Лекции - Интеллектуальные системы

Подождите немного. Документ загружается.

.СТРУКТУРА ЗНАНИЙ И МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.

В основу систем искусственного интеллекта положены

знания. Знания, относящиеся к любой специальности, существуют

в двух видах: общедоступные и индивидуальные. Общедоступные

– это факты из теории и справочников ПО. Индивидуальные,

личные знания состоят из эмпирических правил, которые называют

эвристиками. Эвристики помогают выдвигать разумные

предположения, эффективно работать при неполных данных. Эти

эвристические знания приобретают особую роль в системах ИИ по

нескольким причинам:

 для большинства трудных проблемных задач нет четких

алгоритмических решений, то есть задачи неформализуемые

или слабоформализуемые;

 люди-специалисты достигают высоких результатов благодаря

своим познаниям. И если машинные программы будут

аккумулировать эти знания, а не формальные методы

рассуждений, то они достигнут высокого уровня работы;

 знания необходимо воспроизводить, уточнять, пополнять – это

богатство общества. Традиционные способы передачи знаний

новичкам связаны с длительным временем. Извлечение знаний

у специалистов и придание им формы, позволяющей

использовать в ЭВМ, существенно убыстряет сроки обучения и

удешевляет их применение.

Системы ИИ отличаются от систем обработки данных тем,

что задачи, как правило, неформализованы (неоднозначные,

неполные данные, большая размерность, динамически меняющиеся

данные и т. д.), и в них используется символьный вывод и

эвристический поиск решения, а не готовое решение.

. МЕТОДЫ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.

Под термином «знания» понимается вся совокупность

информации, необходимой для решения задачи в конкретной

предметной области, включающей информацию:

1) о системе понятий ПО, в которой решается задача;

2) о системе понятий формальных моделей, на основе

которых решается задача;

3) о связи понятий 1 и 2 пункта;

4) о текущем состоянии предметной области;

5) о методах решения задач.

При этом система знаний должна быть организована в ЭВМ

таким образом, чтобы обеспечить взаимодействие вычислительной

системы с пользователем в системе понятий и терминов

предметной области. Чтобы быть реализованным на ЭВМ метод

представления знаний должен быть формальным, то есть

описываться конечным набором четких правил. В конкретной

предметной области можно построить формальный метод,

позволяющий представить все необходимые знания.

Представление знаний – это выражение на некотором

формальном языке – ЯПЗ – язык представления знания – свойств

объектов и закономерностей для задачи.

Традиционно выделяют 2 группы методов представления

знаний: декларативные и процедурные.

В декларативных методах – знания – это данные, так или

иначе структурированные. Средства представления не зависят от

конкретной системы и определяются только синтаксисом и

семантикой ЯПЗ.

В процедурных методах – знания – это также структуры

данных, но с элементами структур ассоциируются

специализированные выполнимые процедуры. Опыт применения

процедурных методов показал, что этого метода недостаточно для

построения больших баз данных. Но элементы процедурного

подхода успешно используются в декларативных методах.

В базе знаний независимо от используемых методов

представления знаний можно выделить две части:

 концептуальная (интенсиональная);

 фактуальная (экспансиональная).

Концептуальная содержит обобщенное описание ПО и метазнания.

Концептуальное описание имеет целью представить структуру,

свойства и поведение классов объектов ПО. Кроме общих

описаний в БЗ имеется информация о свойствах конкретных

объектов ПО. Эта информация образует фактуальную часть БЗ.

Выделение концептуальной и фактуальной частей БЗ как

непересекающихся компонент не совсем точно. Их связь зависти от

конкретной задачи. Отдельным элементам интенсионального

описания можно поставить в соответствие множеств

экстенсиональных описаний.

Выделение этих двух компонент связано с проблемой

физической организации БЗ. Размер фактуальной части >> больше

размера концептуальной части.

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ.

Модели представления знаний можно разбить на 2 типа:

логические и эвристические.

В основе логических моделей представления знаний лежат

понятия формальной системы (теории), задаваемой четверкой:

S = <B, F, A, R> (1)

B – алфавит теории S, последовательности из символов составляют

выражения теории S;

F – подмножество выражений, называемых формулами;

А – выделенное множество формул, называемых аксиомами, то

есть априорно истинных формул;

R – конечное множество отношений между формулами,

называемое правилами.

Наиболее распространенной формальной логической

системой является исчисление предикатов – использование

математической символики: знаков кванторов {, }, знаков

пунктуации { ( , ) . }, связок { , , ,  } и т. д. С их помощью

можно строить различные выражения – формулы.

