Posibniki.com.ua Інформатика Прикладні системи штучного інтелекту Тема 4 МОДЕЛІ ПОДАННЯ ТА МЕТОДИ ОБРОБКИ ЧІТКИХ ЗНАНЬ ПСШІ


< Попередня  Змiст  Наступна >

Тема 4 МОДЕЛІ ПОДАННЯ ТА МЕТОДИ ОБРОБКИ ЧІТКИХ ЗНАНЬ ПСШІ


ОСОБЛИВОСТІ ПОДАННЯ ЗНАНЬ У ПСШІ

ПЕРЕЛІК ЗНАНЬ ТА НАВИЧОК

Після опанування теми студент має знати:

• теоретичні засади подання чітких знань;

• відомості про: системи продукцій, системи фреймів, семантичні мережі, онтології та системи обмежень;

• особливості мови подання знань;

• способи наділення знаннями програмних систем;

• труднощі створення моделі реального світу;

• порівнювати моделі подання знань;

• основні властивості ПСШІ.

Має вміти:

• використовувати різноманітні моделі подання знань;

• створювати спеціальні системи подання знань;

• будувати фреймові та продукційні моделі;

• створювати впорядковані структури, що полегшує пошук знань;

• характеризувати семантичні мережі.

ЗМІСТ ПИТАНЬ З ТЕМИ

4.1. Теорія подання знань

Теорія подання знань — це окрема галузь досліджень, тісно пов’язана з філософією формалізму і когнітивною психологією. Предмет дослідження в цій сфері — методи асоціативного збереження інформації, подібні тим, що існують у мозку людини.При цьому основна увага, природно, приділяється логічній, а не біологічній стороні процесу, знехтуючи подробиці фізичних перетворень.

Подання (representation)

— множина синтаксичних і семантичних угод, що уможливлює опис у певній предметній галузі (об’єкти в цій галузі, їхні властивості, відношення, що існують між об’єктами).

Опис (description) дозволяє використовувати угоди з подання для опису визначених предметів.

Схема подання знань повинна адекватно виражати всю необхідну інформацію, підтримувати ефективне виконання кінцевого коду, забезпечувати природний спосіб вираження необхідних знань. Завдання будь-якої схеми подання полягає в тому, щоб зафіксувати специфіку області визначення задачі та зробити цю інформацію доступною для механізму розв’язання проблеми.

Мова подання (representation language) — комп’ютерна мова, орієнтована на організацію описів об’єктів і ідей, на противагу статичним послідовностям інструкцій або збереженню простих елементів даних. Основними критеріями доступу до подання знань є логічна адекватність, евристична потужність і природність, органічність нотації.

Мова подання знань є засобом, що дозволяє розв’язувати задачі. Власне кажучи, спосіб подання знання має забезпечити природну структуру вираження знання, що дозволяє розв’язати проблему. Спосіб подання має зробити це знання доступним комп’ютеру і допомогти програмісту описати його структуру.

Мова подання знань має уможливлювати обробляти знання, виражені в якісній формі, одержувати нові знання з набору фактів і правил, відображати загальні принципи та конкретні ситуації, передавати складні семантичні значення, забезпечувати міркування на метарівні.

Абстракція (abstraction) — подання тільки тієї інформації, що потрібна для досягнення заданої мети, є необхідним засобом керування складними процесами. Крім того, кінцеві програми мають бути раціональними в обчислювальному аспекті.

Виразність і ефективність є взаємозалежними характеристиками оцінки мов подання знань. Часто досить виразні засоби подання в одних задачах є зовсім неефективними в інших класах задач. Іноді виразністю можна знехтувати на користь ефективності. У той же час не можна обмежувати можливості такого відображення, що дозволяє фіксувати істотні знання, що приводить до ефективного розв’язання конкретної задачі. Розумний комп-роміс між ефективністю і виразністю — нетривіальне завдання для розроблювачів інтелектуальних систем.

Синтаксис подання специфікує набір правил, що регламентують об’єднання символів для формування виразів мовою подання. Можна говорити про те, що вираз є гарно або погано сформованим, тобто про те, наскільки він відповідає цим правилам. У змісті мають бути тільки добре сформовані вирази.

