что такое модель знаний

Представления знаний в интеллектуальных системах, экспертные системы

Введение

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

Продукционная МПЗ

Пример

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Источник

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ: ВИДЫ, ПРИМЕНЕНИЕ, ДОСТОИНСТВА И НЕДОСТАТКИ

Введение.

Модели представления знаний имеют множество различных применений, одним из наиболее распространённых является исследование искусственного интеллекта. Фундаментом любого искусственного интеллекта являются знания и для того, чтобы этот фундамент был прочным, разрабатываются специальные модели представления знаний и языки для описания знаний.

Исследования искусственного интеллекта имеют несколько направлений. Для простоты понимания можно разделить их на прикладной и теоретический. Модели представления знаний — это прикладное направление. Его суть в том, что мыслительная деятельность человека – «черный ящик». В связи с этим не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь итоговый результат решения конкретной задачи.

С понятием моделирования знаний неразрывно связана проблема выбора языка представления знаний. Для классификации моделей представления знаний выделяется семь ключевых требований к моделям знаний [1]:

наглядность представления знаний;

реализация в модели свойства активности знаний;

возможность отражения структурных отношений объектов предметной области;

возможность оперирования нечеткими знаниями;

Ни одна из существующих на данный момент моделей не может в полной мере удовлетворить этим требованиям, именно это причина активных исследований в области представления знаний.

Рассмотрим четыре наиболее часто используемые и популярные на сегодняшний день модели представления знаний:

продукционные модели – модели, основанные на правилах, позволяют представить знание в виде предложений типа: «ЕСЛИ условие, ТО действие»;

семантические сети – графическое изображение модели, чаще всего в виде графов. Узлы этого графа соответствуют понятиям и объектам, а дуги – отношениям между объектами;

фреймовые модели основывается на таком понятии как фрейм (англ. frame – рамка, каркас). Фрейм – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах. Слоты могут быть терминальными либо являться сами фреймами, т.о. образуя целую иерархическую сеть;

модель нечеткой логики основывается на неточных числах, коэффициентах уверенности, вероятности, нечетких множествах. Последние содержат упорядоченные пары, включающие номер элемента множества и функцию степени принадлежности этого элемента множеству.

Продукционную модель можно считать самой распространенной моделью представления знаний. Пример такой модели:

ЕСЛИ у фигуры три стороны И один угол равен 90° ТО это прямоугольный треугольник.

Существуют два типа продукционных систем – с прямыми и обратными выводами. Прямые выводы выполняют стратегию «от фактов к заключениям». При обратных выводах выдвигаются гипотезы вероятностных заключений, которые могут быть подтверждены или опровергнуты на основании поступающих фактов. Существуют системы и с двунаправленными выводами.

Основные достоинства систем продукционного вида – это простота представления знаний, легкость организации логических выводов и модульность применения правил (легко удалять и добавлять знания в базе знаний).

К недостаткам таких систем относятся:

низкая эффективность обработки знаний;

неясность взаимных отношений правил;

отсутствие гибкости в логическом выводе;

сложность оценки целостного образа знаний.

При разработке небольших систем на основе данной модели проявляются положительные качества продукционной модели, но с увеличением объема знаний все сильнее проявляются ее недостатки.

Данный тип представления знаний удобен в небольших системах. Для разработки более сложных систем стоит использовать другие МПЗ.

Достоинства семантических сетей:

универсальность, семантическая сеть позволяет представить любую существующую систему в виде схемы;

наглядность системы знаний, представленной графически;

близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке.

Недостатки семантических сетей:

формирование и модификация семантической модели затруднительны;

поиск решения в семантической сети сводится к задаче поиска фрагмента сети, соответствующего подсети, отражающей поставленный запрос;

чем больше отношений между понятий, тем сложнее использовать и модифицировать знания.

Семантические сети широко используются в экспертных системах в качестве языка представления знаний (например, в экспертной системе PROSPECTOR), в системах распознавания речи и понимания естественного языка. Непосредственное отношение к сетевым моделям имеют исследования по реляционным, сетевым и иерархическим БД. Кроме того, проводятся исследования, которые используют семантическую сеть для создания глобальной базы знаний на основе Интернета.

Несмотря на недостатки семантическая сеть, в связи со своей наглядностью и легкостью создания незаменима в обучении. Также модель необходима на начальных этапах создания проектов для рассмотрения его обобщенно.

Фрейм — это структура для представления знаний, которая при ее заполнении соответствующими значениями превращается в описание конкретного факта, события или ситуации.

