Способы описания знаний
Способы описания знаний
Введение
При изучении интеллектуальных систем традиционно возникает вопрос - что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.
Данные - это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.
Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.
Сегодня знания приобрели чисто декларативную форму, то есть знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.
В Искусственном интеллекте основная цель - научиться хранить знания таким образом, чтобы программы могли обрабатывать их и достигнуть подобия человеческого интеллекта. Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы как фреймы, правила, и семантические сети пришли в ИИ из теорий обработки информации человеком. Так как знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание выводов из знаний.
Для решения задач инженерных знаний необходимо преобразовать информацию, полученную от экспертов в виде фактов и правил их использования, в форму, удобную для машинной обработки. Для этого созданы и используются в действующих системах различные модели представления знаний.
Система искусственного интеллекта - это система, оперирующая знаниями о проблемной области. Без базы знаний систем искусственного интеллекта не существует. Для формализации и представления знаний разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний.
Модели представления знаний являют собой одно из важнейших направлений исследований в области искусственного интеллекта. Почему одно из важнейших? Да потому, что без знаний искусственный интеллект не может существовать в принципе. Действительно, представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как:
для того, чтобы не умереть от голода, необходимо периодически есть;
необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом.
Таких примеров удастся привести еще много, но уже сейчас можно легко ответить на следующий вопрос: «Поведение такого человека может считаться разумным?». Конечно же, нет. Именно поэтому, при создании систем искусственного интеллекта особенное внимание уделяется моделям представления знаний.
На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.
Отметим, что модели представления знаний относятся к прагматическому направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека - «черный ящик». При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.
Проблема представления знаний заключается в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении задач, и возможностями формального (однозначно-ограниченного) представления такой информации в ЭВМ. Часто проблема осложняется трудностями для эксперта по формулированию в явном виде имеющихся у него знаний.
Общая проблема представления знаний включает ряд частных проблем:
представление декларативных знаний как данных, наделенных семантикой (фактов);
представление процедурных знаний как отношений между элементами модели, в том числе в виде процедур и функций;
представление метазнаний - правил обработки фактов, способов организации логического вывода, методов решения задач пользователем, порождения новых знаний и т.д.
знание семантика процедурный обработка
1. Понятие «знание» в ИИ
Знания - это совокупность сведений о сущностях (объектах, предметах) реального мира, их свойствах и отношениях между ними в определенной предметной области. Иными словами, знания - это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. С точки зрения ИИ знания можно определить как формализованную информацию, на которую ссылаются в процессе логического вывода.
В исследованиях по ИИ можно выделить два основных направления: программно-прагматическое («не имеет значения, как устроено «мыслящее» устройство, главное, чтобы на заданные входные воздействия оно реагировало, как человеческий мозг») и бионическое («единственный объект, способный мыслить - это человеческий мозг, поэтому любое «мыслящее» устройство должно каким-то образом воспроизводить его структуру»). В рамках данного подхода сформировалась новая наука нейроинформатика.
Ярким же представителем программно-прагматического направления можно считать экспертные системы - это сложные программные комплексы, аккумулирующие знания специалистов-экспертов для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области.
Общепризнанного определения знания, как и определения искусственного интеллекта, не существует. Известные трактовки этого понятия отражают его различные аспекты, поэтому приведем несколько определений.
Наиболее общее определение трактует знание как всю совокупность данных (информации), необходимую для решения задачи. В этом определении подчеркивается, что данные в привычном понимании также являются знаниями. Однако знания в информационном плане не ограничиваются рамками данных. В полном объеме информация, содержащаяся в знаниях, должна включать сведения о: системе понятий предметной области, в которой решаются задачи; системе понятий формальных моделей, на основе которых решаются задачи; соответствии систем понятий, упомянутых выше; методах решения задачи; текущем состоянии предметной области.
Из перечисленных компонентов только последний в явном виде соответствует понятию «данные». В целом обо всей приведенной выше информации иногда говорят, что она составляет проблемную область решаемой задачи.
Несмотря на сложности формулировки определения знания считается общепризнанным, что знания имеют ряд свойств, позволяющих отличать их от данных: внутреннюю интерпретируемость; внутреннюю (рекурсивную) структурированность; внешнюю взаимосвязь единиц; шкалирование; погружение в пространство с семантической метрикой; активность.
Если данные обладают этими свойствами, можно говорить о перерастании данных в знания.
Внутренняя интерпретируемость означает наличие в памяти ЭВМ сведений не только о значении, но и о наименовании информационной единицы. Следует отметить, что это свойство присуще некоторым моделям представления данных, например реляционной.
Внутренняя (рекурсивная) структурированность отражает вложенность одних информационных единиц в другие или в самих себя. Она предусматривает установку отношений принадлежности элементов к классу, родовидовые отношения типа «часть-целое» и т.п. В целом внутренняя структурированность характеризует структуру знания.
Внешняя взаимосвязь единиц определяет, с какой информационной единицей имеет связь данная информационная единица и какова эта связь. С помощью этого свойства устанавливается связь различных отношений, отражающих семантику и прагматику связей понятий, а также отношений, отражающих смысл системы в целом.
Отдельные информационные единицы не могут описывать динамические ситуации, когда некоторые факты, содержащиеся в структуре одной единицы, вступают в ситуативную связь с фактами или явлениями, описанными в структуре другой единицы.
Для описания таких связей используются специальные информационные элементы, в которых указываются имена взаимосвязанных информационных единиц и имена существующих отношений.
Шкалирование означает использование шкал, предназначенных для фиксации соотношения различных величин. Прежде всего шкалирование необходимо для фиксации соотношений качественной информации.
Активность знаний выражается в возможности вызова той или иной процедуры в зависимости от структуры, сложившейся между информационными единицами.
Активность знаний обусловлена тем, что в отличие от обычных программ, в которых процедуры играют роль активаторов данных, в интеллектуальных системах определенная структура данных активизирует выполнение той или иной процедуры.
Перечисленные особенности информационных единиц определяют ту грань, за которой данные превращаются в знания, а базы данных перерастают в базы знаний. Совокупность средств, обеспечивающих работу со знаниями, образует систему управления базой знаний. В настоящее время не существует баз знаний, в которых в полной мере были бы реализованы все пять особенностей знаний.
Базы данных фиксируют экстенсиональную семантику заданной проблемной области, состояние конкретных объектов, конкретные значения параметров для определенных моментов времени и временных интервалов. База знаний определяет интенсиональную семантику моделей и содержит описание абстрактных сущностей: объектов, отношений, процессов.
Если рассматривать знания с точки зрения решения задач в некоторой предметной области, то их удобно разделить на две большие категории - факты и эвристику. Первая категория указывает обычно на хорошо известные в данной предметной области обстоятельства, поэтому знания этой категории иногда называют текстовыми, подчеркивая их достаточную освещенность в специальной литературе или учебниках. Вторая категория знаний основывается на собственном опыте специалиста (эксперта) в данной предметной области, накопленном в результате многолетней практики.
Знания можно разделить на процедурные и декларативные. Декларативные знания - это совокупность сведений о качественных и количественных характеристиках конкретных объектов, явлений и их элементов, представленных в виде фактов и эвристик. Традиционно такие знания накапливались в виде разнообразных таблиц и справочников, а с появлением ЭВМ приобрели форму информационных массивов (файлов) и баз данных. Процедурные знания хранятся в памяти ИИС в виде описаний процедур, с помощью которых их можно получить. В виде процедурных знаний обычно описывается информация о предметной области, характеризующая способы решения задач в этой области, а также различные инструкции, методики и тому подобная информация. Другими словами, процедурные знания - это методы, алгоритмы, программы решения различных задач, последовательности действий (в выбранной проблемной области) - они составляют ядро баз знаний. Таким образом, при использовании знаний происходит переход к формуле
знания + вывод = система.
Работа со знаниями, иначе называемая обработкой знаний, лежит в основе всего современного периода развития ИИ.
В памяти ЭВМ знания представляются в виде некоторой знаковой системы. С понятием «знак» связываются понятия «экстенсионал» и «интенсионал». Соответственно различают два типа знаний: экстенсиональные и интенсиональные.
Система общения (компонент 1) предназначена для организации взаимодействия «пользователь - СИИ».
База знаний (компонент 2) - предназначена для накопления и хранения знаний, представленных в формализованном виде. Знания о проблемной области материализуются в базе знаний и представляются в памяти ЭВМ с помощью специальных лингвистических средств.
Концепция БЗ является результатом естественного дальнейшего научно-технического развития концепции БД в направлении увеличения независимости содержащейся информации от обрабатывающих программ и их целостности. База знаний - это целостная и независимая модель проблемной области.
По аналогии с СУБД, обеспечивающей управление и функционирование БД, управление базой знаний осуществляет СУБЗ, представляющая собой программный комплекс, который обеспечивает управление и функционирование БЗ как компонента СИИ. Она обеспечивает связь между структурами знаний, полученных от пользователя, и реальными структурами знаний, хранящимися в базе. Основными функциями СУБЗ являются:
накопление и извлечение знаний;
поддержка естественно-языкового общения;
обеспечение разработки ориентированного на пользователя программного обеспечения;
поддержка интерактивного процесса разработки СИИ;
обеспечение разработки (развития) механизма логического вывода;
контроль достоверности и непротиворечивости знаний.
Данный список не является исчерпывающим. В последнее время БЗ и СУБЗ тесно интегрируются друг с другом, образуя единую систему, которая носит название системы баз знаний, или системы, базирующейся на знаниях.
СУБЗ (компонент 3) - предназначена для осуществления операций манипулирования знаниями, содержащимися в СИИ, и их использования для решения задач.
Система логического вывода (компонент 4) - предназначена для осуществления процесса получения решения с использованием хранящихся в БЗ знаний (называемого логическим выводом).
Система объяснения (компонент 5) - позволяет получить объяснение, «как» и «почему» был проведен тот или иной логический вывод.
Система защиты от несанкционированного доступа (компонент 6) предназначена для защиты знаний, хранящихся в СИИ, при наличии возможности коллективного использования СИИ.
Планировщик (компонент 7) осуществляет формирование функциональной семантической сети (компонент 9).
В библиотеке прикладных программ (компонент 8) содержатся программные процедуры, позволяющие решать частные, более мелкие задачи.
Общими компонентами для всех типов СИИ (и единственными для ИИПС) являются компоненты 1 - 4. Остальные имеют место только в отдельных типах СИИ: 5-й - в ЭС; 6-й - в РЭС и РЛС; 7, 8, 9-й - в ИППП и РЛС.
Имеются системы, способные диагностировать заболевания, планировать синтез сложных синтетических соединений, решать дифференциальные уравнения в символьном виде, анализировать электронные схемы, понимать ограниченный объем человеческой речи и естественного языкового текста. Можно сказать, что такие системы обладают в, некоторой степени, искусственным интеллектом.
При реализации интеллектуальных функций непременно присутствует информация, называемая знаниями. Другими словами, интеллектуальные системы являются в то же время системами обработки знаний.
Знание - основа интеллектуальной системы.
2. Основные модели представления знаний
Центральной проблемой обработки знаний, а также создания БЗ (и ИИС вообще) является проблема представления знаний.
Проблема представления знаний - это проблема представления взаимосвязей в конкретной предметной области в форме, понятной системе искусственного интеллекта. Представление знаний - это их формализация и структурирование, с помощью которых отражаются характерные признаки знаний: внутренняя интерпретируемость, структурированность, связность, семантическая метрика и активность.
При проектировании модели представления знаний следует учитывать такие факторы, как - однородность представления и простота понимания. Однородность представления приводит к упрощению механизма управления логическим выводом и управлением знаниями. Простота понимания предполагает доступность понимания представления знаний и экспертам, и пользователем системы. Способ представления знаний определяет, каким образом знания описываются в памяти ЭВМ, а также каковы возможности БЗ. Для того, чтобы ЭВМ имела возможность манипулирования знаниями о проблемной области, они должны быть представлены в виде модели.
В основе использования МПЗ лежит аксиоматический метод. Аксиоматический метод в любой науке состоит в том, что выделяется некоторое небольшое множество истинных утверждений, опираясь на которые можно вывести все истинные утверждения данной науки. Классическим примером аксиоматического метода является аксиоматическое построение геометрий Евклида и Лобачевского, каждая из которых базируется на ряде постулатов. Следует отметить, что одну и ту же теорию можно строить, исходя из различного набора аксиом.
Таким образом, необходимо:
) Построить алфавит теории, т.е. задать счетное множество символов и определить множество объектов языка - выражений.
) Выделить подмножество таких выражений, которые будем называть формулами (обычно имеется хорошо разработанная процедура, позволяющая по данному выражению определить, является ли оно формулой).
