2.1.3. «Піраміда» знань

Ієрархічність понятійної структури свідомості підкреслюється в роботах багатьох психологів [18]. Поле знань можна стратифікувати, тобто розглядати на різних рівнях абстракції понять. У «піраміді знань» кожний наступний рівень служить для сходження на новий ступінь узагальнення і поглиблення знань у предметній області. Отже, можлива наявність декількох рівнів понятійної структури S_k. Видається доцільним пов'язати це із глибиною професійного досвіду або з рівнем ієрархії в структурних щаблях організації. Зазвичай, стратегії прийняття рішень, тобто функціональні структури S_f, на різних рівнях будуть істотно відрізнятися. Якщо спробувати дати математичну інтерпретацію рівнів піраміди знань U = (U₁,U₂,U₃,…,U_N), то найбільш найпрозорішим є поняття гомоморфізму — відображення деякої системи Е, що зберігає основні операції і основні відношення цієї системи. Нехай

деяка система з основними поняттями та основними відношеннями .

Гомоморфізмом системи Е в однотипну їй систему Е' буде: , називається відображення,

яке задовольняє наступні дві умови:

Для всіх елементів з Е та всіх .

Відповідно до введених позначень рівні піраміди суть гомоморфізми моделей (тобто понять і відношень) предметної області

де ; , — мета-поняття, або поняття вищого рівня абстракції; — мета-відношення; — мета-стратегії. Сходячи по ступенях піраміди, ми отримуємо систему гомоморфізмів, що відповідає результатам, отриманим в когнітивній психології про зменшення розмірності семантичного простору пам'яті зі збільшенням досвіду експертів.

2.2. Стратегії одержання знань

Під час формування поля знань ключовим питанням є сам процес отримання знань, коли відбувається перенесення ком­петентності експертів на інженерів зі знань. Для назви цього процесу в літературі з експертних систем (ЕС) набуло поширення кілька термінів: придбання, здобування, витягання, одержання, виявлення, формування знань. У англомовній спеціальній літературі в ос­новному використовуються два: acquisition (придбання) і elicitation (виявлення, витягання, встановлення).

Термін «придбання» трактується або дуже широко — тоді він включає весь процес передавання знань від експерта до ба­зи знань ЕС, або вже як спосіб автоматизованої побудови бази знань за допомогою діалогу експерта і спеціальної програми (при цьому структура поля знань заздалегідь закладається в програму). В обох випадках термін «придбання» не стосуєть­ся самого таїнства екстрагування структури знань з потоку інформації про предметну область. Цей процес описується по­няттям «видобування».

Видобування знань (knowledge elicitation) — це процедура взаємодії експерта із джерелом знань, у результаті якої стають явними процес міркувань фахівців при ухваленні рішення і структура їх уявлень про предметну область.

На сьогодні більшість розробників ЕС відзначають, що про­цес видобування знань залишається «найвужчим» місцем при побудові промислових ЕС. При цьому їм доводиться практич­но самостійно розробляти методи витягання, зіштовхуючись із такими труднощами:

• організаційні непогодженості;

• невдалий метод витягання, що не збігається зі структу­рою знань у певній області;

• неадекватна модель (мова) для подання знань.

Можна додати до цього:

• невміння налагодити контакт із експертом;

• термінологічний різнобій;

• відсутність цілісної системи знань в результаті витягання тільки «фрагментів»;

• спрощення «картини світу» експерта тощо.

Процес видобування — це тривала і трудомістка процеду­ра, в якій інженерові зі знань, озброєному спеціальними знан­нями з когнітивної психології, системного аналізу, матема­тичної логіки та ін., необхідно відтворити модель предметної області, якою користуються експерти для прийняття рішення. Часто розроблювачі-початківці ЕС, бажаючи спростити цю процедуру, намагаються підмінити інженера зі знань самим експертом. З багатьох причин це небажано.

По-перше, велика частина знань експерта — це результат численних нашарувань ступенів досвіду. І часто, знаючи, що з А виводиться В, експерт не усвідомлює, що ланцюжок його міркувань був набагато довший, наприклад або .

По-друге, як було відомо ще Платонові, мислення діа­логічне. І тому діалог інженера зі знань і експерта — найприродніша форма вивчення лабіринтів пам'яті експерта, у яких зберігаються знання, частина яких має невербальний харак­тер, тобто виражені не у формі слів, а, наприклад, у формі на­очних образів. І саме в процесі пояснення інженерові зі знань експерт на ці розмиті асоціативні образи навішує чіткі сло­весні ярлики, тобто вербалізує знання.

По-третє, експертові важче створити модель предметної об­ласті внаслідок глибини й обсягу інформації, якою він во­лодіє. Ще в ситуаційному керуванні було виявлено: об'єкти реального світу зв'язані більш ніж 200 типами відно­шень (тимчасові, просторові, причинно-наслідкові, типу » частина-ціле» та ін.). Ці відношення і зв'язки предметної області утворять складну систему, з якої виділити «скелет» або голов­ну структуру іноді доступніше аналітикові, що до того ж во­лодіє системною методологією.

Термін «придбання» у цього залишений за автоматизова­ними системами прямого спілкування з експертом. Вони дійсно безпосередньо здобувають вже готові фрагменти знань відповідно до структур, закладених розроблювачами систем. Більшість цих інструментальних засобів спеціально орієнто­вано на конкретні інтелектуальні системи із жорстко позначеною предметною областю й моделлю подання знань, тобто не є універсальними.