Фреймовую модель можно считать более специализированной по отношению к сетевой. Она основана на принципе кластеризации (фрагментация) знаний.

Слоты – это незаполненные (нулевые) позиции фрейма. Если у фрейма все слоты заполнены – это описание конкретной ситуации. В переводе с английского слово «фрейм» означает «рамка», а слово «слот» – «щель». В отличие от моделей других типов во фреймовых моделях фиксируется жесткая структура информационных единиц, которая называется протофреймом. В общем виде структура информационных единиц выглядит следующим образом:

имя слота1 (значение слота1);

имя слота2 (значение слота2);

имя слотаК (значение слотаК)).

К достоинствам фреймовой модели знаний относятся:

гибкость, т. е. структурное описание сложных объектов;

наглядность, т. е. данные о родовидовых связях хранятся явно;

механизм наследования свойств. Фреймы обладают способность наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии, что обеспечивает широкое распространение языков такого типа в интеллектуальных системах;

значение может быть вычислено с помощью процедур или найдено эвристическими методами;

возможность использования предположений и ожиданий;

Возможность легкого перехода к сетевой модели.

Недостатками фреймовой системы являются:

высокая сложность систем в целом;

отсутствие строгой формализации;

трудно внести изменение в иерархию;

затруднена обработка исключений.

Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС.

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели. Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Фреймовую модель представления знаний можно заменить сетевой (семантической).

Логическая форма представления знаний – представляет собой несколько утверждений и фактов (формулы). Знания — это набор таких формул, а процесс вывода новых знаний — это реализация процедур логического вывода.

Достоинства логической модели:

независимо от количества формул и процедур, логическая форма будет иметь только один вывод;

благодаря тому, что логическая модель использует математические формулы, которые обширно изучены к настоящему времени, методы модели можно точно обосновать

благодаря особенностям процесса вывода новых знаний, в базе знаний можно хранить только множество аксиом, что в свою очередь существенно облегчает базу данных будущего искусственного интеллекта.

Недостатки логической модели [3] :

из-за того, что факты(формулы) выглядят очень похоже, модель тяжело использовать для конкретных предметной области

из-за отсутствия определённости в некоторых сферах науки, в логическую модель тяжело добавить необходимое количество аксиом для корректной работы будущей системы;

вывод, полученный из верных аксиом может не иметь смысла со стороны человеческого разума. Программа может верно построить связи, но получить совершенно неверный вывод

каждая аксиома должна иметь строгий вывод, зачастую либо «да», либо «нет». Этого очень тяжело добиться в сфере гуманитарных наук, в связи с чем сложность разработки возрастает в геометрической прогрессии.

На данный момент данная модель используется в языке программирования Пролог, поэтому для того чтобы понять актуальность использования модели, в первую очередь надо выявить плюсы и минусы использования языка.

В Пролог сложно создавать практически полезные программы: отсутствие поддержки итеративного программирования и строгой типизации заставляет программиста использовать приёмы, заметно усложняющие создание и отладку программы. Предопределенный порядок обхода дерева решений делает почти невозможным автоматическое распараллеливание программ.

Нечеткая логика инструмент для управления технологическими и индустриальными процессами, для интеллектуального домашнего хозяйства и электроники развлечения, в системах обнаружения ошибок и других экспертных системах. Разработаны специальные средства нечеткого вывода, например, инструментальное средство FuzzyCLIPS. Нечеткая логика была изобретена в Соединенных Штатах, и сейчас быстрый рост этой технологии начался в Японии, Европе и теперь снова достиг США.

Заключение.

На сегодняшний день существует огромное количество разнообразных моделей представления знаний. Каждая из них имеет свои особенности, достоинства и недостатки. Поэтому вопрос выбора оптимальной модели стоит как никогда остро. Правильная модель представления знаний поможет не только решить задачу максимально эффективным способом, но и облегчить функционирование созданной системы.

На данный момент процесс разработки модели представления знаний можно рассматривать, как процесс разработки базы знаний. В связи с этим очень важно, чтобы все свойства и характеристики знаний соответствовали не только свойствам баз знаний, но и моделям представления знаний

На этапе проектирования модели целесообразно сделать систему настолько простой, насколько это возможно. Этого можно достичь, представляя все элементы модели в едином виде. Единый вид элементов модели позволяет упростить управление как логическим выводом, так и знанием.

