2.1.3. “Піраміда” знань

Ієрархічність понятійної структури свідомості досліджуються в роботах багатьох психологів [18]. Поле знань можна стратифікувати, тобто розглядати на різних рівнях абстракції понять. У “піраміді знань” кожний наступний рівень слугує для сходження на новий ступінь узагальнення і поглиблення знань у предметній області. Отже, можлива наявність декількох рівнів понятійної структури S_k. Видається доцільним пов’язати це із глибиною професійного досвіду або з рівнем ієрархії на структурних щаблях організації. Зазвичай, стратегії прий­няття рішень, тобто функціональні структури S_f, на різних рівнях іс­тот­но відрізнятимуться. Якщо спробувати дати математичну інтерпре­тацію рівнів піраміди знань U = (U₁,U₂,U₃,…,U_N), то найпрозорішим є поняття гомоморфізму – відображення деякої системи Е, що зберігає основні операції і основні відношення цієї системи. Нехай

деяка система з основними поняттями та основними відношеннями.

Гомоморфізмом системи Е в однотипну їй систему Е’ буде: , називається відображення

яке задовольняє такі дві умови:

Для всіх елементів з Е та всіх.

Відповідно до введених позначень рівнів піраміди суть гомо­морфізму моделей (тобто понять і відношень) предметної області

де ;, – мета-поняття, або поняття вищого рівня абстракції; – мета-відношення; – мета-стратегії. Сходячи по ступенях піраміди, ми отримуємо систему гомоморфізмів, що відповідає результатам, отриманим в когнітивній психології про зменшення розмірності семантичного простору пам’яті зі збільшенням досвіду експертів.

2.2. Стратегії одержання знань

Під час формування поля знань ключовим питанням є сам процес отримання знань, коли відбувається перенесення ком­петент­ності експертів на інженерів зі знань. Для назви цього процесу в літе­ратурі з експертних систем (ЕС) набуло поширення кілька термінів: придбання, здобування, витягання, одержання, виявлення, формування знань. У англійській спеціальній літературі переважно використо­вуються два: acquisition (придбання) і elicitation (виявлення, витягання, встановлення).

Термін “придбання” трактують або дуже широко – тоді він об’єднує весь процес передавання знань від експерта до ба­зи знань ЕС, або вже як спосіб автоматизованої побудови бази знань за допомогою діалогу експерта і спеціальної програми (структура поля знань зазда­легідь закладають у програму). В обох випадках термін “придбання” не стосуєть­ся самого таїнства екстрагування структури знань з потоку інформації про предметну область. Цей процес описують по­няттям “видобування”.

Видобування знань (knowledge elicitation) – це процедура взаємодії експерта з джерелом знань, у результаті якої стають явними процес міркувань фахівців в ухваленні рішення і структура їхніх уяв­лень про предметну область.

Сьогодні більшість розробників ЕС відзначають, що про­цес видо­бування знань залишається “найвужчим” місцем у побудові про­мис­лових ЕС. До того ж їм доводиться практич­но самостійно розроб­ляти методи витягання, зіштовхуючись із такими труднощами:

• організаційні непогодженості;

• невдалий метод витягання, що не збігається зі структу­рою знань у певній області;

• неадекватна модель (мова) для подання знань.

Можна додати до цього:

• невміння налагодити контакт з експертом;

• термінологічний різнобій;

• відсутність цілісної системи знань в результаті витягання тільки “фрагментів”;

• спрощення “картини світу” експерта тощо.

Процес видобування – це тривала і трудомістка процеду­ра, в якій інженерові зі знань, озброєному спеціальними знан­нями з когнітивної психології, системного аналізу, матема­тичної логіки тощо, необхідно відтворити модель предметної області, якою користуються експерти для прийняття рішення. Часто розроблювачі-початківці ЕС, бажаючи спростити цю процедуру, намагаються підмінити інженера зі знань самим експертом. З багатьох причин це небажано.

По-перше, велика частина знань експерта – це результат чис­ленних нашарувань ступенів досвіду. І часто, знаючи, що з А виво­диться В, експерт не усвідомлює, що ланцюжок його міркувань був набагато довший, наприклад або.

По-друге, як стверджував ще Платон, мислення діа­логічне. І тому діалог інженера зі знань і експерта – найприродніша форма вивчення лабіринтів пам’яті експерта, у яких зберігаються знання, частина яких має невербальний харак­тер, тобто виражені не у формі слів, а, наприклад, у формі на­очних образів. І саме в процесі пояснення інженерові зі знань експерт на ці розмиті асоціативні образи навішує чіткі сло­весні ярлики, тобто вербалізує знання.

По-третє, експертові важче створити модель предметної об­ласті внаслідок глибини й обсягу інформації, якою він во­лодіє. Ще в ситуаційному керуванні було виявлено: об’єкти реального світу зв’я­зані більш ніж 200 типами відно­шень (тимчасові, просторові, при­чинно-наслідкові, типу” частина–ціле” тощо). Ці відношення і зв’язки предметної області утворять складну систему, з якої виділити “скелет” або голов­ну структуру іноді доступніше аналітикові, що до того ж во­лодіє системною методологією.

Термін “придбання” у цього залишений за автоматизова­ними сис­темами прямого спілкування з експертом. Вони дійсно безпосе­ред­ньо здобувають вже готові фрагменти знань відповідно до структур, закладених розроблювачами систем. Більшість цих інструментальних засобів спеціально орієнто­вано на конкретні інтелектуальні системи із жорстко позначеною предметною областю й моделлю подання знань, тобто не є універсальними.

Придбання знань (knowledge acquisition) – процес напов­нення бази знань експертом з використанням спеціалізованих програмних засобів.

Наприклад, система TEIRESIAS, що стала прародич­кою всіх інструментаріїв для придбання знань, призначена для поповнення бази знань системи MYCIN або її дочірніх га­лузей, побудованих на “оболонці” EMYCIN в галузі ме­дичної діагностики з використанням продукційної моделі по­дання знань. Три покоління та основні тенденції СПЗ будуть детально описані нижче.

Термін формування знань традиційно закріпився за над­звичайно перспективною галуззю інженерії знань, що активно розвивається і займається розробленням моделей, методів і алгоритмів навчання. Вона об’єднує індуктивні моделі фор­мування знань і автоматичного породження гіпотез, напри­клад, ДСМ-метод на основі навчальних вибирань, навчання за аналогією та іншими методами. Ці моделі дають змогу виявити причинно-наслідкові емпіричні залежності в базах даних з не­повною інформацією, що містять структуровані числові й сим­вольні об’єкти (часто в умовах неповноти інформації).

Формування знань (machine learning) – процес аналізу да­них і виявлення прихованих закономірностей з використан­ням спеціального математичного апарату програмних засобів.

Традиційно до завдань формування знань або машинного нав­чання належать завдання прогнозування, ідентифікації (синтезу) функ­цій, розшифровування мов, індуктивного виве­дення й синтезу з до­датковою інформацією. У широкому сенсі до навчання на прикладах можна зарахувати і методи на­вчання розпізнавання образів [9].

Індуктивне виведення правил із фактів застосоване також у системах AQ, AQUINAS, KSSI, INSTIL і деяких інших.

Найдослідженішими серед методів машинного навчання є, оче­видно, методи розпізнавання образів, зокрема алгеб­раїчний підхід, в якому передбачається збагачення вихідних евристичних алгоритмів за допомогою алгебраїчних операцій і побудова сімейства алгоритмів, що гарантує одержання ко­ректного алгоритму для виконання дослід­жу­ва­ного класу зав­дань, тобто алгоритму, що правильно класифікує кін­цеву вибірку по всіх класах. Однак застосування методів фор­мування знань не стало промисловою технологією роз­роблення баз знань.

Щоб ці методи стали елементами технології інтелектуаль­них систем, необхідно виконати низку завдань:

• забезпечити механізм сполучення незалежно створених баз даних, що мають різні схеми, з базами знань інтелектуаль­них систем;

• встановити відповідність між набором полів бази даних і безліччю елементів декларативного компонента бази знань;

• виконати перетворення результату роботи алгоритму навчання у спосіб подання, підтримуваний програмними засо­бами інтелек­туальної системи.

Крім перерахованих, існують також й інші стратегії одер­жання знань, наприклад, у разі навчання на прикладах (case-based reasoning), коли джерело знань – це множина при­кладів предметної області. Нав­чання на основі прикладів (прецедентів) передбачає налаштування ал­го­ритму розпізнаван­ня на завдання за допомогою надання прикладів, класифіка­ція яких відома.

Навчання на прикладах тісно пов’язане з машинним на­вчанням. Відмінність полягає в тому, що результат навчання в розглянутому тут випадку повинен бути інтерпретований у деякій моделі, в якій, мож­ливо, вже містяться факти та за­кономірності предметної області, і пере­творений у спосіб по­дання, що допускає використання результату нав­чання в базі знань, для моделювання міркувань, для роботи меха­нізму по­яснення тощо, тобто робить результат навчання елементом відповідної технології. Наприклад, у системі INDUCE по­роджується несуперечливий опис деякого класу об’єктів з ве­ликою кількістю прик­ладів і контрприкладів заданого класу. Як мова подання вико­ристовується мова багатозначної логіки першого порядку).

Зазначимо також появу двох нових “прапорців” у стані при­хильників методів машинного навчання – це data mining і knowledge discovery. Обидва підходи ґрунтуються на аналізі да­них і пошуку закономірностей.

Отже, можна виділити три основні стратегії проведення стадії одер­жання знань під час розроблення інтелектуальних систем (див. рис. 2.3).

1. З використанням ЕОМ за наявності відповідного прог­рамного інструментарію, інакше – придбання знань.

2. З використанням програм навчання за наявності репре­зен­тативної (тобто доволі представницької) вибірки прикладів прийняття рішень у предметній області та відповідних пакетів прикладних програм, інакше – формування знань.

3. Без використання обчислювальної техніки без­посереднім кон­тактом інженера зі знань і джерела знань (екс­перт, спеціальна літе­ратура або інші джерела), інакше – видо­бування знань.

Рис. 2.3. Стратегії одержання знань

У навчальному посібнику докладно розглядатимуться процеси видобування і придбання знань, тому що на сучасному етапі роз­роблення інтелектуальних систем ці стратегії є найефективнішими й найперспективнішими. Формування знань, що тяжіє більшою мірою до області machine learning, тобто індуктивного навчання, ґрунтуючись на добре дослідженому апараті розпізнавання образів і виявлення подібності об’єктів, виходить за межі цього підручника. Також поза цією книгою залишилися питання формування знань з даних (data mining, knowledge discovery) тощо.