Методическое пособие 391

сами ситуации или прецеденты. Тогда поиск решения проблемы сводится к поиску по аналогии (абдуктивному выводу от частного к частному):

1.Получение подробной информации о текущей

проблеме.

2.Сопоставление полученной информации со значениями признаков прецедентов из базы знаний.

3.Выбор прецедента из базы знаний, наиболее близкого

крассматриваемой проблеме.

4.В случае необходимости выполняется адаптация выбранного прецедента к текущей проблеме.

5.Проверка корректности каждого полученного

решения.

6.Занесение детальной информации о полученном решении в базу знаний.

Так же как и для индуктивных систем прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Но в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Далее наиболее

сводится к запоминанию каждой новой обработанной ситуации

спринятыми решениями в базе прецедентов.

Вотличие от интеллектуальной базы данных информационное хранилище представляет собой хранилище извлеченной значимой информации из оперативной базы данных, которое предназначено для оперативного анализа данных (реализации OLAP - технологии). Извлечение знаний из баз данных осуществляется регулярно, например, ежедневно. Для извлечения значимой информации из баз данных используются специальные методы (Data Mining или Knowledge Discovery), основанные или на применении многомерных статистических таблиц, или индуктивных

11

методов построения деревьев решений, или нейронных сетей. Формулирование запроса осуществляется в результате применения интеллектуального интерфейса, позволяющего в диалоге гибко определять значимые признаки анализа. Применение информационных хранилищ на практике все в большей степени демонстрирует необходимость интеграции интеллектуальных и традиционных информационных технологий, комбинированное использование различных методов представления и вывода знаний, усложнение архитектуры информационных систем.

Потребность в адаптивных интеллектуальных информационных системах возникает тогда, когда поддерживаемые ими проблемные области постоянно развиваются. Поэтому такие системы должны соответствовать определенным требованиям: адекватно отражать знания проблемной области в каждый момент времени и быть пригодными для быстрой и несложной реконструкции при изменении проблемной среды. Адаптивные свойства обеспечиваются за счет интеллектуализации структуры информационно системы. Основным модулем таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний. Этот модуль управляет процессами генерации и переконфигурирования программного обеспечения. При проектировании адаптивных информационных систем применяются два типа проектирования: оригинальное или типовое. Оригинальное предполагает разработку информационной системы с «нуля», учитывая предъявляемые требования. Этот подход предполагает использование систем автоматизированного проектирования (CASE-технологий). Типовое проектирование осуществляется путем адаптации уже существующих разработок к особенностям проблемной области, для чего применяются инструментальные средства сборочного проектирования информационных систем. Различие этих двух подходов заключается в том, что в первом случае при

12

изменении проблемной области каждый раз происходит генерация программного обеспечения, а при использовании второго осуществляется только конфигурирование программ (редко – их переработка).

2.МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ

ВИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМАХ

Центральным вопросом при создании базы знаний интеллектуальной системы является выбор модели представления знаний о свойствах сущностей проблемной области и отношениях (связях) между ними. Эта модель должна определять не только структуры информации различных уровней, но и обеспечить их максимальную адекватность (соответствие) структуре внутренних операций компьютера и структуре языков программирования, используемых для реализации модели. При этом должно выполняться условие максимального соответствия модели представления знаний характеру (классу) задач, для решения которых создается система.

Существуют два типа методов представления знаний: формальные и неформальные модели. В основе формальных моделей лежит строгая математическая теория. Неформальные модели такой теории не придерживаются. Каждая неформальная модель используется только для конкретной предметной области и не обладает универсальностью. Основная операция в системах искусственного интеллекта – логический вывод – в формальных системах строг и конкретен, поскольку подчиняется жестким аксиоматическим правилам. Вывод в неформальных системах во многом определяется самим пользователем, который и отвечает за его корректность.

13

(образующих ситуации или условия) для получения новых знаний или ситуаций. Правила, на основании которых такие преобразования в конкретной предметной области (ПО) имеют смысл, называются «производящими правилами» или «продукциями».

