Классификация методов представления знаний

Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуще­ствить их моделирование.

Глава 6. Автоматизация поддержки принятия управленческих решений

При проектировании модели представления знаний следует учесть два требования:

>-однородность представления;

>-простота понимания.

Выполнение этих требований позволяет упростить механизм логического вывода и процессы приобретения знаний и управ­ления ими, однако, как правило, создателям интеллектуальной системы приходится идти на некоторый компромисс в стремле­нии обеспечить одинаковое понимание знаний и экспертами, и инженерами знаний, и пользователями.

Классификация методов моделирования знаний с точки зре­ния подхода ких представлению в ЭВМ показана на рис. 6.10.

Дадим краткую характеристику основных методов представ­ления знаний с помощью моделей, основанных на эвристиче­ском подходе.

Представление знаний тройкой «объект — атрибут — значе­ние».Один из первых методов моделирования знаний. Как пра­вило, используется для представления фактических знаний в простейших системах.

Рис. 6.10. Классификация моделей представления знаний

Риск -менеджмент

Примеры:

Очевидно, что для моделирования знаний даже об одном объекте (например, о «преподавателе» или «доме») из предмет­ной области необходимо хранить значительное число «троек».

Продукционная модель(модель правил; модель продукций — от англ. production - изготовление, разработка). В настоящее время наиболее проработанная и распространенная модель представления знаний, особенно в экспертных системах.

Модель предусматривает разработку системы продукцион­ных правил (правил продукций), имеющих вид:

ЕСЛИ А, и А₂и... А_п,ТО В, или В₂или... В„„где Л,и Bj — некоторые высказывания, к которым применены логические операции «и» и «или». Если высказывание в левой части правила (ее часто называют антецедент — условие, причи­на) истинно, истинно и высказывание в правой части (консек-вент - следствие).

Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логи­ческий вывод в продукционных системах основан на построе­нии прямой и обратной цепочек заключений, образуемых в ре­зультате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.

Пусть в некоторой области памяти (БЗн) хранятся следую­щие правила (суждения):

>-правило 1 — ЕСЛИ в стране происходит падение курса на­циональной валюты, ТО материальное положение населе­ния ухудшается;

>■правило 2 — ЕСЛИ объемы производства в стране падают, ТО курс национальной валюты снижается;

>-правило 3 — ЕСЛИ материальное положение населения ухудшается, ТО уровень смертности в стране возрастает.

Если на вход системы поступит новый факт «В стране высо­кий уровень падения объемов производства», то из правил мож-

Глава 6. Автоматизация поддержки принятия управленческих решений

но построить цепочку рассуждений и сформулировать два за­ключения:

факт 1 — правило 2 — правило 1 — заключение 1 — правило 3 — заключение 2,

где заключение 1 (промежуточный вывод) - «Материальное по­ложение населения ухудшается»; заключение 2 (окончательный вывод) — «В стране возрастает уровень смертности».

Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а коммерческая стои­мость одного невыводимого (нового, дополнительного) правила весьма высока.

Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений ре­зультатов работы системы.

Основной недостаток подобных систем - трудность обеспе­чения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метапра­вил) разрешения возникающих в ходе логического вывода про­тиворечий. Кроме того, время формирования итогового заклю­чения может быть достаточно большим.

Фреймовая модель.Сравнительно новая модель представле­ния знаний. Само понятие «фрейм» (англ. frame - рама, рамка, скелет, сгусток, сруб и т.д.) было введено в 1975 году Марком Мински (М. Minsky, США).

Фрейм- это минимальная структура информации, необхо­димая для представления знаний о стереотипных классах объек­тов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообразных объектах интересующей исследователя предметной области - важно лишь, чтобы эти объекты составляли класс концептуальных (по­вторяющихся, стереотипных) объектов, процессов и т.п. Приме­рами стереотипных служебных ситуаций могут служить совеща­ние; собрание; сдача экзамена; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др. Примеры стерео­типных понятий: алгоритм; действие; методика и др. На рис. 6.11 представлен фрейм технологической операции «соединять».

Данный фрейм описывает ситуацию: «Субъект X соединяет объект У собъектом Zспособом W». На рисунке обозначены:

Риск -менеджмент

вершины X, Y, Z, W — слоты{англ. slot — прорезь; щель; пус­тота — составляющие фрейма);

дуги — отношения;

так называемые шанции — области воз­можных значений соответствующих слотов.

Наполняя слоты конкретным содержанием, можно получить фрейм конкретной ситуации, например: «Радиомонтажник со­единяет микросхему с конденсатором способом пайки». Запол­нение слотов шанциями называют активизацией фрейма.

С помощью фреймов можно моделировать как процедурные, так и декларативные знания. На рис. 6.11 представлен пример представления процедурных знаний.

На рис. 6.12 приведен пример фрейма «технологическая операция», иллюстрирующий представление декларативных знаний для решения задачи проектирования технологического процесса.

Значения слотов могут содержать ссьшки на так называемые присоединенные процедуры.

Фреймы позволяют использовать многие свойства знаний и достаточно широко употребляются. Их достоинства и недостат-

Dy Dz

►«объект»

^«субъект»

— • — ■►«посредством чего?»

Рис. 6.11. Фрейм ситуации «соединять» 344

Глава 6. Автоматизация поддержки принятия управленческих решений

ки схожи с достоинствами и недостатками семантических сетей, которые будут рассмотрены ниже.

Модель семантической сети(модель Куилиана). Семантиче­ская сеть — это направленный граф с поименованными верши­нами и дугами, причем узлы обозначают конкретные объекты, а дуги — отношения между ними. Как следует из определения, данная модель представления знаний является более общей по отношению к фреймовой модели (иными словами, фреймовая модель — частный случай семантической сети). Семантическую сеть можно построить для любой предметной области и для са­мых разнообразных объектов и отношений.

На рис. 6.13 представлена семантическая сеть для предложе­ния (ситуации): «Студент Табуреткин добросовестно изучает но­вый план счетов перед сдачей экзамена по дисциплине «Бухгал­терский учет».

Рис. 6.14 содержит фрагмент семантической сети для поня­тия «автомобиль» (обозначения: IS-A — есть, является; HAS-PART — имеет часть). Из приведенных примеров понятно, почему многие специалисты по ИИ считают фрейм частным случаем семантической сети со строго структурированными зна-

Риск-менеджмент
кто'? |---------------- «что делает'?

Рис. 6.14. Фрагмент семантической сети понятия «автомобиль»

ниями. Основное достоинство методов моделирования знаний с помощью семантических сетей и фреймов — универсальность, удобство представления как декларативных, так и процедураль-ных знаний. Имеют место и два недостатка:

— громоздкость, сложность построения и изменения;

— потребность в разнообразных процедурах обработки, свя­занная с разнообразием типов дуг и вершин.

Глава 6. Автоматизация поддержки принятия управленческихрешений

Не нашли, что искали? Воспользуйтесь поиском по сайту: