978-5-7764-0767-3
.pdfЛитература к главе 4
1.Базы знаний – http://archae-dev.com/t9.html
2.Бонгард М.Н. Проблемы узнавания. – М.: Наука, 1967. – 320 с.
3.Гаврилова Т.А. Онтологический подход к управлению знаниями при разработке корпоративных информационных систем // Новости искусственного интеллекта. – 2003. – №2. – С. 24-29.
4.Гладун В.П. Растущие пирамидальные сети // Новости искусственного интеллекта. – 2004. – № 1. – С. 30-40.
5.Гладун В.П. Планирование решений. – Киев: Наукова думка, 1987 с.
6.Гладун В.П. Эвристический поиск в сложных средах. – Киев: Наукова думка, 1977 с.
7.Джексон Питер Введение в экспертные системы: Пер. с англ.: Уч. Пос. – М.: Издательский дом «Вильямс», 2001. – 624 с.
8.Джонс М.Т. Программирование искусственного интеллекта в приложе-
ниях / М. Тим Джонс; Пер. с англ. Осипов А.И. – М.: ДМК Пресс, 2004. –
312с.
9.Дюк В., Самойленко А. Data Mining: уч.. курс. – СПб: Питер, 2001.
10.Кодд Э.Ф. Реляционная модель данных для больших совместно используемых банков данных. – СУБД – № 1. – 1995. – С. 145-160.
11.Котов В.Е. Сети Петри. – М.: Наука. Главная редакция физико-математи-
ческой литературы. 1984. – 160 с.
12.Липунцов Ю.П., Телешова И.Г. Компетентностный подход: модель на основе онтологий. Инновационные подходы и информационные технологии для внедрения нового поколения государственных стандартов высшего профессионального образования. МИФИ апрель, 2009.
13.Липунцов Ю.П. Управление компетенциями кадров с элементами обучения. – treelogy.ru›ext/lib/c/89/file/Lomonosov 2010.
14.Ловицкий В.А. Система формирования понятий для объектов, заданных неявным набором признаков. – Проблемы бионики, Харьков, 1977, вып.
18.– С. 73-81.
201
15.Люгер, Джордж, Ф. Искусственный интеллект: стратегии и методы реше-
ния сложных проблем, 4-е издание.: Пер. с англ. – М.: Издательский дом
«Вильямс», 2003. – 864 с.
16.Джеймс Мартин Вычислительные сети и распределенная обработка дан-
ных: Прогр. обеспечение, методы и архитектура : [В 2 вып.] / Дж. Мар-
тин; Пер. с англ. Т.А. Шаргиной, В.С. Штаркмана. – М.: Финансы и ста-
тистика, 1986.
17.Осипов Г.С. Приобретение знаний интеллектуальными системами: Осно-
вы теории и технологии. – М.: Наука. Физматлит, 1997. – 112 с. – (Про-
блемы искусственного интеллекта).
18.Осипов Г.С. Лекции по искусственному интеллекту. – М.: КРАСАНД,
2009. – 272 с.
19.Питерсон Дж. Теория сетей Петри и моделирования систем: Пер. с англ. –
М.: Мир, 1984. – 264 с., ил.
20.Попов Э.В., Фоминых И.Б., Кисель Е.Б., Шапот М.Д. Статические и ди-
намические экспертные системы: Учеб. пособие. – М.: Финансы и стати-
стика, 1996.
21.Принципы, структура и функции систем баз знаний – http://archaedev.com/t9r2part2.html
22.Рассел, Стюарт, Норвиг, Питер. Искусственный интеллект: современный подход, 2-е изд.: Пер. с англ.- М.: Издательский дом «Вильямс», 2007. –
1408 с.
23.Саттон Р.С. Обучение с подкреплением / Р.С. Саттон, Э.Г. Барто; пер. с
англ. – М.: БИНОМ. Лаборатория знаний, 2011. – 399 с.: ил. – (Адаптив-
ные и интеллектуальные системы).
24.Тельнов Ю.Ф., Трембач В.М. Интеллектуальные информационные систе-
мы. Учебное пособие – М.: МЭСИ, 2009. – С. 202.
