Продукционная модель знаний.

    Продукционные модели можно считать наиболее распространенными  моделями представления знаний. Продукционная модель – это модель, основанная на правилах, позволяющих представить знание в виде предложений типа:

    «ЕСЛИ условие, ТО действие»

    Продукционная модель обладает тем недостатком, что  при накоплении достаточно большого числа (порядка нескольких сотен) продукций  они начинают противоречить друг другу.

    В общем случае продукционную модель можно представить в следующем  виде:

    

• – имя продукции;
• – сфера применения продукции;
• – условие применимости продукции;
• – ядро продукции;
• – постусловия продукции, актуализирующиеся при положительной реализации продукции;
• – комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т. д.;

    Системы обработки знаний, использующие продукционную  модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.

    Примеры продукционных правил:

    ЕСЛИ 
  «двигатель не заводится» 
  и 
  «стартер двигателя не работает» 
ТО  
  «неполадки в системе электропитания стартера»

    Любое правило состоит из одной или  нескольких пар «атрибут-значение». В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых установлена в процессе решения конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил. Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объём фактов в рабочей памяти, как правило, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.

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

    Основные  достоинства систем, основанных на продукционных моделях, связаны  с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно  отнести следующее:

• отличие от структур знаний, свойственных человеку;
• неясность взаимных отношений правил;
• сложность оценки целостного образа знаний;
• низкая эффективность обработки знаний.

    При разработке небольших систем (десятки  правил) проявляются в основном положительные  стороны продукционных моделей  знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

    Семантические сети или сетевые  модели знаний.

    Однозначное определение семантической сети в настоящее время отсутствует. В инженерии знаний под ней  подразумевается граф, отображающий смысл целостного образа. Узлы графа  соответствуют понятиям и объектам, а дуги – отношениям между объектами. Формально сеть можно задать в  следующем виде:

    

• – множество информационных единиц;
• – множество типов связей между информационными единицами;
• – отображение, задающее конкретные отношения из имеющихся типов между элементами .

    Семантическая сеть как модель наиболее часто используется для представления декларативных  знаний. С помощью этой модели реализуются  такие свойства системы знаний, как  интерпретируемость и связность, в  том числе по отношениям и . За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям.

    Одной из первых известных моделей, основанных на семантической сети, является TLC-модель (Teachaple Languge Compre-hender – доступный механизм понимания языка), разработанная Куиллианом в 1968 году. Модель использовалась для представления семантических отношений между концептами (словами) с целью описания структуры долговременной памяти человека в психологии.

    Как правило, различают экстенсиональные и интенсиональные семантические сети. Экстенсиональная семантическая сеть описывает конкретные отношения данной ситуации. Интенсиональная – имена классов объектов, а не индивидуальные имена объектов. Связи в интенсиональной сети отражают те отношения, которые всегда присущи объектам данного класса.

    Примером  семантической сети может служить  фрагмент описания вычислительной техники, показанный на рисунке.

    

    С помощью такой сети, используя  отношение  и , можно вывести факты: «Багет-11» – это ЭВМ; IBM PC имеет процессор и т.д. Для отображения процедурных знаний используются процедурные семантические сети. В этом случае факты, отношения и процедуры представлены как вершины, а связи объединяют их в единое понятие.

Фреймовая модель знаний.

    Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) – профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

    Фрейм (англ. frame – рамка, каркас) – структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.

    Слот (англ. slot – щель, прорезь) может быть терминальным (листом иерархии) или представлять собой фрейм нижнего уровня.

    Каждый  фрейм, как показано на рисунке ниже, состоит из произвольного числа  слотов, причем несколько из них обычно определяются самой системой для выполнения специфических функций, а остальные определяются пользователем.

    

    Пояснение:

• имя фрейма (имя фрейма) – это идентификатор, присваиваемый фрейму. Фрейм должен иметь имя, единственное в данной фреймовой модели (уникальное имя);
• имя слота(имя слота) – это идентификатор, присваиваемый слоту. Слот должен иметь уникальное имя во фрейме, к которому он принадлежит. Обычно имя слота не несет никакой смысловой нагрузки и является лишь идентификатором данного слота, но в некоторых случаях оно может иметь специфический смысл;
• указатель наследования – только для фреймовых моделей иерархического типа; они показывают, какую информацию об атрибутах слотов во фрейме верхнего уровня наследуют слоты с такими же именами во фрейме нижнего уровня;
• указатель атрибутов – указатель типа данных слота. К таким типам относятся: (указатель), (целое), (вещественное), (булево), (присоединенная процедура), (текст), (список), (таблица), (выражение) и другие;
• значение слота – значение, соответствующее типу данных слота и удовлетворяющее условиям наследования;
• демон – процедура, автоматически запускаемая при выполнении некоторого условия. Демоны запускаются при обращении к конкретному слоту фреймовой модели. Например, демон запускается, если в момент обращения к слоту его значение не было установлено, запускается при подстановке в слот значения, запускается при стирании значения слота.

