1412

Краткое содержание лекции, основные термины, понятия и определения темы

Семантическая сеть представляет собой направленный граф, вершины которого соответствуют объектам (понятиям, сущностям) предметной области, а дуги – отношениям (связям) между ними. И узлы, и дуги имеют метки (имена). Имена вершин и дуг обычно совпадают с именами соответствующих объектов и отношений предметной области.

Объекты предметной области, отображаемые семантической сетью, можно условно разделить на три группы: обобщенные, индивидные и агрегатные объекты. Обобщенный объект соответствует собирательному понятию некоторой абстракции реально существующего объекта, процесса или явления предметной области. Индивидный объект – это каким-то образом, выделенный единичный представитель класса. Агрегатным называется составной объект, образованный из других объектов, которые рассматриваются как его составные части.

Типы связей между объектами семантических сетей могут быть любыми. Но чаще всего применяются следующие основные связи: «род-вид», «является представителем», «является частью». Наличие связи типа «род-вид» между обобщенными объектами А и В означает, что понятие А более общее, чем понятие В. Например, понятие «животное» - это родовое понятие для объекта «птица». Связь «является представителем» существует обычно между обобщенным и индивидным объектом, когда индивидный объект выступает в роли представителя класса.

Например, индивидный объект «овчарка Альма» является представителем обобщенного объекта «овчарка». Связь «род-вид» обычно обозначают отношением ako (от англ. a-kind-of – «разновидность»), а связь «является представителем» - отношением is_a (от англ. is a – «является», «есть»).

Для того чтобы представить семантическую сеть на языке Common Lisp можно воспользоваться списком свойств атома. В этом случае объекты семантической сети будут представляться соответствующими символами языка, а отношения – свойствами символа.

Свойство символа представляется в виде двух элементов: имени свойства и значения свойства. Свойства символа записываются в хранимый вместе с символом список свойств.

Фрейм — (англ. frame — «каркас» или «рамка») — способ представления знаний в искусственном интеллекте, представляющий

собой схему действий в реальной ситуации. Первоначально термин «фрейм» ввёл Марвин Минский в 70-е годы XX века для обозначения структуры знаний для восприятия пространственных сцен. Фрейм — это модель абстрактного образа, минимально возможное описание сущности какого-либо объекта, явления, события, ситуации, процесса.

Фреймы используются в системах искусственного интеллекта (например, в экспертных системах) как одна из распространенных форм представления знаний.

Различают фреймы-образцы, фреймы-экземпляры, фреймыструктуры, фреймы-роли, фреймы-сценарии, фреймы-ситуации. Система связанных фреймов может образовывать семантическую сеть. Применяются фреймы в экспертных системах и других интеллектуальных системах различного назначения.

Тема 2.2. Сценарии и логическая модель

Основные вопросы темы: Сценарии и их разрешающие возможности. Виды сценариев. Логическая модель представления знаний. Дедуктивный вывод в логических моделях. Прямой, обратный и смешанный логический вывод.

Рекомендуемая литература: 2, 4, 5, 6, 10, 11.

Перечень дополнительных ресурсов: 3, 4, 7, 8, 9, 12, 13. Наименование вида самостоятельной работы: написание

конспектов, изучение литературы. Выполнение контрольной работы.

Краткое содержание лекции, основные термины, понятия и определения темы

Модели представления знаний обычно делят на логические (формальные) и эвристические (формализованные) [6]. В основе логических моделей представления знаний лежит понятие формальной системы (теории). Примерами формальных теорий могут служить исчисление предикатов и любая конкретная система продукций. В логических моделях, как правило, используется исчисление предикатов первого порядка, дополненное рядом эвристических стратегий. Эти методы являются системами дедуктивного типа, т.е. в них используется модель получения вывода из заданной системы посылок с помощью фиксированной системы правил вывода. Дальнейшим развитием предикатных систем являются системы индуктивного типа, в которых правила вывода

порождаются системой на основе обработки конечного числа обучающих примеров.

Влогических моделях представления знаний отношения, существующие между отдельными единицами знаний, выражаются только с помощью тех небогатых средств, которые предоставляются синтаксическими правилами используемой формальной системы.

Вотличие от формальных моделей эвристические модели имеют разнообразный набор средств, передающих специфические особенности той или иной проблемной области. Именно поэтому эвристические модели превосходят логические как по возможности адекватно представить проблемную среду, так и по эффективности используемых правил вывода. К эвристическим моделям, используемым в экспертных системах, можно отнести сетевые, фреймовые, продукционные и объектно-ориентированные модели. Следует отметить, что продукционные модели, используемые для представления знаний в экспертных системах, отличаются от формальных продукционных систем тем, что они используют более сложные конструкции правил, а также содержат эвристическую информацию о специфике проблемной среды, выражаемую часто в виде семантических структур.

