Базы данных, знаний и экспертные системы Калабухов ЕВ, БГУИР 2007 (Мет пособие)

«намерение – отдых» «место отдыха – горы» «дорога – ухабистая» «использовать джип»

Шаг 3) третий просмотр базы правил – нет сработавших правил – останов вывода:

«намерение – отдых» «место отдыха – горы» «дорога – ухабистая» «использовать джип»

Шаг 4) вывод и интерпретация результатов – рекомендовано «использовать джип», т.к. «дорога – ухабистая», т.к. задано «намерение – отдых» и «место отдыха – горы».

II) Обратный вывод (подтверждение заданной цели при определенных начальных условиях, т.е. вывод в данном случае управляется целью) в простом варианте состоит из следующих шагов:

•в рабочую память заносятся предпосылки (некоторые исходные условия (явления)) и цель, для которой необходимо найти подтверждение;

•выполняется цикл просмотра базы правил и для каждого целевого правила (т.е. правила, в результирующей части которого записана текущая цель) производится сопоставление образцов из условной части этого правила с образцами, хранимыми в рабочей памяти, по следующим правилам:

-если все необходимые образцы целевого правила имеются в рабочей памяти, то условная часть правила считается истинной (подтверждение цели), в противном случае – ложной (переход к следующей цели);

-если выполняется переход к следующей цели, то условная часть (за исключением тех её фрагментов, которые уже находятся в рабочей

251

памяти) неподтвержденного целевого правила добавляется в рабочую память как новая цель, а текущий цикл просмотра базы правил завершается и начинается следующий;

-если произошло подтверждение текущей цели, то в качестве цели выбирается предыдущая неподтвержденная цель из рабочей памяти;

-если нет изменений в рабочей области или не осталось неподтвержденных целей, то работа вывода завершается;

•все результаты, которые содержатся в рабочей памяти по останову вывода, в порядке времени записи в рабочую память выдаются пользователю, если осталась хоть одна цель, значит подтверждение первоначальной цели на текущих данных невозможно.

Пример №1 обратного вывода на продукциях:

Исходная база правил состоит из следующих правил, пронумерованных в

порядке размещения в БЗ:

1)если «вода в реке поднимается», то «рыба выходит на мель»;

2)если «вода в реке опускается», то «рыба уходит в глубину»;

3)если «лето влажное», то «вода в реке поднимается»;

4)если «лето сухое», то «вода в реке опускается»;

5)если «рыба выходит на мель», то «следует применять легкую блесну»;

6)если «рыба уходит в глубину», то «следует применять тяжелую

блесну».

Необходимо подтвердить рекомендацию «следует применять легкую блесну», если лето выдалось влажное. Рассмотрим состояние рабочей памяти на каждом шаге работы вывода:

Шаг 0) в рабочую память помещаются исходные условия и цель (цель помечена «?»):

«лето влажное» «следует применять легкую блесну»?

Шаг 1) первый просмотр базы правил – попытка подтверждения целевого правила №5 (подтверждение невозможно, задание новой цели):

252

«лето влажное» «следует применять легкую блесну»? «рыба выходит на мель»?

Шаг 2) второй просмотр базы правил – попытка подтверждения целевого правила №1 (подтверждение невозможно, задание новой цели):

«лето влажное» «следует применять легкую блесну»? «рыба выходит на мель»?

«вода в реке поднимается»?

Шаг 3) третий просмотр базы правил – попытка подтверждения целевого правила №3 (подтверждение возможно, возврат к предыдущей цели):

«лето влажное» «следует применять легкую блесну»? «рыба выходит на мель»?

«вода в реке поднимается» Шаг 4) четвертый просмотр базы правил – попытка подтверждения

целевого правила №1 (подтверждение возможно, возврат к предыдущей цели): «лето влажное» «следует применять легкую блесну»?

«рыба выходит на мель» «вода в реке поднимается»

Шаг 5) пятый просмотр базы правил – попытка подтверждения целевого правила №5 (подтверждение возможно, больше целей нет – останов вывода):

«лето влажное» «следует применять легкую блесну» «рыба выходит на мель»

«вода в реке поднимается» Шаг 6) вывод и интерпретация результатов – целей после останова

вывода нет – значит «следует применять легкую блесну» подтверждено, остальные значения рабочей памяти показывают ход рассуждений при

253

подтверждении цели.

