что понимается под представлением знаний

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ

Полезное

Смотреть что такое «ПРЕДСТАВЛЕНИЕ ЗНАНИЙ» в других словарях:

Представление знаний — Представление знаний вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике с подбором … Википедия

Представление знаний — структурирование знаний с целью формализации процессов решения задач в определенной проблемной области. См. также: Представление знаний Формальные знания Финансовый словарь Финам … Финансовый словарь

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ — (репрезентация знаний) (англ. knowledge representation) форма организации данных разной степени сложности и разного объема в квазиинтеллектуальных системах с применением компьютерной техники. См. Искусственный интеллект, Семантические сети … Большая психологическая энциклопедия

представление знаний — Организация знаний в виде структуры данных. [http://www.morepc.ru/dict/] Тематики информационные технологии в целом EN knowledge representationKR … Справочник технического переводчика

представление знаний — Когнитивная наука задается вопросом, как живые организмы сортируют объекты окружающего мира по категориям. Объект может относиться к любому периодически встречающемуся классу переживаний от конкретной сущности до абстрактной идеи. Поэтому… … Словарь технической реальности: Культурная интеллигенция социальный контроль

Представление информации — Представление знаний вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике основная цель подбор представления … Википедия

представление — См. воззрение, зрелище, изображение, мнение, мысль, понятие, просьба. Словарь русских синонимов и сходных по смыслу выражений. под. ред. Н. Абрамова, М.: Русские словари, 1999. представление понятие; зрелище; воззрение, изображение, мнение,… … Словарь синонимов

представление коллективное — термин, предложенный французским социологом Э. Дюркгеймом для обозначения компонент системы знаний, мнений и норм поведения сложившихся в социальном опыте. Использовался, для объяснения социального происхождения человеческой психики, которое,… … Большая психологическая энциклопедия

Логическая модель представления знаний — Логическая модель представления знаний модель в представлении знаний. Основная идея подхода при построении логических моделей представления знаний вся информация, необходимая для решения прикладных задач, рассматривается как… … Википедия

База знаний — (БЗ; англ. knowledge base, KB) в информатике и исследованиях искусственного интеллекта это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую… … Википедия

Источник

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

Учебное пособие Ульяновск 2010 удк 004. 8 (075. 8)

Главная > Документ

Эмпирические знания получают в результате применения эмпирических методов познания: наблюдения, измерения, эксперимента. Это знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области. Эмпирические знания, как правило, констатируют качественные и количественные характеристики объектов и явлений. Эмпирические законы часто носят вероятностный характер и не являются строгими.

Вненаучные знания могут быть различными. Паранормальные знания – знания, несовместимые с имеющимся гносеологическим стандартом. Широкий класс паранаучного (пара от греч. около, при) знания включает в себя учения или размышления о феноменах, объяснение которых не является убедительным с точки зрения критериев научности. Лженаучные знания – сознательно эксплуатирующие домыслы и предрассудки. В качестве симптомов лженауки выделяют малограмотный пафос, принципиальную нетерпимость к опровергающим доводам, а также претенциозность. Лженаучные знания сосуществуют с научными знаниями.

Личностные (неявные, скрытые) знания – это знания людей, полученные из практики и опыта.

Формализованные (явные) знания – знания, содержащиеся в документах, на компакт-дисках, в персональных компьютерах, в Интернете, в базах знаний, в экспертных системах. Формализованные знания объективизируются знаковыми средствами языка, охватывают те знания, о которых мы знаем, их можно записать, сообщить другим.

Классификация моделей представления знаний

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информации), для хранения знаний – базы знаний (небольшого объема, но исключительно дорогие информационные массивы).

База знаний – основа любой интеллектуальной системы, где знания описаны на некотором языке представления знаний, приближенном к естественному. Сегодня знания приобрели чисто декларативную форму, то есть знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных неспециалистам.

При представлении знаний в памяти интеллектуальной системы 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. Наиболее часто используется на практике классификация моделей представления знаний, приведенная на рис. 6, где модели представления знании делятся на детерминированные (жесткие) и мягкие.

Рис. 6. Модели представления знаний

Детерминированные модели включают в себя фреймы, логико-алгебраические модели, семантические сети и продукционные модели. Мягкие модели включают в себя нечеткие системы, нейронные сети, эволюционные модели, гибридные системы.

С моделированием знаний непосредственно связана проблема выбора языка представления. В целях классификации моделей представления знаний выделяется девять ключевых требований к моделям знаний:

наглядность представления знаний;

реализация в модели свойства активности знаний;

возможность отражения структурных отношений объектов предметной области;

наличие механизма «проецирования» знаний на систему семантических шкал;

возможность оперирования нечеткими знаниями;

использование многоуровневых представлений (данные, модели, метамодели, метаметамодели и т.д.).