Единый вид означает, что система проста и интуитивна понятна обычному пользователю, который не является экспертом. Легче всего этого достигнуть, используя несколько видов моделей представления знаний в симбиозе.

Смагин А.А., Липатова С.В., Мельниченко А.С. Интеллектуальные информационные системы – Ульяновск: Издательский центр Ульяновского государственного университета, 2010г. – 50с.

Научная библиотека Сибирского федерального университета [http://files.lib.sfu-kras.ru/irbis/] // Конспект лекций Интеллектуальные информационные системы – Номера страниц 11-14. – Режим доступа: http://files.lib.sfu-kras.ru/ebibl/umkd/228/u_lectures.pdf.

Источник

Реферат: Модели знаний и данных

2.Особенности знаний (Основные понятия).

3.Модели представления знаний.

4.Фреймовые и сетевые модели.

5.Представление знаний в системе распределенных баз знаний в INTERNET/INTRANET.

По мере развития исследований в области ИС возникла концепция знаний, которая объединила в себе многие черты процедурной и декларативной информации.

Вывод: представление знаний – это одно из направлений в исследованиях по искусственному интеллекту. Другие направления это – манипулирование знаниями, общение, восприятие, обучение и поведение. Но на них я далее останавливаться не буду.

Перечислим ряд особенностей присущих различным формам представления знаний в ЭВМ.

1.Внутренняя интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит её, 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.

2.Структурированность. Информационные единицы должны были обладать гибкой структурой. Для них должен выполняться “принцип матрешки”, т.е. рекурсивная вложенность одних информационных единиц в другие. Каждая информационная единица может быть включена в состав любой другой, и из каждой единицы можно выделить некоторые её составляющие. Другими словами должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа “часть – целое”,” род – вид” или “элемент – класс”.

4.Семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее информационную 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»). Отношение релевантности при работе с информационными единицами позволяет находить знания близкие к уже найденным.

5.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 неприемлема. 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 описание 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 со знаниями, образуют систему управления базой знаний (СУБЗ). В настоящее время не существует баз знаний, в которых в полной мере были бы реализованы перечисленные вше особенности.

Модели представления знаний.

Во многих случаях для принятия решений в той или иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность действий, заведомо приводящих к необходимому результату. Например:

— проектирование развития тяжелой промышленности;

— оптимальное размещение персонала внутри здания;

— лечение больного человека.

При принятии решения в таких случаях необходимо иметь некоторую сумму знаний о самой этой области. Например: при выборе наилучшего хода в конкретной шахматной позиции необходимы знания о правилах игры, силе шахматных фигур, стратегии и тактике и многое другое. Под знаниями понимается то, что стало известно после изучения. Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о предметной области.

В любой предметной области есть свои понятия и связи между ними, своя терминология, свои законы, связывающие между собой объекты данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения задач.

Решая задачи такого вида на ЭВМ используют ИС, ядром которых являются базы знаний, содержащие основные характеристики предметных областей.

При построении баз знаний традиционные языки, основанные на численном представлении данных являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний. Различные авторы по-разному эти модели классифицируют. Вообще их четыре:

Кто-то объединяет продукционные и логические, а кто-то сетевые и фреймовые.

Сначала вкратце рассмотрим продукционные и логические модели :

Знания в таких моделях представляются в следующей форме: «Если А, то В». Вместо А и В могут стоять некоторые утверждения, факты, приказы и т.д. Например: «Если диагонали четырехугольника пересекаются под прямым углом, то этот четырехугольник ромб», «Если сделаешь работу то получишь зарплату» и т.д.

Из примеров видно что правило состоит из двух частей: посылки (условия) и следствия (заключения). Если А (посылка) имеет место, то В(следствие) также реализуется или может быть реализовано. Посылка может состоять и из нескольких частей т.е: «Если А1,А2. АN то В».

Запись правила означает, что «Если все посылки от А1 до АN истинны, то следствие В также истинно». Посылки А1..АN есть простые посылки они соединяются с помощью союзов: и,или и могут содержать отрицание не. При реализации правил такого вида из одной или нескольких посылок (знаний) могут быть получены новые знания, поэтому они называются продукционными. Примером может служить следующее правило:

Если человек Х является сыном человека У, и

человек У является сыном человека Z, и

человек Z является мужчиной,

то человек Х является внуком человека Z.

В основе сетевых моделей представления знаний лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними. В отличие от продукционных эти модели более наглядны, поскольку любой пример можно представить в виде ориентированного (направленного) графа.

