Тема 5. Представление знаний: принципы и методы.
Знание - это сложно организованные данные, хранящиеся в памяти ИС и содержат сведения об объектах и отношения предметной области, процессы взаимодействия объектов во времени и пространстве, правилах осуществления логического вывода.
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 представления конкретных и обобщённых знаний, сведений и фактов для накопления и обработки информации в ЭВМ. Главная задача в искусственном интеллекте (ИИ) — научиться хранить знания таким образом, чтобы программы могли осмысленно обрабатывать их и достигнуть тем подобия человеческого интеллекта.
Модели представления знаний (МПЗ) можно условно разделить на декларативные и процедурные.
В декларативных моделях знания представляются в виде описаний объектов и отношений между ними без указания в явном виде, как эти знания обрабатывать (Знания ЧТО). Такие модели предполагают отделение описаний (деклараций) информационных структур от механизмов вывода, который оперирует этими структурами. В более частной форме декларативные знания способны дать системе возможность ответить на вопросы типа: Обладает ли предмет X признаком У. Находится ли объект X в отношении Р с объектом У.
В процедурных моделях знания представляются алгоритмами (процедурами), содержащие необходимые описания информационных элементов и одновременно определяют способ их обработки. (Как завязывать шнурки) (Знания КАК)
В области экспертных систем представление знаний означает не что иное, как систематизированную методику описания на машинном уровне того, что знает человек-эксперт, специализирующийся в конкретной предметной области.
Сообщение, не понятно человеку: "Посещение тетушки может быть надоедливым" (это сообщение можно трактовать и как утверждение, что "надоедает наносить визиты тетушке", и как утверждение, что "надоедает, когда тетушка наносит визит")
Представление знаний в машинном языке. Пример утверждений, которые понятны человеку, не понятны компьютеру: "Молоток ударил графин, и он разбился" или "Графин ударился о камень, и он разбился."
"X ударил Y, и он разбился"
Тема 6. Модели представления знаний.
Представление (representation) - "множество синтаксических и семантических соглашений, которое делает возможным описание предмета".
В искусственном интеллекте под "предметом" понимается состояние в некоторой проблемной области, например объекты в этой области, их свойства, отношения, которые существуют между объектами.
Описание (description) "позволяет использовать соглашения из представления для описания определенных предметов".
Синтаксис представления специфицирует набор правил, регламентирующих объединение символов для формирования выражений на языке представления. Можно говорить о том, что выражение хорошо или плохо сформировано, т.е. о том, насколько оно соответствует этим правилам. Смысл должны иметь только хорошо сформированные выражения.
Общепринятым в области искусственного интеллекта является синтаксис в виде конструкции предикат-аргумент, которая имеет форму
<фраза> ::= <предикат> (<аргумент>,..., <аргумент>)
В этой конструкции за к-местным предикатом должны следовать k аргументов. Так, at может быть двухместным отношением, в котором в качестве первого аргумента выступает имя некоторого объекта, а в качестве второго— его местонахождение (например, комната):
at(робот, комнатаА)
Семантика представления специфицирует, как должно интерпретироваться выражение, построенное в соответствии с синтаксическими правилами, т.е. как из его формы можно извлечь какой-то смысл. Спецификация обычно выполняется присвоением смысла отдельным символам, а затем индуцированием присвоения в более сложных выражениях. Так, присваивая смысл символам at, робот, комнатаА, мы можем сказать, что выражение
at(робот, комнатаА) означает: робот находится в комнате А (но не наоборот — комната А находится в роботе).
Целесообразно выделить пять базовых моделей: факты и правила, логика предикатов, семантические сети, нейронные сети, фреймы.
Факты и правила. Представление знаний, основанное на правилах, построенных на использовании выражений вида "ЕСЛИ (условие) - ТО (действие)".
Когда текущая ситуация (факты) в задаче удовлетворяет или согласуется с частью правила ЕСЛИ, тогда выполняется действие, обусловлена частью ТО.
Представление знаний с помощью правил достаточно простое, а выводы, которые осуществляются на основе формализма вида ЕСЛИ - ТО, легко понятны. Кроме того, ярко выраженная модульность правил позволяет задавать новые знания, не вдаваясь в содержание других знаний. Системы - простые и легко понятные.
Способность модели к обучению невысока. Формирование новых знаний возможно на уровне фактов и правил. В продукционных системах выводы определяются для ограниченного формализма ЕСЛИ-ТО, поэтому алгоритмы вывода хорошо формализованы и вместе со своей простотой достаточно точны.
Примерный размер памяти, необходимый для элемента знаний модели, - 256 B.
Первые ИС были построены именно на основе модели представления знаний с помощью продукционных правил. Несмотря на все недостатки данной модели, эти системы очень эффективны и продолжают использоваться и сегодня.
Система MYCIN, — в область диагностики и лечения заболеваний крови. (разработанной за 5 или 6 лет в начале 1970х годов в Стэнфордском университете)
База знаний системы MYCIN организована в виде множества правил в форме:
если условие1 и... и условиет удовлетворяются то прийти к заключению1 и... и к заключению n
Эти правила преобразованы в операторы языка LISP (подробнее о программировании базы знаний рассказано в главе 4).
Вот как выглядит перевод на обычный язык типичного правила MYCIN:
ЕСЛИ 1) организм обладает грамотрицательной окраской, и
2) организм имеет форму палочки, и
3) организм аэробный,
ТО есть основания предполагать (0,8), что этот микроорганизм относится к классу enterobacteriaceae.
если условие1 удовлетворяется с истинностью х1 и ... и условиеm удовлетворяется с истинностью хм,
то прийти к заключению1 со степенью уверенности у1 и ... и к заключениюn со степенью уверенности уn.
Рассмотрим следующий набор правил "условие-действие":
Если
X имеет СЛУЖЕБНОЕ УДОСТОВЕРЕНИЕ И
X имеет ОГНЕСТРЕЛЬНОЕ_ОРУЖИЕ, ТО X - ПОЛИСМЕН.
ЕСЛИ
X имеет РЕВОЛЬВЕР, или
X имеет ПИСТОЛЕТ, или
X имеет ВИНТОВКУ, ТО X имеет ОГНЕСТРЕЛЬНОЕ ОРУЖИЕ.
Если
X имеет ЛИЧНЫЙ_ЖЕТОН, то
X имеет СЛУЖЕБНОЕ_УДОСТОВЕРЕНИЕ.
Эти правила можно представить в виде набора узлов в дереве целей
Рис. Представление набора правил в виде И/ИЛИ-графа
Логика предикатов (символьной логикой) - формальное исчисление, допускающее высказывания относительно переменных, фиксированных функций и предикатов.
Отец (Х,У)
Понятие ``предикат'' обобщает понятие ``высказывание''. Неформально говоря, предикат – это высказывание, в которое можно подставлять аргументы. Если аргумент один – то предикат выражает свойство аргумента, если больше – то отношение между аргументами.
По уровню абстрактности элемента знаний, модель работает с простейшими составляющими знания - фактами и правилами. На этом уровне абстракции логика предикатов позволяет получить единую систему представления, в которой знания рассматриваются как единое целое.
Модель достаточно универсальна, однако, так же, как и модель представления знаний с помощью фактов и правил, не может быть использована для создания ИС со специальными знаниями из различных предметных областей.
Способности модели к обучению находятся на среднем уровне. Формирование новых знаний возможно на низком уровне абстрактности - на уровне фактов и правил. Алгоритмы вывода хорошо формализованы. С помощью логики предикатов можно, определяя произвольным образом знания, выяснить, имеются или отсутствуют противоречия между новыми и уже существующими знаниями.
Для хранения элемента модели нужно примерно 128-256 B памяти.