Семантика подання специфікує, як має інтерпретуватися вираз, побудований відповідно до синтаксичних правил, тобто як із його форми можна витягти якийсь зміст. Специфікація зазвичай виконується присвоєнням змісту окремих символів, а потім індукуванням присвоєння в більш складних виразах.

Для того щоб наділити інтелектуальні системи знаннями, їх необхідно подати у визначеній формі. Виокремлюють такі способи наділення знаннями програмних систем:

Перший — помістити (кодувати) знання в програму, написану звичайною мовою програмування. Така система буде являти собою єдиний програмний код, у якому знання не винесені в окрему категорію. Незважаючи на те що основне завдання буде вирішено, у цьому випадку важко оцінити роль знань і зрозуміти, як вони використовуються в процесі розв’язання задач. Нелегкою справою є модифікація і супровід подібних програм, а проблема поповнення знань може стати нерозв’язною.

Другий спосіб базується на концепції проектування баз знань і полягає у винесенні знань в окрему категорію, тобто знання подаються у визначеному форматі і розміщуються у базі знань. База знань легко активізується й модифікується. Вона є автономною частиною інтелектуальної системи, хоча механізм логічного виведення, реалізований у логічному блоці, а також засіб ведення діалогу накладають визначені обмеження на структуру БЗ і операції з нею. У сучасних системах прийнято саме цей спосіб.

Зауважимо, що для того, аби помістити знання в комп’ютер, їх необхідно подати визначеними структурами даних, які відповідають обраному середовищу розробки інтелектуальної системи. Отже, під час розроблення системи спочатку здійснюються накопичення і подання знань, причому на цьому етапі обов’язкова участь людини, а потім знання подаються визначеними структурами даних, зручними для збереження й обробки в ЕОМ.

Як основні засоби представлення знань в інтелектуальних системах нині використовуються логічні моделі та системи продукцій, системи фреймів, семантичні мережі, онтології з системами обмежень. Кожний з виділених засобів уявлення орієнтований наопис різних типів знань і володіє різними можливостями та властивостями.

У царині здобування знань виокремлюються два основні розділи: формалізація якісних знань і інтеграція знань. Перший пов’язаний зі створенням методів, що дозволяють переходити від знань, виражених у текстовій формі, до їх аналогів, придатних для введення в пам’ять інтелектуальної системи.

У зв’язку з цією проблемою розвивалися не тільки традиційні методи обробки експериментальних даних, але й новий напрям, який дістав назву нечіткої математики. Нечітка математика і її методи істотно вплинули на багато сфер штучного інтелекту, і зокрема на весь комплекс проблем, пов’язаний з уявленням і переробкою якісної інформації.

Наступна велика проблема — це представлення знань у пам’яті системи. Для цього розробляються різноманітні моделі представлення знань.

У теперішній час в інтелектуальних системах використовують кілька основних моделей знань. Семантична мережа, можливо, найбільш близька до того, як представляються знання в текстах на природній мові. Основою її є ідея про те, що вся необхідна інформація може бути описана як сукупність трійок вигляду (arb), де а і b — два об’єкти або поняття, а r

— двійкове відношення між ними. Така модель графічно може представлятися у вигляді мережі, в якій вершинам відповідають об’єкти або поняття, а дугам — відносини між ними. Дуги позначені іменами відповідних відносин.

Семантичні мережі залежно від характеру відносин, допустимих у них, мають різну природу. У ситуативному управлінні ці відносини переважно описували тимчасові, просторові та каузальні зв’язки між об’єктами, а також результати дій на об’єкти з боку системи, що управляє. У системах планування і автоматичного синтезу програм ці відносини є зв’язками типу «мета

—засіб» або «мета

—підціль».

У класифікаційних системах відношення передають зв’язки за включенням обсягів понять (на зразок «рід

—вид», «клас

—елемент» і т. д.). Поширені й так звані функціональні семантичні мережі, в яких дуги характеризують зв’язки вигляду «аргументфункція». Такі мережі використовують як моделі обчислювальних процесів або моделі функціонування дискретних пристроїв.

Отже, семантичні мережі — модель широкого призначення. Теорія семантичних мереж наразі не завершена, що привертає до них увагу фахівців, які працюють у галузі штучного інтелекту.

За різних синтаксичних обмежень в структурі семантичної мережі виникають жорсткіші типи подання зв’язку. Наприклад, реляційній зв’язок, характерний для реляційних баз даних, або каузальний зв’язок в логіці, що набули широкого розповсюдження в машинних методах логічного висновку або в мовах логічного програмування типу мови Пролог.

Фреймові представлення знань у деякому розумінні також є видом семантичних мереж, для переходу до яких треба задовольняти низку обмежень синтаксичного характеру. У штучному інтелекті відбулася трансформація змісту поняття «фрейм». Це поняття ввів М. Мінський, який під фреймом об’єкта або явища розумів той мінімальний опис його, який містить усю істотну інформацію про цей об’єкт або явище і володіє такою властивістю, що видалення з опису будь-якої його частини приводить до втрати істотної інформації, без якої опис об’єкта або явища не може бути достатнім для їх ідентифікації.

Пізніше ця інтерпретація поняття «фрейм» змінилася. Під фреймами почали розуміти описи вигляду «Ім’я фрейма (Безліч слотів)». Кожен слот є пара виду (Ім’я слота. Значення слота). Допускається, аби слот сам був фреймом. Натомість значення слота — є множиною слотів. Для заповнення слотів можуть бути використані константи, змінні, будь-які допустимі вирази в обраній моделі знань, посилання на інші слоти і фрейми тощо. Отже, фрейм є гнучкою конструкцією, що дозволяє відображати в пам’яті інтелектуальної системи різноманітні знання.

Поширені інші моделі знань спираються на класичну логічну модель висновку. Це або логічні числення типу числення предикатів і його розширень, або системи продукцій, які задають елементарні кроки перетворень чи висновків. Ці моделі знань відрізняються явно вираженою процедурною формою. Тому часто говорять, що вони описують процедурні знання, а моделі знань, що спираються на семантичні мережі, — декларативні знання. Обидва види знань можуть співіснувати один з одним. Наприклад, як значення деяких слотів у фреймі можуть виступати правила продукції. Саме такі змішані уявлення опиняються зараз у центрі уваги дослідників.

Перелічені моделі знань виникли в ШІ ніби штучно. Вони не спираються на аналоги когнітивних структур для подання знань, якими користуються люди. Це пов’язано з недостатнім вивченням форм подання знань людиною. Відповідний розділ психології — когнітивна психологія виник не без впливу досліджень у галузі ШІ. І хоча ця гілка психології швидко розвивається, її ре-

зультати, які б могли вплинути на створення нових моделей знань, наразі дуже скромні.

В інтелектуальних системах для зберігання й використання знань створюються спеціальні системи представлення знань, що включають сукупність процедур, необхідних для запису знань, добування їх із пам’яті та підтримки зберігання знань у робочому стані. Системи представлення знань часто оформляються як бази знань, що є природним розвитком баз даних. Саме в них зосереджуються нині основні процедури маніпулювання знаннями.

Серед цих процедур можна відзначити процедури поповнення знань. Усі людські знання, що містяться в текстах, принципово неповні. Сприймаючи тексти, ми ніби поповнюємо їх за рахунок інформації, яка нам відома і яка стосується до даного тексту (релевантна йому). Аналогічні процедури мають відбуватися і в базах знань. Нові знання, що надходять до них, мають разом з тими відомостями, які вже були раніше записані в базу, сформувати розширення знань, що надійшли. Серед цих процедур особливе місце займають псевдофізичні логіки (часу, простору, дій і т. д.), які, спираючись на закони зовнішнього світу, поповнюють інформацію, що надходить у бази знань.

Знання в інтелектуальних системах зберігаються не безсистемно. Вони утворюють упорядковані структури, що полегшує пошук потрібних знань і підтримку працездатності баз знань. Для цього використовуються різні класифікаційні процедури. Типи класифікацій можуть бути різними: рід

—вид типу «частина

—ціле» або ситуативні, коли в одну множину об’єднуються знання, релевантні деякій типовій ситуації. У цій сфері дослідження щодо штучного інтелекту тісно стикаються з теорією класифікації, що давно існує як самостійна гілка науки.

У процесі класифікації часто відбувається абстрагування від окремих елементів описів, окремих фрагментів знань про об’єкти або явища, з’являються узагальнені знання. Узагальнення може йти на декілька кроків, що приводить, врешті-решт, до абстрактних знань, для яких немає прямого прообразу в зовнішньому світі. Маніпулювання абстрактними знаннями підвищує інтелектуальні можливості систем, роблячи ці маніпуляції загальними за своїми властивостями і результатами.

