Граница между декларативными и процедурными знаниями очень подвижна, т.е. проектировщик может описать одно и то же как отношение или как правило.
Во всех видах моделей выделен еще один вид знаний - метазнания, т.е. знания о данных. Метазнания могут задавать способы использования знаний, свойства знаний и т.д., т.е. все, что необходимо для управления логическим выводом и обучением ЭС.
3. Определение понятий логического вывода.
Аппарат логического вывода предназначен для формирования новых понятий, т.е. решений в рамках определенной предметной области. Как правило логический вывод тесно связан с конкретной моделью знаний и оперирует терминологией этой модели. Есть несколько общих понятий для всех МЗ:
1) стратегия вывода
2) управляющая структура
В ЭС применяется стратегия вывода в виде прямой и обратной цепочек рассуждения. Прямая стратегия ведет от фактов к гипотезам, а обратная пытается найти данные для доказательства или опровержения гипотезы.
В современных ЭС применяются комбинированные стратегии, которые на одних этапах используют прямую, а на других обратную цепочки рассуждения.
Управляющая структура - это способ применения или активизации правил в процессе формирования решений. Управляющая структура полностью зависит от выбранной проектировщиком модели.
Например, для продукционной модели наиболее часто используются такие управляющие структуры:
1 - последовательный перебор правил
2 - одно подмножество правил применяется для выбора очередного правила
Независимо от формы управляющей структуры в процессе поиска решений в некоторых точках поиска возникает необходимость выбора последующего направления поиска. Используется два метода:
1 - “сначала вглубь”
2 - “сначала вширь”
Важной проблемой, которая требует обязательного решения в рамках аппарата логического вывода, является подтверждение или оценка достоверности формируемых системой частичных или общих решений. Трудность заключается в том, что ЭС как правило, работают с нечеткими, часто неопределенными понятиями, которые должны быть строго оценены и иметь четкую форму выражения.
Термин “нечеткость” в ЭС недостаточно определен ив инженерии знаний используется такая классификация нечеткости:
1 - недетерминированность вывода
2 - многозначность
3 - ненадежность знаний
4 - неполнота
5 - неточность
1 - Под недетерминированностью вывода подразумевается возможность формирования плана решения задачи из определенных правил методом проб и ошибок, с возвратами при необходимости для построения других, более эффективных планов. С целью ускорения поиска эффективного плана в систему вводят оценочные функции разного вид, а также эвристические значения экспертов.
2 - Многозначность интерпретации знаний в процессе выработки решений устраняется за счет включения в систему более широкого контекста и семантических ограничений.
Метод семантических ограничений называется методом релаксации. Суть его в том, что с помощью циклических операций применяются локальные ограничения, которые согласовываются между собой на верхнем уровне.
3 - Ненадежность. Для устранения ненадежности знаний, которая довольно часто используется в ЭС, используются методы основанные на нечеткой логике: расчет коэффициентов уверенности, метод Байеса и т.д. Нечеткая логика - разновидность непрерывной логики, в которой логические формулы могут принимать значения не только 0 или 1, но и все дробные значения между 0 и 1 для указания частичной истины. Наиболее слабое место в нечеткой логике - это реализация функции принадлежности, т.е. присваивание предпосылкам весовых значений экспертами (зависит от конкретного человека).
Если tx и ty значения истинности предпосылок правил x и y, тогда при использовании логических связок “и/или” истинное значение предпосылки определяется следующим образом:
- при связи “и” - tпредпосылки =min{tx,ty}
- при связи “или” - tпредпосылки =max{tx,ty}
Если в общем случае tправила есть истинное значение, приписываемое правилу, то тогда tправила определяется:
tправила =min{tпредпосылки,tдействия}.
Методы нечеткой логики:
Коэффициент уверенности - это разница между двумя мерами: мерой доверия и мерой недоверия.
КУ[h:e]=МД[h:e]-МНД[h:e]
КУ[h:e] - коэффициент уверенности в гипотезе h с учетом свидетельств e, МД/МНД - мера доверия / недоверия.
Коэффициент уверенности может принимать значения от -1 (абсолютная ложь) до +1 (абсолютная истина), а также все промежуточные значения между ними. При этом 0 означает полное незнание. Значения меры доверия и меры недоверия могут изменяться от 0 до 1.
Основной недостаток: очень трудно отличить случай противоречивых свидетельств от случая недостаточной информации.
