- •Характеристика основных направлений в исследованиях по искусственному интеллекту.
- •Перспективы искусственного интеллекта.
- •3. Проблемы нейрокибернетики и возможные пути их решения.
- •Искусственный интеллект. Основные понятия.
- •Характеристика программно-прагматического направления в исследованиях по искусственному интеллекту.
- •Характеристика бионического направления в исследованиях по искусственному интеллекту.
- •7.Знания и модели их представления.
- •8.Логические модели представления знаний.
- •9. Продукционные модели представления знаний.
- •10. Сетевые модели представления знаний.
- •11. Фреймовые модели представления знаний.
- •12. Экспертные системы. Основные понятия.
- •13. Обобщенная структура экспертной системы.
- •14. Нейрокомпьютер и основы нейроинформатики.
- •15. Нейрон, нейронные сети. Основные понятия.
- •16. Классификаций нейронных сетей.
- •17. Характеристика моделей нейронных сетей.
- •18. Характеристика многослойных однонаправленных сетей.
- •19. Характеристика полносвязных сетей Хопфилда
- •20,21,22. Характеристика двунаправленной ассоциативной памяти
- •23. Характеристика самоорганизующихся сетей Кохонена
- •24. Области применения нейроинформатики
- •Этапы проектирования экспертной системы
- •26. Классификация интеллектуальных информационных систем
- •27. Организация базы знаний. Формы представления знаний
- •28. Методы рассуждения в интеллектуальных информационных системах
- •2.1 Рассуждения на основе прецедентов
- •2.2 Моделирование рассуждений на основе ограничений
- •2.3 Немонотонные модели рассуждений
- •2.4 Рассуждения о действиях и изменениях
- •2.5 Рассуждения с неопределенностью
- •29.Характеристика этапа постановки задачи и концептуализации при разработке экспертной системы.
- •30.Развитие прототипа до промышленной экспертной системы.
- •31.Характеристика этапа формализации проектирования экспертной системы.
- •32. Характеристика этапов реализации при проектировании экспертной системы
- •33.Характеристика этапа тестирования экспертной системы.
- •34.Характеристика этапа опытной эксплуатации системы
- •37.Приобретение знаний.
- •38.Извлечение знаний из данных.
- •39.Технология разработки экспертных систем.
- •40.Характеристика этапов оценки, стыковки и поддрежки экспертной системы при ее разработке. Этап оценка системы
- •Этап стыковка системы
- •Этап поддержка системы
- •41. Аспекты получения знаний: психологический, лингвистический, гносеологический
- •42. Стратегии получения знаний
- •43. Практические методы извлечения знаний. Их классификация и характеристика
- •44. Структурирование знаний. Концептуальная и функциональная структура предметной области
- •46.Инструментальные средства построения экспертных систем.
44. Структурирование знаний. Концептуальная и функциональная структура предметной области
Концептуальная структура предметной области
Структурирование - это процесс создания полуформализованного описания предметной области. Такое полуформализованное описание называется полем знаний. Обычно оно создается в графической форме.
Поле знаний Рz можно описать следующим образом:
Pz=<Sk,Sf>,
где Sk - концептуальная структура предметной области;
Sf - функциональная структура предметной области,
Концептуальная структура, или модель предметной области, служит для описания ее объектов и отношений между ними, т.е. можно сказать, что концептуальная модель Sk представляет собой следующее:
Sk = <A, R>,
где А - множество объектов предметной области;
R - множество отношений, связывающих объекты.
Множество отношений представляет собой связи между объектами. При помощи этих отношений инженер по знаниям фиксирует концептуальное устройство предметной области, иерархию понятий, свойства и структуру объектов. Разработка концептуальной структуры имеет самостоятельное значение, не зависимое от конечной цели - разработки экспертных систем. Эта структура может служить для целей обучения, повышения квалификации, для прогнозирования, объяснения, реструктурирования и т.п.
Основными из них являются АКО, A-part-of, Has-attribute, Value и др.
• АКО (A-Kind-OF) - "это есть", например, [Macll] - > (АКО) - > [ПК]. АКО отражает родовидовые отношения и иерархию понятий предметной области. Обязательно присутствует в любой концептуальной структуре.
• A-part-of - "часть от", например, [процессор] - > (A-part-of) - > [компьютер]. Это отношение служит для отражения физической структуры и декомпозиции сложных объектов на составляющие.
• Has-attribute - "имеет свойство", например, [память] - > (Has-attribute) - > [объем памяти].
• Value - "значение", например, [объем памяти] - > (Value) - > [16 Мбайт].
Поле знаний может напоминать семантическую сеть (см. подразд. 16.1), но оно менее формализовано. Если в сети жестко оговорены возможные виды связей, то в поле знаний они произвольны.
Краткий алгоритм формирования концептуальной структуры.
Шаг 1. Определить все результирующие понятия, или выходы системы. Это может быть набор диагнозов, рекомендаций, советов системы.
Шаг 2. Определить все входные понятия, или факторы, от которых зависит результат работы системы.
Шаг 3. Установить промежуточные понятия, участвующие в рассуждениях экспертов, если они есть.
Шаг 4. Для всех понятий найти обобщающие и уточняющие понятия, т.е. установить иерархии объектов
Шаг 5. Для объектов, участвующих в рассуждениях, определить свойства и их значения.
Шаг 6. Попытаться определить другие связи, и все в целом отразить графически.
Шаг 6 Убрать лишние связи, объекты, обсудить структуру с экспертом, дополнить, если надо, с возвратом к шагам 1 - 6.
Функциональная структура предметной области.
Функциональная, структура отражает модель рассуждений и принятия решений, которой пользуется эксперт при решении задачи. Обычно функциональная структура представляется в виде каузальных отношений (cause) и может быть позднее формализована в виде коротких правил "если - то" (см. продукционные модели в подразд. 16.1), или в виде семантических сетей. Представить функциональную структуру можно в виде таблицы, графа или предложений на естественном языке. Наглядные формы предпочтительны.
Часто в моделях рассуждении присутствуют нечеткие понятия - "часто", "много", "очень", "высокий", "большой" и др. Для их представления базе знаний используется так называемая нечеткая логика, автор которой - Л.Заде, предложил простой формализм для таких понятий. Этот формализм использует понятие нечеткой функции принадлежности, которая отражает численно на шкале [0,10] или [0,1] степень уверенности эксперта в том, что конкретное значение можно отнести к данному нечеткому понятию. Подробнее см, [10, 14]
Также степени уверенности используются при множественных рекомендациях. Например, эксперт советует "покупать акции компании Х со степенью уверенности 9, а компании Y со степенью уверенности 6".