Модели представления знаний не удовлетворяют полностью этим требованиям, чем и объясняется их многообразие и активное развитие данного направления.

Логико-алгебраические модели представления знаний

В логических моделях знания представляются в виде совокупности правильно построенных формул какой-либо формальной системы (ФС), которая задается четверкой

Следствием (выводом) формулы в теории S называется такая последовательность правил, что для любого из них представленная формула является либо аксиомой теории S, либо непосредственным следствием.

Простейшей логической моделью является исчисление высказываний, которое представляет собой один из начальных разделов математической логики, служащий основой для построения более сложных формализмов. В практическом плане исчисление высказываний применяется в ряде предметных областей (в частности, при проектировании цифровых электронных схем). Развитие логики высказываний нашло отражение в исчислении предикатов первого порядка.

Под исчислением предикатов понимается формальный язык для представления отношений в некоторой предметной области. Основное преимущество исчисления предикатов – хорошо понятный механизм математического вывода, который может быть непосредственно запрограммирован. Предикатом называют предложение, принимающее только два значения: «истина» или «ложь». Для обозначения предикатов применяются логические связки между высказываниями: ¬ – не, – или, – и, – если, а также квантор существования и квантор всеобщности .

Таким образом, логика предикатов оперирует логическими связками между высказываниями, например она решает вопросы: можно ли на основе высказывания A получить высказывание B и т.д.

Допустимые выражения в исчислении предикатов называются правильно построенными формулами, состоящими из атомных формул. Атомные формулы состоят из предикатов и термов, разделяемых круглыми, квадратными и фигурными скобками.

Предикатные символы – это в основном глагольная форма (например: ПИСАТЬ, УЧИТЬ, ПЕРЕДАТЬ), но не только глагольная форма, а форма прилагательных, наречий (например: КРАСНЫЙ, ЗНАЧЕНИЕ, ЖЕЛТЫЙ).

Предикатные символы и константы, как правило, обозначаются
заглавными символами, функциональные символы и переменные – строчными.

В абстрактных примерах они обозначаются латинскими буквами f, g, h. В предложениях предикатной формы важны отношения и элементы. Определяя отношения, мы определяем значимость элементов выражения. Элементы могут быть предикатами и термами.

Если существует некоторая предметная область, то предикаты определяют отношения в этой предметной области, константы – элементы этой предметной области, функциональный символ – функцию.

Рассмотрим некоторые примеры. Высказывание «у каждого человека есть отец» можно записать:

x y (ЧЕЛОВЕК(x) ОТЕЦ(y,x))

Выражение «Антон владеет красной машиной» записывается, например, так:

x (ВЛАДЕЕТ(АНТОН, x) МАШИНА(x) КРАСНЫЙ(x))

Представление знаний в рамках логики предикатов служит основой направления ИИ, называемого логическим программированием. Методы логического программирования в настоящее время широко используются на практике при создании ИИС в ряде предметных областей. Положительными чертами логических моделей знаний в целом являются:

высокий уровень формализации, обеспечивающий возможность реализации системы формально точных определений и выводов;

согласованность знаний как единого целого, облегчающая решение проблем верификации БЗ, оценки независимости и полноты системы аксиом и т.д.;

единые средства описания как знаний о предметной области, так и способов решения задач в этой предметной области, что позволяет любую задачу свести к поиску логического вывода некоторой формулы в той или иной ФС.

Однако такое единообразие влечет за собой основной недостаток модели – сложность использования в процессе логического вывода эвристик, отражающих специфику предметной области. К другим недостаткам логической модели относят:

слабость структурированности описаний.

Продукционные модели представления знаний

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

Под «условием» (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под «действием» (консеквентом) – действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

Продукционная модель в чистом виде не имеет механизма выхода из тупиковых состояний в процессе поиска. Она продолжает работать, пока не будут исчерпаны все допустимые продукции. Практические реализации продукционных систем содержат механизмы возврата в предыдущее состояние для управления алгоритмом поиска.

Рассмотрим пример использования продукционных правил.

П1: Если «отдых – летом» и «человек – активный», то «ехать в горы».

П2: Если «любит солнце», то «отдых летом».

Предположим, в систему поступили данные: «человек активный» и «любит солнце».

Прямой вывод : исходя из данных, получить ответ.

Шаг 1. Пробуем П1; не работает (не хватает данных «отдых – летом»).

Шаг 2. Пробуем П2; работает, в базу поступает факт «отдых – летом».

Обратный вывод : подтвердить выбранную цель при помощи имеющихся правил и данных.

Шаг 2. Цель «отдых – летом»: правило П2 подтверждает цель и активирует ее.

Шаг 3. Пробуем П1; подтверждается искомая цель.

