II. Представление знаний на основе фрейма

При представлении знаний на основе фрейма в качестве фрейма воспринимается некоторый абстрактный образ или минимально возможное описание сущности какого-либо явления, ситуации, процесса, объекта или события.

Фрейм состоит из имени и отдельных структурных единиц, которые называются слотами.

Имя фрейма

Имя 1 слота: значение Имя 2 слота: значение … Имя N слота: значение

Основная особенность фрейма – в качестве каждого слота может выступать имя другого фрейма, т.о. фреймы объединяются в сеть.

Кроме того, свойства фреймов наследуются сверху вниз – от вышестоящих к нижестоящим. Такое наследование называется фреймовой моделью AKO-связь (от A Kind Of - «это есть»).

Пример

Если слот имеет одинаковое имя у разных прародителей (наследников), например возраст, то происходит полная зависимость информации.

Обучение системы происходит путем детализации тех или иных слотов.

Связи между фреймами могут быть не только типа AMO, но связи могут иметь вид информации, расширяющей знания (студент -> университет).

Помимо организации взаимосвязи, должен быть механизм расширения самого слота.

III. Представление знаний на семантических частей

- в основу этого способа положена идея о том, что любые знания можно представлять в виде совокупности понятий, объектов и отношений (связей между ними).

Семантическая сеть представляется с помощью ориентированного графа, вершинами которого являются понятия, а дуги – отношения между ними.

Экспертные системы

Знания бывают формализованными, плохо формализованными и неформализованными.

Формализованные знания в основном представлены в точных науках – физика, математика, химия. Это те знания, которые могут быть описаны в форме правил, формул, четких алгоритмов.

Плохо формализованные знания – частично могут быть описаны с помощью вышеуказанных способов и частично – словесно или как-то еще. Представлены в таких науках как биология, экономика, педагогика, медицина.

Неформализованные знания нельзя описать или объяснить (религия, экстрасенсорные знания).

Именно для плохо формализованных знаний и направлений разрабатывается широкий класс экспертных систем.

Экспертные системы – сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие эти знания для консультаций менее квалифицированных пользователей.

База знаний – ядро экспертной системы – этот совокупность знаний предметной области, записанной на машинном носителе в форме, понятной эксперту и пользователю.

Интеллектуальный редактор базы знаний – программа, представляющая инженеру – когнитологу и программисту возможность создавать базу знаний в диалоговом режиме. Она включает в себя систему вложенных меню, подсказки, шаблоны языка и других сервисных средств, облегчающих работу с базой знаний.

Интерфейс пользователя – комплекс программ, реализующий диалог пользователя с экспертной системой на стадии как ввода информации, так и получения результатов.

Решатель (иногда его называют – блок логического вывода, дедуктивная машина и т.д.) – это программа, которая моделирует ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений – программа, позволяющая пользователю получать ответы на вопросы: как была положена та или иная рекомендация?- почему система выбрала такое решение? Вопрос как? – это практически трассировка решения, т.е. трассировка всех шагов в цепочке умозаключений. А вопрос почему? - ответ на него – это последний вывод, препятствующий решению. Практически, это отход на 1 шаг назад.

Инженер – когнитолог - ключевая фигура при разработке экспертной системы. Как правило, руководитель проекта. Основная задача – руководить проектом. С одной стороны он должен быть специалистом в области искусственного интеллекта, а с другой стороны – понимать в предметной области.

При общении с экспертами должен извлекать, формализовать и передавать программисту знания чтобы он мог запрограммировать и поместить в базу знаний. В некоторых системах инженер – когнитолог и есть программист.

Когнитология (от греч. «когнито» - познание и «логос» - учение) – фактически, наука о знаниях, которая включает в себя систему методов и приемов получения, обработки, хранения и использования человеческого знания. Фактически, занимается анализом неформализованных знаний и старается уменьшить их количество. Она привязывается к различным предметным областям – междисциплинарная. Здесь используются компьютерные модели, в основном взятые из области искусственного интеллекта, экспериментальные методы, которые берутся из психологии, иногда даже из медицины для разработки точных и обоснованных теорий человеческого мозга.

Любая экспертная система работает в 2-х режимах:

- режим приобретения знаний (от экспертов и в базу знаний)

- режим решения задач или консультаций (другая ветка)

Эксперты, которые обладают знаниями, зачастую представляют эти знания, как классификацию по степени надежности, степени возможности и степени четкости. Отсюда к знаниям приписывается некоторый коэффициент доверия. В некоторых случаях он потом преобразовывается в степень достоверности решения. Коэффициент доверия зачастую используется и основой для использования является теория нечеткой логики и нечетких множеств.

В процессе эксплуатации экспертной системы коэффициенты доверия могут подвергаться корректировке. В этом случае говорят, что происходит обучение экспертной системы. Процесс обучения экспертной системы может происходить автоматически (определенный обучающий алгоритм), либо с помощью инженера - когнитолога, который выполняет роль учителя для данной экспертной системы.

Этапы и технологии разработки экспертных систем.

В процессе разработки экспертных систем проходят определенные стадии, р результате которых создаются различные версии экспертных систем, которые называются прототипами.

Демонстрационный прототип – это такая экспертная система, которая решает часть требуемых задач, демонстрируя жизнеспособность инженерии знаний. В демонстрационном прототипе от 50 до 100 правил. Сроки создания – года - год.

Исследовательский прототип – это экспертная система, которая решает почти все поставленные задачи, но не устойчива в работе и не полностью проверена. В таких системах база правил – от 200 до 500 правил. После того, как создан демонстрационный, исследовательский прототип потребует от 3 до 6 меасяцев.

Действующий прототип – надежно решает все задачи, но для решения сложных задач может потребоваться много времени и памяти. База знаний от 500 до 1000 правил. Чтобы довести исследовательский прототип до действующего может понадобиться еще полгода – год.

Промышленная экспертная система (прототип) – обеспечивает высокое качество задач при минимальном времени и памяти. Как правило, чтобы система была промышленной, необходимо переписать часть модулей и программ системы с использованием языков низкого уровня и т. д. База знаний – от 1000 до 2000 правил. Время разработки - год – полтора от действующего.

Коммерческая экспертная система - отличается от промышленной, тем что она может передаваться различным потребителям. База знаний от 1500 до 3000 правил и более. Время разработки – до 3-х лет в целом и более.

Примерная стоимость коммерческой экспертной системы – от 3 тыс. до 5 млн. долларов.

Перечислим этапы (технологии) разработки экспертных систем:

Идентификация (постановка) задач.

Устанавливаются задачи, которые должны решать система, цели разработки, требования к экспертной системе, ресурсы, используемые понятия из области знаний и их взаимосвязи, методы решения задач.

Основная цель – сформулировать задачу, охарактеризовать поддерживающую её базу знаний и обеспечить, таким образом, начальный импульс для развития базы знаний.

Концептуализация

Содержательный анализ проблемной области, более детально дается определение используемым понятиям и их взаимосвязям, детальное описание методов для решения задач.

Формализация

Определяются способы представления всех видов знаний, формулируются основные понятия, определяются способы интерпретации знаний, оценивается адекватность целей системы, зафиксированных понятий, адекватность методов решения, адекватность средств представления и манипулирования знаниями.

Выполнение

Осуществляется наполнение экспертом базы знаний, причем процесс приобретения базы знаний разделяется на:

- извлечение знаний из эксперта;

- организация знаний (чтобы обеспечить эффективную работу системы, представляем знания в виде, понятном экспертной системе).

Тестирование

Здесь эксперт принимает решения, что система на те или иные запросы отвечает нормально.

Цель – подтверждение экспертами, что система достигла нужного уровня компетенции.

Опытная эксплуатация

На этом этапе подключаются пользователи. На уровне пользователя, как правило, идет отладка интерфейса.

Модификация

Предполагает обновление базы знаний, исправление возникающих ошибок и т. д.

Выход

Начало