Придбання знань (knowledge acquisition) — процес напов­нення бази знань експертом з використанням спеціалізованих програмних засобів.

Наприклад, система TEIRESIAS, що стала прародич­кою всіх інструментаріїв для придбання знань, призначена для поповнення бази знань системи MYCIN або її дочірніх га­лузей, побудованих на «оболонці» EMYCIN в області ме­дичної діагностики з використанням продукційної моделі по­дання знань. Три покоління та основні тенденції СПЗ будуть детально описані нижче.

Термін формування знань традиційно закріпився за над­звичайно перспективною областю інженерії знань, що активно розвивається і займається розробленням моделей, методів і алгоритмів навчання. Вона включає індуктивні моделі фор­мування знань і автоматичного породження гіпотез, напри­клад, ДСМ-метод на основі навчальних вибирань, навчання за аналогією та іншими методами. Ці моделі дозволяють виявити причинно-наслідкові емпіричні залежності в базах даних з не­повною інформацією, що містять структуровані числові й сим­вольні об'єкти (часто в умовах неповноти інформації).

Формування знань (machine learning) — процес аналізу да­них і виявлення прихованих закономірностей з використан­ням спеціального математичного апарату програмних засобів.

Традиційно до завдань формування знань або машинного навчання відносяться завдання прогнозування, ідентифікації (синтезу) функцій, розшифровування мов, індуктивного виве­дення й синтезу з додатковою інформацією. У широкому сенсі до навчання на прикладах можна віднести і методи на­вчання розпізнавання образів [9].

Індуктивне виведення правил із фактів застосоване також у системах AQ, AQUINAS, KSSI, INSTIL і деяких інших.

Найдослідженішими серед методів машинного навчання є, очевидно, методи розпізнавання образів, зокрема алгеб­раїчний підхід, в якому передбачається збагачення вихідних евристичних алгоритмів за допомогою алгебраїчних операцій і побудова сімейства алгоритмів, що гарантує одержання ко­ректного алгоритму для рішення досліджуваного класу зав­дань, тобто алгоритму, що правильно класифікує кінцеву вибірку по всіх класах. Однак застосування методів фор­мування знань наразі не стало промисловою технологією роз­роблення баз знань.

Щоб ці методи стали елементами технології інтелектуаль­них систем, необхідно вирішити ряд завдань:

• забезпечити механізм сполучення незалежно створених баз даних, що мають різні схеми, з базами знань інтелектуаль­них систем;

• встановити відповідність між набором полів бази даних і безліччю елементів декларативного компонента бази знань;

• виконати перетворення результату роботи алгоритму навчання у спосіб подання, підтримуваний програмними засо­бами інтелектуальної системи.

Крім перерахованих, існують також і інші стратегії одер­жання знань, наприклад, у випадку навчання на прикладах (case-based reasoning), коли джерело знань — це множина при­кладів предметної області. Навчання на основі прикладів (прецедентів) включає настроювання алгоритму розпізнаван­ня на завдання за допомогою надання прикладів, класифіка­ція яких відома.

Навчання на прикладах тісно пов'язане з машинним на­вчанням. Відмінність полягає в тому, що результат навчання в розглянутому тут випадку повинен бути інтерпретований у деякій моделі, в якій, можливо, вже містяться факти та за­кономірності предметної області, і перетворений у спосіб по­дання, що допускає використання результату навчання в базі знань, для моделювання міркувань, для роботи механізму по­яснення тощо, тобто робить результат навчання елементом відповідної технології. Наприклад, у системі INDUCE нпо­роджується несуперечливий опис деякого класу об'єктів по ве­ликій кількості прикладів і контрприкладів заданого класу. Як мова подання використовується мова багатозначної логіки першого порядку).

Зазначимо також появу двох нових «прапорців» у стані прихильників методів машинного навчання — це data mining і knowledge discovery. Обидва підходи базуються на аналізі да­них і пошуку закономірностей.

Отже, можна виділити три основні стратегії проведення стадії одержання знань під час розроблення інтелектуальних систем (див. рис. 2.3).

1. З використанням ЕОМ при наявності відповідного прог­рамного інструментарію, інакше — придбання знань.

2. З використанням програм навчання при наявності репре­зентативної (тобто досить представницької) вибірки прикладів прийняття рішень у предметній області та відповідних пакетів прикладних програм, інакше — формування знань.

3. Без використання обчислювальної техніки шляхом без­посереднього контакту інженера зі знань і джерела знань (екс­перт, спеціальна література або інші джерела), інакше — видо­бування знань.

Рис. 2.3. Стратегії одержання знань.

У навчальному посібнику докладно будуть розглядатися процеси видобування і придбання знань, тому що на сучасному етапі розроблення інтелектуальних систем ці стратегії є найефективнішими й найперспективнішими. Формування знань, що тяжіє більшою мірою до області machine learning, тобто індуктивного навчання, ґрунтуючись на добре дослідженому апараті розпізнавання образів і виявлення подібності об'єктів, виходить за рамки цього підручника. Також поза цією книгою залишилися питання формування знань із даних (data mining, knowledge discovery) та ін.