978-5-7764-0767-3

Интерфейс СОЗ

БАЗА ЗНАНИЙ

Рис. 4.3. Структура системы, основанной на знаниях

Основой СОЗ является база знаний (БЗ) из предметной области, в кото-

рой решаются задачи. Для работы с БЗ необходимо управление процессами решения прикладных задач, которое осуществляется самой прикладной про-

граммой, что делает трудоемким разработку новых ИИС. Снижение затрат на разработку новых СОЗ возможно, если использовать готовые решения в спе-

циально выделяемых в СОЗ системах управления базами знаний (СУБЗ).

141

4.2. Структура системы управления базами эволюционирующих знаний

Совершенствование технологий по созданию и использованию прило-

жений в таких областях как CAD-системы, разработка программного обеспе-

чения, управление процессами в реальном времени, базы данных и электрон-

ные библиотеки требуют структурированности, эффективного доступа и управления большими базами знаний. Такие базы знаний не могли быть со-

зданы при использовании существовавших инструментов (языков програм-

мирования высокого уровня, оболочек экспертных систем) потому, что они не расширяются. Базы знаний не могли создаваться и использоваться с точки зрения существовавшей технологии баз данных, так как ее не поддерживает-

ся богатая выразительная структура и механизмы вывода, требуемые для си-

стем, основанных на знаниях. Кроме того, имеющиеся механизмы оптимиза-

ции не ориентированы на использование богатой структуры и семантических свойств баз знаний.

Для решения рассмотренных проблем, в конце прошлого столетия, с 1985 по 1995 годы, в университете Торонто (Канада), разрабатывался проект

KBMS (Knowledge Base Management System) [49,63]. Основной целью этого проекта было создание универсальной архитектуры системы управления ба-

зой знаний, предназначенной для развивающихся компьютерных приложе-

ний.

К настоящему времени нет общепризнанных определений понятиям

«база данных» и «база знаний». Автор принимает точку зрения, изложенную в работе [49], где отмечается, что технических различий между терминами

«База знаний» и «База данных» нет, в связи с тем, что многофункциональные

(расширенные) системы управления базами данных, такие как управление объектно-ориентированными, активными и дедуктивными базами данных,

поддерживают некоторый дедуктивный и не дедуктивный механизмы выво-

дов и средства структурирования, аналогичные с базами знаний. Разница в значении этих двух терминов, если она имеется, в основном в том, в какой

142

степени системы поддерживают представление, структурирование и возмож-

ность вывода.

В основу разработанной СУБЗ положена расширяемая, многоуровневая архитектура. Расширяемая архитектура позволяет СУБЗ работать как с меха-

низмами вывода общего назначения, так и со специальными механизмами вывода. Специальные механизмы вывода, например, механизм простран-

ственного мышления или механизм на основе доказательной аргументации,

встраиваются в зависимости от потребностей специальных приложений, в то время как механизмы вывода общего назначения являются одинаковыми для всех приложений. Многоуровневая архитектура поддерживает проектирова-

ние кода, основанное на повышении уровня абстракции, что позволяет раз-

бивать общую задачу проектирования СУБЗ на несколько подзадач. В такой архитектуре использован стандартный интерфейс для каждого уровня и его компонентов, что позволяет многократно их использовать в различных СУБЗ. Разработанная архитектура системы управления базой знаний (рис. 4.4), включает три уровня:

уровень интерфейсов, который предлагает различные виды пользова-

тельских интерфейсов;

логический уровень, который выполняет примитивные операции по из-

влечению знаний и обновлению базы знаний;

физический уровень, который управляет структурами данных для хра-

нения баз знаний, различных показателей и другой вспомогательной инфор-

мации.

Уровень интерфейсов предлагает множество пользовательских служб баз знаний, включая гипертекстовый интерфейс для оперативного взаимо-

действия с пользователем и интерфейс языков программирования (PL), кото-

рый поддерживает выполнение прикладных программ, включающих опера-

ции базы знаний. Кроме того, уровень интерфейсов может включать инстру-

менты системы управления базой знаний для сбора знаний, проверки базы знаний, проверки ограничений, развития и обмена знаниями [54,37]. Службы

143

уровня интерфейсов соединяются с логическим уровнем через интерпретатор языка представления знаний, управление сеансами и компилятор.

Рис. 4.4. Общая архитектура системы управления БЗ

Логический уровень поддерживает информацию об определениях клас-

сов, включая правила и ограничения, и поддерживает примитивные операции базы знаний [48]. Его службы реализованы поверх физического уровня

(набора модулей), которые предусматривают функции управления исходны-

ми данными: трассировка пути доступа, планирование эффективной обра-

ботки запроса и параллельное выполнение протоколов, блоки рассуждений специального назначения для временных, пространственных или других ти-

144

пов обоснования (логик), а также компонент управления правилами, который поддерживает дедуктивный вывод и проверку ограничений.

Физический уровень отвечает за управление: структурами данных,

находящимися на диске, и на которых база знаний сохранена; индексами,

поддерживаемыми архитектурой; политикой кэширования, и т.д.