Семантические сети - Семантическая сеть состоит из точек, которые называются узлами, и дуг, которые соединяют, описывающие отношения между узлами. Узлы в семантической сети соответствуют объектам, концепциям или событиям. Дуги могут быть определены различными методами, которые зависят от вида представленных знаний. Конечно дуги, используемые для представления иерархии, содержащие дуги типа IS-A (которые имеют значение "есть") и HAS-PART ("имеет часть").
Модель достаточно универсальна и легко настраивается на конкретную предметную область. Каждое отдельное знание рассматривается как некоторое отношение между сущностями и понятиями. Итак, определены заранее и уже существующие внутри системы знания можно наращивать независимо, с сохранением их модульности.
Характерная особенность семантической сети - наглядность знаний как системы. Все знания, принадлежащие к одинаковым сущностей и понятий, могут быть изображены в виде отношений между различными узлами, описывающих эти сущности. Такая возможность дает основание говорить о легкости понимания такого представления.
Из-за того, что форма представления знаний сетями не устанавливается, для каждого конкретного формализма будут определены свои правила вывода, поэтому усиливается элемент произвольности, внесенный человеком. Выводы на семантических сетях таят в себе угрозу возникновения противоречия. Новые знания формируются в виде новых отношений между понятиями.
Примерный размер памяти для хранения элемента модели составляет 256-512 В.
Динамические (нейроподобных) структуры. Начало современным моделям нейронных сетей было положено в работе Маккаллока и Питтса, где авторы предприняли первую попытку эмулировать человеческие способности классифицировать и распознавать образы. В их формализме нейроны имеют состояния 0, 1 и предельную логику перехода из состояния в состояние. Каждый нейрон в сети определяет взвешенную сумму состояний всех других нейронов и сравнивает ее с порогом, чтобы определить свое собственное состояние. Дальнейшее развитие этой модели связан с тем, что Розенблат ввел способность связей к модификации, что сделало ее такой, что может учиться. Эту модель назвали персептроном.
Основная черта нейронных сетей - использование взвешенных связей между отделочными элементами как принципиальный способ запоминания информации.
Задать нейронную сеть, способную решить конкретную задачу, - это значит определить модель нейрона, топологию связей, веса связей.
Нейронную сеть можно рассматривать как взвешенный ориентированный граф. Узлы в этом графе соответствуют нейронам, а ребра — связям между нейронами. С каждой связью ассоциирован вес — рациональное число, — который отображает оценку возбуждающего или тормозящего сигнала, передаваемого по этой связи на вход нейрона-реципиента, когда нейрон-передатчик возбуждается.
Рис. Фрагмент нейронной сети с возбуждающими и тормозящими связями
Нейрон (от др.-греч. νεῦρον — волокно, нерв) — это структурно-функциональная единица нервной системы. Эта клетка имеет сложное строение, высокоспециализирована и по структуре содержит ядро, тело клетки и отростки. В организме человека насчитывается более ста миллиардов нейронов. (Дендриты и аксон)
Иску́сственный нейро́н - узел искусственной нейронной сети, являющийся упрощённой моделью естественного нейрона. Математически, искусственный нейрон обычно представляют как некоторую нелинейную функцию от единственного аргумента — линейной комбинации всех входных сигналов. Полученный результат посылается на единственный выход. Такие искусственные нейроны объединяют в сети — соединяют выходы одних нейронов с входами других. Искусственные нейроны и сети являются основными элементами идеального нейрокомпьютера.
Математическая модель искусственного нейрона была предложена Уореном Маккалоком и Уолтером Питтсом вместе с моделью сети, состоящей из этих нейронов.
Практически сеть была реализована Фрэнком Розенблаттом в 1958 году как компьютерная программа, а впоследствии как электронное устройство — перцептрон. (работа с бинарными сигналами). Работа с непрерывными (аналоговыми) сигналами - Уидроу и Хоффом (предложили в качестве функции срабатывания нейрона использовать логистическую кривую)