Реферат: Повышение эффективности процесса представления знаний

Введение

С развитием общества трудовые ресурсы из сферы материальногопроизводства перераспределяются в сферу информационного обслуживания. Есливначале XX в. информационнойдеятельностью занималось до 10% общества, то к началу XXI в. до 50%. Резко уменьшилось времянакопления знаний. Удвоение научных знаний происходит за 2-3 года. Знания,полученные специалистом в высшей школе, устаревают за 5-7 лет. Материальныезатраты общества на информационные процессы уже превышают в целом затраты наэнергетику. Информация становится предметом труда, и в результате этой трудовойдеятельности возникает новый вид ресурса – информационный ресурс, которыйотражает интеллектуальный потенциал общества и переходит в экономическую категорию.

Экономический ресурс – основа развития наукоемкогопроизводства, результаты которого проявляются в изделиях, превышающих по своимпараметрам лицевые образцы. Информационный ресурс проявляется также в виденевещественной продукции – в лицензиях и патентах.

Технология регулирования информационного ресурса содержит: накоплениеданных, формирование знаний, организацию данных и представление знаний.

Накопление данных

Данные – это информация, представленная в форматизированномвиде, что позволяет передавать и обрабатывать ее на базе технических средств.

Знание – отражение на основе мышления реальнойдействительности, регулируется человеком. Переход информации в знанияосуществляется за счет интеллектуальной деятельности человека.

Если данные организовать под какую-либо задачу, то на их основе человекможет принять решение по управлению и такие данные уже можно рассматривать какинформацию.

Формирование знаний

Информацией является используемые для принятия решений данные. Данныепредоставляются в виде информации, на основе которой могут быть приняты решенияпо управлению.

В знаниях выделяют три основные составные части:

Декларативные знания отражают количественные и качественныехарактеристики объектов. Они хранятся в базе данных.

Системные (понятийные) знания содержат не только определениепонятий, но и описание свойств понятий и взаимосвязей между ними.

Алгоритмические (процедурные) знания задают способ решения задачи.

Для каждой задачи формируется алгоритм решения и программа решения.Совокупность алгоритмов решения взаимосвязанных задач в АСУ составляет алгоритмическуюмодель. Эта модель в отличие от информационного ресурса содержит не данные, а информацию.Включение ЭВМ в контур управления невозможно без наличия соответствующих программ.

Совокупность декларативных, понятийных и процедурных знаний хранитсяв базе знаний.

Информатизация общества

Информатизация – это комплекс мер, обеспечивающих наиболееполное применение достоверного знания во всех общественно значимых видахчеловеческой деятельности.

Управление производством во многом зависит от рационализацииделопроизводства, своевременной передачи и получения необходимой оперативнойфинансово-бухгалтерской, отчетно-статистической и другой информации. Любойпроект сопровождает большой объем нормативной, справочной и пояснительнойдокументации. Это парализует деятельность служащих и технических работников. Вделопроизводстве в России ежегодно используется до 4 трлн. страниц бумаги. Вэтих условиях решение проблемы информатизации общества возможно за счет рядафакторов:

Использование средств вычислительнойтехники во всех общественно значимых сферах общества. Это означает созданиеавтоматизированных рабочих мест (АРМ), которые не только позволяют сократитьобъем бумажной продукции по прогнозам вдвое, но и на порядок уменьшают времяоперативной и достоверной передачи информации при одновременном повышении еекачества и снижении количества исполнителей. Деловую корреспонденцию должныобеспечить службы электронной почты.

Поднятие престижаинформационной деятельности и повышение производительности труда служащих всфере управления производством. ЛПР должны обладать доступом ввычислительную среду, овладеть методами общения с ЭВМ. Языки общения с ЭВМдолжны упрощаться при переходе к квазиестественным языкам.

Охват информацией всех слоевнаселения. Создание развитых каналов связи, снижение стоимости ПЭВМ,возможность подключения к телефонной сети для доступа к информационномуресурсу.

1 ПРЕДСТАВЛЕНИЕ ЗНАНИЙ И ВЫВОД НА ЗНАНИЯХДанные и знания

При изучении интеллектуальных систем возникает вопрос – что же такоезнания и чем они отличаются от обычных данных. Предложены несколько рабочих определений,в рамках которых это становится очевидным.