25.Трембач В.М. Средства обработки информации для построения интеллек-
туальных информационных систем. // В кн. КИИ – 2002. Восьмая нацио-
нальна я конференция по искусственному интеллекту с международным
202
участием. Сборник научных трудов в 2-х томах. Т.2. – М.: Физматлит,
2002.
26.Трембач В.М. Компьютерные методы представления и формирования знаний для синтеза планов решений // Новости искусственного интеллекта. – 2005. – № 3. – С. 51-62.
27.Трембач В.М. Методы представления эволюционирующих знаний, обеспечения и оценки их соответствия действительности. // В кн. КИИ – 2008.
Одиннадцатая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 3-х томах. Т. 3. –
М.: Физматлит, 2008. – С. 315-322.
28.Трембач В.М. Применение интеллектуальных технологий к формированию компетенций обучающихся //Искусственный интеллект и принятие решений. – 2008. – №2. – С. 34-54.
29.Трембач В.М. Формирование и использование моделей компетенций обучающихся на основе эволюционирующих знаний,//Научно-практический журнал «Открытое образование». – МЭСИ. – №6(77). – 2009. – С. 12-26.
30.Трембач В.М. Решение задач управления в организационно-технических системах с использованием эволюционирующих знаний: монография. – М.: МЭСИ, 2010. – С. 236.
31.Трембач В.М. Представление сложных связей в описаниях предметной области для решения задач целенаправленного поведения. // В кн. КИИ – 2010. Двенадцатая национальная конференция по искусственному интеллекту с международным участием. Сборник научных трудов в 4-х томах. Т.4. – М.: Физматлит, 2010. – С. 194-202.
32.Турчин В.Ф. Феномен науки: Кибернетический подход к эволюции. Изд.
2-е. – М.: ЭТС, 2000.
33.Хант Э., Марин Дж., Стоун Ф. Моделирование процесса формирования понятий на вычислительной машине. – М.: Мир, 1970. – 301 с.
34.Частиков А.П., Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. -СПб.: БХВ-Петербург, 2003. – 608 с.
203
35.Biliris A (1992) The performance of three database storage structures for managing large objects. In: Proceedings of the ACM SIGMOD International Conference on Management of Data.
36.Bruner H.A., Goodnov J.J., Austin G.A. A study of stinking, Wiley, Ney York, 1956.
37.Buchanan BG, Wilkins DC (1993) Readings in knowledge acquisition and learning. Morgan Kaufmann, San Mateo, Calif.
38.Carey M, DeWitt D, Richardson J, Shekita E (1986) Object and _le management in the EXODUS extensible database system. In: Proceedings of the 12th International Conference on Very Large Data Bases, pp. 91-100.
39.Codd, E.F. A relational model of data for large shared data banks. Comm. ACM 13,6 (June 1970), 377-387.
40.Davis R. and Lenat D. B. Knowledge-based Systems in Artificial Intelligence. New York: McGraw-Hill, 1982.
41.DeJong, G.F., and Mooney, R., «Explanation-Based learning: An alternative view». Machine Learning, 1 (1986) 145-176.
42.Fan X., Yen J. Modeling and Simulating Human Teamwork Behaviors Using Intelligent Agents // Journal of Physics of Life Reviews, Vol. 1, No. 3. 2004.
43.Fisher D. H. Knowledge acquisition via incremental conceptual clustering. Machine Learning, 2: 139-172. 1987.
44.Hall R.P.Computational approaches to analogical reasoning: A comparative analysis, 39(1): 39-120, 1989.
45.Kedar-Cabelli S.T. Analogy – From a unified perspective. In Helman (1988), 1988.
46.Lenat D. B. and Brown J. S. Why AM and Eurisko appear to work. Artificial Intelligence, 23(3), 1984.
47.Michalski R. S. and Stepp R. E. Learning from observation: conceptual clustering. In Michalski et al. (1983), 1983.
48.Mylopoulos J, Borgida A, Jarke M, Koubarakis M (1990) Telos: a language for representing knowledge about information systems. ACM Trans Inf Sys 8:4-362.
204
49.Mylopoulos, J., Chaudhri, V.K., Plexousakis, D., Shrufi, A., Topaloglou, T.: Building knowledge base management systems. The VLDB Journal 5(4), 238– 263 (1996).
50.Mitchell T., Version Space: An Approach to Concept Learning, PhD thesis, Stanford University, 1978.
