13. Этапы приобретения и формализации знаний в эс.

Приобретением знаний начинается выявление знаний из источников и преобразование их в нужную форму, а также перенос в базу знании ИС. Источниками знаний могут быть книги, архивные документы, содержимое других баз знаний и т.п., т.е. некоторые объективизированные знания, переведенные в форму, которая делает их доступными для потребителя. Другим типом знаний являются экспертные знания, которые имеются у специалистов, но не зафиксированы во внешних по отношению к нему хранилищах. Экспертные знания являются субъективными. Еще одним видом субъективных знаний являются эмпирические знания. Такие знания могут добываться ИС путем наблюдения за окружающей средой.

Подготовительный этап

1. Четкое определение задач проектируемой системы

2. Выбор экспертов: определение количества экспертов; выбор уровня компетентности

3. Знакомство аналитика со специальной литературой в предметной области

4. Знакомство аналитика и экспертов (в дальнейшем для простоты будем считать, что эксперт один).

5. Знакомство эксперта с популярной литературой по искусственному интеллекту

6. Попытка аналитика создать поле знаний первого приближения априорным знаниям из литературы

Основной этап

1. «Накачка» поля знаний: получение знаний от эксперта

2. «Домашняя работа». Попытка аналитика выделить некоторые причинно-следственные связи в рассуждениях эксперта; построение словаря предметной области и подготовка вопросов к эксперту.

3. «Подкачка» поля зрения. Обсуждение с экспертом прототипа поля знаний и домашней работы, а также ответы на вопросы аналитика.

4. Формализация концептуальной модели.

5. Построение поля знаний второго приближения.

На этапе концептуализации:

• проводится содержательный анализ предметной области;

• выделяются основные понятия и их взаимосвязи;

• определяются методы решения задач.

На этапе формализации:

• выбираются программные средства разработки ЭС;

• определяются способы представления всех видов знаний;

• формализуются основные понятия.

На этапе выполнения осуществляется наполнение экспертом БЗ.

Опытная эксплуатация и тестирование. На этапе опытной эксплуатации проверяется пригодность ЭС для конечных пользователей.

Приемы извлечения знаний:

• Наблюдение - инженер наблюдает за тем, как эксперт решает реальную задачу;

• обсуждение задачи - инженер на предоставленном множестве задач неформально обсуждает с экспертом данные, знания и процедуры решения;

• описание задачи - эксперт описывает решение задач для типичных запросов;

• анализ решения - эксперт комментирует получаемые результаты решения задачи, детализируя ход рассуждений;

• проверка системы - эксперт предлагает инженеру перечень задач для решения, которые решаются разработанной системой;

• исследование системы - эксперт исследует и критикует структуру БЗ и работу механизма вывода;

• оценка системы - инженер предлагает новым экспертам оценить решения разработанной системы.

13. Понятие нечетких знаний. Основные формулы

Невозможно привести однозначное определение термина нечеткость, но можно объединить разные виды нечеткостей в некоторые группы следующим образом: недетерминированность выводов, многозначность, ненадежность, неполнота, неточность.

Недерминированность выводов. Практически во всех системах искусственного интеллекта знания накапливаются фрагментарно, и нельзя определить цепочку логических выводов, в которых они будут использоваться.

Многозначность. О многозначности знаний говорят тогда, когда один и тот же элемент знаний может быть интерпретирован по-разному.

Ненадежными являются те знания, представить которые двумя значениями - истина или ложь - невозможно или трудно.

Неполнота знаний. Содержимое базы знаний по любой предметной области является неполным, поскольку можно перечислить все верные знания в данной области, но невозможно перечислить и разумно определить неверные знания.

Поэтому целесообразно в БЗ определять только заведомо верные знания, а любые утверждения, которые не определены относить к ложным. Это называется гипотезой закрытого мира.

Обработка нечетких знаний с использованием коэффициентов уверенности

Результат любой операции над переменной с нечетким значением является нечетким, т.е. и в его значении можно быть уверенным лишь с некоторой степенью (коэффициентом). Определение этого коэффициента именуется исчислением коэффициента уверенности и базируется на нечеткой логике.

Коэффициент уверенности (КУ) есть целое число в диапазоне от 0 до 100, которое придается значению переменной при рассмотрении вопроса о его достоверности и указывает степень уверенности в том, что переменная имеет именно это значение.

Обработка нечетких множеств

Если значением переменной является нечеткое множество, т.е. если переменная одновременно может иметь несколько значений, каждое со своим значением КУ, такая переменная носит название нечеткой переменной.

Теорема Байеса как основа управления неопределенностью

Если А и В являются непересекающимися множествами, то множеств соответствует сумме вероятностей, а пересечение – произведению вероятностей:

р (АВ)= р (А)+ р (B)

р (АВ)= р (А) * р (B) .

Продолжая теоретико-множественное обозначение, В можно записать как:

В=(BA)(BA) .

Т.к. это объединение явно непересекающееся, то:

p (В)=p ( (BA)(BA) )= p (BA)+p (BA)=p (B|A)p (A)+ p (B|A)p ( A) .

Если вернуться к обозначению событий, а не множеств, то последнее равенство может быть подставлено в правило Байеса:

Это равенство является основой для использования теории вероятности в управлении неопределенностью. Оно обеспечивает путь для получения условной вероятности события В при условии А. Это соотношение позволяет ЭС управлять неопределенностью и «делать вывод вперед и назад».

Логический вывод на основе субъективной вероятности.

Простейший логический вывод.

Рассмотрим случай, когда все правила в ЭС отражаются в форме:

Если < Н является истинной > То < Е будет наблюдаться с вероятностью р >.

Очевидно, если Н произошло, то это правило говорит о том, что событие Е происходит с вероятностью р. Но что будет, если состояние Н неизвестно, а Е произошло? Использование теоремы Байеса позволяет вычислить вероятность того, что Н истинно.

Замена «А» и «В» на «Н» и «Е» не существенна для формулы Байеса, но с её помощью мы можем покинуть общую теорию вероятности и перейти к анализу вероятностных вычислений в ЭС. В

этом контексте:

Н – событие, заключающееся в том, что данная гипотеза верна;

Е – событие, заключающееся в том, что наступило определённое доказательство (свидетельство), которое может подтвердить правильность указанной гипотезы.

Переписывая формулу Байеса в терминах гипотез и свидетельств, получим:

Это равенство устанавливает связь гипотезы со свидетельством и, в то же время, наблюдаемого свидетельства с пока ещё не подтверждённой гипотезой. Эта интерпретация предполагает также определение априорной вероятности гипотезы р(Н), назначаемой Н до наблюдения или получения некоторого факта.