Пример №2 обратного вывода на продукциях:

Исходная база правил состоит из следующих правил, пронумерованных в порядке размещения в БЗ:

1)если «намерение – отдых» и «дорога ухабистая», то «использовать

джип»;

2)если «место отдыха – горы», то «дорога – ухабистая».

Необходимо подтвердить рекомендации «использовать джип», если место отдыха – горы. Рассмотрим состояние рабочей памяти на каждом шаге работы вывода:

Шаг 0) в рабочую память помещаются исходные условия и цель (цель помечена «?»):

«намерение – отдых» «место отдыха – горы» «использовать джип»?

Шаг 1) первый просмотр базы правил – попытка подтверждения целевого правила №1 (подтверждение невозможно, задание новой цели):

«намерение – отдых» «место отдыха – горы» «использовать джип»? «дорога ухабистая»?

Шаг 2) второй просмотр базы правил – попытка подтверждения целевого правила №2 (подтверждение возможно, возврат к предыдущей цели):

«намерение – отдых» «место отдыха – горы» «использовать джип»? «дорога ухабистая»

Шаг 3) третий просмотр базы правил – попытка подтверждения целевого правила №1 (подтверждение возможно, больше целей нет – останов вывода):

«намерение – отдых»

254

«место отдыха – горы» «использовать джип» «дорога ухабистая»

Шаг 4) вывод и интерпретация результатов – целей после останова вывода нет – значит «использовать джип» подтверждено, остальные значения рабочей памяти показывают ход рассуждений при подтверждении цели.

В целом обратный вывод аналогичен прямому, но возникают дополнительные проблемы ограничения конфликтных наборов правил и выбора алгоритма разрешения конфликтов. Есть и другие проблемы, например, оценки условий в условной части. Все эти проблемы решаются по-разному в рамках соответствующих инструментальных систем продукционного типа.

Процесс вывода можно рассматривать как поиск решения в пространстве состояний. Такое пространство может быть задано в виде графа состояний, тогда, в общем виде, различают стратегии поиска в глубину и ширину.

Поиск в глубину основан на полном исследовании одного варианта до изучения других вариантов. Поиск выполняется по несложной методике (см. рисунок 43), например:

•всегда первой исследуется неизвестная левая ветвь дерева состояний;

•если процесс поиска заходит в тупик, то происходит возврат наверх в последний пункт выбора, где имеются неизученные альтернативные варианты движения;

•поиск повторяется для нового варианта; Поиск в глубину лучше всего работает при решения проблемы, где все

пути поиска от вершины дерева до его основания имеют одинаковую длину. Стратегия поиска в ширину предусматривает переход в первую очередь к

вершинам, ближайшим к стартовой вершине (т.е. отстающим от нее на одну связь), затем к вершинам, отстающим на две связи, затем на три и т. д., пока не будет найдена целевая вершина (см .рисунок 44).

255

существует указаний на то, какая именно дорога приводит к цели.

Обе приведенные выше стратегии поиска предполагают последовательный перебор возможных вариантов, однако поиск будет более эффективным, если некоторый механизм в пунктах выбора сам сможет делать наиболее желательный выбор, как правило такой выбор основывается на эвристиках поиска.

Поскольку в общем случае в продукционной системе невозможно построить сразу все пути решения задачи (проблема выбора (активизации) правил), движение в пространстве состояний осуществляется в соответствии с эвристиками, составляющими содержание критериев:

•принцип ″стопки книг″ - наиболее часто используемые продукции актуализируются первыми; этот принцип целесообразно применять, если продукции относительно независимы друг от друга;

•принцип наиболее длинного условия - первыми выбирается продукция, у

которой наиболее ″длинное″ условие выполнимости ядра; этот принцип целесообразен, когда продукция хорошо структурированы по отношению

″частное-общее″;

•принцип метапродукций - в систему продукций вводятся специальные правила метапродукции, задачей которых является разрешение ситуаций в условиях конфликтного набора правил;

•принцип приоритетного выбора - на продукции вводятся статические (формируются заранее, чаще всего на основе экспертных оценок) или динамические (вырабатываются в самом процессе функционирования

продукционной системы) приоритеты.