Висновок на знаннях залежить від моделі, яка використовується для їх уявлення. Якщо як уявлення використовуються логічні системи або продукції, то висновок на знаннях стає близький до стандартного логічного висновку. Подібне відбувається у разі представлення знань у каузальній формі. В усіх цих випадках в ін-телектуальних системах використовуються методи висновку, що спираються на ідеї методу резолюцій або ідеї зворотного виведення Маслова (як у мові Пролог за каузальної форми уявлення).

Основна відмінність баз знань і баз даних інтелектуальних систем від об’єктів, з якими має справу формальна логічна система, це їх відвертість. Можливість появи в пам’яті інтелектуальної системи нових фактів і відомостей приводить до того, що починає порушуватися принцип монотонності, що лежить в основі функціонування всіх систем, які вивчаються традиційною математичною логікою. Згідно з принципом монотонності, якщо деяке твердження виводиться в даній системі, то ніякі додаткові відомості не можуть змінити цей факт. У відкритих системах це не так. Нові відомості можуть змінити ситуацію, і зроблений раніше висновок може стати неправильним.

Немонотонність висновку у відкритих системах викликає чималі труднощі. В останнє десятиліття прихильники логічних методів у штучному інтелекті роблять спроби побудувати нові логічні системи, в рамках яких можна було б забезпечити немонотонний висновок. Але на цьому шляху поки що мало результатів. І річ не тільки в немонотонності висновку. По суті, системи, за допомогою яких представляються знання про ПРГ, не є суворо аксіоматичними, як класичні логічні числення висловів. В останніх аксіоми описують одвічні логічні істини, правильні для будьяких ПРГ. А в інтелектуальних системах кожна ПРГ використовує свої, специфічні, правильні тільки в ній твердження. Тому і системи, які виникають за таких умов, слід називати квазіаксіоматичними. У таких системах цілком можлива зміна початкових аксіом у процесі тривалого висновку і, як наслідок, зміна цього висновку.

Нарешті, ще одна особливість висновку на знаннях — неповнота відомостей про ПРГ і процеси, що відбуваються в ній, неточність вхідної інформації, неповна впевненість у квазіаксіомах. А це означає, що висновки в інтелектуальних системах носять не абсолютно достовірний характер, як у традиційних логічних системах, а наближений, правдоподібний характер. Такі висновки вимагають розвиненого апарату обчислення оцінок правдоподібності та методів оперування ними. Нині зароджується нова теорія висновку, до якої лише як невелика частина входить достовірний висновок.

В ПСШІ фахівці прагнуть відобразити головні особливості людських міркувань, досвід фахівців, які володіють професійними вміннями, які наразі не повністю доступні штучним системам.Висновок — це лише одна із багатьох форм того, як людина приходить до потрібних їй результатів. Іншими формами міркувань людини є аргументування на підставі наявних знань, міркування аналогії і асоціації, підтвердження висновку в системі, наявність прагматичних цінностей і багато іншого, чим люди користуються у своїй практиці. Внесення всіх указаних прийомів в інтелектуальні системи зробить їх міркування гнучкішими, успішнішими і людянішими.

Для того щоб погодитися з деякою думкою, необхідно знати припущення, які лежать в його основі. Оскільки в інтелектуальних системах вони ухвалюють рішення, спираючись на знання, які можуть бути невідомі користувачеві, то він може засумніватися в правильності одержаного рішення. Інтелектуальна система має володіти засобами, які допоможуть сформувати користувачеві необхідні пояснення. Пояснення можуть бути різного типу: належати процесу отримання рішень, підстав, які були для цього використані, способів відсікання альтернативних варіантів тощо. Усе це вимагає розвиненої теорії пояснень.

Проблема представлення знань є тим ключовим пунктом, через який проходять шляхи до досягнення успіху, мабуть за всіма напрямами досліджень ШІ, починаючи від проблем розуміння природної мови та машинного сприйняття зорових образів та закінчуючи проблемами колективного інтелекту.

Очевидна першопричина складності створення машинної моделі реального світу криється в нескінченному різноманітті цього світу.