) Из бесконечного множества истинных формул (тавтологий) выделим небольшую группу (1 ÷ 10) так называемых аксиом теории (как правило, всегда имеется возможность эффективно выяснить, является ли данная формула аксиомой). За аксиомы берутся некоторые тавтологии, из которых по формальным правилам выводятся все остальные тавтологии.
) Указать конечное множество отношений между формулами, которые называют правилами вывода. Правила вывода сопоставляют некоторым последовательностям формул новые формулы. Записывают правила вывода в форме фигуры, где формулы, стоящие над чертой называются посылками, а формулы, стоящие под чертой, называется следствием посылок по данному правилу вывода. С помощью правил вывода из аксиом получаются новые истинные формулы, называемые теоремами.
Доказательство теорем превращается в последовательность таких формул, и построение формальных доказательств можно поручить ЭВМ.
2.1 Логическая МПЗ
Логическая модель используется для представления знаний в системе логики предикатов первого порядка и выведения заключений с помощью силлогизма. Основное преимущество использования логики предикатов для представления знаний заключается в том, что обладающий хорошо понятными математическими свойствами мощный механизм вывода может быть непосредственно запрограммирован. С помощью этих программ из известных ранее знаний могут быть получены новые знания. Приведенные ниже примеры являются логическими моделями представления фактов с помощью предикатов и носят название атомарной формулы.
ЛЮБОВЬ (Виктор, Ирина): Виктор любит Ирину
СТОЛИЦА (Москва): Москва - столица
Следующие примеры являются правильно построенными логическими формулами, включающими кванторы существования () и общности ().
: некий дельфин наделен умственными способностями
: все слоны имеют серую окраску
Отличительными чертами логических моделей, в частности приведенных выше моделей представления знаний, являются единственность теоретического обоснования и возможность реализации системы формально точных определений и выводов. По этим причинам немало исследователей в области искусственного интеллекта выбрали для себя предметом изучения именно логические модели. Однако для логических моделей характерен ряд сомнительных моментов, а поскольку большинство исследователей в области искусственного интеллекта - люди с неформальным мышлением, то большая часть достижений в области систем с базами знаний до недавнего времени принадлежала так называемой группе исследователей нелогического направления. Кроме того, в отличие от первой категории исследователей, которые почти не занимаются теоретическими исследованиями, вторая категория придает им большое значение.
2.2 Продукционная МПЗ
В модели правил знания представлены совокупностью правил вида «ЕСЛИ - ТО». Системы с базами знаний, основанные на этой модели, называются продукционными системами. Эти системы бывают двух диаметрально противоположных типов - с прямыми и обратными выводами. Типичным представителем первого типа является система MYCIN, используемая для решения задач диагностического характера, а типичным представителем систем второго типа - OPS, используемая для решения проектирования задач. В системе продукций с обратными выводами с помощью правил строится дерево И/ИЛИ, связывающее в единое целое факты и заключения; оценка этого дерева на основании фактов, имеющихся в базе данных, и есть логический вывод.
Логические выводы бывают прямыми, обратными и двунаправленными. При прямом выводе отправной точкой служат предоставленные данные, процесс оценки приостанавливается в узлах с отрицанием, причем в качестве заключения (если не все дерево пройдено) используется гипотеза, соответствующая самому верхнему уровню дерева (корню). Однако для такого вывода характерно большое количество данных, а также оценок дерева, не имеющих прямого отношения к заключению, что излишне. Преимущество обратных выводов в том, что оцениваются только те части дерева, которые имеют отношение к заключению, однако если отрицание или утверждение невозможны, то порождение дерева лишено смысла. В двунаправленных выводах сначала оценивается небольшой объем полученных данных и выбирается гипотеза (по примеру прямых выводов), а затем запрашиваются данные, необходимые для принятия решения о пригодности данной гипотезы. На основе этих выводов можно реализовать более мощную и гибкую систему. Системы продукций с прямыми выводами среди систем, основанных на использовании знаний, имеют наиболее давнюю историю, поэтому они являются в некотором смысле основополагающими. Эти системы включают три компонента: базу правил, состоящую из набора продукций (правил вывода), базу данных, содержащую множество фактов, и интерпретатор для получения логического вывода на основании этих знаний. База правил и база данных образуют базу знаний, а интерпретатор соответствует механизму логического вывода. Вывод выполняется в виде цикла «понимание - выполнение», причем в каждом цикле выполняемая часть выбранного правила обновляет базу данных. В результате содержимое базы данных преобразуется от первоначального к целевому, т.е. целевая система синтезируется в базе данных. Следовательно, такие системы не годятся для решения крупномасштабных задач. Упорядочим слабые и сильные стороны хорошо известных систем продукций. Сильные стороны:
простота создания и понимания отдельных правил;
простота пополнения, модификации и аннулирования;
простота механизма логического вывода.
Слабые стороны:
неясность взаимных отношений правил;
сложность оценки целостного образа знаний;
крайне низкая эффективность обработки;
отличие от человеческой структуры знаний;
отсутствие гибкости в логическом выводе.
Таким образом, если объектом является небольшая задача, выявляются только сильные стороны системы продукций. В случаях увеличения объема знаний, необходимости решения сложных задач, выполнения гибких выводов или повышения скорости вывода требуется структурирование базы данных. Первое, что приходит в голову в таких случаях, - это группировка знаний и структурирование базы данных. Другими словами, путем предварительной группировки соответствующих правил в некотором состоянии процесса вывода можно ограничить диапазон выбора правил. В тех случаях, когда объекты, для которых используются правила, также имеют иерархическую структуру, эффективным является структурирование базы данных.
Расширенным вариантом модели правил является модель доски объявлений (blackboard), которая была предложена в системе распознавания разговорной речи HEARSAY-II как модель представления знаний.
2.3 Фреймовая МПЗ
Фреймовая МПЗ базируется на понятии функционального программирования - способа составления программ, в которых единственным действием является вызов функции, единственным способом расчленения программ на части является введение имени для функции и задание для этого имени выражения, вычисляющего значение функции, а единственным правилом композиции - оператор суперпозиции других функций. Оно следует из такого раздела математики, как лямбда-исчисление.
Фрейм - это абстрактный образ для представления стереотипа объекта, понятия или ситуации. Под абстрактным образом понимается некоторая обобщенная и упрощенная модель или структура. Фреймом также называется и формализованная модель для отображения образа.
Различают фреймы-образцы или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:
фреймы-структуры, использующиеся для обозначения объектов и понятий;
фреймы-роли;
фреймы-сценарии;
фреймы-ситуации и др.
Структура фрейма может быть представлена как список свойств:
(ИМЯ ФРЕЙМА:
(имя 1-го слота: значение 1-го слота),
(имя 2-го слота: значение 2-го слота),
…………….
(имя N-гo слота: значение N-го слота)).
Важнейшим свойством теории фреймов является заимствование из теории семантических сетей - так называемое наследование свойств. И во фреймах, и в семантических сетях наследование происходит по это-связям. Слот связи указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.
Основным преимуществом фреймов как модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а также ее гибкость и наглядность. Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language).
2.4 Семантические сети
Термин «семантическая» означает «смысловая», а сама семантика - это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.
Семантическая сеть наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек (a r b), где а и b - два объекта, понятия, а r двоичное отношение между ними.
Графически семантическая сеть представляется в виде помеченного ориентированного графа, в котором вершинам соответствуют объекты, а дугам - их отношения. Дуги помечаются именами соответствующих отношений.
Семантическая сеть является моделью широкого предназначения. Выделяются различные виды семантических сетей:
ситуационные сети (описывают временные, постранственные и причинно-следственные (клаузальные) отношения);
целевые сети, используемые в системах планирования и синтеза (отношения «цель-средства» и «цель-подцель»);
классификационные сети (отношения «род-вид», «класс-подкласс»);
функциональные сети (отношения «аргумент-функция») и т.д.
Особенность семантической сети как модели представления знаний, которая может одновременно считаться и ее достоинством, и ее недостатком, заключается в невозможности в явном виде разделить БЗ и механизм логического вывода. Поэтому интерпретация семантической сети осуществляется только с помощью использующих ее процедур.
Основным способом интерпретации семантической сети является способ сопоставления частей сетевой структуры. Он основан на построении подсети (подграфа), соответствующей задаваемому вопросу, и сопоставлении ее с общей сетью, имеющейся в БЗ. Запросная подсеть накладывается на имеющийся в базе знаний фрагмент. Для поиска отношений между концептуальными объектами используется другой способ перекрестного поиска. Согласно этому способу ответ на вопрос выводится путем обнаружения в имеющейся сети узла, в котором пересекаются дуги, исходящие из различных узлов запросной подсети.