Основные преимущества продукционных систем:

простота и гибкость выделения знаний;

отделение знаний от программы поиска;

модульность продукционных правил (правила не могут «вызывать» другие правила);

возможность эвристического управления поиском;

возможность трассировки «цепочки рассуждений»;

независимость от выбора языка программирования;

продукционные правила являются правдоподобной моделью решения задачи человеком.

Семантическая сеть – это ориентированный граф, вершины которого – понятия, а дуги – отношения между ними. Термин «семантическая» означает «смысловая», а сама семантика – это наука, устанавливающая отношения между символами и объектами, которые они обозначают, то есть наука, определяющая смысл знаков. Модель на основе семантических сетей была предложена американским психологом Куиллианом.

В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа: «это» (АКО – A-Kind-Of, is или «элемент класса»), «имеет частью» (has part), «принадлежит», «любит» и т.д.

Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями.

По количеству типов отношений:

однородные (с единственным типом отношений);

неоднородные (с различными типами отношений).

По типам отношений:

бинарные (в которых отношения связывают два объекта);

N-арные (в которых есть специальные отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:

элемент класса (роза – это цветок);

атрибутивные связи /иметь свойство (память имеет свойство – объем);

значение свойства (цвет имеет значение желтый);

связи типа «часть-целое» (велосипед включает руль);

функциональные связи (определяемые обычно глаголами «производит», «влияет» и др.);

количественные (больше, меньше, равно и др. );

пространственные (далеко от, близко от, за, под, над и др. );

временные (раньше, позже, в течение и др. );

логические связи (и, или, не) и др.

Минимальный состав отношений в семантической сети таков:

элемент класса или АКО;

атрибутивные связи /иметь свойство;

Недостатком этой модели является сложность организации процедуры вывода.

Пример семантической сети для предложения типа «Поставщик осуществил поставку изделий для клиента до 1 июня 2010 года в количестве 10 000 штук» представлен на рис. 7.

Рис. 7. Пример семантической сети

Фрейм – это минимально возможное описание сущности какого-либо события, ситуации, процесса или объекта. В историческом плане развитие фреймовой модели связано с теорией фреймов М. Минского, определяющей способ формализации знаний, используемый при решении задач распознавания образов (сцен) и понимания речи. «Отправным моментом для данной теории служит тот факт, что человек, пытаясь познать новую для себя ситуацию или по-новому взглянуть на уже привычные вещи, выбирает из своей памяти некоторую структуру данных (образ), называемую нами фреймом, с таким расчетом, чтобы путем изменения в ней отдельных деталей сделать ее пригодной для понимания более широкого класса явлений или процессов». Другими словами, фрейм – это форма описания знаний, очерчивающая рамки рассматриваемого (в текущей ситуации при решении данной задачи) фрагмента предметной области.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

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

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

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

Фрейм имеет имя (название) и состоит из слотов.

Традиционно структура фрейма может быть представлена как список свойств:

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

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

(имя N-гo слота: значение N-го слота)).

Ту же запись можно представить в виде таблицы (см. табл. 1), дополнив ее двумя столбцами.

Таблица 1. Структура фрейма

Способ получения
значения

В таблице дополнительные столбцы (3-й и 4-й) предназначены для описания способа получения слотом его значения и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма – так образуются сети фреймов.

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

Тест по теме «Представление знаний»

1. Что понимается под представлением знаний?

кодирование информации на каком-либо формальном языке

знания, представленные в программе на языке С++

знания, представленные в учебниках по математике

моделирование знаний специалистов-экспертов

2. Какие определения, представленные ниже, не являются моделями представления знаний?

3. Что представляет собой семантическая сеть?

сетевой график, вершины которого – сроки выполнения работ

нейронная сеть, состоящая из нейронов

ориентированный граф, вершины которого – понятия, а дуги – отношения между ними

5. Чем отличаются семантические сети и фреймы?

элемент модели состоит из множества незаполненных значений некоторых атрибутов, именуемых «слотами»

наследование по AKO-связям

элемент модели – структура, использующаяся для обозначения объектов и понятий

6. Что объединяет семантические сети и фреймы?

организация процедуры вывода

множества незаполненных значений некоторых атрибутов, именуемых слотами

структуры, использующиеся для обозначения объектов и понятий

7. Какие из выражений, представленных ниже, являются структурной частью фрейма?

значение N-го слота

примитивные типы данных

8. На каком формализме не основаны логические модели?

правильно построенные формулы

нечеткие системы (fuzzy set)

Литература по теме «Пре дставление знаний»

Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. – СПб. : Питер, 2001. – 384 с.

Методы и модели анализа данных: OLAP и Data Mining / А. А. Барсегян и др. – СПб. : БХВ-Петербург, 2004. – 336 с.

Рассел, С. Искусственный интеллект: современный подход / С. Рассел, П. Норвиг. – 2-е изд. – М. : Вильямс, 2006. – 1408 с.

Источник