Продукция представляет собой обусловленную опытом и (или) знаниями абстрактных истин причинно–следственную конструкцию, состоящую их двух частей. Первая часть – это некоторая ситуация в предметной области, описываемая с помощью абстрактных или конкретных знаний. В продукции она играет роль утверждения или условия, снабженного некоторыми оценками истинности его компонентов. Эту часть продукции принято называть антецедентом. Антецедент в продукции играет роль посылки, из которой на основании истинных знаний (фактов), имеющихся в памяти системы, следует вторая часть продукции – вывод, обусловленный истинностью посылки. Эта часть продукции называется консеквентом. Консеквент, как следствие посылки, может представлять собой новую ситуацию или действие, приводящее к изменению прагматики, парадигматики или синтагматики имеющихся знаний о сущностях проблемной области.

Впродукционной модели (модели правил) знания представляются совокупностью правил вида «ЕСЛИ (антецедент -условие) – ТО (консеквент - действие)». Системы

сбазами знаний, основанные на этой модели, называются продукционными, а сами правила - продукциями.

Вобщем виде под продукцией понимается выражение следующего вида:

где i - имя продукции, с помощью которого данная продукция выделяется из всего множества продукций. В качестве имени может выступать некоторая лексема, отражающая суть данной продукции (например, "покупка

15

книги" или "набор кода замка"), или порядковый номер продукции в их множестве, хранящемся в памяти системы.

Элемент Q характеризует сферу применения продукции. Такие сферы легко выделяются в когнитивных структурах человека. Наши знания как бы "разложены по полочкам". На одной "полочке" хранятся знания о том, как надо готовить пищу, на другой - как добраться до работы и т. п. Разделение знаний на отдельные сферы позволяет экономить время на поиск нужных знаний. Такое же разделение на сферы в базе знаний ИС целесообразно и при использовании для представления знаний продукционных моделей.

Основным элементом продукции является ее ядро: А=>В. Интерпретация ядра продукции может быть различной и зависит от того, что стоит слева и справа от знака секвенции =>. Обычное прочтение ядра продукции выглядит так: ЕСЛИ A, ТО B, более сложные конструкции ядра допускают в правой части альтернативный выбор, например, ЕСЛИ А, ТО B1, ИНАЧЕ B2. Секвенция может истолковываться в обычном логическом смысле как знак логического следования В из истинного А (если А не является истинным выражением, то о В ничего сказать нельзя). Возможны и другие интерпретации ядра продукции, например, A описывает некоторое условие, необходимое для того, чтобы можно было совершить действие В.

Элемент Р есть условие применимости ядра продукции. Обычно Р представляет собой логическое выражение (как правило предикат). Когда Р принимает значение "истина", ядро продукции активизируется. Если Р ложно, то ядро продукции не может быть использовано. Например, если в продукции "Допуск к экзамену получен; ЕСЛИ готов к сдаче экзамена, ТО бери билет И отвечай по билету" условие применимости ядра продукции ложно, т. е. допуска нет, то применить ядро продукции невозможно.

Элемент N описывает постусловия продукции. Они актуализируются только в том случае, если ядро продукции

16

реализовалось. Постусловия продукции описывают действия и процедуры, которые необходимо выполнить после реализации В. Например, после покупки некоторой вещи в магазине необходимо в описи товаров, имеющихся в этом магазине, уменьшить количество вещей такого типа на единицу. Выполнение N может происходить не сразу после реализации ядра продукции.

В зависимости от того, как реализуется секвенция, ядра продукций можно классифицировать следующим образом:

Ядра продукций

однозначные альтернативные

Вдетерминированных ядрах при актуализации ядра и при выполнимости А правая часть ядра выполняется обязательно.

Внедетерминированных ядрах В может выполняться и не выполняться. Например: ЕСЛИ А, ТО возможно В.

Возможность может определяться следующими оцен-

ками ядра:

- Вероятностными: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ Р РЕАЛИЗОВАТЬ В.

- Лингвистическими: ЕСЛИ А, ТО С БОЛЬШОЙ ДОЛЕЙ УВЕРЕННОСТИ В.

Детерминированные альтернативные продукции в правой части ядра имеют альтернативные возможности выбора, которые оцениваются специальными весами выбора. В качестве таких весов могут использоваться вероятностные, лингвистические или экспертные оценки.

17

Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции из числа актуализированных.

В состав продукционной системы входит база правил, рабочая память и блок сопоставления. База правил – это область памяти, которая содержит базу знаний – совокупность знаний, представленных в форме правил «ЕСЛИ-ТО». Рабочая память – это область памяти, содержащая фактические данные (факты), которые описывают вводимые данные и состояния системы. Блок сопоставления (компонента вывода) представляет собой механизм вывода, и он является тем компонентом системы, который формирует заключения, используя базу правил и базу данных. Он сканирует базу правил и идентифицирует (отмечает) правила, антецедент которых идентичен совокупности фактов, указанных в запросе к системе. Этот модуль формирует из отмеченных правил совокупности (цепочки) действий, позволяющие на основании анализа фактов, указанных в запросе, сделать вывод или совершить действие составляющее суть задачи – дать ответ на запрос пользователя, а также проверяет (пробными решениями) отобранные цепочки правил и определяет оптимальную последовательность их применения к указанному набору фактов.

Существует три способа получения заключений: пря-

мой, обратный и двунаправленный вывод.

При прямом выводе осуществляется продвижение к поставленной цели с последовательным применением правил к данным (фактам), которые принимаются за отправную точку. В прямых выводах выбирается один из элементов данных, содержащихся в базе данных, и если при сопоставлении этот элемент согласуется с посылкой правила, то из правила выводится соответствующее заключение и помещается в базу

18

данных или же исполняется действие, определяемое правилом,

исоответствующим образом изменяется содержимое базы данных. Такие выводы также называют выводами, управляемыми данными, или восходящими выводами, когда последовательно выводятся новые результаты, начиная уже с известных данных.

Вобратных выводах процесс движется в направлении от поставленной цели к отправной точке. Такие выводы называются также нисходящими, или ориентированными на цель. Процесс нисходящих выводов начинается от поставленной цели. Если эта цель согласовывается с заключением правила, то посылка правила принимается за подцель, или гипотезу, и этот процесс повторяется до тех пор, пока не будет получено совпадение подцели, или гипотезы, с полученными данными.

Вдвунаправленных выводах сначала оценивается небольшой объем полученных данных и выбирается гипотеза (по примеру прямых выводов), а затем запрашиваются данные, необходимые для принятия окончательного решения.

Выбор механизма вывода определяется условием согласования знаний, требованиями, предъявляемыми к системе

идр. В системах с высокой универсальностью обычно используются двунаправленные выводы.

Рассмотрим механизм прямого вывода на примере. Имеется система, база правил которой содержит четыре правила, а база данных (рабочая память) – три факта.

Правила:

П1: ЕСЛИ разлита горючая жидкость, ТО звонить по телефону 01.

П2: ЕСЛИ разлита уксусная кислота, ТО использовать известь.

П3: ЕСЛИ рН жидкости ≤ 6,ТО это кислота.

П4: ЕСЛИ это кислота И имеет запах уксуса, ТО это уксусная кислота.

Пользователь вводит в рабочую память факты, описывающие сложившуюся на данный момент ситуацию,

19

относительно которой необходимо принять какое-либо решение:

Ф1: разлита жидкость. Ф2: рН жидкости ≤ 6.

Ф3: жидкость имеет запах уксуса.

В результате сопоставления фактов из рабочей памяти и посылок правил из базы правил происходит пополнение рабочей памяти фактами и реализуется прямой вывод.

Цепочка вывода: на основании Ф2 по правилу П3 получаем Ф4: это кислота. На основании Ф4 и Ф3 по П4 получаем Ф5: это уксусная кислота. На основании Ф5 по П2 система делает вывод: использовать известь.

Рассмотрим механизм обратного вывода на примере. Имеется система, база знаний которой содержит следующие правила:

П1: ЕСЛИ дорога (X,Y) и дорога (Y, X), ТО прямая дорога (X,Y).

П2: ЕСЛИ дорога (X, Z) и дорога (Z,Y), ТО транзитная дорога (X,Y).

П3: ЕСЛИ прямая дорога (X,Y) или транзитная дорога

(X,Y), ТО есть дорога (X,Y).

Пользователь описывает конкретную задачу, наполняя рабочую память системы следующими фактами:

Ф1: Дорога (А,В). Ф2: Дорога (В,С). Ф3: Дорога (В,D). Ф4: Дорога (С,D).

Перед системой ставится вопрос: «Есть ли дорога между А и D?». Цепочка рассуждений в случае обратного вывода следующая:

1.На вход системы подается цель: «Есть дорога (A,D)», которую необходимо либо подтвердить, либо опровергнуть, сопоставляя эту цель с заключениями правил из базы правил системы.

2.По П3 выбирается новая цель: «прямая дорога (A,D)».

20