В основе метода Байеса лежит оценка конкурирующих гипотез. Основная расчетная формула:
ОП[h:e]=Р[h:e]/Р[h’:e]
ОП - отношение правдоподобия, которое определяется как вероятность события или свидетельства e при условии заданной гипотезы h, деленное на вероятность этого свидетельства при условии ложности данной гипотезы h.
4 - Неполные знания характерны для реального мира и предполагают наличие множества исключений и ограничений для конкретных высказываний, которые не принимаются во внимание, исходя из здравого смысла.
В ЭС предполагается работа с неполными знаниями. При проектировании БЗ в базу вносятся всегда только верные знания, а неопределенные знания считаются неверными - гипотеза закрытого мира.
5 - Неточность вывода присутствует в ЭС и связана с тем, что в реальном мире система работает с нечеткими множествами, поэтому для устранения неточности используется теория нечетких множеств.
4. Организация интерфейса с пользователем в ЭС.
В блоке “интерпретатор запросов и объяснение результатов” предназначен для функционирования системы в режиме эксплуатации при работе с конечным пользователем. Интерпретатор запросов формирует обращение пользователей к системе, а блок объяснения результатов комментирует весь ход формирования решения в системе. По теории ЭС оба эти блока должны иметь развитые средства общения с пользователем на языке, максимально приближенном к естественному. В настоящее время целое научное направление занимается вопросами создания интерфейса на естественном языке. Интерпретатор запросов производит редактирование обращения пользователя и формирует на его основе задачу для системы. В интерпретаторе должны быть предусмотрены средства устранения неопределенности запросов, а также производятся синтаксический и семантический анализ запроса. Неопределенность порождается, как правило, некомпетентностью пользователя. В некоторых случаях объективная оценка целого ряда факторов, описывающих конкретную ситуацию, может быть объективно невозможна. В интерпретаторе запросов предусматривается система уточняющих вопросов к пользователю, а также разрабатывается специальный аппарат, позволяющий на основе анализа контекста запроса назначить недостающие значения показателей по умолчанию. В запросе пользователя используется, как правило, декларативные знания, которые обязательно контролируются как на семантическом, так и на синтаксическом уровне. Интерпретатор преобразовывает декларативные знания запросов в те формализмы, которые используются в модели БЗ. Чем проще пользователю обращаться к системе на естественном языке, тем сложнее интерпретатор запросов.
В блоке объяснения должно быть предусмотрено полное текстовое объяснение с использованием когнетивных функций всего хода решения задачи, а также описание стратегии поведения системы на сложных этапах выработки решений.
Блок обучения функционирует в режиме актуализации БЗ на этапе ее проектирования и эксплуатации и взаимодействует с экспертами предметной области. Его основная задача - это формализация знаний полученных от эксперта в соответствии с выбранной проектировщиком моделью знаний. В этом блоке объединяются функции интерпретатора запросов и блока объяснения. Блок объяснения должен реализовать общение с экспертом на естественном языке.
Продукционная модель (ПМ) знаний и ее использование в ЭС.
1. Представление знаний.
2. Особенности организации логического вывода.
3. Организация поиска решений в простых и сложных ЭС.
4. Примеры использования ПМ.
1. Представление знаний.
ПМ или системы продукции используют для представления знаний два понятия:
1 - “объект-атрибут-значение”
2 - “правило продукции”
С помощью (1) описываются декларативные знания в базе. Такое представление позволяет при формировании БЗ упорядочить описание объектов, соблюдая их определенную иерархию. Если к таким упорядоченным объектам в процессе логического вывода применять правила, то можно организовать обращение отдельно к объекту, отдельно к атрибуту и отдельно к значению.
Правило продукции представляет собой средство описания процедурных знаний в виде MG->MD
MG описывает определенную ситуацию в предметной области
MD описывает собой одно действие или соволкупность действий, которые необходимо выполнить в случае обнаружения соответствующей ситуации в предметной области
Применеие каждого текущего правила изменяет ситуацию на обьекте , поэтому нужно в следующем цикле проверить весь набор правил, пока не встретится условие останова. И левая и правая часть правила строится на основе знаний в виде “объект-атрибут-значение” или более сложных конструкций, построенных на их базе.
Продукционные системы используют модульный принцип организации знаний (этим они отличаются от традиционных систем, т.к. те используют модульный принцип организации алгоритмов)