Базы знаний экспертных систем.

Билет № 15

Одним из компонентов ЭС является база знаний (БЗ), предназначенная для хранения долгосрочных данных, описывающих определенную предметную область, и правил, описывающих целесообразные преобразования данных этой области.
При создании базы знаний необходимо описать смысловое содержание предметной области. Следует иметь такую форму описания знаний, которая гарантирует их обработку формальными методами. Под созданием БЗ будем понимать представление знаний в виде некоторой статичной структуры в памяти компьютера.
Создание БЗ осуществляется в несколько этапов.
На первом этапе проводится определение предметной области, по которой разрабатывается база знаний.
Следующий этап - это этап извлечение знаний. Извлечение знаний представляет собой процедуру взаимодействия эксперта с инженером по знаниям. В результате этой процедуры становятся явными процесс рассуждений эксперта при принятии решения и структуру его представлений о предметной области. Процесс извлечения знаний - это длительная и трудоёмкая процедура, в которой инженеру по знаниям, вооружённому специальными знаниями по когнитивной психологии, системному анализу, математической логике и пр., необходимо создать модель предметной области, которой пользуются эксперты для принятия решения. В голове эксперта связи установлены, хотя часто и неявно; задача инженера - выявить последовательность умозаключений эксперта.
Далее на этапе структурирования структурируются собранные знания. Большинство специалистов по искусственному интеллекту и когнитивной психологии считают, что основная особенность естественного интеллекта и памяти - это связанность всех понятий в некоторую сеть. Поэтому для разработки базы знаний нужен не словарь, а энциклопедия, в которой все термины объяснены в словарных статьях со ссылками на другие термины, должна быть выстроена иерархия понятий. Иерархия понятий – это глобальная схема, которая закладывается в основу анализа структуры знаний любой предметной области.
При выстраивании структуры знаний необходимо определить терминологию, список основных понятий и их атрибутов, отношения между понятиями, структуру входной и выходной информации, стратегию принятия решений, ограничения стратегий и так далее.
В результате все собранное - это не разрозненные определения и понятия, а система взаимосвязанных элементов, то есть знание о предметной области.
На следующем этапе полученные знания описываются на одном из языков представления знаний. Затем разработанная БЗ реализуется на компьютере.
Подготовка учебного материала в соответствии с перечисленными этапами построения баз знаний будет выглядеть следующим образом.
Уточнение предметной области. На данном этапе выбирается конкретная тема по научной дисциплине, учебный материал (в дальнейшем - материал) которой надо представить в базе знаний.
Извлечение знаний. На этом этапе происходит извлечение знаний по выбранной теме из доступных источников информации, то есть собирается материал. Источниками фактов, понятий, законов и так далее являются учебники, справочники, материалы конкретных исследований в рассматриваемой предметной области.
Структурирование знаний. Этот этап необходим для выявления структуры собранного материала и имеющихся знаний по выбранной теме предметной области. Здесь определяются терминология, список основных понятий и их атрибутов, классифицируются понятия по их содержанию, устанавливаются логические связи и отношения между понятиями, и так далее. Из вышесказанного следует, что материал, который входит в базу знаний, должен быть представлен системой. Поэтому при разработке учебного материала для представления его в базе знаний целесообразно применять системный анализ. При этом осуществляется следующее.

· Делается допущение, что интересующая тема представляет собой сложную целостную систему.

· Анализируется содержание и состав выбранной темы.

· Тема разделяется на блоки, блоки - на подблоки и таким образом деление доводится до элементарного уровня (понятия, явления и т.п.). Необходимо учитывать, что содержимое одного блока - это не содержание отдельного параграфа, главы или раздела учебников.

· Устанавливаются связи между элементами, подблоками и блоками, т.е. определяется структура системы.

· Определяются системообразующие (внутренние) связи и системообразующий элемент, т.е. те связи и элемент, без которых не будет реализовываться целостность системы.

· Характеризуется каждый элемент системы.

· Созданная система рассматривается как составляющая другой системы, поэтому устанавливаются связи с другим учебным материалом.

Представление учебного материала в формальном виде. Формализованное представление материала, может быть реализовано в виде графа, таблицы, текста, структурно-логической схемы и/или другими наглядными способами. Наглядное представление материала позволяет судить о том, на сколько собранный материал по данной теме целостен, взаимосвязан, обобщен, структурирован. Далее выбирается модель представления знаний в базе знаний.
База знаний может быть разработана на языке Пролог.