К основным моделям представления знаний для экспертных систем относятся:

логические;функциональные;

продукционные;семантические сети;фреймы.

Модели представления знаний, в которых вычисления представляются с помощью логики предикатов, называются логическими, а язык программирования, используемый для описания вычислений, называется логическим языком. В основе логических моделей лежит понятие формальной системы. Наиболее распространенной формальной системой, используемой для представления знаний, является исчисление предикатов первого порядка.

Исчисление предикатов - это формальный язык, в котором знания представляются в виде логических высказываний, которые могут иметь значения ИСТИНА, либо ЛОЖЬ. В дедуктивных системах доказательства теорем, построенных на основе исчисления предикатов, знания представляются в виде множества логических высказываний, дополненного фиксированным набором универсальных правил вывода - утверждений самого общего

характера о взаимосвязях между посылками и заключениями, которые с позиций исчисления предикатов всегда справедливы. В этих системах утверждения, требующие доказательства, рассматриваются как теоремы, которые нужно подтвердить или опровергнуть, исходя из данного набора истинных утверждений. Важным компонентом логических систем являются стратегии применения правил вывода: в основе функционирования современных дедуктивных систем лежит как правило принцип резолюции Дж.Робинсона, либо одна из его модификаций.

Главным достоинством исчисления предикатов является его универсальность и декларативность. Утверждения, выраженные на этом языке, могут быть без изменения смысла преобразованы в форму, удобную для обработки на ЭВМ. В то же время этому формализму присущи и существенные недостатки: в системы, построенные на основе исчисления предикатов трудно встраивать процедурные и проблемно-ориентированные знания, они плохо справляются с противоречивостью знаний и др.

В связи с указанными недостатками исчисления предикатов получили развитие другие логические подходы, например, индуктивные системы, в которых сами правила вывода порождаются системой на основании обработки конечного числа обучающих примеров, строятся с применением многозначных или модальных логик. Разработаны также псевдофизические логики, особенностью которых является использование в правилах вывода конкретных знаний о свойствах отношений, реализуемых в проблемной области, и применение аппарата лингвистических переменных.

Раздел 3. Приобретение и извлечение знаний

Тема 3.1. Методы извлечения знаний

Основные вопросы темы: Пассивные коммуникативные методы извлечения знаний (наблюдения, анализ протоколов). Активные индивидуальные методы (анкетирование, интервью, свободный диалог, индивидуальные экспертные игры). Классификация вопросов. Активные групповые методы извлечения знаний («мозговой штурм», круглый стол, групповые экспертные игры). Простейшие методы структурирования знаний.

Рекомендуемая литература: 1, 2.

Перечень дополнительных ресурсов: 11, 12, 13.

Наименование вида самостоятельной работы: написание конспектов, изучение литературы. Выполнение контрольной работы.

Краткое содержание лекции, основные термины, понятия и определения темы

Многообразие задач, ситуаций и источников знаний обусловило появление большого количества методов извлечения, приобретения и формирования знаний. Первый класс образуют коммуникативные методы, которые ориентированы на непосредственный контакт инженера по знаниям с экспертом (источником знаний), второй класс

— текстологические методы, основанные на приобретении знаний из документов и специальной литературы.

Коммуникативные методы. Они разделяются на пассивные и активные. В пассивных методах ведущую роль играет эксперт, в активных — инженер по знаниям. При решении конкретных задач, как правило, используются как пассивные, так и активные методы. Активные методы делятся на индивидуальные и групповые. В групповых методах знания получают от множества экспертов, в индивидуальных — от единственного эксперта. Индивидуальные методы получили более широкое применение на практике по сравнению с групповыми.

Пассивные коммуникативные методы включают наблюдение,

анализ протоколов «мыслей вслух», процедуры извлечения знаний из лекций.

