5. Сетевые модели представления знаний. Представление знаний в виде набора продукционных правил.

Наиболее полно (в явном виде) отразить семантику предметной области позволяют сетевые модели. С этой формой связано понятие семантической сети как струтуры, отображающей совокупность предметной области. При этом объектам соответствуют узлы сети, а отношениям – дуги между ними. Объектами могут быть обобщенные понятия, события, действия; свойства указанных объектов также представляются вершинами. Совокупность объектов, включаемых в сеть, определяется содержанием предметной области и рассматриваемым кругом задач.

В отличие от однородных сетей (с одинаковыми отношениями между вершинами), неоднородные сети могут содержать различные дуги, имеющие различный смысл. Наиболее распостраненными являются сдедующие типы отношений:

• Быть элементом класса

• Обладать свойством

• Являться следствием

• Иметь значение

Вершины могут иметь свою внутреннюю сетевую структуру. Тогда сеть называют сетью иерархического типа. Как разновидность сетевых моделей рассматривают иерархические структуры фреймов. Фрейм (термин введен М.Минским) – структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации (слотов) и их значений (заполнителей слотов).

Совокупность фреймов, моделирующая определенную предметную область, имеет иерархическую структуру. Каждый фрейм соответствует некоторому объекту предметной области. Слоты сожержат описывающие этот объект данные. На верхнем уровне иерархии находится фрейм, отражающий наиболее общую информацию, присущую фреймам более низкого уровня. В качестве заполнителей слотов могут указываться:

- одно значение

- несколько значений

- фасет (диапозон или перечень)

- правило, согласно которому определяется заполнитель слота

- имя процедуры, реализующей алгоритм заполнения слота

Значения характеристик фреймов могут передаваться по умолчанию фреймам более низкой ступени иерархии, если те не содержат собственных значений данных характеристик.

Различают статические системы фреймов (не меняющиеся в процессе задачи) и динамические.

К достоинствам сетевых, в частности фреймовых, моделей знаний следует отнести:

• Явное представление иерархических связей

• Представление слотов в единственном экземпляре

• Возможность вычисления значения любого слота с помощью процедур или эвристик

Недостатки: сложность их реализации и сложность внесения изменений в базу знаний.

Представление знаний в виде набора продукционных правил.

Анализ действий экспертов, связанных с диагностикой состояний сложных объектов и систем, показывает, что профессионал проводит экспертизу вполне целенаправленно, придерживаясь определённой стратегии. При этом он руководствуется множеством правил (эвристик), которые могут быть представлены в форме «ЕСЛИ посылка, ТО заключение» - эта форма называется продукционным правилом или продукцией.

Первая часть правила (посылка) называется антецедентом, а вторая консеквентом. Антецедент состоит из элементарных предложений (высказываний), соединенных логическими связками И и выражающих условия активации правила. Консеквент включает одно или несколько предложений, описывающих выдаваемое правило решения или ссылку на некоторое действие.

Правило может быть задано с коэффициентом уверенности, определяющим положительным значением от 0 до 1 степень адекватности (достоверности) или достоверности вывода (консеквента) правила условием его срабатывания (антецедентом). Другими словами, этот коэффициент определяет степень близости его к точной логической конструкции, для которой его значение принимается равным 1. Коэффициент уверенности это не то же самое, что и коэффициент вероятности!

С коэффициентами уверенности так же могут задаваться конкретные факты со стороны пользователя при описании текущей ситуации, в достоверности которых существует определённая доля сомнения. С коэффициентом уверенности могут задаваться факты экспертом в антецедентах правил.

Пример: машина не заводится

ЕСЛИ <есть искра>(1) ТО <виновата не система зажигания>

При организации базы знаний (БЗ) антецеденты и консеквенты продукционных правил могут представляться совокупностью пар «атрибут-занчение» или троек «атрибут-объект-значение». Это сокращает число задействованных переменных, однако использование троек усложняет процесс формирования правил и усложняет алгоритм вывода.

Представление знаний продукционных правил обладает преимуществами:

• Модульность (легко изменяем структуру)

• Единообразие структуры создаваемых на их основе СОЗ и, как следствие, возможность построения и использования оболочек

• Естественность такой формы представления знаний - имитация рассуждений человека-эксперта

• Гибкость иерархии понятий с точки зрения внесения изменений.