Дійсно, уявимо собі, що таку модель необхідно створити для робота, котрий призначений для виконання необмеженої кількості наказів людини і функціонує в середовищі необмеженої варіативності. Якщо спробувати вирішити завдання «в лоб» шляхом представлення моделі світу у вигляді набору програм, кожна з яких відповідає послідовності можливих дій робота під час виконання одного з наказів, здійснюваних з урахуванням конкретних умов зовнішнього світу робота (стани зовнішнього середовища), то виникають принаймні дві непереборні проблеми, обумовлені нескінченним різноманіттям реального світу. (Під умовами зовнішнього світу розуміється не тільки світ, що відтворюється сенсорами робота, але й апріорні знання про закономірності реального світу).

Перша проблема пов’язана з необхідністю наявності в пам’яті ЕОМ необмеженого набору програм, кожна з яких розрахована на виконання наказу за певного стану зовнішнього середовища.

Друга проблема пов’язана з необхідністю співвіднести даний наказ оператора і стан зовнішнього середовища робота з конкретною програмою з цього необмеженого набору, відповідальною за виконання цього наказу в конкретній зовнішній ситуації, і вибрати цю програму з пам’яті за прийнятний доволі обмежений час.

Зазначені труднощі пояснюють нереальність створення моделі реального світу таким шляхом. Незважаючи на це, такий підхід все ж несе одну цінну властивість. Принаймні на інтуїтивному рівні зрозуміло, що кожну з програм, відповідальну за виконання даного наказу, можна побудувати так, аби врахувати всі необхідні для виконання наказу особливості зовнішнього світу робота, причому реального зовнішнього світу з усім його різноманіттям і складністю, що неможливо за використання відомих підходів через принципову обмеженість засобів опису зовнішнього світу, характерних для цих підходів.

Звичайно, обмеженість машинної пам’яті не дасть можливості мати велику кількість таких програм, але у разі маловаріативних середовищ і невисоких вимог до діапазону функціональних можливостей робота реально отримання прийнятних технічних рішень.

Очевидний шлях, що дозволяє, мабуть, дещо зменшити труднощі створення машинної моделі реального світу, лежить через координальне зменшення числа вхідних у модель програм за збереження загального обсягу знань про світ, що містяться в цій моделі.

Це можна було б здійснити, якби вдалося певним чином упорядкувати, структурувати програми, які створюють модель.

З цією метою, по-перше, корисно знайти і виділити в різноманітних можливих діях загальні універсальні фрагменти, за допомогою яких можна компонувати ці дії. Очевидно, з т таких універсальних фрагментів можна скомпонувати (1!+2!+3!+…+m!) різноманітних дій. Якщо навіть обмежити число використовуваних для опису дії фрагментів величиною m, тобто має місце колосальний виграш у використанні пам’яті, тим більший, чим більше т .

По-друге, необхідно прагнути так побудувати програми, що входять у модель реального світу для робота, щоб кожна з них була здатна формувати широкий нескінченний набір різноманітних дій, що варіюються, наприклад, залежно від характеру інформації, яка збирається певною групою сенсорів, або від модифікації наказів.

У ПСШІ розрізняють такі рівні представлення знань:

1) рівень користувача — проблемно-орієнтований;

2) рівень, орієнтований на реалізацію програмної системи «tool»-орієнтований (знання представлені мовою програмування системи);

3) системний рівень (біти) — іманентний системі (внутрішньокомп’ютерне уявлення).

Отже, усі системи ШІ є системами, що базуються на знаннях, та основними властивостями таких систем є:

1. Роздільне зберігання знань, представлених у символьній формі, та компонентів обробки цих знань.

2. Мінливість системи робити висновки і приймати рішення на підставі збереженої інформації, яка представляється в системах не явно, проте органічно властива цим системам. Типовим є також те, що виведенням систем властивий не детермінований (не визначений) характер.

3. Системи володіють здібністю до пояснень, повинні бути в змозі, на вимогу вивести для користувача зрозумілий для нього ланцюжок міркувань (наприклад: кроки резолюції). Здатність до чіткого пояснення є важливим чинником, оскільки визнання інтелектуальної системи користувачем здебільшого залежить саме від якості такої здібності до пояснення.

4. Здатність до навчання, тобто, здатність виводити нові знання на підставі інформації, одержаної від користувача (інформація про успіх або невдачу минулого сеансу роботи з програмою).

Для організації осмисленого діалогу між людиною та ЕОМ та автоматизації розв’язування інтелектуальних задач у процесі управління інтелектуальною системою необхідна спеціальна мова. Ця мова має бути зручним засобом формулювання завдань, представлення знань, пошуку планів і ухвалення рішень. Вона повинна також надати системі управління інтелектуальним виробничим комплексом з елементами ШІ, необхідну основу для логічних висновків. Завдяки здатності міркувати на своїй внутрішній мові формул система управління зможе розв’язувати багато інтелектуальних задач на найвищому рівні.

Завдання ПСШІ пов’язані з якісними, а не кількісними проблемами, з аргументуванням, а не обчисленнями, з організацією загальних обсягів знань, а не реалізацією окремого чіткого алгоритму.

Відповідно до цього мова представлення знань для систем ПСШІ має задовольняти таким вимогам:

1. Обробка знань, виражених в якісній формі. Демонстрація зв’язку між елементами описуваного завдання та нашим особистим уявленням і розумінням описуваної ПРГ.

2. Логічне отримання нових знань з набору фактів і правил. Мова ПСШІ має забезпечити можливість міркування про абстрактні описи класів, об’єкти і стани. Для цього система має володіти правилами, які дозволяють їй робити логічні висновки, виходячи з наявних фактів.

3. Відображення загальних принципів, разом з конкретними ситуаціями. Уведення використання змінних, за допомогою яких здійснюється узагальнення. Змінні дозволяють проектувати конкретні ситуації, загальні поняття.

4. Передача складних семантичних значень, що має здійснюватися за рахунок:

— використання семантичних відносин для опису причинних зв’язків між подіями та описи взаємодії і способів з’єднання частин чого-небудь, а також представлення необхідних планів рішення за допомогою послідовності елементарних дій, які мають бути виконані в певному порядку;

— використання механізму спадкування — це інструмент представлення таксономічної (класифікованої) структурованої інформації, який гарантує, що всі члени класу володіють загальними властивостями.

5. Міркування на метарівні онтології. «Обізнаність системи про свої знання» — це вищий рівень знань, — метазнання. Метазнання необхідні для проектування й адекватного опису інтелектуальних систем.

ПСШІ має бути здатна вирішувати завдання й пояснювати ці рішення, описувати свої знання як у конкретних, так і в узагальнених термінах, дізнаватися їх обмеження і вчитися в процесі взаємодії зі світом.

6. Внутрішня інтерпретованість — властивість знань, що забезпечує можливість їх змістовної інтерпретації без використання відповідної програми, що відрізняє їх від даних, які у відриві від програми не несуть ніякої змістовної інформації і можуть змістовно інтерпретуватися лише відповідною програмою.

7. Наявність класифікуючих відношень (структурованість)

— властивість знань, що визначає можливість довільного встановлення між окремими одиницями знань відношень типу «частина

— ціле», «рід — вид», «елемент — клас», «клас — підклас», «тип

— підтип», «ситуація — підситуація» для забезпечення рекурсивної вкладеності одних одиниць знань в інші. Кожна одиниця

знань може бути включена до складу будь-якої іншої, і з кожної інформаційної одиниці можна виділити деякі складові її інформаційної одиниці. Це дозволяє записати і зберігати окремо інформацію, однакову для всіх елементів множини. За необхідності цю інформацію можна автоматично передати опису будь-якого елементу множини. Такий процес передачі називається спадкуванням інформації.

8. Наявність ситуативних зв’язків — здатність знань відбивати закономірності щодо фактів, процесів, явищ і причиннонаслідкові відношення між ними. Ситуативні зв’язки допомагають будувати процедури аналізу знань на сумісність, суперечливість й інші, котрі важко реалізувати за збереження традиційних масивів даних.

9. Шкалування використовується для фіксації співвідношень окремих інформаційних одиниць на основі різних шкал.

Метричні шкали дозволяють установлювати кількісні співвідношення і порядок тих чи інших сукупностей інформаційних одиниць, наприклад, шкали ваги, відстані тощо. Метричні шкали характерні для опису даних.

Лінгвістичні шкали (розмиті або нечіткі шкали) замість кількісних одиниць використовують для опису знань лінгвістичні одиниці типу «багато», «мало», «рідко», «давно», «далеко», «близько» і т. д. Такі шкали будуються з використанням апарату теорії нечітких множин (див. розділ 5).

Семантична метрика. На множині інформаційних одиниць у деяких випадках корисно задавати відношення, що характеризують ситуаційну близькість інформаційних одиниць, тобто силу асоціативного зв’язку між інформаційними одиницями. Його можна назвати відношенням релевантності для інформаційних одиниць. Таке відношення дає можливість виділяти в інформаційній базі деякі типові ситуації. Відношення релевантності у роботі з інформаційними одиницями дозволяє знаходити знання, близькі до вже знайденого.

10. Активність — властивість знань впливати на інформаційні процеси і дії інтелектуальної системи, що відрізняє їх від даних, які є пасивними. Історично склалося так, що в ЕОМ усі процеси, що відбуваються, ініціюються командами (активність команд), а дані пасивно зберігаються в пам’яті й використовуються командами лише у разі потреби.

Людині ж властива пізнавальна активність, тобто знання людини активні. Як і в людини, в інтелектуальній системі актуаліза-ції тих чи інших дій сприяють знання, що є в системі. Тож, виконання програм у системі має ініціюватися поточним станом інформаційної бази. Джерелами активності знань є: поява фактів або описів подій, установлення зв’язків між ними, неповнота знань (виражається в необхідності поповнення їх), виявлення протиріч у знаннях (стає спонукальною причиною їх подолання і появи нових знань). Ідея подання знань базується на такому принципі, що знання можна розглядати незалежно від методів оброблення. Знання і методи його обробки будуть чітко відокремлені один від одного.

При даному способі подання властиві такі особливості:

• придбання знань сконцентровано на змісті;

• збереження тільки один раз усупереч тому, що застосування здійснюється в різних контекстах;

• різні «моделі» можуть бути оброблені однією й тією самою машиною висновку;

• можлива модифікація бази знань без побічних ефектів.

4.2. Знання як спосіб надання інформації ПСШІ

Інформація (у широкому розумінні) — це будь-які відомості про певний об’єкт, процес або явище.

Факти — це інформація, що розглядається як надійна. Ієрархію способів подання інформації (у порядку збільшення рівня ієрархії) виділяють:

1. Шум — відсутність видимих ознак інформації, складається з інформаційних елементів, що не становлять інтересу і можуть лише ускладнити сприйняття й подання інформації.

2. Дані — потенційне джерело інформації — елементи інформації, що у принципі можуть становити певний інтерес. Даними називають інформацію фактичного характеру, що є фіксованою певним способом та описує об’єкти, процеси і явища ПРГ, а також їхні властивості. Дані являють собою ізольовані факти, відношення між якими та зовнішнім світом у них самих не зафіксовані.

3. Інформація (у вузькому розумінні) — потенційне джерело знань — оброблені дані, що явно становлять інтерес для користувачів.

4. Знання — це формалізована система трактувань із принциповою і єдиною організацією, заснована на об’єктивній закономірності, що простежується у визначеній ПРГ (принципи, зв’язки, закони), установленій у результаті розумової діяльності людини, спрямованої на узагальнення досвіду, отриманого нею у результаті практичної діяльності, яка дозволяє ставити й вирішувати задачі в цій галузі. Знання визначають здатність використовувати інформацію і являють собою добре структуровані дані або метадані (дані про дані) — елементи інформації, пов’язані між собою і з зовнішнім світом.


< Попередня  Змiст  Наступна >
Iншi роздiли:
Тема 5 СЕМАНТИЧНІ МЕРЕЖІ ПСШІ ТА ЇХ КЛАСИФІКАЦІЯ
5.3. Дедуктивний висновок на семантичних мережах
5.5. Адаптивні методи логічного розпізнавання на семантичних мережах
Тема 6. ЗАСОБИ ДЛЯ ПОДАННЯ Й ОБРОБКИ МОДЕЛЕЙ ЗНАНЬ У ПСШІ
6.5. Фреймові моделі та їх реалізація
Дисциплiни

Медичний довідник новиниКулінарний довідникАнглійська моваБанківська справаБухгалтерський облікЕкономікаМікроекономікаМакроекономікаЕтика та естетикаІнформатикаІсторіяМаркетингМенеджментПолітологіяПравоСтатистикаФілософіяФінанси

Бібліотека підручників та статтей Posibniki (2022)