В основе моделей этого типа лежит конструкция, названная семантической сетью. Сетевые модели формально можно задать в виде Н=[I,C1,C2. CN,G]. Здесь I множество информационных единиц; С1. СN – множество типов связей между информационными единицами. Отображение G задает между информационными единицами, входящими в I связи из заданного набора типов связей.

Пример : Рассмотрим набор из нескольких фраз.

Попугай Кеша является птицей, и он умеет говорить.

Зовут является

умеет

Фреймовые и сетевые модели.

Ранее были рассмотрены семантические сети. Понятия, входящие в сеть, описываются в виде фреймов. А что такое фрейм?

имя слота1 (значение слота1);

имя слота2 (значение слота2);

имя слотаК (значение слотаК)).

Значением слота может быть практически что угодно (числа, математические соотношения, тексты на естественном языке или на языке программ, ссылки на другие слоты данного фрейма).Значением слота может выступать и отдельный фрейм, что является очень удобным для упорядочивания знаний по степени общности. Исключение из фрейма любого слота делает его неполным, а иногда и бессмысленным.

При конкретизации фрейма ему и слотам приписываются 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.

Рассмотрим некоторый протофрейм:

Фамилия (значение слота1);

Год рождения (значение слота2);

Специальность (значение слота3);

Стаж (значение слота4)).

Если в качестве значений слотов использовать конкретные данные, то получим фрейм – экземпляр:

Фамилия (Попов – Сидоров – Иванов – Петров);

Год рождения (1965 – 1975 – 1980 – 1978);

Специальность (директор – бухгалтер – техник – курьер);

Связи между фреймами задаются значениями специального слота с именем «связь». Как я уже ранее писал часть специалистов по ИС считает, что нет необходимости специально выделять фреймовые в представлении знаний, так как в них объединены все основные особенности остальных типов.

Теперь рассмотрим несколько примеров:

Из примера видно что фрейм имеет следующую протоструктуру

служащий (Значение слота1);

получатель (Значение слота2);

объект (Значение слота3)).

№2. Пусть дан некоторый фрейм. Сформулируем на естественном языке те знания которые заложены в этом фрейме.

Фамилия (Иванов – Петров – Сидоров);

Год рождения (1987 – 1985 – 1990);

1. Иванов родился в 1987 и учится в 5-м классе.

2. Петров родился в1985 и учится в 7-м классе.

3. Сидоров родился в 1990 и учится во 2-м классе.

Еще рассмотрим пример вложенного фрейма т.е.

мероприятие3 (Футбольный матч)).

Тема (Начало учебного года);

Время (Понедельник, 14.00);

Присутствуют (Коллектив школы)).

Тема (День рождения);

Присутствуют (Ученики класса)).

Тема (болеть за «наших»);

Время (Пятница, 18.30);

Присутствуют (болельщики команд)).

Для сетевых моделей стоит выделить следующие проблемы:

1.Сетевые модели не имеют общей теории.

3.Проблема эффективности процедур работы с сетями.

4.Много видов сетей, в том числе рассчитанных на аппаратную реализацию.

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ В СИСТЕМЕ РАСПРЕДЕЛЕННЫХ БАЗ ЗНАНИЙ И ДАННЫХ В INTERNET / INTRANET.

В настоящее время в основном три изобретения в области информатики определяют пути ее развития;

системы управления базами данных,

В последние два десятилетия широкое распространение в различных областях деятельности получили экспертные системы. Отличительной чертой компьютерных программ, называемых экспертными системами, является их способность накапливать знания и опыт высоко квалифицированных специалистов в какой-либо узкой предметной области. Затем с помощью этих знаний пользователи экспертных систем, имеющие не очень высокую квалификацию, могут решать свои текущие задачи столь же успешно, как это сделали бы сами эксперты. На данный момент экспертные системы должны удовлетворять следующим требованиям :

1.Необходимо использовать в них не поверхностные знания в виде эвристических правил, а глубинные, представляющие собой теории предметных областей и общие стратегии решения проблем.

2.Знания должны быть организованы в виде составных иерархических представлений, включающих сети фреймов, продукции и логические модели.

3.Экспертная система должна решать задачи из динамических предметных областей, то есть областей, знания о которых могут изменяться непосредственно в процессе вывода.

4.Одним из компонентов экспертной системы должна являться база данных с неполной информацией.

5.Система должна быть способна анализировать имеющиеся у нее знания, обнаруживая противоречия между старыми знаниями и вновь полученными от эксперта, устанавливать факт их неполноты или ошибочности.

В большинстве случаев современные экспертные системы не удовлетворяют этим требованиям. Следует сказать о таком важном, недостатке экспертных систем, как отсутствие возможности хранить большие объемы данных. Конечно, в принципе база знаний экспертной системы может хранить любое количество данных в виде правил-продукций или просто фактов. Но механизм ее работы в общем виде таков, что при работе с большими объемами похожих фактов или правил скорость работы резко падает.

Остановимся теперь на средствах управления базами данных. Не секрет, что в связи с ростом объемов носителей и скоростей передачи данных человечество просто тонет в огромном количестве информации. Все знания, которыми когда-либо обладал человек если уже не хранятся, то в ближайшем будущем будут храниться в компьютеризированном виде. Таким образом, если человеку нужна какая-либо конкретная информация, он может быть уверен, что где-то, на каком-то сервере и в какой-то базе данных эта информация уже хранится. Нужно только извлечь ее. Дальше начинаются сложности. Пользователь должен знать не только точный адрес нужного сервера, но и представлять себе, где именно на этом сервере и в каком виде хранится нужная ему информация. И это еще не все. Человек должен суметь сформулировать свой вопрос на языке, прямо скажем, далеком от естественного, например, на языке SQL. Только тогда он сможет добраться до нужной информации.

Примерно тем же недостатком обладают средства поиска информации в сети Internet. Поисковые машины Internet ни в коей мере не используют семантику предметной области при поиске информации, а могут искать информацию только по ключевым словам, подбор которых является для пользователя отнюдь не тривиальной задачей. Кроме того, даже зная какие слова нужно искать, пользователь не гарантирует себе успешный поиск, т.к. не знает в каком падеже используются эти слова.

Итак: Экспертная система способна выдавать ответы, выбирая их из собственной базы знаний или выводя с помощью правил-продукций, но не имеет доступ к огромным массивам информации, хранящимся в базах данных различного типа.

Средства управления базами данных, например, SQL-сервера, способны выдавать только конкретную информацию по конкретным запросам, сформулированным на соответствующем языке. Делать выводы и самообучаться они не могут.

Средства поиска информации в Internet не способны гарантировать успех, т.к. не используют при поиске семантику предметной области.

Язык представления данных и знаний IRL.

В качестве модели представления данных и знаний была выбрана сеть фреймов. Понятие фрейма широко используется в областях, связанных с искусственным интеллектом. Фрейм позволяет описывать как абстрактные объекты и понятия, так и конкретные объекты, имеющие точные числовые характеристики. Также представляется очень существенной возможность представления в виде фреймов иерархических объектов. Фрейм, как известно, состоит из слотов, описывающих конкретные свойства понятия или объекта. Для работы с фреймами был разработан специальный язык, названный нами Intelligent Request Language, или сокращенно IRL. Грамматика этого языка представлена ниже. Она относится к классу Q-грамматик, так как содержит правила вида N:empty. Грамматики этого типа допускают нисходящий грамматический разбор. Общий вид грамматики представлен ниже.

Достоинством языка IRL можно считать возможность описания двух таких важных сущностей, как наследование и включение. По нашему мнению, машинный язык может адекватно представлять устройство мира с человеческой точки зрения только в том случае, если он отображает эти понятия. Как видно из грамматики, в частном случае фрейм языка IRL может иметь только имя, и ничего больше. В этом случае он является описанием базового понятия, то есть, понятия, не имеющего предка. В качестве базовых понятий используются:

2. Свойство (Property).

3. Отношение (Relation).

Что имеется в начале действия.

Что имеется в конце действия.

Последние два слота предназначены для того, чтобы система могла анализировать действие не только по названию, но и по сути. Базовое отношение в свою очередь имеет слоты:

Использование единиц измерения по усмотрению пользователя. Единицы измерения, используемые пользователем, с помощью таблиц преобразования приводятся к унифицированным.

Использование числовых диапазонов. Для них предусмотрен специальный синтаксис. Кроме понятий и объектов система может хранить отдельные факты и правила-продукции, или, говоря другими словами, каждый фрейм является своего рода правилом-продукцией. Остановимся для начала на фактах. Факт любого рода может быть представлен в виде фрейма, описывающего конкретное действие. Например, если мы хотим занести в базу знаний системы тот факт, что Колумб открыл Америку в 1492 году, это будет выглядеть следующим образом:

1.”Искусственный интеллект”. 2-й том под редакцией Поспелова.

Источник