Модели предоставления знаний. Продукционные системы

                                              Содержание

1.Модели  представления знаний

2. Продукционные системы 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

1.Модели представления знаний

Модели представления  знаний – это одно из важнейших  направлений исследований в области  искусственного интеллекта. Почему одно из важнейших? Да потому, что без  знаний искусственный интеллект  не может существовать в принципе. Действительно, представьте себе человека, который абсолютно ничего не знает. Например, он не знает даже таких элементарных вещей как:

для того, чтобы не умереть от голода, необходимо периодически есть; необязательно из одного края города в другой идти пешком, если для этих целей можно воспользоваться общественным транспортом.

Таких примеров удастся  привести еще много, но уже сейчас можно легко ответить на следующий  вопрос: «Поведение такого человека может  считаться разумным?». Конечно же, нет. Именно поэтому, при создании систем искусственного интеллекта особенное  внимание уделяется моделям представления  знаний.

На сегодняшний  день разработано уже достаточное  количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому  для каждой конкретной задачи необходимо выбрать именно свою модель. От этого  будет зависит не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

Отметим, что модели представления знаний относятся  к прагматическому направлению  исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека – «черный  ящик». При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления  знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

Системы искусственного интеллекта ориентированы на решение  большого класса задач, называемых неформализуемыми (трудно формализуемыми). Такие задачи обладают следующими свойствами: 

·        алгоритмическое решение задачи неизвестно или нереализуемо

из-за ограниченности ресурсов ЭВМ;

·        задача не может быть представлена в числовой форме;

·        цели решения задачи не могут быть выражены в терминах точно

определенной целевой  функции;

·        большая размерность пространства решения;

·        динамически изменяющиеся данные и  знания.

В исследованиях  по искусственному интеллекту можно  выделить два основных направления.

1.Программно-прагматическое  — занимается созданием программ, с помощью которых можно решать те задачи, решение которых до этого считалось исключительно прерогативой человека (программы распознавания, решения логических задач, поиска, классификации). Это направление ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров.

2.Бионическое —  занимается проблемами искусственного  воспроизведения тех структур  и процессов, которые характерны  для человеческого мозга и  которые лежат в основе процесса решения задач человеком. В рамках бионического подхода сформировалась новая наука —нейроинформатика, одним из результатов которой стала разработка нейрокомпьютеров.

Классическим принято  считать программно-прагматическое направление. В рамках этого направления  сначала велись поиски моделей и  алгоритма человеческого мышления.

Существенный прорыв в практических приложениях систем искусственного интеллекта произошел  в середине 70-х годов, когда на смену поискам универсального алгоритма  мышления пришла идея моделировать конкретные знания специалистов-экспертов. Так  появились системы, основанные на знаниях, — экспертные системы. Сформировался  новый подход к решению интеллектуальных задач — представление и использование  знаний. Интересно, что понятие «знание» не имеет на сегодняшний день какого-либо исчерпывающего определения.

Знания — это  выявленные закономерности предметной области (принципы, связи, законы), позволяющие  решать задачи в этой области. С точки  зрения искусственного интеллекта знания можно определить как формализованную  информацию, на которую ссылаются  в процессе логического вывода.

Приведем ряд определений.

База знаний —  это совокупность знаний, описанных  с использованием выбранной формы  их представления. База знаний является основой любой интеллектуальной системы. База знаний содержит описание абстрактных сущностей: объектов, отношений, процессов.

Знания можно разделить  на процедурные и декларативные. Исторически первыми использовались процедурные знания, то есть знания, представленные в алгоритмах. Алгоритмы, в свою очередь, были реализованы в программах. Однако развитие систем искусственного интеллекта повысило приоритет декларативных знаний, то есть знаний, сосредоточенных в структурах данных.

Процедурные знания хранятся в памяти ИС в виде описаний процедур, с помощью которых можно  получить знания. Так обычно описываются  способы решения задач предметной области, различные инструкции, методики и т. д. Процедурные знания составляют ядро базы знаний.

Декларативные знания — это совокупность сведений о  качественных и количественных характеристиках  объектов, явлений, представленных в  виде фактов и эвристик. Традиционно  такие знания накапливались в  виде разнообразных таблиц и справочников, а с появлением ЭВМ приобрели  форму информационных массивов и  баз данных. Декларативные знания часто называют просто данными.

Одной из наиболее важных проблем разработки систем искусственного интеллекта является представление знаний.

Представление знаний — это их формализация и структурирование, с помощью которых отражаются характерные признаки знаний: внутренняя интерпретируемость, структурированность, связность, семантическая метрика  и активность. 

