Представление знаний

Министерство образования  и науки Российской Федерации

ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ БЮДЖЕТНОЕ

 ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО  ОБРАЗОВАНИЯ

«ОРЕНБУРГСКИЙ ГОСУДАРСТВЕННЫЙ  УНИВЕРСИТЕТ»

Факультет информационных технологий

Кафедра управления и информатики в технических системах

 

 

 

 

 

 

 

 

 

РЕФЕРАТ

Представление знаний

 ОГУ 220201.65.8012.027 Р

 

 

 

 

Руководитель 

__________И. И. Стрекалова

«__»__________ 2012г.

Исполнитель

Студент группы 09УИТС

____________ Р.В. Субботин

«__»__________ 2012 г.

 

 

 

 

 

 

 

 

 

Оренбург 2012

Содержание

 

Введение……………………………………………………………………………… 3

1 Данные, информация и знания……………………………………………………. 4

2 Классификация знаний……………………………………………………………. 4

3 Особенности представления знаний внутри ИС………………………………… 5

4 Модели представления знаний……………………………………………………. 6

4.1 Продукционная модель………………………………………………………….. 7

4.2 Логическая модель……………………………………………………………..... 7

4.3 Сетевая модель…………………………………………………………………... 8

4.4 Формальные грамматики………………………………………………………. 8

4.5 Фреймовые модели…………………………………………………………….... 8

4.6 Комбинаторные модели………………………………………………………..... 9

4.7 Ленемы…………………………………………………………………………….9

4.8 Алгебраические модели………………………………………………………...10

4.9 Нейронные сети, генетические алгоритмы……………………………………10

Заключение………………………………………………………………………......11

Список использованной литературы ……………………………………………...12      

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Введение

В повседневной жизни, порой, не замечая этого, человек постоянно обрабатывает информацию: получает ее, запоминает, вспоминает, делает выводы, анализирует, вносит поправки в свои суждения, строит на основе полученных знаний и предположений свое поведение. Поэтому логично предположить, что, задавшись целью создать искусственный интеллект равный по мощности (или даже превосходящий) человеческому, захочется наделить этот новый разум аналогичными способностями (как минимум) к восприятию окружающей среды, речи, анализу ситуации, построению выводов, предположений, обладанию характером, памятью. Некоторые из этих пунктов весьма и весьма спорны, однако, все во многом зависит от того, какими именно чертами мы хотим наделить искусственный интеллект. Так, например, имитация характера и настроения совсем не обязательна и может даже мешать достижению поставленных целей и объективной оценке, в то время как для прохождения теста Тьюринга она может быть необходима.

Но среди перечисленных способностей. есть несколько, которые качественно отличали бы искусственный разум от простого суперкомпьютера. Они касаются получения и обработки информации, умения пользоваться полученными знаниями и применять их.

Таким образом мы подходим к одной из основных проблем — как научитмашину хранить и обрабатывать знания, не пользуясь помощью человека в их подготовке, а получая их на основе собственной деятельности. Эта проблема решается 6 различными направлениями в теории искусственного интеллекта:

1) Представление знаний.

2) Манипулирование знаниями.

3) Общение.

4) Восприятие.

5) Обучение.

6) Поведение.

Рассмотрим первую из них, а именно — представление знаний.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

1 Данные, информация и знания.

Прежде, чем рассуждать о представлении знаний в доступном и понятноммашине виде, требуется определиться с терминологией. Это в достаточной степени проблематично, так как такие термины, как информация, данные и знания не имеют четкого определения, а то множество определений, что были созданы человечеством иногда не просто частично пересекаются, а даже противоречат одно другому. Перечислим некоторые из них, которые более точно описывают нашу предметную область.

Данные:

— факты и идеи, представленные в некотором, четко формализованном виде, в котором их можно использовать для передачи в информационном процессе;

— сведения, представленные в определенной знаковой системе и на определенном материальном носителе для обеспечения возможностей хранения, передачи, приема и обработки.

Информация — данные, определенным образом организованные, имеющие для своего получателя смысл, значение и ценность, необходимые ему для принятия решений, а также реализации других функций;

— это данные, сопровождающиеся смысловой нагрузкой, помещенные в некоторый контекст; данные, как-либо оцениваемые получателем информации. При этом то, что для одних является данными, для других может оказаться информацией.

Знания — проверенная информация и/или та информация, которой доверяют, результаты принятия решений, поведения, обобщенные в виде теорем и законов, совокупности взглядов;

— зафиксированная и проверенная практикой информация, которая может многократно использоваться людьми для решения тех или иных задач.

Таким образом, мы получаем следующие закономерности:

Данные → Информация → Знания

2 Классификация знаний.

 

     

                        Рисунок 1 – Классификация знаний

Можно найти и другие критерии для классификации знаний, но уже этого достаточно, чтобы показать разнородность человеческих знаний. Так, эмпирическое знание может быть одновременно и процедурным и личностным.

Логично предположить, что для описания той или иной категории лучше подходят определенные средства, в то время как другие значительно понижают эффективность хранения и/или использования. Остановимся на общих моментах, абстрагировавшись от вида категории знаний.

     3 Особенности представления знаний внутри ИС.

Представление знаний в памяти ЭВМ или на внешних носителях должно иметь особенности, отличающие знания от данных, например, такие как:

∙ внутренняя интерпретируемость;

∙ структурированность;

∙ связность;

∙ семантическая метрика;

∙ активность;

∙ конвертируемость.

Сперва следует отдельно указать, что обрабатываемой единицей для знаний является факт, а не запись данных. Факт — это некоторая запись, наделенная семантикой.

Теперь рассмотрим каждый выше обозначенный пункт в отдельности.

