же языка предполагает, во - первых, наличие алфавита (словаря),
отображающего в символьной форме весь набор базовых понятий (элементов), с
которыми придется иметь дело и, во - вторых, набор синтаксических правил, на
основе которых, пользуясь алфавитом, можно построить определенные выражения.
Логические выражения, построенные в данном языке, могут быть истинными или
ложными. Некоторые из этих выражений, являющиеся всегда истинными. Объявляются
аксиомами (или постулатами). Они составляют ту базовую систему
посылок, исходя из которой и пользуясь определенными правилами вывода, можно
получить заключения в виде новых выражений, также являющихся истинными.
Если перечисленные условия выполняются, то говорят, что система удовлетворяет
требованиям формальной теории. Ее так и называют формальной системой
(ФС). Система, построенная на основе формальной теории, называется также
аксиоматической системой.
Формальная теория должна, таким образом, удовлетворять следующему
определению:
всякая формальная теория F = (A, V, W, R), определяющая некоторую
аксиоматическую систему, характеризуется:
- наличием алфавита (словаря), A,
- множеством синтаксических правил, V,
- множеством аксиом, лежащих в основе теории, W,
- множеством правил вывода, R.
Исчисление высказываний (ИВ) и исчисление предикатов (ИП) являются
классическими примерами аксиоматических систем. Эти ФС хорошо исследованы и
имеют прекрасно разработанные модели логического вывода - главной метапроцедуры
в интеллектуальных системах. Поэтому все, что может и гарантирует каждая из этих
систем, гарантируется и для прикладных ФС как моделей конкретных предметных
областей. В частности, это гарантии непротиворечивости вывода, алгоритмической
разрешимости (для исчисления высказываний) и полуразрешимости (для исчислений
предикатов первого порядка).
ФС имеют и недостатки, которые заставляют искать иные формы представления.
Главный недостаток - это "закрытость" ФС, их негибкость. Модификация и
расширение здесь всегда связаны с перестройкой всей ФС, что для практических
систем сложно и трудоемко. В них очень сложно учитывать происходящие изменения.
Поэтому ФС как модели представления знаний используются в тех предметных
областях, которые хорошо локализуются и мало зависят от внешних факторов.
Продукционные системы
Продукции наряду с фреймами являются наиболее популярными средствами
представления знаний в ИИ. Продукции, с одной стороны, близки к логическим
моделям, что позволяет организовывать на них эффективные процедуры вывода, а с
другой стороны, более наглядно отражают знания, чем классические логические
модели. В них отсутствуют жесткие ограничения, характерные для логических
исчислений, что дает возможность изменять интерпретацию элементов продукции.
Компоненты продукционных систем
В общем виде под продукцией понимается выражение следующего вида: (i); Q;P;AЮB;N.
Здесь i - имя продукции, с помощью которого данная продукция выделяется из
всего множества продукций. В качестве имени может выступать некоторая лексема,
отражающая суть данной продукции (например, "покупка книги " ), или порядковый
номер продукций в их множестве, хранящимся в памяти системы.
Элемент Q характеризует сферу применения продукции. Такие сферы легко
выделяются в когнитивных структурах человека. Наши знания как бы "разложены по
полочкам". На одной полочке хранятся знания о том, как надо готовить пищу, на
другой как добраться до работы, и т.п. Разделение знаний на отдельные сферы
позволяет экономить время на поиск нужных знаний. Такое же разделение на сферы в
базе знаний ИИ целесообразно и при использовании для представления знаний
продукционных моделей.
Основным элементом продукции является ее ядро: AЮ B. Интерпретация ядра
продукции может быть различной и зависит от того, что стоит слева и справа от
знака секвенции Ю . Обычное прочтение ядра продукции выглядит так: ЕСЛИ А, ТО В,
более сложные конструкции ядра допускают в правой части альтернативный выбор,
например , ЕСЛИ А, ТО В1, ИНАЧЕ В2. Секвенция может
истолковываться в обычном логическом смысле как знак логического следования В из
истинного А (если А не является истинным выражением, то о В ничего сказать
нельзя). Возможны и другие интерпретации ядра продукции, например А описывает
некоторое условие, необходимое для того, чтобы можно было совершить действие В.