51.Mitchell, T.M., «The need for biases in learning generalizations». Tech. Rep. CBM-TR-117. Dept. of Computer Science, Rutgers University, NJ, 1980.
52.Mitchell T., Generalization as Search, Artificial Intelligence 18, no. 2, 1982.
53.Michalski R. S. and Stepp R. E. Learning from observation: conceptual clustering. In Michalski et al. (1983), 1983.
54.Neches R, Fikes R, Finin T, Gruber T, Patil R, Senator T, Swartout W (1991) Enabling technology for knowledge sharing. AI Mag 12:36-56.
55.Nordhausen B. and Langley P. An integrated approach to empirical discovery. In Shrager and Langley(1990), 1990.
56.Paul H-B, Schek H-J, Scholl M, Weikum G, Deppish U (1987) Architecture and implementation of a Darmstadt database kernel system. In: Proceedings of the ACM SIGMOD International Conference on Management of Data, San Francisco, Calif, pp. 196-207.
57.Pearl J.Causality. New York: Cambridge University Press, 2000.
58.Pennypacker J. An elementary information procrssor for object recognition, Rept. SRC 30-J-63-1, Case inst. Technol., Cleveland, Ohio, 1963.
59.Quinlan , J. R. Induction of decision trees. Machine Learning, 1, 81-106. 1986.
60.Russell S., The Use of Knowledge in Analogy and Induction, Research Notes in Artificial Intelligence, London: Pitman, 1989.
61.Simon H.A., Kotovsky K. Humansoquisitio of cocepts for sequential patterns, Paychol. Rev., 1963, pp. 534-546.
62.The Origins of Inductive Logic Programming: A Prehistoric Tale,- Claude. Sammut,- Department of Artificial Intelligence School of Computer Science and Engineering , University of New South Wales: http://www.slideshare.net/artintelligence/the-origins-of-inductive-logic- programming-a-prehistoric-tale.
205
63.Vinay K. Chaudhri, Igor Jurisica, Manolis Koubarakis, Dimitris Plexousakis, Thodoros Topaloglou: The KBMS Project and Beyond. Conceptual Modeling: Foundations and Applications 2009: pp. 466-482.
64.Winston P.H. Learning structural discriptions from examples. In The Psychology of Computer Vision/ New York: McGraw-Hill, 1975.
206
Глава 5. Создание интеллектуальной обучающей системы на основе баз знаний
5.1. Основные этапы создания интеллектуальных обучающих систем
Интеллектуальные обучающие системы (ИОС) на основе баз знаний яв-
ляются сложными кибернетическими системами, имеющими особенности на всех этапах их жизненного цикла. Специалистами выделяются следующие этапы создания ИОС [2,13,14,16,17]:
–вербальное описание предметной области;
–структурирование вербального описания предметной области с целью формирования учебных объектов;
–формирование метаданных об учебных объектах;
–создание базы знаний ИОС;
–создание тестовых объектов (заданий) для выявления степени усвоения учебного объекта.
Начальные этапы создания ИОС, связанные с полными и точными опи-
саниями преподаваемой области, особенно значимы для эффективности раз-
рабатываемой системы. Необходимо решать задачи, связанные с обеспечени-
ем полноты и точности описаний учебных объектов, их представлений в базе знаний. Отдельно следует выделить такую важную задачу, как структуриро-
вание вербального описания преподаваемой области в виде множества учеб-
ных объектов. Структуризация предметной области должна ориентироваться на выбранные способы представления знаний. В данном случае используется интегрированный подход к представлению знаний [1,11,12,14], в основе ко-
торого заложены семантическое и продукционное представления сущностей реального мира. Подробно этот метод рассмотрен в третьей главе. Структура представления сущности показана на рис. 3.7.
Создаются современные ИОС с применением существующих сред раз-
работки путем создания учебных объектов и наполнения ими репозитория.