Метод наблюдения является одним из наиболее применяемых на начальных этапах разработки экспертных систем. Его суть заключается в фиксировании всех действий эксперта, его реплик и объяснений. При этом аналитик не вмешивается в работу эксперта, а только наблюдает за процессом решения реальных задач либо за решением проблем, имитирующих реальные задачи. Наблюдения за процессом решения реальных задач позволяют инженеру по знаниям глубже понять предметную область. Однако эксперт в этом случае испытывает большое психологическое напряжение, понимая, что осуществляет не только свою профессиональную деятельность, но и демонстрирует ее инженеру по знаниям. Наблюдение за имитацией процесса снимает это напряжение, но приводит к снижению полноты и качества извлекаемых данных. Наблюдения за имитацией незаменимы в тех случаях, когда наблюдения за реальным процессом невозможны из-за специфики изучаемой предметной области,

Метод анализа протоколов «мыслей вслух» отличается от метода наблюдения тем, что эксперт не только комментирует свои действия, но и объясняет цепочку своих рассуждений, приводящих к

решению. Основной проблемой, возникающей при использовании этого метода, является принципиальная сложность для любого человека словесного описания собственных мыслей и действий. Повысить полноту и качество извлекаемых знаний можно за счет многократного уточняющего протоколирования рассуждений эксперта.

Метод извлечения знаний из лекций предполагает, что эксперт передает свой опыт инженеру по знаниям в форме лекций. При этом инженер по знаниям может заранее сформулировать темы лекций. Если этого не удается сделать, то когнитолог конспектирует лекции и задает вопросы. Качество информации, предоставленной экспертом в ходе лекции, определяется четкостью сформулированной темы, а также способностями лектора в структурировании и изложении своих знаний и рассуждений.

Одна из возможных классификаций людей по психологическим характеристикам делит всех на три типа:

мыслитель (познавательный тип);

собеседник (эмоционально-коммуникативный тип);

практик (практический тип).

Мыслители ориентированы на интеллектуальную работу, учебу, теоретические обобщения и обладают свойствами поленезависимости и рефлексивности. Собеседники — общительные, открытые люди, готовые к сотрудничеству. Практики предпочитают действия разговорам, хорошо реализуют замыслы других.

Тема 3.2. Представление знаний в интеллектуальных системах

Основные вопросы темы: Особенности машинного представления знаний. Особенности знаний. Особенности и признаки интеллектуальности ИС. Классификация интеллектуальных ИС. Экспертные системы. Самообучающиеся системы. Переход от Базы Данных к Базе Знаний. Формальные модели представления знаний. Примеры применения логики для представления знаний. Архитектура экспертной системы. Классифицирующие, трансформирующие, доопределяющие и многоагентные экспертные системы.

Рекомендуемая литература: 2, 10, 11.

Перечень дополнительных ресурсов: 3, 4, 5, 6, 7, 8, 9, 11, 12,

13.

Наименование вида самостоятельной работы: написание конспектов, изучение литературы. Выполнение контрольной работы.

Краткое содержание лекции, основные термины, понятия и определения темы

Особенности знаний:

1. Внутренняя интерпретируемость

Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в которых это имя упомянуто. Когда данные, хранящиеся в памяти, были лишены имен, то отсутствовала возможность их идентификации системой. Данные могла идентифицировать лишь программа, извлекающая их из памяти по указанию программиста, написавшего программу. Что скрывается за тем или иным двоичным кодом машинного слова, системе было неизвестно.

При переходе к знаниям в память ЭВМ вводится информация о некоторой протоструктуре информационных единиц . В рассматриваемом

примере она представляет собой специальное машинное слово, в котором указано, в каких разрядах хранятся сведения о фамилиях, годах рождения, специальностях и стажах. При этом должны быть заданы специальные словари, в которых перечислены имеющиеся в памяти системы фамилии, года рождения, специальности и продолжительности стажа. Все эти атрибуты могут играть роль имен для тех машинных слов, которые соответствуют строкам таблицы. По ним можно

осуществлять поиск нужной информации. Каждая строка таблицы будет экземпляром протоструктуры. В настоящее время СУБД обеспечивают реализацию внутренней интерпретируемости всех информационных единиц, хранящихся в базе данных.

2. Структурированность

Информационные единицы должны обладать гибкой структурой. Для них должен выполняться "принцип матрешки", т.е. рекурсивная вложимость одних информационных единиц в другие. Каждая информационная единица может быть включена в состав любой другой, и из каждой информационной единицы можно выделить некоторые составляющие ее информационные единицы.

Другими словами, должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа "часть - целое", "род - вид" или "элемент - класс".

3. Связность

В информационной базе между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Прежде всего эти связи могут характеризовать отношения между информационными единицами. Семантика отношений может носить декларативный или процедурный характер. Например, две или более информационные единицы могут быть связаны отношением "одновременно", две информационные единицы - отношением "причина - следствие" или отношением "быть рядом". Приведенные отношения характеризуют декларативные знания. Если между двумя информационными единицами установлено отношение "аргумент - функция", то оно характеризует процедурное знание, связанное с вычислением определенных функций. Далее будем различать отношения структуризации, функциональные отношения, каузальные отношения и семантические отношения. С помощью первых задаются иерархии информационных единиц, вторые несут процедурную информацию, позволяющую находить (вычислять) одни информационные единицы через другие, третьи задают причинно - следственные связи, четвертые соответствуют всем остальным отношениям.