Популярность продукционных моделей определяется следующими факторами:

•подавляющая часть человеческих знаний может быть записана в виде продукций;

•за небольшим исключением удаление или добавление продукций не приводит к изменениям в основных продукциях;

257

•при необходимости системы продукций могут реализовать любые алгоритмы и, следовательно, способно отражать любое процедурное знание, доступное ЭВМ;

•наличие в продукциях указателей на сферу применения продукций позволяет эффективно организовывать память, сократив время поиска в ней необходимой информации; классификация сфер может быть многоуровневой, что еще более повышает эффективность поиска знаний, т.к. позволяет наследовать информацию о базе знаний;

•при объединении систем продукций и сетевых представлений получаются средства, обладающие большой вычислительной мощностью (могут использоваться также композиции с другими представлениями знаний (фреймы, объектно-ориентированные модели));

•естественный параллелизм в системе продукций, асинхронность их реализации делают продукционные системы удобной моделью ЭВМ новой архитектуры, в которой идеи параллельности и асинхронности является центральной.

Продукционные модели имеют и недостатки:

•при большом числе продукций становится сложной проверка непротиворечивости системы продукций, и это заставляет при добавлении новых продукций тратить много времени на проверку непротиворечивости новой системы;

•из-за присущей системе недетерминированности (неоднозначного выбора выполняемой продукции из множества активизированных продукций) возникают принципиальные трудности при проверке корректности работы системы; считается, что если число продукций достигает тысячи, то вероятность нормальной работы системы невелика, поэтому число продукций, с которым, как правило, работают современные интеллектуальные системы, не превышает тысячи (если их требуется больше, то осуществляется декомпозиция предметной области и задача разбивается не более мелкие).

258

•продукционные модели – неформальные модели, в них нет строгой теории, и в основном используются эвристики; причина неудач создания теории кроется в расплывчатости самого понятия продукции;

•при переходе от статических систем к динамическим (адаптивным или системам продукций реального времени, т.е. меняющим состав продукций в системе или перестраивающих алгоритм управления выбором продукций из фронта готовых продукций в зависимости от текущих ситуаций) теряется быстрота срабатывания (решение этой проблемы видят в специальные средствах аппаратной поддержки).

8.2.Приобретение знаний

Приобретением знаний называется выявление знаний из источников знаний и преобразование их в необходимую форму, а также перенос в БЗ.

Источниками знаний для систем ИИ могут быть:

•объективизированные знания – знания, переведенные в такую форму (книги, архивные документы, содержимое других баз знаний и т. п.), которая делает их доступными для потребителя;

•экспертные знания - знания, которые имеются у специалистов, но не зафиксированы во внешних по отношению к нему хранилищах; экспертные знания являются субъективными;

•эмпирические знания – знания, которые могут добываться системой ИИ путем наблюдения за окружающей средой (если есть подходящие средства наблюдения); эмпирические знания также являются субъективными.

Ввод в БЗ объективизированных знаний не представляет особой проблемы, а выявление и ввод субъективных (особенно экспертных) знаний достаточно трудны.

Чтобы разработать методологию приобретения субъективных знаний,

259

получаемых от эксперта, надо понимать две формы репрезентации (представления) знаний:

•первая форма связана с тем, как и в каких моделях хранятся эти знания у человека-эксперта (при этом следует учитывать, что эксперт не всегда осознает полностью, как репрезентированы у него знания);

•вторая форма связана с тем, как инженер по знаниям, проектирующий некоторую систему ИИ, собирается описывать и представлять знания. Когнитивные структуры знаний характерные для человека:

•представление класса понятий через его элементы (например, понятие "птица" репрезентируется рядом чайка, воробей, скворец, и т.д.);

•представление понятий класса с помощью базового прототипа, отражающего наиболее типичные свойства объектов класса (например, понятие "птица" репрезентируется прототипом нечто с крыльями, клювом, летает и т.п.) представление с помощью признаков (для понятия "птица", например, наличие крыльев, клюва, двух лап, перьев).

Кроме понятий репрезентируются и отношения между ними. В большинстве случаев, отношения между понятиями определяются процедурным способом, а отношения между составляющими понятий (т.е. определяющими структуру понятия) - декларативным способом.

При приобретении знаний важную роль играют так называемое поле знаний, в котором содержатся основные понятия, используемые при описании предметной области, и свойства всех отношений, используемых для установления связей между понятиями. Поле знаний связано с концептуальной моделью проблемной области, в которой еще не учтены ограничения, которые неизбежно возникают при формальном представлении знаний в БЗ. Получение формального представления знаний в БЗ без этапа концептуального описания в поле знаний существенно замедляет процесс формирования БЗ и может привести к ошибкам. Фактически, переход от описания некоторой области в поле знаний к описанию в БЗ аналогичен переходу от концептуальной модели БД к ее логической схеме.

260