Представление знаний в СИИ - это не только фундаментальное понятие, но и решающий аспект их разработки. Выбор модели представления знаний (МПЗ) очень сложен ввиду их многообразия и размытости критериев выбора и важен, ибо он оказывает огромное влияние на любую часть СИИ и предопределяет их возможности (свойства и характеристики). Последствия неудачного решения проблемы представления знаний могут быть катастрофическими. Кроме того, используемый в СИИ формализм представления знаний определяет характер их получения и накопления, в результате которого создается БЗ, ориентированная на определенную структуру представления, а не на сущность самих знаний. Выбор модели, не адекватной типам знаний, приводит к потере многих существенных деталей прикладной задачи и порождает тривиальный интеллект.

Проблемы представления знаний в компьютерных системах решаются на трех уровнях:

• техническом - реализация сложных представлений знаний, требующая электронной вычислительной техники с чрезвычайно сложной функциональной архитектурой, обеспечивающей параллельные вычисления и гарантирующей протекание процесса пред ставления знании в режиме реального времени, а также мощными запоминающими устройствами;

• программном (логическом) - создание программ, которые обеспечивают выполнение всех алгоритмов, необходимых для представления знаний;

• концептуальном - выработка концепций, моделей, образующих методологию искусственного интеллекта.

Под представлением знаний подразумевают соглашение о том, как описывать реальную ПрО (понятия и отношения). Иногда такое соглашение называют нотацией. Каждая модель знаний определяет форму представления знаний и является формализмом, призванным отобразить объекты, связи между ними и отношения, иерархию понятий ПрО и изменение отношений между объектами.

Для решения проблемы представления знаний разработаны разнообразные модели представления знаний (МПЗ). В системах искусственного интеллекта используются в основном четыре типа МПЗ: логические, продукционные, семантические сети и фреймы.

Логические модели представляют знания в виде формул, которые состоят из констант, переменных, функций, предикатов, логических связок и кванторов. Каждая логическая формула дает частичное описание состояния предметной области.

В основе всех логических моделей представления знаний лежит понятие формальной системы М, задаваемой четверкой: где Т - множество базовых элементов (алфавит формальной системы); Р - множество синтаксических правил, позволяющих строить синтаксически правильные выражения А из Г; А - множество априорно истинных аксиом (любое множество синтаксически правильных выражений); Р - правила вывода, позволяющие расширять множество аксиом.

Среди реализаций логических моделей представления знаний различают системы дедуктивного типа (имеют фиксированную систему правил вывода) и индуктивного типа (правила вывода порождаются системой на основе конечного числа обучающих примеров).

В логических моделях синтаксис задается набором правил построения правильных синтаксических выражений, а семантика -

набором правил преобразования выражений и разрешающей процедурой, позволяющей однозначным образом и за конечное число шагов определить, является ли данное выражение семантически правильным. Преимуществами логических схем представления знаний являются: высокий уровень модульности знаний, лаконичность представления, наличие тела анализа и определение понятия логического вывода, позволяющее получить формальным путем новые знания.

Однако им свойственны и недостатки: чрезмерный уровень формализации знаний; слабая наглядность, трудность прочтения логических формул и сложность их понимания; низкая производительность СИИ при обработке знаний и большая требуемая память; отсутствие выразительных средств для отражения особенностей ПрО и структурирования знаний; громоздкость при описании больших объемов знаний.

Логические модели в силу присущих им недостатков самостоятельно применяются в СИИ крайне редко. Обычно они используются в сочетании с другими МПЗ.

Продукционные модели. Продукционные правила (продукции) задаются в виде выражений: ЕСЛИ условие ТО действие; ЕСЛИ причина ТО следствие; ЕСЛИ ситуации ТО решение.

Суть этих выражений заключается в том, что если выполняется условие, то нужно произвести некоторое действие. Продукционные модели могут быть реализованы как процедурно, так и декларативно. В процедурных системах присутствуют три компонента: база данных, некоторое число продукционных правил, состоящих из условий и действий, а также интерпретатор, который последовательно определяет, какие продукции могут быть активированы в зависимости от содержащихся в них условий. В базе данных хранятся известные факты выбранной ПрО.

Продукционные правила (продукции) содержат специфические знания предметной области о том, какие еще дополнительные факты могут быть учтены, есть ли специфические данные в базе данных. В системах искусственного интеллекта, построенных на использовании продукционных МПЗ, база данных представляет собой переменную часть, а правила и интерпретатор не из меняются. Благодаря свойству модульности, присущему продукционным МПЗ, можно добавлять и изменять знания (правила, факты). Поэтому продукционные МПЗ применяются в ПрО, где нет четкой логики и задачи решаются на основе независимых правил (эвристик).

Правила продукции несут информацию о последовательности целенаправленных действий.

Продукционные модели благодаря причинно-следственному характеру правил (продукций) хорошо отражают прагматическую составляющую знаний.

СИИ продукционного типа проявляют свои сильные стороны, если решается небольшая задача. При увеличении объема знаний эффективность СИИ падает.