Внутренняя интерпретируемость. Каждая информационная единица должна иметь уникальное имя, по которому ИС находит ее, а также отвечает на запросы, в которых это имя упомянуто. Роль имени. может выполнять набор атрибутов. Смысл такого расширения данных — идентифицировать данные и их назначение должна уметь не только посторонняя программа, которая обладает информацией о том, как правильно расшифровать эти данные, но и сама система.

Структурированность. Информационные единицы должны обладать гибкой структурой. Для них может выполняться рекурсия — вложимость одних информационных единиц в другие. Иначе говоря, должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа часть—целое, род—вид. или элемент—класс..

Связность. Между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Семантика отношений может носить декларативный или процедурный характер. Например, две и более информационные единицы могут быть связаны отношением одновременно, две информационные единицы — отношением .причина—следствие. или .быть рядом..

Семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее их ситуационную близость, т.е.силу ассоциативной связи. Отношение релевантности при работе с информационными единицами позволяет находить знания, близкие к уже найденным, но не имеющие с ними прямой связи. Этот пункт считается критичным для моделирования человеческих воспоминаний, построения ассоциаций, моделирования процесса генерации идей.

Активность. Данные обычно пассивны и используются командами в случае необходимости. Для ИС выполнение программ должно наоборот инициироваться текущим состоянием системы.

Конвертируемость. Содержание знаний не должно зависить от его записи. Поэтому форма представления, уровень детализации и степень неопределенности информации предметной области может трансформироваться в процессе перехода к очередному этапу решения интеллектуальной задачи. Это свойство, в отличие от предыдущих, отражает динамичность знаний и связано с обучением системы. 

  4 Модели представления знаний.

Среди множества разработанных моделей представления знаний можно выделить два основных подхода: эмпирический и теоретический.

 

     Рисунок 2 – Модели представления знаний.

 

Эмпирический подход основывается на исследовании сознания человека, изучении принципов организации памяти и моделировании механизмов решения задач.

Другой подход — теоретический, можно также назвать теоретически обоснованным. Он гарантирует. правильность решений. В рамках этого подхода до настоящего времени удавалось решать только сравнительно простые задачи из узкой предметной области.

Кроме моделей, разработанных в рамках каждого из этих подходов, отдельно выделяют (относя к обоим подходом сразу) бионическое направление, представленное генетическими алгоритмами и нейронными сетями.

В каждом подходе мы увидим свое отношение и к тому, что является знанием, и к тому, как его представлять. Если в теоретических моделях знания строго формализованы, то эмпирические призваны дать некоторую свободу. Однако, ценой за эту свободу будет потенциальная не выводимость некоторых решений и невозможность найти ответ на поставленный вопрос, когда теоретические модели это гарантируют.

Рассмотрим каждую из моделей.

4.1 Продукционная модель

Это одна из самых распространенных моделей представления знаний. В ее основе лежит набор правил вида .если условие, то действие, описывающих знания.

Оперируя этими правилами можно построить прямой или обратный вывод. Прямой вывод — это поиск действия по заданному условию, обратный — поиск возможных условий, которые могли бы привести к указанному действию.

Продукционная модель понятна и с ее помощью можно легко записать поведение или даже построение выводов, однако при достаточном количестве правил возникает противоречивость некоторых из них, которая приводит модель в негодность. Также к ее недостаткам можно отнести неясность взаимных отношений правил и сложность оценки базы знаний.

4.2 Логическая модель

Вся информация в логической модели рассматривается как совокупность фактов и связывающих их утверждений, которые представляются как формулы в некоторой логике. Знания при этом представляются набором подобных утверждений, а построение выводов и получение новых знаний сводится к реализации процедуры логического вывода. Этот процесс может быть строго формализован, так как в его основе лежит классический аппарат математической логики.

Сложности могут возникнуть при описании неоднородных миров (объекты относятся к разным категориям и их связывают различные отношения). Для преодоления этой и других сложностей в конкретных предметных областях используют расширенные модели, использующие нечеткую логику, оперирующие эмпирическими кванторами.

Такие расширенные модели объединяют возможности логического и лингвистического подходов, в результате чего называются логико-лингвистическими моделями данной предметной области.

 

4.3 Сетевая модель

Сетевая модель (или семантическая сеть) в инженерии знаний представляется направленным графом, узлы которого соответствуют понятиям и объектам, а дуги отношениям между ними. В сетевой модели основными отношениями являются is-aи part-of, с помощью которых можно описать большой объем знаний.

Семантическая сеть позволяет снизить объем хранимых данных, обеспечивает реализацию ассоциативных связей. Проблема гибкости модели и существования бесконечного множества возможных связей решается добавлением новых типов отношений.

В проектах, посвященных моделированию человеческой памяти, также было предложено при использовании расширяемой подобным образом семантической сети также строить модель, хранящую все типы соединений и отношения подобия и взаимозаменяемости между ними.

4.4 Формальные грамматики

Формальная грамматика (теория) состоит из алфавита (словаря), множества синтаксических правил, которые позволяют определить истинность или ложность выражений, построенных в данном языке, базовой системы подобных выражений, которые всегда истинны и называются аксиомами, множества правил вывода, позволяющих преобразовывать одно выражение в другое.

В основе этой модели лежит исчисление высказываний, которое можно считать классическим примером аксиоматических систем. Эта система хорошо исследована и имеет разработанную модель логического вывода. Эти свойства переносятся и на модель, ее использующую.

Главным недостатком является отсутствие гибкости системы. В случае модификации или расширения модели может потребоваться перестроить всю систему, что для практических систем неприемлемо. Как следствие, формальные грамматики используются в тех предметных областях, которые хорошо локализуются и мало зависят от внешних факторов.