Недостатки:

• Громоздкость процесса вывода, связанная с проверкой применимости правил

• Сложность управления процессом вывода

• Отсутствие наглядности представления иерархии понятий

Отмеченные преимущества продукционных правил неоспоримы, хотя создавать и настраивать на конкретные предметные области можно и оболочки СОЗ, использующие семантические сети или фреймовые структуры. Но это оказывается сложнее с точки зрения программной реальзации, а главное - затрудняет процесс формализации знаний на инфологическом уровне.

В продукционной системе для этого удобно использовать дерево решений (граф решений), которое к тому же существенно компенсирует недостаток продукционных правил, связанный с отсуствием наглядности представления иерархиии понятий.

Что качается громоздкости процесса вывода на продукционных правилах и сложности процесса управления им, то эти проблемы тоже решаются, например, путём учёта статистики срабатывания правил, организации распределённой структуры базы правил и использования других доступных приёмов. Труднее конпенсировать отсутствие у продукционных правил явного компактного представления иерархических связей и понятий и наследования по умолчанию данных, характерных для фреймовых структур и семантический сетей.

В пользу продукционной модели представления знаний говорит так же то, что она хорошо согласуется с представлением задач в пространстве состояний, характерном для целевого назначения многих ИС.

База знаний в СОЗ продукционного типа.

ЭС продукционного типа – это система, базирующаяся на правилах и использующая вывод, основанный на сопоставлении по образцу.

Причины высокой популярности ЭС продукционного типа:

• совпадение во многом схемы их функционирования со схемой мышления специалиста или эксперта при решении задач

• единоообразие структур (возможность построения и использования оболочек)

• модульность базы знаний, которая обеспечивает открытость системы

Структура системы продукционного типа: (рис.3)

Рабочая память. Хранит множество фактов – атрибутов и их значений - описывающих текущую ситуацию. До начала процесса вывода она содержит только исходные факты для решения задачи. Затем по мере срабатывания правил в неё добавляются новые факты – результаты промежуточных выводов. Объём рабочей памяти не обязательно монотонно растёт, он может и уменьшаться, если действие очередного правила состоит в удалении каких-либо фактов. В системах с монотонным выводом факты, хранимые в рабочей памяти не изменяются в процессе решения задачи. Системы с немонотонным выводом допускают изменение или удаление фактов из рабочей памяти. Это должно сопровождаться пересмотром решений, полученных на основе подвергшихся изменению факторов.

Механизм вывода. Осуществляет:

1. просмотр и сопоставление фактов из рабочей памяти и правил базы знаний

2. срабатывание правил

3. добавление в рабочую память новых получаемых фактов

4. определение порядка просмотра и применения правил

5. разрешение конфликта в случае применимости нескольких правил

6. запрос у пользователя дополнительной информации, необходимой для срабатывания очередного правила

7. обращение к процедурным действиям, связанным с заключением правил.

Таким образом, в механизме вывода можно выделить две составляющие: компонент вывода, реализующий собственно вывод, и компонент управления выводом, определяющий порядок просмотра и пременения правил и регламентирующий действия, связанные со срабатыванием правил.

Подсистема приобретения знаний. Выполняет функции формирования правил на начальном этапе настройки оболочки ЭС на конкретную предметную область, а так же функции пополнения базы правил или модификации уже имеющихся правил в ходе эксплуатации системы. При этом новые правила должны проверяться на непротиворечивость уже имеющимся с помощью специально предусмотренных для этого программных средств.

Подсистема объяснения. Предназначена для формирования в наглядном для пользователя виде и выдачи по его требованию информации, поясняющей логику рассуждений механизма вывода при получении того или иного заключения или обращения к тому или иному действию.

Интеллектуальный интерфейс – объединяет в себе лингвистические, информационные и программные средства, обеспечивающие доступ инженера по знаниям к соответствующим компонентам системы: доступ пользователя к механизмам вывода и подсистеме объяснения в процессе решения задач и инженера по знаниям или эксперта к подсистеме приобретения знаний при формировании и модификации базы знаний.