Модели представления знаний
Логические модели представления знаний реализуются средствами логики пре­дикатов. Предикатом называется функция, принимающая только два значения - истина и ложь - и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием.
Наиболее простым языком логики является исчисление высказываний, в котором отсутствуют переменные. Любому высказыванию можно приписать значение истинно или ложно. Отдельные высказывания могут соединяться связками И, ИЛИ, НЕ, которые называются булевыми операторами.
В общем случае модели, основанные на логике предикатов, описываются фор­мальной системой, которая задается четверкой:
М=(Т, Р, А, П), где Т - множество базовых элементов или алфавит формальной системы;
Р - множество синтаксических правил, с помощью которых можно строить син­таксически корректные предложения; А - множество аксиом или некоторых синтаксически правильных предложений, заданных априорно; П - правила продукций (правила вывода или семантические правила), с помо­щью которых можно расширять множество А, добавляя в него синтаксически правильные предложения.
Главное преимущество логических моделей представления знаний заключается в возможности непосредственно запрограммировать механизм вывода синтакси­чески правильных высказываний.
Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги (теоретические), для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог.
В основе логического способа представления знаний лежит идея описания знаний о предметной области в виде некоторого множества утверждений, выраженных в виде логических формул, и получение решения построением вывода в некоторой формальной (дедуктивной) системе.
Знания, которые могут быть представлены с помощью логики предикатов, являются либо фактами, либо правилами. При использовании логических методов сначала анализируется структура предметной области, затем выбираются соответствующие обозначения и в заключении формируются логические формулы, представляющие собой закономерности рассматриваемой области. Множество таких формул является логической программой, содержащей информацию о ПО.
Например, в качестве языка логического программирования можно использовать ПРОЛОГ, а совокупность логических формул, состоящую из запроса, множества предложений программы и интерпретатора языка, можно рассматривать как алгоритм решения задач приложений.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).
Под условием понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).
Продукционные системы делят на два типа — с прямыми и обратными выводами. При прямом выводе рассуждение ведется от данных к поиску цели, а при обратном производится поиск доказательства или опровержения некоторой цели— к данным. Часто используются комбинации прямой и обратной цепи рассуждений. Данные — это исходные факты, на основании которых запускается машина вывода — программа, перебирающая правила из базы.
Продукции выгодны для выражения знаний, которые могут принимать форму перехода между состояниями: ситуация ® действие; посылка ® заключение; причина ® следствие.
Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:

· модульность;

· наглядность;

· единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);

· естественность (вывод заключения в продукционной системе во многом ана­логичен процессу рассуждений эксперта);

· легкость внесения дополнений и простота механизма логического вывода;

· гибкость родовидовой иерархии понятий, которая поддерживается только как связи между правилами (изменение правила влечет за собой изменение в иерархии).

· Недостатки:

· процесс вывода менее эффективен, чем в других системах, поскольку боль­шая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

· этот процесс трудно поддается управлению;

· сложно представить родовидовую иерархию понятий.

Семантические сети
Термин семантическая означает смысловая, а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.
Семантическая сеть — это ориентированный граф, вершины к оторого — понятия, а дуги — отношения между ними. Семантическая сеть описывает знания в виде сетевых структур.
Например, «программист сел за компьютер и отладил программу». Объектами являются: программист (А1), компьютер (А2), программа (А3). Объекты связаны отношениями: сел за компьютер (р1), отладил (р2), загружена в компьютер программа (р3). На рисунке 1 приведен пример этой простейшей семантической сети.

Рис. 1 Пример простейшей семантической сети.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: " это" (" is"), " имеет частью" (" has part"), " принадлежит", " любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

· класс — элемент класса;

· свойство — значение;

· пример элемента класса.

Самыми распространенными явля­ются следующие типы отношений:

· быть элементом класса, то есть объект входит в состав данного класса (ВАЗ 2106 является автомобилем);

· иметь свойства, то есть задаются свойства объектов (жираф имеет длин­ную шею);

· иметь значение, то есть задается значение свойств объектов (человек может иметь двух братьев);

· является следствием, то есть отражается причинно-следственная связь (астеническое состояние является следствием перенесенного простудного заболевания).

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.
Преимущества заключаются в простоте и наглядности описания предметной области. Однако последнее свойство с усложнением семан­тической сети теряется и, кроме того, существенно увеличивается время вывода. Также к недостаткам семантических сетей относят сложность обработка различ­ного рода исключений.
Фреймы
Фрейм (англ. frame — каркас или рамка) предложен М.Минским в 70-е гг. как структура знаний для восприятия пространственных сцен. Фрейм (дословно — «рамка») — это единица представ­ления знаний, детали которой могут изменяться в соответствии с текущей ситуацией. Фрейм - это минимально возможное описание сущности какого-либо явления, события, ситуации, процесса или объекта. Фрейм – это абстрактный образ для представления некоего стереотипа восприятия. В психологии и философии известно понятие абстрактного образа. В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа. Структуру фрейма можно представить так:
Имя фрейма:
(имя 1-го слота: значение 1-го слота)
(имя 2-го слота: значение 2-го слота)
........................
(имя N-го слота: значение N-го слота)

В качестве примера рассмотрим фрейм для понятия «взятие»:
«Взятие»:
(Субъект, X1);
(Объект, Х2);
(Место, ХЗ);
(Время, Х4);
(Условие, Х5).
В этом фрейме указаны имена слотов (субъект, объект и т.д.), но вместо их значений стоят переменные (XI, Х2 и т.д.). Такой фрейм называется фреймом-прототипом, или протофреймом. Протофреймы хранят знания о самом понятии. Например, понятие «взять» связано с наличием слотов с указанными именами. Взятие осуществляет X1 в месте ХЗ во время Х4, если выполнено условие Х5. Берет X1 нечто, обозначенное как Х2. Подставляя вместо всех переменных конкретные значения, получим конкретный факт-описание:
«Взятие»:
(Субъект, Робот);
(Объект, Деталь);
(Место, Приемный бункер);
(Время, Х4);
(Условие, В бункере есть деталь, а у робота ее нет).
Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных фактических ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

· фреймы-структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель);

· фреймы-роли (менеджер, кассир, клиент);

· фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

· фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т.е. переносятся, значения аналогичных слотов.
Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.
Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language)и другие позволяют эффективно строить промышленные ЭС. Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС