Модели представления знаний

Интеллектуальные системы

Идея создания искусственного подобия человеческого разума для решения сложных задач занимала человечество с давних времен. Впервые это пытались сделать еще в 14 веке. Развитие искусственного интеллекта (ИИ) как научного направления стало возможным только после создания ЭВМ в 40-х годах. В 50-х годах выделились два основных направления исследований: нейрокибернетика и кибернетика “черного ящика”.

Основная идея нейрокибернетики: единственный объект, способный мыслить – человеческий мозг. Поэтому любое “мыслящее устройство” должно каким-либо образом воспроизводить его структуру. Ученые пытаются создать элементы, аналогичные нейронам человеческого мозга и объединить их в сети – нейросети.

В настоящее время создано немало нейрокомпьютеров. Основная область их применения - распознавание образов.

Принцип, который лег в основу кибернетики “черного ящика”: не имеет значения, как устроено “мыслящее” устройство, главное, чтобы на заданные входные воздействия оно реагировало также как человеческий мозг.

Это направление было ориентировано на поиски алгоритмов человеческого мышления. Оказалось, что ни одна наука не может предложить точного алгоритма. Тогда кибернетики начали разрабатывать собственные модели.

В конце 50-х родилась модель лабиринтного поиска. Любая задача представляется как некоторый граф, отражающий пространство состояний и в этом графе производится поиск оптимального пути от входных данных к результирующим. При решении практических задач эта идея большого распространения не получила.

Начало 60-х годов – эпоха эвристического программирования. Эвристика – правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска. В 70-х годах стали использоваться методы математической логики. На основе метода резолюций, позволившего автоматически доказывать теории при наличии набора исходных аксиом, в 1973 г. создается язык Пролог.

Существенный прорыв в практических приложениях ИИ произошел в середине 70-х годов, когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях или экспертные системы (ЭС). Созданы ЭС MYCIN для медицины и DENDRAL для химии. С середины 80-х годов в эту отрасль идут большие капиталовложения, создаются промышленные и самообучающиеся ЭС.

Искусственный интеллект – это одно из направлений информатики, цель которого – разработка аппаратно-программных средств, позволяющих пользователю-непрограммисту ставить и решать свои задачи, традиционно считающиеся интеллектуальными, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

Направления развития ИИ:

1) Игры и творчество (шахматы, шашки, го).

2) Разработка естественноязыковых интерфейсов и машинный перевод.

3) Распознавание образов.

4) Новые архитектуры компьютеров (последние разработки посвящены компьютерам баз данных и параллельным компьютерам).

5) Интеллектуальные роботы.

6) Специальное программное обеспечение (пустые ЭС в том числе).

7) Обучение и самообучение.

Данные и знания

 

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:

1) данные как результат измерений и наблюдений;

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

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

4) данные в ЭВМ на языке описания данных;

5) базы данных на машинных носителях.

Знания связаны с данными, основываются на них, но представляют результат мыслительной деятельности человека, они получаются эмпирическим путем.

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

При обработке на ЭВМ знания трансформируются следующим образом:

1) знания в памяти человека как результат мышления;

2) материальные носители знаний (учебники, методические пособия);

3) поле знаний – условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

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

5) базы знаний.

Знания – это данные о данных.

Существует много способов определить понятие. И н т е н с и о н а л понятия – это определение через понятия более высокого уровня абстракции с указанием специфических свойств. Другой способ – определять понятие через перечисление понятий более низкого уровня – это э к с т е н с и о н а л понятия.

Пример. Понятие “персональный компьютер”.

Его интенсионал – “ПЭВМ – это дружественная ЭВМ, которую можно поставить на стол и купить менее чем за 2000$”.

Экстенсионал этого понятия – “ПЭВМ – это IBM PC, Mac, Sinkler…”.

 

База знаний – основа любой интеллектуальной системы.

База данных – большой объем и относительно небольшая удельная стоимость информации.

База знаний – небольшой объем, но исключительно дорогие информационные массивы.

 

 

Модели представления знаний

 

Существуют десятки моделей (или языков) представления знаний для различных предметных областей.

Большинство из них может быть сведено к следующим классам:

1) продукционные;

2) семантические сети;

3) фреймы;

4) формальные логические модели

 

Продукционная модель

 

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

База знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода.

 

Пример. Имеется фрагмент БЗ из 2-х правил:

П1: Если “отдых летом” и “человек активный”, то “ехать в горы”.

П2: Если “любит солнце”, то “отдых летом”.

В систему поступили данные:

“человек активный” и “любит солнце”.

 

I. Прямой вывод.

Шаг 1. Пробуем П1 – не работает, не хватает “отдых летом”.

Шаг 2. Пробуем П2 – работает и в БЗ поступает результат “отдых летом”.

Шаг 3. Пробуем П1 – работает, дает результат “ехать в горы”.

Это и есть совет ЭП.

II. Обратный вывод.

1 проход.

Ш1. Цель – “ехать в горы”, пробуем П1 – данных “отдых летом” нет, они становятся новой целью и ищется правило, где они в правой части.

Ш2. Цель “одтых летом”, правило П2 подтверждает цель и активизирует ее.

2 проход.

Ш3. Пробуем П1, подтверждается искомая цель.

Продукционная модель чаще всего применяется в промышленных ЭС.

Семантические сети

 

Семантическая сеть – это ориентированный граф, вершины которого – понятия (конкретные объекты), а дуги – отношения между ними (“это”,

“имеет частью”, “принадлежит”, “любой”).

Обязательно наличие трех типов понятий:

1) класс – элемент класса;

2) свойство – значение;

3) пример элемента класса.

 

Пример.

 

 

Эта модель соответствует современным представлениям об организации долговременной памяти человека. Но поиск и вывод в ней сложен. Существуют специальные языки для реализации семантических сетей.

 

Фреймы

 

Под фреймом понимается абстрактный образ или ситуация. Абстрактный образ – это философское понятие. Например, образ комнаты – жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6 – 20 м². Из этого описания ничего нельзя убрать (например, убрали окна – получили чулан, >20м² – зал и т.п.), но в нем есть “дырки” и слоты” - это незаконченные знания некоторых атрибутов – количество окон, цвет стен, высота потолка, покрытие пола и т.д.

Такой образ называется фреймом.

Структуру фрейма можно представить в виде таблицы:

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

 

Различают фреймы-образцы или прототипы, хранящиеся в БЗ и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.

Различают данные:

фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель);

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование дня рождения);

фреймы-ситуации (тревога, авария, рабочий                    ).

Важнейшим свойством теории фреймов является исследование свойств (АКО связи) A – kinol – of =

Например, в сети фреймов на вопрос “любят ли ученики сладкое?” следует ответ Да, т.к. этим свойством обладают все дети, как указано во фрейме Ребенок. Наследование может быть частичным, например, возраст учеников не наследуется, т.к. он указан в самом фрейме.

 

 

 

Фреймы отражают концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

 

Классификация ЭС