39. Знания, их виды. Базы знаний. Экспертные системы.

Зна́ние — совокупность данных, фактов, сведений и правил вывода о мире, включающих в себя информацию о свойствах объектов, закономерностях процессов и явлений, а также правилах использования этой информации для принятия решений.

Виды знаний

   Понятийные знания.

   Конструктивные знания (близкие к понятийным знаниям).Это знания о структуре и взаимодействии частей различных объектов. 

Процедурные знания. К ним относятся методические правила решения различных задач.

   Фактографические знания. Они включают в себя количественные и качественные характеристики конкретных объектов, явлений и их элементов. Их накопление ведется в виде таблиц, справочников, файлов, БД.

Общий успех СУБД в сочетании с информационными потребностями менеджмента и исследованиями искусственного интеллекта привел к росту заинтересованности в превращении СУБД в системы управления базами знаний, что может рассматриваться как тенденция развития СУБД.

База знаний — это один или несколько специальным образом организованных файлов, хранящих систематизированную совокупность понятий, правил и фактов, относящихся к некоторой предметной области. Содержимое баз знаний оформляется, связывается между собой и представляется таким образом, чтобы на его основе можно было с помощью специальных программ рассуждать и делать выводы, получая сведения, которые в явном виде могут не присутствовать в базах знаний.

Наибольший прогресс среди компьютерных информационных систем отмечен в области разработки экспертных систем (ЭС), основанных на использовании элементов искусственного интеллекта.

Типичная экспертная система состоит из решателя (интерпретатора), БД (базы данных), БЗ (базы знаний), компонентов приобретения знаний, объяснительного и диалогового компонентов.

БД предназначена для хранения исходных и промежуточных данных, используемых для решения задач, фактографических данных.

Решатель, используя исходные данные из БД и знания из Б3, обеспечивает решение задач для конкретных ситуаций.

Компонент приобретения знаний автоматизирует процесс наполнения Б3.

Объяснительный компонент объясняет, как система получила решение задачи (или почему не получила) и какие знания она при этом использовала. Диалоговый компонент обеспечивает диалог между экспертной системой и пользователем в процессе решения задачи и приобретения знаний.

Можно назвать несколько типов современных экспертных систем.

1)  Экспертные системы первого поколения. Предназначены для решения хорошо структурированных задач, требующих небольшого объема эмпирических знаний. 2)  Оболочки ЭС. Имеют механизм ввода-вывода, но Б3 пустая. 3)  Гибридные ЭС. Предназначены для решения различных задач с использованием Б3. 4) Сетевые ЭС. Между собой связаны несколько экспертных систем. Результаты решения одной из них являются исходными данными для другой системы.

40) Продукционные модели. База факторов. База правил. Работа машины вывода.

Продукционные модели можно считать наиболее распространенными моделями представления знаний. Продукционная модель – это модель, основанная на правилах, позволяющая 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.

Традиционная продукционная модель знаний включает в себя следующие базовые компоненты:

1) набор правил (или продукций), представляющих базу знаний продукционной системы;

2) рабочую память, в которой хранятся исходные факты, а также факты, выведенные из исходных фактов при помощи механизма логического вывода;

3) сам механизм логического вывода, позволяющий из имеющихся фактов, согласно имеющимся правилам вывода, выводить новые факты.

Причем, что любопытно, количество таких операций может быть бесконечно.

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..

База фактов во многом напоминает обычную реляционную базу данных, а правила QPL -хранимые процедуры особого типа (т.е. процедуры, которые компилируются один раз и хранятся на сервере). QPL представляет собой расширенную идею триггеров, с помощью которых можно записать основную логику обработки данных. Напомним, что в базах данных триггерами называются хранимые процедуры, которые пользователь не вызывает непосредственно, а исполнение которой обусловлено определенной модификацией данных в заданной таблице или столбце реляционной базы данных.

В QPL и данные, и правила переплетены и вместе располагаются в базе знаний. Это придает языку необычайную гибкость. Кроме того, появляется возможность самомодификации, т. е. правило может изменять само себя. Так как правила, написанные на QPL, в конечном итоге преобразуются в набор утверждений в базе фактов, то существует возможность исправления правил "на лету", в частности, их отладка.

База правил - это множество правил, где каждому подзаключению сопоставлен определенный весовой коэффициент.

База правил может иметь следующий вид (для примера используются правила различных конструкций):

RULE_1 : IF "Condition_1" THEN "Conclusion_1" (F1) AND "Conclusion_2" (F2);

RULE_2 : IF "Condition_2" AND "Condition_3" THEN "Conclusion_3" (F3);

...

RULE_n : IF "Condition_k" THEN "Conclusion_(q-1)" (Fq-1) AND "Conclusion_q" (Fq);

Где Fi - весовые коэффициенты, означающие степень уверенности в истинности получаемого подзаключения (i = 1..q). По умолчанию весовой коэффициент принимается равным 1. Лингвистические переменные, присутствующие в условиях называются входными, а в заключениях выходными.

Обозначения:

n - число правил нечетких продукций (numberOfRules). m - кол-во входных переменных (numberOfInputVariables). s - кол-во выходных переменных (numberOfOutputVariables). k - общее число подусловий в базе правил (numberOfConditions). q - общее число подзаключений в базе правил (numberOfConclusions).

Примечание: Данные обозначения будут использоваться в последующих этапах. В скобках указаны имена соответствующих переменных в исходном коде.

Машина вывода — программа, которая выполняет логический вывод из предварительно построенной базы фактов и правил в соответствии с законами формальной логики. Механизм вывода — это обобщенная процедура поиска решения задачи, которая на основе базы знаний и в соответствии с информационной потребностью пользователя строит цепочку рассуждений (логически связанных единиц знаний), приводящую к конкретному результату. Машина вывода обычно может выполнять одну или обе из следующих операций:

Проверка истинности некоторого факта — истинным считается факт, если он может быть выведен по законам формальной логики из имеющейся базы фактов и правил.

Нахождение множества значений параметра некоторого правила, при котором данное правило превращается в истинный факт.

В первом случае на вопрос типа «Истинно ли A?» машина вывода даёт ответ «Да» либо «Нет», во втором — на вопрос типа «При каких X истинно правило A(X)?» машина вычисляет все возможные значения X, при подстановке которых в правило A это правило превращается в истинный факт.