Следующим шагом на пути выявления структуры, присущей знаниям, являются модели, в которых в явной форме выделяются все отношения, образующие эту структуру, с описанием их семантики.

Семантические сети основываются на результатах изучения организации долговременной памяти человека. Характерной особенностью для семантических сетей является то, что они для образования своей структуры используют два компонента - понятия и отношения. Вершинам сети соответствуют понятия (объекты, события, процессы, явления), а дугам, их соединяющим, - отношения между понятиями.

В зависимости от структуры узлов и характера отношений между ними различают следующие сети: простые, иерархические, однородные и неоднородные. Последние делятся на функциональные сети, сценарии и семантические сети.

В семантических сетях знания представлены в терминах естественного языка и отношений между ними (элемент - класс; класс - подкласс; функциональные дуги).

Основные характеристики семантических сетей:

• объекты описываются на естественном языке;

• все знания накапливаются в относительно однородной структуре памяти;

• на сетях определяются унифицированные отношения между объектами, которым соответствуют унифицированные методы вывода;

• методы вывода в соответствии с запросами определяют участки семантического знания, имеющего отношение к поставленной задаче, формулируя акт понимания запроса и некоторую цепь выводов, соответствующих решению задачи.

Семантические сети обладают следующими достоинствам и: повышенной гибкостью за счет наличия свойств ассоциативности и иерархичности; гармоничным и естественным сочетанием декларативного и процедурного, синтаксического и семантического знания; наглядностью отображения объектов, связей, отношений в силу присущей им возможности графической нотации; легкой читаемостью и понимаемостью знаний; высокой степенью структуризации знаний.

Среди недостатков сетевого представления выделяют: сложность и трудность разработки алгоритмов их анализа ввиду нерегулярности структуры и большого количества дуг, несущих синтаксическую информацию; пассивность структуры сети, для обработки которой необходим сложный аппарат формального вывода и планирования; разнообразие типов вершин и связей, произвольность структуры, требующей большого разнообразия процедур обработки; трудность представления и обработки неточных и противоречивых знаний.

В целом семантические сети позволяют представлять семантику ПрО, а также осуществлять за счет наличия связей и отношений между понятиями целевую ориентацию и таким образом отражать прагматическую составляющую знаний.

В связи с указанными недостатками предприняты попытки усовершенствования семантических сетей, которые в основном нацелены на организацию процессов обобщения в сети, решение проблемы поиска и повышения их изобразительных возможностей.

Фреймы - это особые познавательные структуры, дающие целостное представление о явлениях и их типах. Фреймы отражают концептуальную основу организации памяти человека.

Структура фрейма имеет вид: где / - имя фрейма; У/с - имя слота;

qk - значение слота; Рк - процедура (необязательный элемент).

Слоты - это некоторые структурные элементы фрейма, заполнение которых приводит к тому, что фрейм ставится в соот

ветствие некоторой ситуации, явлению, объекту или процессу. В качестве слота может быть указано имя другого фрейма.

Значениями слота могут быть конкретные данные, процедуры и даже продукция. Слот может быть пустым (незаполненным).

Из всех ранее рассмотренных МПЗ только фреймам свойственны высокая структурируемость, внутренняя интерпретируемость посредством имен и значений и связность слотов и их значений. Кроме того, фреймы обладают высокой наглядностью и модульностью, объединяют достоинства декларативного и процедурного представления знаний. Однако фреймы наиболее эффективны при обработке семантической составляющей знаний. У фреймов, как и у семантических сетей, отсутствуют универсальные процедуры их обработки, что приводит к неэффективному использованию ресурсов вычислительной техники (памяти и быстродействия).

Рассмотренные МПЗ наследуют ряд структур данных и являются в некотором смысле их разновидностями, хотя и-используются в СИИ для обработки знаний.

Общими слабыми сторонами моделей представления знаний являются ограниченные выразительные возможности для описания экспертных знаний, невозможность описания знаний сложной структуры, недостаточная эффективность нотации (вычислительная эффективность).

Одной из попыток расширения возможностей СИИ является использование сочетания различных МПЗ: фреймов и продукций (продукционные правила в слотах фрейма являются формой присоединения к фрейму процедурных знаний); семантических сетей и логических моделей; семантических сетей и продукций. Однако простое объединение в одной базе знаний нескольких МПЗ, получивших название комбинированных или смешанных, как правило, малоэффективно. Различные МПЗ не обязательно несовместимы друг с другом, однако они отличаются по степени соответствия конкретным внутренним представлениям эксперта.

Сейчас ведется поиск новых МПЗ, базирующихся на идеях, отличных от формальной системы или сети понятий, ориентирующихся на языковые конструкции (семантику естественного языка).

Ключевой проблемой при построении системы искусственного интеллекта является приобретение знаний. От качества и полноты знаний, введенных в БЗ, в решающей степени зависят эффективность работы СИИ и качество решения задач.

⇐Процесс представления знаний | Информационные системы и технологии в зкономике | Элементы технологии приобретения знаний⇒