Например: «Михаил дал книгу Владимиру».

На языке предикатов можно записать: Источник (х,

Михаил) адресат (х, Владимир) объект (х, книга) или ДАТЬ

(Михаил, Владимиру, книгу).

Основным достоинством использования исчисления

предикатов является единообразие форм представления. Однако

при доказательстве эвристик этим методом воспользоваться нельзя.

Недостатком также является их монотонность, отсутствие средств

для структурирования используемых элементов, недопустимость

противоречий.

В отличие от логических моделей эвристические модели

имеют разнообразный набор средств, передающих специфику

проблемной области. Именно поэтому эвристические модели

превосходят логические и по адекватности представления и по

эффективности использования правил. К эвристическим относятся

сетевые, фреймовые и продукционные модели. Рассмотрим

способы представления знаний в этих моделях.

Семантическая сеть – это ориентированный граф,

вершины которого соответствуют объектам, а дуги описывают

отношения между вершинами.

Рис.4. Фрагмент семантической сети.

Фреймовые модели – представляют собой поименованную

таблицу с некоторым количеством слотов–ячеек, имеющих свои

имена и в процессе получающих некоторые значения. В качестве

значения могут быть константы, ссылки на фреймы более высокого

или более низкого уровня, а также некоторые вычислительные

процедуры, например:

Фрейм

Имя–плащ

слоты значения

входит в класс верхняя одежда

принадлежит Иванов

это

есть

боле

симпто

челове

мужчин

болезн

Петро

грип

высокая

температу

ра

головна

я боль

состояние новый

воротник стойка

рукава реглан

размер f (R, V, O, X)

f (R, V, O, X) – это вычислительные процедуры, вычисляющие

размер Х по росту R, весу V, объему груди О.

Продукционные модели.

Представление знаний с помощью правил продукции –

самая распространенная форма реализации БЗ. С помощью

продукции можно описать практически любую систему знаний.

Правила продукций представлены в виде импликации:

: s

 d

где p

- правило продукции,

- условие применения правила,

- результат применения правила.

Например: Если пациент болен гриппом И

стадия заболевания начальная, ТО

температура высокая с вероятностью 0.95, И

головная боль с вероятностью 0.85.

ТО – заключение,

В настоящее время наиболее используемыми являются

фрейм-структуры и продукционные системы. Фрейм-структуры

используются в предметной области с четко выраженной

иерархической структурой, например в системах автоматизации

проектирования (САПР).

Контрольные вопросы:

1. Какие знания являются метазнаниями в ЭС?

2. Цель управляющих знаний.

3. В каких знаниях содержатся сведения о разработчиках ЭС?

4. Какие знания поддерживают пользовательский интерфейс?

5. Какие знания содержат понятия предметной области?

6. Какие методы представления знаний используются в ЭС?

Лекция 5 СЕМАНТИЧЕСКИЕ СЕТИ.

План лекции:

1.Представление семантической модели

2.Поиск в семантических сетях

3.Примеры семантических сетей

4.Раздновидности семантических сетей

Ключевые слова:

Семантическая модель, процедурные сети, интерпритация сети,

классифицирующие сети,сценарий.

Семантическая сеть – это один из способов представления

знаний. Изначально семантическая сеть была задумана как модель

представления долговременной памяти в психологии, но

впоследствии стала одним из способов представления знаний в ЭС.

Семантика – означает общие отношения между символами и

объектами из этих символов.

Простейший образец семантической сети представлен на рис.

Вершины – это объекты, дуги – это отношения.

Семантическая модель не раскрывает сама по себе каким образом

осуществляется представление знаний. Поэтому семантическая

сеть рассматривается как метод представления знаний и

структурирования знаний. При расширении семантической сети в

ней возникают другие отношения:

IS –A (принадлежит) и PART OF (является частью)

отношение:

целое  часть.

Ласточка IS – A птица, «нос» PART OF «тело».

Рис.5. Фрагмент семантической сети Куллиана.

Могут быть и другие отношения: владеет. Тогда

семантическая сеть расширяется иерархически (вершина имеет две

ветви). Кроме того, можно расширить сеть и другим отношением:

период  «весна – лето».

Получается иерархическая структура понятия ЮКО (рис. 7).

Ее можно разбить на подсхемы. Большой проблемой для

семантических сетей является то, что результат вывода не

гарантирует достоверности, так как вывод есть просто

наследование свойств ветви is-a.

Для отображения иерархических отношений между

объектами и введения единой семантики в семантические сети

было предложено использовать процедурные сети. Сеть строится

на основе класса (понятия); вершины, дуги и процедуры

представлены как объекты.

Процедурами определяются следующие основные действия

над дугами:

 установление связи;

 аннулирование связи;

 подсчет числа вершин, соединенных дугой;

 проверка наличия или отсутствия связи.

кла

сс

свойст

во

приме

чайни

металлический,

фарфоровый и т.

д.

емкость

фарфоров

ый

Рис.6. Решение в семантической сети.

Существуют и другие процедуры, такие как:

 определение экземпляра класса;

 проверка принадлежности экземпляра к классу и т. д.

Благодаря этим процедурам семантическими сетями можно

представлять знания.

Особенностью семантических сетей является целостность

системы, не позволяющей разделить базу знаний и механизм

выводов.

Обычно интерпретация семантических сетей определяется с

помощью процедур. Эти процедуры основаны на нескольких

способах, но наиболее типичный – способ сопоставления частей

сетевой структуры - основан на построении подсети,

соответствующей вопросу, и сопоставления ее с базой данных

сети.

Например, вопрос: Чем владеет ласточка по имени ЮКО?

Получается подсеть по вопросу. Сначала отыскивается

вершина ВЛАДЕТЬ, от нее ветвь ВЛАДЕЛЕЦ и далее к вершине

ЮКО, а затем следует соединение с вершиной, которая показывает

ветвь «собственность».

is-a is-a

ЮКО

ласточ

каа

птиц

нача

ло

коне

владе

ет

гнезд

весна

осень

part

крыль

Рис.7.Реализация вывода в сети.

Примером реализации семантических сетей являются

системы PROSPECTOR, KAS.

Утверждения могут быть истинными и ложными.

Утверждения делятся на логические и описательные. Логические

утверждения являются булевской комбинацией других

утверждений. Для учета неопределенности с каждым

утверждением связывают коэффициент неопределенности. Он либо

вводится пользователем, либо вычисляется по формуле Байеса.

Каждое правило содержит две меры: одна используется, если

условие истинно, другая, если условие ложно.

Модель проблемной области представляется в виде «сети

выводов». Эта сеть связывает результаты наблюдений с наиболее

важными гипотезами.

Дуги в сети соответствуют правилам.

<правило>: = (если <условие>, то <мера И> <мера Л> <действие>)

<условие>: = <утверждение>

<утверждение>: = <логич. утверждение> | <описат. утверждение>

<логич. утверж.>: = (И{утверж.}) | (ИЛИ{утверж.}) | (нет

<утверж.>)

<действие>: = <описат. утверждение>

PROSPECTOR – консультационная система для оказания

помощи при разведке полезных ископаемых. (Р. Дуд). База знаний

о разных месторождениях представлена в виде сети выводов.

владелец

объект

владения

ЮКО

владеет

владени

объект?

Узлами сети представлены утверждения и факты, например,

«слюда – силикат» и т. д.

Истинность и ложность утверждения содержат

неопределенности. Каждое утверждение определяется как

пространство подсети и показывает предположительное

существование вещества, имеющего специфические свойства или

состоящего в специфической связи.

Отношения множеств терминов «элемент – часть» по

веществам описаны с помощью классификационной сети: биотит –

это слюда, слюда – это силикат, силикат – это минерал.

PROSPECTOR снабжен интерфейсом естественного языка.

TORUS – система управления базой данных СУБД, целью

которой является распознавание семантики. Все объекты системы

представлены узлами сети. Все узлы делятся на 4 типа: сущности;

события, относящиеся к действию; свойства, описывающие

состояния; конкретные значения свойств.

Узлы семантической сети имеют иерархическое

расположение, на верхних уровнях –общие концепты, события,

свойства, значения, на нижних – каждый из этих объектов в

отдельности.

Между уровнями установлены отношения при помощи

сценариев. Сценарий верхнего уровня функционирует как правило

вывода. Объединив несколько сценариев, можно построить

семантическую сеть.

Система CASNET (Куликовский).

Предназначена для диагностики заболевания глаукомой.

Знания представлены разновидностью семантической сети –

каузальной сетью.

Узлы сети (плоскости) представляют состояние системы, а

дуги каузальные отношения.

CASNET имеет иерархическую структуру данных.

Выделяются несколько уровней – плоскостей. Например:

 плоскость категории болезни (пл. постановки диагноза);

 плоскость патологическое состояние;

 плоскость наблюдения.

В первой плоскости содержатся множество способов

лечения болезни. В зависимости от категорий, категория  лечение

(метод).