Функциональность нижней части этого уровня, обеспечена ядром хра-

нения баз данных, таким же, как разработанные для объектно-ориентиро-

ванных и вложенных реляционных баз данных [38,56,35].

Созданная в рамках проекта KBMS архитектура системы управления знаниями, используемые технологий и подходы к представлению и исполь-

зованию знаний нашли применения во многих приложениях ИИ, использу-

ющих БЗ [63].

При решении задач реальной сложности система управления БЗ должна иметь возможности для концептуального представления действительности,

хранения и использования высокоструктурированных знаний. Наличие в ар-

хитектуре СУБЗ проекта KBMS [63] на уровне интерфейсов модуля инстру-

ментов управления БЗ позволяет иметь блоки управления БЗ для решения различных задач. Но современные приложения являются сложными ориен-

тированными на меняющиеся задачи и методы их решения, что требует больших затрат на их актуализацию и даже перепроектирование интеллекту-

альной системы. Проектирование и перепроектирование ресурсоемким меро-

приятием из-за необходимости создания в каждом приложении своих, уни-

кальных модулей инструментов управления БЗ. Для уменьшения ресурсов на создание новых СОЗ необходимо в СУБЗ наличие готовых оболочек различ-

ных инструментов не только для управления БЗ, но и решения прикладных задач.

Для непрерывного образования в авиакосмической области необходимо решать ряд задач связанных с созданием и использованием индивидуальной среды обучения и тестирования, с актуализацией знаний об учебных объек-

тах, валидностью БЗ. Например, в летной практике имеется множество задач

145

формирования навыков и знаний, которые меняются быстро, Заготовки ре-

шений для этих задач могут составить основу СУБЗ интеллектуальных си-

стем в области непрерывного образования пилотов. Важным моментом для СУБЗ является метод представления знаний, позволяющий описывать мета-

данные об учебных объектах и обеспечивающий решение различных задач.

Основными из этих задач являются:

создание и использование индивидуальной среды обучения, тестирова-

ния,

формирование последовательности учебных, тестовых объектов,

актуализация знаний с помощью процедур обучения.

проверка валидности БЗ на основе их моделирования сетями Петри.

В каждой предметной области содержание задач и необходимых реше-

ний может несколько изменяться. Так, например, в авиакосмической области,

для решения задач непрерывного образования, СУБЗ необходимы следую-

щие решения:

интегрированный метод представления знаний,

блок для формирования и реализации планов обучения,

блок для обучения на собственном опыте и успешных решениях,

блок Моделирования БЗ сетями Петри,

блок оценки знаний обучаемых.

146

4.3. Методы и операции, используемые в СУБЗ, для решения задач непрерывного образования

Интеллектуальные обучающие системы, построенные на основе СУБЗ,

ориентированы на решение большого круга задач. Для их эффективного ре-

шения необходимо использовать определенные методы и операции, основ-

ными из которых являются:

методы машинного обучения,

прогнозирование,

планирование,

формирование и валидация баз знаний.

Методы машинного обучения. Важной особенностью систем, исполь-

зующих знания, является их способность к обучению. Эти способности дают системам возможность изменяться при взаимодействии с окружающим ми-

ром, а также в процессе приобретения опыта на основе своих внутренних со-

стояний и действий. В работе [53] обучение определяется, как «…любое из-

менение в системе, приводящее к улучшению решения задачи при ее повтор-

ном предъявлении или к решению другой задачи на основе тех же данных».

Знания о реальном мире имеют важное значение для эффективного решения различных задач и реализуется с помощью двух функций: получения инфор-

мации об организации процессов и ее систематизации (структурирования).

Многие практические подходы к структуризации данных предполагают уча-

стие эксперта, что связано с динамичностью и неполнотой данных использу-

емых для решения задач. При формировании закономерностей могут учиты-

ваться оценки сходства (полезности) рассматриваемых и существующих мо-

делей сущностей через обобщенную близость (комбинацию близостей, вы-

численных на множестве частичных описаний). В качестве основных направ-

лений решения этой задачи можно отметить [15,22,24,34]:

основанные на символьном представлении знаний, информации;

на основе взвешенных связей;

использующие принципы генетики или эволюционного моделирование;

147

интегрированный подход к обучению.

При символьном представлении действительности знания и информация

опроблемной области задаются в явном виде. Сущности и взаимосвязи между ними в области их определения представляются наборами символов. Алго-

ритмы обучения, использующие символьное представление, обеспечивают возможность корректного обобщения, которое тоже можно выразить в терми-

нах этих символов. Алгоритмы символьного обучения включают несколько важных позиций [15]. Первая позиция содержит данные и цели задачи обуче-

ния. Вторая позиция связана с представлением получаемых знаний. Третья по-

зиция включает набор операций. Четвертая позиция отражает пространство понятий. Пятая позиция связана с организацией эвристического поиска.