К настоящему времени разработано достаточно много различных МПЗ, и работа по созданию новых моделей продолжается. Однако наибольшее распространение получили четыре модели: модель семантической сети, фреймовая модель, продукционная модель и логические модель.
Заключение
В рамках направления «Представление знаний» решаются задачи, связанные с формализацией и представлением знаний в памяти интеллектуальной системы. Для этого разрабатываются специальные модели представления знаний и языки для описания знаний, выделяются различные типы знаний. Изучаются источники, из которых ИС может черпать знания, и создаются процедуры и приемы, с помощью которых возможно приобретение знаний для ИС. Проблема представления знаний для ИС чрезвычайно актуальна, т.к. ИС - это система, функционирование которой опирается на знания о проблемной области, которые хранятся в ее памяти.
Кроме того, в учебниках по ИИ знания традиционно делят на процедурные и декларативные. Исторически первичными были процедурные знания, то есть знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требовалось изменять программы. Однако с развитием искусственного интеллекта приоритет данных постепенно изменялся, и все большая часть знаний сосредоточивалась в структурах данных (таблицы, списки, абстрактные типы данных), то есть увеличивалась роль декларативных знаний.
Сегодня знания приобрели чисто декларативную форму, то есть знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному и понятных неспециалистам.
Существуют десятки моделей (или языков) представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:
продукционные модели;
семантические сети;
фреймовые модели;
логические модели.
Продукционная модель чаще всего применяется в промышленных экспертных системах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.
Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5; «оболочки» или «пустые» ЭС - EXSYS Professional, Kappa, ЭКСПЕРТ; ЭКО, инструментальные системы ПИЭС, СПЭИС и др.), а также промышленных ЭС на его основе (например, ЭС, созданных средствами G2 и другие.
Основным преимуществом семантической сети является то, что она более других соответствует современным представлениям об организации долговременной памяти человека. Недостатком этой модели является сложность организации процедуры поиска вывода на семантической сети.
Для реализации семантических сетей существуют специальные сетевые языки, например NET, язык реализации систем SIMER+MIR и др. Широко известны экспертные системы, использующие семантические сети в качестве языка представления знаний - PROSPECTOR, CASNET, TORUS.
Логические модели, основанные на классическом исчислении предикатов I-го порядка, в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских «игрушечных» системах, так как предъявляет очень высокие требования и ограничения к предметной области.
Современные экспертные системы работают в основном с поверхностными знаниями. Это связано с тем, что на данный момент нет универсальных методик, позволяющих выявлять глубинные структуры знаний и работать с ними.
Список источников
1Андрейчиков, А. Интеллектуальные информационные системы, учеб. пособие, Москва: Финансы и Статистика, 2006.
Болотова, Л.С. Системы искусственного интеллекта: Теоретические основы ИИС и формальные модели представления знаний, учеб. пособие - Москва: Моск. гос. ин-т радиотехники, электроники и автоматики (техн. ун-т), 2003.
Интернет ресурс #"justify">Интернет ресурс #"justify">Литвин В.В, Досин Д.Г., Даревич Р.Р. Модель представления знаний посредством объектов для построения интеллектуальных систем поддержки принятия решений. Таганрог: Известия Таганрогского государственного радиотехнического университета, 2004.
Мигас С.С. Интеллектуальные информационные системы, Санкт-Петербург: СПбГИЭУ, 2009.
Палюх Б.В., Бурдо Г.Б. Представление знаний в системах автоматизированного проектирования и управления технологическими процессами. Тамбов: Вестник Тамбовского государственного технического университета. 2010.
Петров, В.Н., Ю.С. Избачков. Информационные системы учебник для вузов 2-е изд. СПб.: Питер, 2008.
Путькина, Л.В., Т.Г. Пискунова. Интеллектуальные информационные системы учеб. пособие. СПб.: ГУП, 2008.
Пятибратов А.П., Л.П. Гудыно, А.А. Кириченко / Под ред. проф. А.П. Пятибратова. Вычислительные системы, сети и телекоммуникации. учебник для вузов 3-e изд. - Москва: Финансы и статистика, 2005
Тельнов, Ю.Ф. Интеллектуальные информационные системы в экономике. учеб. пособие - 3-е изд. Москва: Синтег, 2002.
Тугенгольд А.К. Кузьмин А.А. К вопросу моделирования знаний на стратегическом уровне интеллектуальной системы управления. Вестник Донского государственного технического университета. 2009.