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.

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.

Нейромодельный подход к построению интеллектуальных информационных систем. Биологические основы нейромодельного подхода.

Кибернетический подход.

Попытки построить машины, способные к разумному поведению, в значительной мере вдохновлены идеями профессора МТИ Норберта Винера,.

Винер был убежден, что наиболее перспективны научные исследования в так называемых пограничных областях, которые нельзя конкретно отнести к той или иной конкретной дисциплины. Они лежат где-то на стыке наук, поэтому к ним обычно не подходят столь строго. «Если затруднения в решении какой-либо проблемы психологии имеют математический характер, пояснял он, то десять несведущих в математике психологов продвинуться не дальше одного столь же несведущего».

Винеру и его сотруднику Джулиану Бигелоу принадлежит разработка принципа «обратной связи», который был успешно применен при разработке нового оружия с радиолокационным наведением. Принцип обратной связи заключается в использовании информации, поступающей из окружающего мира, для изменения поведения машины. В основу разработанных Винером и Бигелоу систем наведения были положены тонкие математические методы; при малейшем изменении отраженных от самолета радиолокационных сигналов они соответственно изменяли наводку орудий, то есть заметив попытку отклонения самолета от курса, они тотчас расчитывали его дальнейший путь и направляли орудия так, чтобы траектории снарядов и самолетов пересеклись.

В дальнейшем Винер разработал на принципе обратной связи теории как машинного так и человеческого разума. Он доказывал, что именно благодаря обратной связи все живое приспосабливается к окружающей среде и добивается своих целей. «Все машины, претендующие на «разумность», писал он, должны обладать способность преследовать определенные цели и приспосабливаться, т.е. обучаться». Созданной им науке Винер дает название кибернетика, что в переводе с греческого означает рулевой.(2)