Перечисленные три особенности знаний позволяют ввести общую модель представления знаний, которую можно назвать семантической сетью, представляющей собой иерархическую сеть, в вершинах которой находятся информационные единицы. Эти единицы снабжены индивидуальными именами. Дуги семантической сети соответствуют различным связям между информационными единицами. При этом иерархические связи определяются отношениями структуризации, а неиерархические связи - отношениями иных типов.

4. Семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее ситуационную близость информационных единиц, т.е. силу ассоциативной связи между информационными единицами. Его можно было бы назвать отношением релевантности для информационных единиц. Такое отношение дает возможность выделять в информационной базе некоторые типовые ситуации (например, "покупка", "регулирование движения на перекрестке"). Отношение релевантности при работе с информационными единицами позволяет находить знания, близкие к уже найденным.

5. Активность

С момента появления ЭВМ и разделения используемых в ней информационных единиц на данные и команды создалась ситуация, при которой данные пассивны, а команды активны. Все процессы, протекающие в ЭВМ, инициируются командами, а данные используются этими командами лишь в случае необходимости. Для ИС эта ситуация не приемлема. Как и у человека, в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов или описаний событий, установление связей может стать источником активности системы.

Перечисленные пять особенностей информационных единиц определяют ту грань, за которой данные превращаются в знания, а базы данных перерастают в базы знаний (БЗ). Совокупность средств, обеспечивающих работу с знаниями, образует систему управления базой знаний (СУБЗ). В настоящее время не существует баз знаний, в которых в полной мере были бы реализованы внутренняя интерпретируемость, структуризация, связность, введена семантическая мера и обеспечена активность знаний.

Тема 3.3. Визуальное представление знаний

Основные вопросы темы: Понятие о естественно-языковом интерфейсе. Гипертекстовые системы. Системы контекстной помощи. Системы когнитивной графики.

Рекомендуемая литература: 3, 4, 5, 6, 7, 8, 9, 10, 11. Перечень дополнительных ресурсов: 2, 12, 13.

Наименование вида самостоятельной работы: написание конспектов, изучение литературы. Выполнение контрольной работы.

Краткое содержание лекции, основные термины, понятия и определения темы

При разработке и использовании баз знаний удобно применять наглядные представления, т. е. различные изображения, схемы, рисунки, наброски. Визуализация всегда считалась мощным инструментами познания, т. е. средством, предназначенным для организации и облегчения процесса познания. Визуальные модели, например, графы, обладают особенной когнитивной силой при структурировании информации.

Методы визуализации идей, процессов, проектов, текстов в форме сетевых графов достаточно традиционны. Считается, что они являются инструментом, позволяющим сделать видимыми понятийные (или семантические) сети памяти человека. В когнитивной психологии (или психологии познания, от cognition - познание) достаточно много теорий, основанных на предположении, что человеческая память наиболее адекватно представляется именно сетевой структурой. Данная трактовка является развитием моделей представления знаний типа семантических сетей, которые считаются наиболее близкими человеческой структуре памяти. Такие концептуально-когнитивные структуры отличаются индивидуальностью, связанной с личностными, интеллектуальными и профессиональными различиями носителей знаний, иначе это когнитивные модели индивида.

Раздел 4. Онтологии

Тема 4.1. Языки описания онтологий

Основные вопросы темы: Основные определения. Типы онтологий: онтологии верхнего уровня, онтологии предметных областей, прикладные онтологии, лексические онтологии. Назначение онтологий.

Рекомендуемая литература: 2, 10, 11.

Перечень дополнительных ресурсов: 3, 4, 5, 6, 7, 8, 9, 11, 12,

13.

Наименование вида самостоятельной работы: написание конспектов, изучение литературы. Выполнение контрольной работы.

Краткое содержание лекции, основные термины, понятия и определения темы

Для того чтобы реализовывать различные онтологии, необходимо разработать языки их представления, имеющие достаточную выразительную мощность и позволяющие пользователю избежать "низкоуровневых" проблем. Ключевым моментом в проектировании онтологии является выбор соответствующего языка спецификации онтологий. Цель таких языков - дать возможность указывать дополнительную машинно-интерпретируемую семантику ресурсов, сделать машинное представление данных более похожим на положение вещей в реальном мире, существенно повысить