Цель обучения и имеющиеся данные являются одной из главных харак-

теристик обучения. Так, в рассмотренных ранее задачах индуктивного обу-

чения входные данные представлялись набором положительных/отрица-

тельных примеров целевого класса, а целью являлось формирование общего определения, позволяющего в дальнейшем распознавать ситуации (преце-

денты) данного класса.

В задачах обучения могут использоваться многие представления знаний.

При обучении классификации объектов реального мира, например, могут ис-

пользоваться выражения из теории предикатов, фреймы, объекты, деревья решений и др. Планы решения могут представляться последовательностями выполняемых действий, треугольными таблицами, а эвристики – правилами вывода.

Для достижения цели обучения необходимо уметь оперировать пред-

ставлениями. Наиболее используемыми операциями над символьными пред-

ставлениями являются обобщение и специализация.

Пространство возможных определений понятий во многом определяют-

ся языком представления и набором операций. Это пространство должно вы-

деляться обучаемой системой и его сложность во многом определяет слож-

ность задачи обучения. Для больших пространств поиска должны учитывать-

148

ся направление и порядок поиска, которые определяются на основе обучаю-

щих данных и эвристик.

В системах обучения, использующих взвешенные связи, не предпола-

гается явное использования символьного представления в задаче обучения.

Интеллектуальные свойства этих систем обеспечиваются взаимодействием простых компонентов (моделей сущностей, биологических или искусствен-

ных нейронов) и настройкой связей между ними в процессе обучения или адаптации. Данные системы являются распределенными. Информация в них обрабатывается параллельно. Например, в искусственных нейронных сетях все нейроны одного слоя одновременно и независимо друг от друга получают и преобразуют входные данные. В нейросетевых моделях символьное пред-

ставление, вместе с тем, играет важную роль в формировании входных дан-

ных и интерпретации выходных значений. В настоящее время результаты ис-

следований искусственных нейронных сетей стали основой инженерного направления по разработке и применению нейрокомпьютерных систем.

Другим примером приобретения знаний (решений новых задач), с ис-

пользованием взвешенных связей, является алгоритм муравья [8]. В основе этого алгоритма – умение муравьев находить пищу на большом расстоянии от муравейника и возвращаться обратно. Муравьи, выделяя ферменты во время перемещения, изменяют окружающую среду, обеспечивают коммуни-

кацию, а также отыскивают обратный путь к муравейнику. В ходе своей дея-

тельности муравьи находят самый оптимальный путь, между муравейником и внешними точками. Чем больше муравьев используют один и тот же путь,

тем выше концентрация фермента на этом пути. Впоследствии муравьи вы-

бирают пути с более высокой концентрацией фермента.

Алгоритм муравья может быть представлен следующим образом. Пусть внешняя среда для муравьев представляет собой двухмерную сеть, состоя-

щую из узлов (точки с пищей и муравейник) и дуг между узлами (каждая ду-

га – это возможный путь для муравья). Каждая дуга имеет вес, который ин-

терпретируется как расстояние между двумя узлами, соединенными данной

149

дугой. Граф двунаправленный, поэтому муравей может перемещаться по ду-

ге в любом направлении.

Программный муравей – агент является является частью большой си-

стемы (колонии муравьев) и используется для решения каких-либо проблем.

Он руководствуется набором простых правил, при выборе пути в графе. Му-

равей поддерживает список узлов которые он уже посетил, поэтому он дол-

жен проходить через каждый узел только один раз. Узлы в списке «текущего путешествия» располагаются в том порядке, в котором они посещались. С

помощью этого списка определяется расстояние между узлами. В алгоритме муравья агент оставляет фермент на дугах сети после завершения путеше-

ствия (настоящий муравей это делает во время перемещения).

Для решения задачи по алгоритму муравья создается популяция муравь-

ев (агентов), которые равномерно распределяются между узлами, чтобы все узлы имели одинаковые шансы стать отпраной точкой. В ходе движения му-

равья ему приходится определять дуги, покоторым он еще не проходил.

Пройденный путь муравья отображается, когда он посетит все узлы сети, и

подсчитывается длина пути. Для каждой пройденной дуги определяется ко-

личество фермента, оставленного на ней (количество фермента на все путе-

шествие для каждого муравья есть константа, которая обновляется по завер-

шению путешествия). Это позволяет оценивать пройденный путь – короткий путь характеризуется высокой концентрацией фермента, а длинный путь – более низкой. После этого увеличивается количество фермента вдоль прой-

денного муравьем пути. Кроме того вводится процедура испарения фермен-

та, для постепенного удаления дуг, которые входят в худшие пути в сети.

После того как закончился обход всех узлов сети, для всех дуг опреде-

лено количество фермента и выполнена процедура испарения фермента на всех гранях, алгоритм запускается повторно. Список узлов, которые посетил муравей очищается, а длина пути обнуляется. Муравьи-агенты перемещают-

ся по сети выбирают грани с более высокой концентрацией фермента. В ито-

ге будет сформирован лучший путь.

150