При работе со знаниями используются два основных подхода:

·         логический (формальный) подход, при  котором основное внимание уделяется  изучению и применению теоретических  методов представления знаний, формализации, а также логической полноте;

·        эвристический (когнитивный) подход, который  ориентируется на обеспечение возможностей решения задач. При этом опора  делается на принцип организации  человеческой памяти и эвристическое  моделирование. В отличие от формальных, эвристические модели имеют разнообразный набор средств, передающих специфические особенности той или иной области.

Существуют следующие  основные модели представления знаний:

*  логические модели;

*  продукционные  модели;

*  семантические  сети;

*  фреймовые модели;

*  модели, основанные  на нечетких множествах. 
 
 
 
 
 
 
 
 
 
 

                               2. Продукционные системы

Продукционные модели можно считать наиболее распространенными  моделями представления знаний. Продукционная  модель – это модель, основанная на правилах, позволяющая представить  знание в виде предложений типа:

«ЕСЛИ условие, ТО действие»

Продукционная модель обладает тем недостатком, что при  накоплении достаточно большого числа (порядка нескольких сотен) продукций  они начинают противоречить друг другу.

В общем случае продукционную  модель можно представить в следующем виде:

 – имя продукции;

 – сфера применения  продукции;

 – условие  применимости продукции;

 – ядро продукции;

 – постусловия  продукции, актуализирующиеся при положительной реализации продукции;

 – комментарий,  неформальное пояснение (обоснование)  продукции, время введения в  базу знаний и т. д.;

Системы обработки  знаний, использующие продукционную  модель получили название «продукционных систем». В состав экспертных систем продукционного типа входят база правил (знаний), рабочая память и интерпретатор правил (решатель), реализующий определенный механизм логического вывода. Любое продукционное правило, содержащееся в базе знаний, состоит из двух частей: антецендента и консеквента. Антецедент представляет собой посылку правила (условную часть) и состоит из элементарных предложений, соединенных логическими связками «и», «или». Консеквент (заключение) включает одно или несколько предложений, которые выражают либо некоторый факт, либо указание на определенное действие, подлежащее исполнению. Продукционные правила принято записывать в виде антецедент-консеквент.

Примеры продукционных  правил:

ЕСЛИ «двигатель не заводится» и «стартер двигателя не работает» ТО

  «неполадки в  системе электропитания стартера»

Любое правило состоит  из одной или нескольких пар «атрибут-значение». В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых  установлена в процессе решения  конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей  памяти изменяется в процессе решения  задачи. Это происходит по мере срабатывания правил. Правило срабатывает, если при  сопоставлении фактов, содержащихся в рабочей памяти, с антецедентом анализируемого правила имеет место  совпадение, при этом заключение сработавшего правила заносится в рабочую  память. Поэтому в процессе логического  вывода объём фактов в рабочей  памяти, как правило, увеличивается (уменьшаться он может в том  случае, если действие какого-нибудь правила  состоит в удалении фактов из рабочей  памяти). В процессе логического  вывода каждое правило из базы правил может сработать только один раз.

Существуют два  типа продукционных систем – с  «прямыми» и «обратными» выводами. Прямые выводы реализуют стратегию  «от фактов к заключениям». При  обратных выводах выдвигаются гипотезы вероятностных заключений, которые  могут быть подтверждены или опровергнуты на основании фактов, поступающих  в рабочую память. Существуют также  системы с двунаправленными выводами.

Основные достоинства  систем, основанных на продукционных  моделях, связаны с простотой  представления знаний и организации  логического вывода. К недостаткам  таких систем можно отнести следующее:

отличие от структур знаний, свойственных человеку;

неясность взаимных отношений правил;

сложность оценки целостного образа знаний;

низкая эффективность  обработки знаний.

При разработке небольших  систем (десятки правил) проявляются  в основном положительные стороны  продукционных моделей знаний, однако при увеличении объёма знаний более  заметными становятся слабые стороны.

По своей сути продукционные модели знаний близки к логическим моделям, что позволяет  организовать весьма эффективные процедуры  логического вывода данных. Это с  одной стороны. Однако, с другой стороны, если рассматривать продукционные  модели знаний в сравнении с логическими  моделями, то первые более наглядно отображают знания, что является неоспоримым  преимуществом. Поэтому, несомненно, продукционная  модель знаний является одним из главных  средств представления знаний в  системах искусственного интеллекта.Итак, начнем подробное рассмотрение понятия продукционной модели знаний.

Традиционная продукционная  модель знаний включает в себя следующие  базовые компоненты:

1) набор правил (или  продукций), представляющих базу  знаний продукционной системы;

2) рабочую память, в которой хранятся исходные  факты, а также факты, выведенные  из исходных фактов при помощи  механизма логического вывода;

3) сам механизм  логического вывода, позволяющий  из имеющихся фактов, согласно  имеющимся правилам вывода, выводить  новые факты.