Данные – это отдельные факты, характеризующие объекты, процессыи явления предметной области, а также их свойства.

При обработке на ЭВМ данные преобразуются, условно проходя следующиеэтапы:

D1 – данныекак результат измерений и наблюдений;

D2 – данныена материальных носителях информации в виде таблиц, протоколов, справок;

D3 – модели(структуры) данных в виде функций, диаграмм, графиков;

D4 – данныев компьютере на языке описания данных;

D5 – базыданных на машинных носителях информации.

Знания основаны на данных, полученных опытным (эмпирическим) путем.Они представляют собой результат мыслительной деятельности человека, направленнойна обобщение его опыта, полученного в результате практической деятельности.

Знания – это закономерности предметной области (принципы,связи, законы), полученные в результате практической деятельности ипрофессионального опыта, позволяющие специалистам ставить и решать задачи вэтой области.

При обработке на ЭВМ знания преобразуются (трансформируются)аналогично данным:

Z1 – знанияв памяти человека как результат мышления;

Z2 –материальные носители знаний (учебники, методические пособия);

Z3 – полезнаний – условное описание основных объектов предметной области и закономерностейих связующих;

Z4 – знания,описанные на языках представления знаний (моделях представления знаний) – продукционныеязыки или модели, семантические сети, фреймы, формальные логические модели;

Z5 – базазнаний на машинных носителях информации.

Часто используется краткое определение понятия «знания»:

Знание – это хорошо структурированные данные, или данные оданных, или метаданные.

Для хранения данных используются базы данных, которыехарактеризуются большим объемом и сравнительно небольшой удельной стоимостью информации.

Для хранения знаний используются базы знаний, которыехарактеризуются небольшим объемом, но исключительно дорогими информационнымимассивами. База знаний – основа любой интеллектуальной системы.

Знания квалифицируют по двум категориям: поверхностные и глубинные.

Поверхностные – знания о видимых взаимосвязях между отдельнымисобытиями и фактами в пределах области. Глубинные – абстрактные, аналогииили схемы, отображающие структуру и природу процессов, объясняют явления имогут использоваться для прогнозирования поведения объектов. Пример поверхностныхзнаний: «при нажатии на кнопку звонка раздается звук». Пример глубинных знаний:«изучение принципиальной схемы звонка и электропроводки объясняют возникновениезвука».

Современные экспертные системы работают в основном с поверхностнымизнаниями. Это связано с тем, что в настоящее время еще не разработаныуниверсальные методики, позволяющие выявлять и работать с глубиннымиструктурами знаний.

В учебниках по ИИ знания делят на процедурные и декларативные.

Исторически первичными были процедурные знания, управляющие даннымив алгоритмических программах. Для изменения процедурных знаний требовалось изменятьпрограммы.

Однако с развитием ИИ увеличивалась роль декларативных знаний. Исегодня знаниями считаются предложения, записанные на языках представлениязнаний, приближенных к естественному и понятных неспециалисту.

Классы моделей представления знаний

Множество моделей (или языков) представления знаний для различныхпредметных областей может быть сведено к следующим классам:

Продукционные модели;

Семантические сети;

Фреймы;

Формальные логические модели.

Продукционная модель

Продукционная модель позволяет представить знания в виде предложенийтипа «Если (условие), то (действие)».

Продукционная модель– модель, основанная на правилах. Под «условием»понимается предложение – как образец, по которому осуществляется поиск в базезнаний.

Под «действием» понимаются действия, выполняемые при успешном исходепоиска. Консеквентные действия могут быть промежуточными или терминальными.

Промежуточные – консеквентные действия выступают далее вкачестве условий – антецедентов.

Терминальные – концевые действия являются целевыми, завершающимиработу системы.

Чаще всего вывод на такой базе знаний бывает прямой (от данных кпоиску цели) или обратный (от цели к исходным данным), подтверждающий вывод.Данные – это исходные факты, хранящиеся в базе фактов, на основании которыхзапускается интерпретатор правил, перебирающий правила из продукционной базызнаний.