207
С целью управления процессами обучения для каждого учебного объекта формируется его представление, которое по структуре и назначению являет-
ся метаданными – общим описанием учебного объекта, необходимым для его обработки. Кроме того формируются множества описаний требуемых компе-
тенций. Представления учебных объектов и множества описаний требуемых компетенций хранятся в базе знаний. Для разработки ИОС создается группа разработчиков в состав которой обычно входят [1,8]:
эксперт – преподаватель, специалист, который хорошо знает рассматри-
ваемую предметную область и являющийся, в настоящее время, основ-
ным носителем знаний для ИОС;
инженер по знаниям или аналитик – является специалистом в области искусственного интеллекта, выступающий в роли промежуточного звена между экспертом и базой знаний;
программист – выполняет настройку инструментальной среды при со-
здании конкретной ИОС и разрабатывает недостающие программные блоки;
пользователь – представитель специалистов (преподавателей) для кото-
рых разрабатывается система.
На каждом из этапов каждый из разработчиков выполняет свойственные ему задачи, но при этом, для каждого этапа, эти задачи могут быть совершен-
но разными. Ниже приводится краткое описание каждого этапа создания ИОС.
Вербальное описание предметной области. Важным является создание описания, удовлетворяющего требованиям полноты и точности [7,10,15]. На этом этапе определяется множество областей знаний, которые будут пред-
ставлены в создаваемой системе обучения. Эти знания могут быть получены из различных источников: от экспертов (преподавателей дисциплины, специ-
алистов-практиков); из текстовых и графических источников (литературы,
технической документации, статей, схем, чертежей); электронных источни-
ков (Интернет, баз данных, оцифрованного текста, графики, видео и др.);
электронных, компьютерных систем восприятия действительности.
208
Вопросами, извлечением знаний для описания предметных областей,
структуризацией этих знаний занимается инженерия знаний. При извлечении знаний происходит перенос компетентности от эксперта к инженеру по зна-
ниям (один из участников группы разработчиков ИОС) с использованием различных методов, основными из которых являются [1,8]:
анализ текстов,
диалоги,
экспертные игры,
лекции,
интервью,
наблюдение и другие.
Структурирование вербального описания предметной области для фор-
мирования учебных объектов. На этом этапе также необходимо соблюдать требования полноты и точности. Разделение этапов вербального описания
[18] (как результата извлечения знаний) и структурирования данного описа-
ния, является весьма условным. В работе [18] рассматривается алгоритм, ко-
торый включает:
определение исходных учебных объектов и завершающих (выходных)
учебных объектов, которые могут уточняться в процессе структуризации;
составление словаря терминов;
выявление объектов, понятий (концептов) и их атрибутов;
выявление связей между понятиями;
выявление метапонятий и детализация понятий;
построение иерархической лестницы понятий, подъем по которой озна-
чает углубление понимания и повышения уровня абстракции обобщен-
ности) понятий;
определение отношений между понятиями;
упорядочивание полученной структуры, удаление дублирующих или лишних деталей, корректировка и уточнение представления действи-
тельности.
209
При разработке ИОС для формирования учебных объектов специали-
стами используется следующий подход к структурированию вербального
описания предметной области:
выделяется множество учебных объектов;
для каждого учебного объекта формируется цель его использования
(преподавания, изучения). Под целью понимается описание поведения,
которое должен продемонстрировать обучаемый, чтобы подтвердить свою компетентность в изучаемом вопросе. Цель описывает ожидаемый результат обучения, а не сам учебный процесс.
Существует много способов убедиться, хорошо ли определена цель, хотя
не все они одинаково эффективны. Самый простой и эффективный способ
[18] – это проверить, позволяет ли предложенная формулировка цели отве-
тить на три вопроса:
что именно сможет делать обучаемый, при такой постановке цели?
какие условия необходимы, чтобы это делать?
как хорошо он сможет это делать?
Получение на каждый вопрос явного ответа свидетельствует о том, что цель определена хорошо. Рассмотренные вопросы характеризуют основные составляющие «хорошего определения» целей обучения:
ясность о предстоящих действиях обучаемого – формулировка цели дает представление о том, какие действия сможет делать обучаемый, описывает про-
цесс или результат исполнения соответствующих цели действий обучаемого;
определенность условий показывает, при каких условиях сможет осу-
ществляться желаемое поведение или исполнение;
информация о критериях, сообщает, насколько хорошо должно выпол-
няться исполнение.
Формирование метаданных об учебных объектах. При формировании метаданных (знаний) об учебных объектах могут использоваться различные источники, что требует одинаковой интерпретации формируемых знаний, не зависящей от специфики их источника, и методов представления. Для реше-
210