Причем, что любопытно, количество таких операций может быть бесконечно. Каждое правило, представляющее базу знаний продукционной системы, содержит условную и заключительную части. В условной части правила находится либо одиночный факт, либо несколько фактов, соединенных конъюнкцией. В заключительной части правила находятся факты, которыми необходимо пополнить рабочую память, если условная часть правила является истинной. 
 
 

 Если попытаться схематично изобразить продукционную модель знаний, то под продукцией понимается выражение следующего вида:

(i) Q; P; A → B; N;

Здесь i – это имя  продукционной модели знаний или  ее порядковый номер, с помощью которого данная продукция выделяется из всего  множества продукционных моделей, получая некую идентификацию. В  качестве имени может выступать  некоторая лексическая единица, отражающая суть данной продукции. Фактически мы именуем продукцию для лучшего  восприятия сознанием, чтобы упростить  поиск нужной продукции из списка.

Приведем простой  пример: покупка тетради» или «набор цветных карандашей. Очевидно, что  каждую продукцию обычно именуют  словами, подходящими для данного  момента. Проще говоря, называют вещи своими именами.

Идем дальше. Элемент Q характеризует сферу применения данной конкретной продукционной модели знаний. Такие сферы легко выделяются в сознании человека, поэтому с  определением данного элемента, как  правило, сложностей не возникает. Приведем пример.

Рассмотрим следующую  ситуацию: допустим, в одной сфере  нашего сознания хранятся знания о  том, как надо готовить пищу, в другой, как добраться до работы, в третьей, как правильно эксплуатировать  стиральную машину. Подобное разделение присутствует и памяти продукционной  модели знаний. Это разделение знаний на отдельные сферы позволяет  значительно экономить время, затрачиваемое  на поиск нужных в данный момент каких-то конкретных продукционных  моделей знаний, и тем самым  значительно упрощает процесс работы с ними.

Разумеется, что основным элементом продукции является ее так называемое ядро, которое в  нашей приведенной выше формуле  обозначалось как А → В. Эта формула может быть интерпретирована, как «если выполняется условие А, то следует выполнить действие В».

Если же мы имеем  дело с более сложными конструкциями  ядра, то в правой части допускается  следующий альтернативный выбор: «если  выполняется условие А, то следует выполнить действие В1, иначе следует выполнить действие В2».Однако интерпретация ядра продукционной модели знаний может быть различной и зависеть от того, что будет стоять слева и справа от знака секвенции «→». При одной из интерпретаций ядра продукционной модели знаний секвенция может истолковываться в обычном логическом смысле, т. е. в качестве знака логического следования действия В из истинного условия А.Тем не менее возможны и другие интерпретации ядра продукционной модели знаний. Так, например, А может описывать какое-то условие, выполнение которого необходимо для того, чтобы можно было совершить некое действие В.

Далее рассмотрим элемент продукционной модели знаний Р. Элемент Р определяется, как условие применимости ядра продукции. Если условие Р истинно, то ядро продукции активизируется. В противном случае, если условие Р не выполняется, т. е. оно ложно, ядро не может быть активизировано.

В качестве наглядного примера рассмотрим следующую продукционную модель знаний:«Наличие денег»; «Если хочешь купить вещь А, то следует заплатить в кассу ее стоимость и предъявить чек продавцу».Смотрим, если условие Р истинно, т. е. покупка оплачена и чек предъявлен, то ядро активизируется. Покупка совершена. В случае если в этой продукционной модели знаний условие применимости ядра ложно, т. е. если нет денег, то применить ядро продукционной модели знаний невозможно, и оно не активизируется.

И переходим, наконец, к элементу N. Элемент N называется постусловием продукционной модели данных. Постусловие задает действия и процедуры, которые необходимо выполнить после реализации ядра продукции. Для лучшего восприятия приведем простой пример: после покупки вещи в магазине необходимо в описи товаров этого магазина уменьшить на единицу количество вещей такого типа, т. е. если покупка совершена (следовательно, реализовано ядро), то в магазине стало на одну единицу данного конкретного товара меньше. Отсюда постусловие «Вычеркнуть единицу купленного товара».

Подводя итог, мы можем  сказать, что представление знаний в виде набора правил, т. е. посредством  использования продукционной модели знаний, имеет следующие преимущества: 

1) это простота  создания и понимания отдельных правил;

2) это простота  механизма логического выбора.

Однако в представлении  знаний в виде набора правил имеются  и недостатки, которые все же ограничивают сферу и частоту применения продукционных  моделей знаний. Основным таким недостатком  считается неясность взаимных отношений  между составляющими конкретную продукционную модель знаний правилами, а также правилами логического  выбора. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

                   Источник информации – интернет.