Продукционная модель чаще всего применяется в промышленныхэкспертных системах – ЭС. Достоинства такой модели в наглядности, высокоймодульности, легкости внесения дополнений и изменений и простом механизмелогического вывода.

Семантические сети

Семантика – это наука, устанавливающая отношения междусимволами и объектами, которые они обозначают. Термин «семантическая» означает«смысловая»

Семантическая сеть – это ориентированный граф, вершины которого– понятия, а дуги — отношения между ними. В качестве «понятий» выступаютобъекты, а «отношения» – это связи типа: «это» – (АКО), «имеет частью», «принадлежит».

Для семантических сетей характерной особенностью являетсяобязательное наличие трех типов отношений: класс – элемент класса (цветок –роза); свойство – значение (цвет – желтый); пример элемента класса (роза –чайная).

Поиск решения в базезнаний типа семантической сети сводится к поиску фрагмента сети, соответствующейподсети, которая отражает запрос, поставленный к базе.

SHAPE * MERGEFORMAT

Иванов

Двигатель

Вид транспорта

Человек

Красный

Цвет

Волга

Автомобиль

значение

свойство

принадлежит

имеет

например

это

имеет частью

Рис. 1.1Семантическая сеть.

Основным преимуществом данной модели представления знаний являетсято, что она более других соответствует современным представлениям об организации долговременной памятичеловека. Недостатком – сложность организации процедуры поиска вывода на семантическойсети.

Фреймы

Термин фрейм («каркас» или «рамка») предложен Минским в 70-е годыдля обозначения структуры знаний для восприятия пространственных сцен. Так же,как и семантическая сеть, эта модель имеет психологическое обвенование. Фрейм –это абстрактный образ для представления некоего стереотипа восприятия. Вфилософии и психологии известного понятия абстрактного образа. Например,произнесение вслух слова «комната» порождает у слушающих образ комнаты: жилоепомещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-<st1:metricconverter ProductID=«20 м2» w:st=«on»>20 м2</st1:metricconverter>. Из этогоописания нечего нельзя убрать. Например, убрав окна, мы уже получим не комнату,а чулан. Но в этом описании есть «дырки» или «слоты» — это незаполненныезначения некоторых атрибутов – например количество окон, цвет стен, высотапотолка, покрытие пола и др.

В теории фреймов такой образ комнаты называется фреймом комнаты, фреймомкомнаты также называется и формализованная модель для отображения образа.

Различают фреймы-образцы или прототипы, которые хранятся в базезнаний и фреймы-экземпляры, которые создаются для отображения реальныхфактических ситуаций на основе поступающих данных.

Модель фрейма является достаточно универсальная, поскольку позволяетотображать все многообразие знаний о мире через: фреймы-структуры, которыеиспользуются для обозначения объектов и понятий (заем, залог, вексель);фреймы-роли (менеджер, кассир, клиент); фреймы-сценарии (банкротство, собраниеакционеров); фреймы-ситуации (тревога, авария, рабочий режим и др.)

Описание способа получения слотом его значения и возможностьприсоединения к слоту специальных процедур запускается в теории фреймов. Вкачестве значения слота может выступать имя другого фрейма, образуя сетифреймов.

Важнейшим свойством теории фреймов является заимствование из теориисемантических сетей – так называемое наследование свойств, которое происходитпо АКО — связям. Слот АКО указывает на фрейм более высокого уровня иерархии,откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.

Например в сети фреймов на рис.1.2 понятие «ученик» наследуетсвойства фреймов «ребенок» и «человек», которые находятся на более высокомуровне иерархии. Так, на вопрос «любят ли ученики сладкое» следует ответ –«да», так как эти свойством обладают все дети, что указано во фрейме «ребенок».Наследование свойств может быть частичным, так как возраст для учеников ненаследуется из фрейма «ребенок», поскольку указан явно в своем собственномфрейме – «ученик».

SHAPE * MERGEFORMAT

человек

млекопитающее

мыслить

АКО

«это»

умеет

ребенок

человек

0-16 лет

50 – <st1:metricconverter ProductID=«180 см» w:st=«on»>180 см</st1:metricconverter>

сладкое

АКО

Возраст

Рост

Любит

ученик

ребенок

В школе

7-17 лет

форму

АКО

учится

возраст

носит

Рис.1.2 Сетьфреймов

Основным преимуществом фреймов как модели представления знаний являетсято, что она отражает концептуальную основу организации памяти человека, а также её гибкость и наглядность.

Формальные логические модели.

В представлении знаний выделяют формальные логические модели, основанныена классическом исчислении предикатов первого порядка, когда предметная область(или задача) описывается в виде набора аксиом. В промышленных ЭС исчислениепредикатов первого порядка практически не используется. Эта логическая модельприменяется в основном в исследовательских «игрушечных» системах, так какпредъявляет очень высокие требования и ограничения к предметной области.

В истории искусственного интеллекта решаемая задача описывается влогической модели представления знаний определенными утверждениями на некоторомлогическом языке (прологоподобные языки). Тогда знания составляют множествоаксиом, а решаемая задача представляет собой доказываемую теорему. Процессдоказательства теоремы и составляет логическую модель представления знаний.

Логическая модель описания задачи включает в себя язык, аксиомы,правила вывода. Задача включает в себя множество подзадач и взаимосвязей междуними. На нижнем уровне существует некоторая элементарная задача, для которойизвестна программа, выполняемая ЭВМ без участия пользователя. Отсюда, решениезадачи есть нахождение правил, которые задают последовательность решенияэлементарных задач в зависимости от требуемого результата и исходных данных,имеющихся у пользователя.

Применение логической модели позволяет оценивать результаты решениякаждой элементарной подзадачи. На основе этого можно установить принадлежностьлюбой подзадачи к решению исходной задачи.

Последовательность описания решаемой задачи определяется правиламиподстановки описаний составляющих её подзадач.

Логической модели представления знаний и задач соответствуетграфическое изображение в виде графа редукции или графа пространства состояний.Вершины графа редукции соответствуют именам задач. Имя корневой вершины естьимя исходной задачи. Имена дочерних вершин – это имена подзадач связи междуподзадачами отображаются дугами. Для конъюнкции используется гипердуга типа«И». Для дизъюнкции используется дуга типа «ИЛИ». Применение логической моделипозволяет оценивать результаты решения каждой элементарной подзадачи.

Вывод на знаниях

Наибольшее распространение получила продукционная модель представлениязнаний. При использовании продукционной модели база знаний состоит из набора правил.Программа, управляющая перебором правил, называется машинной вывода или интерпретаторомправил.

В большинстве систем, основанных на знаниях, машина выводапредставляет собой небольшую по объему программу. Эта программа реализуетсобственно вывод и одновременно управляет процессом вывода. Действие выводаосновано на применении правила: «Если известно, что истинно утверждение А иодновременно существует правило вида – если А, то В – тогда утверждение В такжеистинно». Правила срабатывают, когда находятся факты, удовлетворяющие их левойчасти: если истина посылка, то должно быть истинно и заключение.

При разработке стратегии управления выводом важно определить:

ü<span Times New Roman"">

В системах с прямым выводом по известным фактам отыскиваетсязаключение, которое следует из этих фактов. Если такое заключение удаётсянайти, то оно заносится в рабочую память. Прямой вывод часто называют выводом,управляемым или иначе – выводом, управляемым антецедентами.

Обратный поиск применяется в тех случаях, когда цели известны и ихсравнительно немного. При обратном порядке вывода вначале выдвигается некотораягипотеза, а затем механизм вывода как бы возвращается назад, переходя к фактами пытаясь найти те из них, которые подтверждают выдвинутую гипотезу. Еслипервая гипотеза оказалась правильной, то выбирается следующая гипотеза, котораядетализирует первую и является по отношению к ней подцелью. Далее отыскиваютсяфакты, подтверждающие истинность подчинённой гипотезы. Вывод такого типаназывается управляемым целями, или иначе – управляемым консеквентами.

Существуют также системы, в которых вывод основывается на сочетаниидвух упомянутых выше методов – ограниченно прямого и обратного. Такойкомбинированный метод получил название – циклического.

При поиске в глубину в качестве очередной подцели выбирается та,которая соответствует следующему, более детальному уровню описания задачи.

При поиске в ширину система вначале проанализирует все признаки,находящиеся на одном уровне пространства состояний и лишь затем перейдет кпризнакам следующего уровня.

Нечеткие знания

В задачах, решаемых интеллектуальными системами, часто приходится пользоватьсянеточными знаниями, которые не могут быть представлены как полностью истинныеили ложны. Существуют знания, достоверность которых выражается не 0/1, апромежуточным значением, например 0,7. Как представить формально подобные нечеткиезнания? Для разрешения таких проблем в 1990 г. положено начало одной из ветвейИН под названием – мягкие вычисления. Одно из главных понятий в нечеткой логике– понятие лингвистической переменной (ЛП).

Лингвистическая переменная – это переменная, значение которойопределяется набором словесных (вербальных) характеристик некоторого свойства.

Например, лингвистическая переменная «рост» определяется через наборсловесных характеристик: карликовый, низкий, средний, высокий, очень высокий.

Значения лингвистической переменной определяются через такназываемые нечеткие множества (НМ). НМ определены на базовом наборе значений(базовой числовой шкале), имеющих размерность. Каждое значение ЛП определяетсякак НМ. Нечеткое множество определяется через базовую шкалу – В и функциюпринадлежности НМ-М(х), х<img src="/cache/referats/21185/image005.gif" v:shapes="_x0000_i1027"><img src="/cache/referats/21185/image005.gif" v:shapes="_x0000_i1028">

Например, для ЛП – «возраст»базовая шкала – это числовая шкала от 0 до 120, обозначающая число прожитыхлет, а функция принадлежности определяет, насколько мы уверенны в том, чтоданное количество лет можно отнести к данной категории возраста.

Заключение

Чаще всего интеллектуальныесистемы (ИС) применяют для решения задач, основная сложность которых связана сиспользованием слабо-формализованных знаний специалистов – практиков и где смысловая(или логическая) обработка информации преобладает над вычислительной. Например,понимание естественного языка, принятия решений в сложной ситуации, управлениедиспетчерскими пультами и т.п. Системы, ядром которых является база знаний илимодель предметной области, описанная на языке сверхвысокого уровня,приближенном к собственному, называют интеллектуальными. Такой язык сверхвысокогоуровня называют языком представления знаний (ЯПЗ).

Перспективным путём совершенствования и дальнейшего развития экспертныхсистем является создание инструментальных средств, базирующихся на совместномиспользовании различных моделей представления знаний: продукционных, семантических,фреймов и логических моделей. Все эти модели являются математическим средствомпостроения перспективных интеллектуальных автоматизированных систем обработкиинформации и управления (АСОИУ).

Список использованных источников

1. Базы и банки данных и знаний. Учебник/Г.И. Ревунков, Э.Н. Самохвалов,В.В. Чистов./ – М.: Высш.шк., 1992.

2. Системы управления базами данныхи знаний. Справ. изд./А.Н. Наумов, А.М. Вендров, В.К. Иванов и др.; Под ред.А.Н. Наумова. – М.: Финансы и статистика, 1991.

3. Экспертные системы. Принцип работы и примеры. Пер. сангл./А.Брукинг, П. Джонс, Ф. Кокс и др.; Под ред. Р. Форсайта. – М.: Радио исвязь, 1987.

4. Попов Э.В. Экспертные системы. Решение неформализованных задач вдиалоге с ЭВМ. – М.: Наука, 1987.

5. Экспертные системы: Сб./Ред. Б.М. Васильев. – М.: Знание, 1990.

6. Экспертные системы. Материалы семинара. – М.: МДНТП, 1986.

Интернет-ресурсы

1. www.sprut.ru/stat/sapr0998.html#Введение

2. www.arko.ru/

3. http://www.extech.msk.su/s_e/min_s/

4.synopsis.kubsu.ru/informatic/master/lecture/themes8_2_3.htm

5. www.buzdalin.ru/text/banks/t8/intel.html

6. migsm.narod.ru/zk27.htm

7. www.lektor5.narod.ru/inf/inf3.htm