Элемент Р есть условие применимости ядра продукции. Обычно Р представляет
собой логическое выражение (как правило предикат). Когда Р принимает значение
"истина", ядро продукции активизируется. Если Р "ложно", то ядро продукции не
может быть использовано.
Элемент N описывает постусловия продукции. Они актуализируются только в том
случае, если ядро продукции реализовалось. Постусловия продкции описывают
действия и процедуры, которые необходимо выполнить после реализации В.
Выполнение N может проиходить сразу после реализации ядра продукции.
Если в памяти системы хранится некоторый набор продукций, то они образуют
систему продукций. В системе продукций должны быть заданы специальные процедуры
управления продукциями, с помощью которых происходит актуализация продукций и
выбор для выполнения той или иной продукции из числа актуализированных. В ряде
систем ИИ используют комбинации сетевых и продукционных моделей представления
знаний. В таких моделях декларативные знания описываются в сетевом компоненте
модели, а процедурные знания - в продукционном. В этом случае говорят о работе
продукционной системы над семантической сетью.
Классификация ядер продукции.
Ядра продукции можно классифицировать по различным основаниям. Прежде всего
все ядра делятся на два больших типа: детерминированные и недетерминированные. В
детерминированных ядрах при актуализации ядра и при выполнимости А правая часть
ядра выполняется обязательно; в недетерминированных ядрах В может выполняться и
не выполняться. Таким образом, секвенция Ю в детерминированных ядрах реализуется
с необходимостью, а в недетерминированных - с возможностью. Интерпретация ядра в
этом случае может, например, выглядеть так: ЕСЛИ А, ТО ВОЗМОЖНО В.
Возможность может определяться некоторыми оценками реализации ядра. Например,
если задана вероятность выполнения В при актуализации А, то продукция может быть
такой: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р РЕАЛИЗОВАТЬ В. Оценка реализации ядра может
быть лингвистической, связанной с понятием терм-множества лингвистической
переменной, например: ЕСЛИ А, ТО С БОЛЬШЕЙ ДОЛЕЙ УВЕРЕННОСТИ В. Возможны иные
способы реализации ядра.
Детерминированные продукции могут быть однозначными и альтернативными. Во
втором случае в правой части ядра указываются альтернативные возможности выбора,
которые оцениваются специальными весами выбора. В качестве таких весов могут
использоваться вероятностные оценки, лингвистические оценки, экспертные оценки и
т.п.
Особым типом являются прогнозирующие продукции, в которых описываются
последствия, ожидаемые при актуализации А, например: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р
МОЖНО ОЖИДАТЬ В.
Дальнейшую классификацию ядер продукции можно провести, опираясь на типовую
схему СИИ (рис. 1) Если x и y обозначают любой из блоков рисунка (О,Д,З,Л), то
ядро АxЮ By означает, что информация об А берется из блока x, а результат
срабатывания продукции В посылает в блок y. Комбинации x и y, осмысленные с
точки зрения СИИ, отмечены в табл.1 знаком "+"
Т а б л и ц а 1
| А
В |
О |
Д |
З |
Л |
| О |
|
+ |
|
+ |
| Д |
+ |
+ |
+ |
+ |
| З |
+ |
|
+ |
+ |
| Л |
+ |
|
+ |
+ |
Рассмотрим часто встречающийся тип продукции А3ЮВ3. В этом случае А3 и В3
представляют собой некоторые фрагменты информации, хранящейся в базе знаний. При
сетевом представлении это могу быть фрагменты семантической сети, при логических
моделях - формулы того или иного исчисления. Тогда смысл продукции А3ЮВ3 состоит
в замене одного фрагмента базы знаний другим. Для актуализации этой продукции
необходимо, чтобы в базе знаний существовал фрагмент, совпадающий с А. При
поиске в базе знаний А играет роль образца, а процедура такого писка называется
поиском по образцу.
Стратегии решений организации поиска
Для иллюстрации поиска предположим, что в базе знаний для представления
знаний используется семантическая сеть (рис.2а) и продукция (рис.2б). Поиск А в
базе знаний организуется различными способами. Можно, например, сначала искать
вершину а. Если в базе знаний такой вершины нет, то поиск заканчивается
неудачей. Если вершина а найдена, то ищутся все выходящие из нее дуги,
помеченные отношением R3, так как в образце справа от этой дуги стоит вершина x,
на месте которой в базе знаний может находиться любая вершина. Если из а не
выходит ни одной дуги, помеченной отношением R3, то поиск заканчивается
неудачей. Но если такие дуги есть, то происходит переход во все вершины, с
которыми вершину а связывает отношение R3, т.е. возникает параллельный процесс
поиска. В примере произойдет переход от вершины а к вершинам b и f, из которых
начинается поиск выходящих из них дуг, помеченные отношением R1, ведущих в любую
вершину, так как в образце далее стоит вершина, которой соответствует свободная
переменная y. Далее процесс продолжается аналогичным образом. В примере поиск
оказывается успешным. После нахождения А в семантической сети происходит замена,
которая определяется правой частью образца. В результате возникает
трансформированная сеть (рис. 2в).
Продукция АдЮВз может соответствовать процедуре нахождения закономерностей по
эмпирическим данным. Логический блок на основании просмотра и анализа данных
выдвигает гипотезы и наличии закономерностей и, убедившись в их приемлемости и
достаточной обоснованности, записывает их в базу знаний. Аналогично можно
интерпретировать и иные типы продукций из таблицы 1.
Представление
простых фактов
Представление - это действие, делающее некоторое понятие воспринимаемым
посредством фигуры, записи, языка или формализма. Теория знаний изучает связи
между субъектом (изучающим) и объектом. Знание (в объективном смысле) - то, что
известно (то, что знаем после изучения).
Представление знаний- формализация истинных убеждений посредством фигур,
записей или языков. Нас особенно интересуют формализации, воспринимаемые
(распознаваемые) ЭВМ. Возникает вопрос о представлении знаний в памяти ЭВМ, т.е.
о создании языков и формализмов представления знаний. Они преобразуют наглядное
представление (созданное посредством речи, изображением, естественным языком,
вроде английского или немецкого, формальным языком, вроде алгебры или логики,
рассуждениями и т.д.) в пригодное для ввода и обработки в
ЭВМ. Результат формализации должен быть множеством инструкций, составляющих
часть языка программирования.
Представлению знаний присущ пассивный аспект: книга, таблица, заполненная
информацией память. В ИИ подчеркивается активный аспект представления: знать
должно стать активной операцией, позволяющей не только запоминать, но и
извлекать воспринятые (приобретенные, усвоенные) знания для рассуждений на их
основе. Следовательно, истоки представления знаний - в науке о познании, а его
конечная цель - программные средства информатики. Во многих случаях подлежащие
представлению знания относятся к довольно ограниченной области, например:
-
описание состояния человека
-
описание ситуации в игре (например, расположение фигур в шахматах)
-
описание размещения персонала предприятия
-
описание пейзажа
Для характеристики некой области говорят об "области рассуждений" или
"области экспертизы". Численная формализация таких описаний в общем мало
эффективна. Напротив, использование символического языка, такого, как язык
математической логики, позволяет формулировать описания в форме, одновременно
близкой и к обычному языку, и к языку программирования. Впрочем, математическая
логика позволяет рассуждать, базируясь на приобретенных знаниях: логические
выводы действительно являются активными операциями получения новых знаний из
усвоенных.
В силу всех этих причин математическая логика лежит в основе различных
представлений в ИИ. Данный раздел посвящен представлению простых фактов с
помощью логики предикатов. Логическое представление служит также отправной
точкой для других представлений (таких как "сетевые" и "объективные"),
используемых в ИИ.
Синтаксис логики предикатов.
Язык логики предикатов задается синтакисом. Для представления знаний базисные
синтаксические категории языка изображаются такими символами, которые несут
достаточно четкую информацию и дают довольно ясную картину об области
рассуждений (экспертизы).
Логика предикатов, называемая также логикой первого порядка, допускает четыре
типа выражений.
Константы. Они служат именами индивидуумов (в отличие от имен
совокупностей): объектов, людей или событий. Константы представляются
символами вроде Жак_2 (добавление 2 к слову Жак указывает на вполне
определенного человека среди людей с таким именем), Книга_22, Посылка_8.
Переменные. Обозначают имена совокупностей, таких как человек, книга,
посылка, событие. Символ Книга_22 представляет вполне определенный экземпляр,
а символ книга указывает либо множество "всех книг", либо "понятие книги".
Символами x,y,z представлены имена совокупностей (определенных множеств или
понятий).
Предикатные имена. Они задают правила соединения констанат и переменных,
например правила грамматики, процедуры, математические операции. Для
предикативных имен используются символы наподобие следующих: Фраза, Посылать,
Писать, Плюс, Разделить. Предикатное имя иначе называется предикатной
константой.
Функциональные имена представляют такие же правила, как и предикаты. Чтобы
не спутать с предикатными именами, функциональные имена пишут одними строчными
буквами: фраза, посылать, писать, плюс, разделить. Их называют так же
функциональными константами.
Символы, которые применяются для представления констант, переменных,
предикатов и функций, не являются "словами русского языка". Они суть символы
некоторого представления - слова "объектного языка" (в нашем случае языка
предикатов).
Представление должно исключать всякую двусмысленность языка. Поэтому имена
индивидуумов содержат цифры, приписываемые к именам совокупностей. Жак_1 и Жак_2
представляют двух людей с одинаковыми именами. Эти представления суть
конкретизации имени совокупности "Жак". Предикат - это предикатное имя вместе с
подходящим числом термов. Предикат называют так же предикатной формой.
Примеры применения логики для
представления знаний.
Проиллюстрируем синтаксис логики предикатов, сопоставляя нескольким русским
фразам их перевод на язык логического формализма.
По русски: Жак посылает книгу Мари,
Логически: Посылка (Жак_2, Мари_4, Книга_22).
По русски: Каждый человек прогуливается,
Логически: " "
( Человек(x)
É Прогуливается(x)).
По русски: Некоторые люди прогуливаются,
Логически:
$ x (Человек(x) Ù Прогуливается(x)).
(Сравнивая два последних примера, видим, что замена прилагательного
"каждый" на "некоторые"
влечет при переводе не только замену квантора "
на
$ , но изамену
связки
É на
Ù . Это иллюстрирует
тот факт, что перевод фразы естественного языка на логический, вообще говоря, не
является трафаретной операцией.)
По русски: Ни один человек не прогуливается,
Логически: Ø ($ x (Человек(x) Ù Прогуливается(x))).
 |
 |
| Коротко
о системе Е-МАСТЕР |
|
Е-МАСТЕР®
— система управления корпоративной информацией.
Е-МАСТЕР®
включает в себя возможности систем класса ECM (Enterprise
Content Management).
Система обеспечивает:
- Совместное создание и согласование документов
- Каждый документ может быть обсужден как при
помощи прикрепленного к нему мини-форума, так
и в главном форуме
- Разработанный документ может быть направлен
на согласование по указанному маршруту
- Хранение документов любых форматов
- Хранение и передача документов в зашифрованном
виде
- Встроенные системы восстановления после сбоев
и резервного копирования
- Поиск документов
- Возможность поиска по ключевым словам и другим
атрибутам документов (автор, дата создания…)
- Возможность поиска с помощью навигации по
рубрикам
- Управляемый доступ к документам
- Возможность установки доступа к документам
для различных категорий пользователей
- Возможность введения ограничений на работу
с документами
- Функциональный интерфейс пользователя
- Веб-интерфейс, позволяющий просматривать
карточки и скачивать файлы из системы хранения
документов
- Удаленный доступ или работа пользователя
из любой точки мира (при условии подключения
к Интернету).
|
|
| Система FLAMORY™ |
 FLAMORY™ — уникальный программный продукт, позволяющий сохранять историю действий пользователя на компьютере, таких, например, как работа в приложениях Windows, посещения сайтов и д.р.
Сохраненные последовательности действий, далее, можно просмотреть, сохранить в файл и передать коллегам. FLAMORY позволяет аккумулировать и делиться знаниями.
Работая с FLAMORY, обмен опытом, обучение новых сотрудников, обсуждения технологий, становятся, как никогда ранее, простой и удобной, в практических аспектах, задачей.
FLAMORY™ разрабатывается при участии специалистов KMSOFT.
Скачать бета-версию можно по этой ссылке.
|
|