 
 
 
 
 
 

    Пример  фреймовой модели иерархического типа представлен на рисунке ниже:

    

    Фреймы  образуют иерархию. Иерархия во фреймовых  моделях порождает единую многоуровневую структуру, описывающую либо объект, если слоты описывают только свойства объекта, либо ситуацию или процесс, если отдельные слоты являются именами  процедур, присоединенных к фрейму и вызываемых при его актуализации.

    Формально фрейм – это тип данных вида:

    

• – имя объекта;
• – множество слотов, содержащих факты, определяющие декларативную семантику фрейма;
• – множество слотов, обеспечивающих связи с другими фреймами (каузальные, семантические и т. д.);
• – множество слотов, обеспечивающих преобразования, определяющие процедурную семантику фрейма.

    Фреймы  подразделяются на:

• фрейм-экземпляр – конкретная реализация фрейма, описывающая текущее состояние в предметной области;
• фрейм-образец – шаблон для описания объектов или допустимых ситуаций предметной области;
• фрейм-класс – фрейм верхнего уровня для представления совокупности фреймов образцов.

    Состав  фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы  целесообразно единое представление  для устранения лишнего усложнения.

    Разнотипные объекты или объекты, соответствующие  концепции «множественности миров», заключающейся, к примеру, в том, что лошадь – животное бескрылое  для одного (реального) мира и одновременно крылатое (Пегас в мифическом мире) для другого, могут описываться  отличающимися друг от друга фреймами.

    В целом фреймовая модель допускает  представление всех свойств декларативных  и процедурных знаний. Глубина  вложенности слотов во фрейме (число  уровней) зависит от предметной области  и языка, реализующего модель.

 

    

Глава 3. Проблема представления знаний.

    Система искусственного интеллекта – это  система, оперирующая знаниями о  проблемной области. Без базы знаний систем искусственного интеллекта не существует. Для формализации и представления  знаний разрабатываются специальные  модели представления знаний и языки  для описания знаний, выделяются различные  типы знаний.

    Модели  представления знаний относятся  к прагматическому направлению (основано на предположении о том, что мыслительная деятельность человека – «черный  ящик») в исследованиях по искусственному интеллекту. При этом в системах, основанных на знаниях, информационные структуры представляются в форме  декларативных (описательных) знаний, а алгоритмы и эвристики –  в форме процедурных знаний.

    Признано, что системы, основанные на знаниях, целесообразно разрабатывать с  выделением ряда подсистем. Основными  из них считаются:

• подсистема представления декларативных знаний;
• подсистема представления процедурных знаний;
• подсистема манипулирования знаниями (механизм логического вывода).

    Целью такого разделения является возможность  использования системы в различных  предметных областях. Для этого достаточно заменить подсистему представления  декларативных знаний без изменения  остальных частей. В самом деле, имея универсальный механизм логического  вывода, достаточно заполнить оболочку системы конкретными правилами  и фактами из требуемой предметной области, чтобы получить готовую  к применению систему.

    История развития методов инженерии знаний свидетельствует о том, что эта  идея продолжительное время являлась основополагающим направлением исследований. Так, например, А. Ньюэлл и Г. Саймон из Университета Карнеги-Меллона (США) разработали программу GPS – универсальный решатель задач. В формальной логике был разработан метод резолюций. В 70-х гг. XX в., однако, большинство исследователей пришли к выводу, что не существует универсальной системы представления процедурных знаний, пригодной для всех областей деятельности. Подтверждением этому служит высокая ценность специалистов-экспертов в узких предметных областях. Была сформулирована проблема представления знаний.

    Проблема  представления знаний заключается  в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении  задач, и возможностями формального (однозначно-ограниченного) представления  такой информации в ЭВМ. Часто  проблема осложняется трудностями  для эксперта по формулированию в  явном виде имеющихся у него знаний.