- •1. Логико-лингвистические модели управления.
- •2. Декларативные модели представления знаний .
- •2.1 Сетевая модель
- •2.2 Фреймовая модель
- •3. Декларативные модели представления знаний .
- •3.1 Логическая модель .
- •3.2 Продукционная модель .
- •1. Логико-лингвистические модели управления.
- •2 Продукционная модель .
- •2.1 Сетевая модель
- •2.2 Фреймовая модель
- •[Править] Классификация по характеру связей [править] Сети прямого распространения (Feedforward)
- •[Править] Рекуррентные нейронные сети
- •[Править] Радиально-базисные функции
- •[Править] Самоорганизующиеся карты
- •Классификация иис
- •Три слоя лингвистических проблем
- •Общий код
- •Понятийная структура
- •Словарь пользователя
- •1. Структуризация общей задачи на связанные подзадачи
- •2. Структуризация предметной области на основе иерархии классов
- •3. Структуризация знаний на декларативные и процедурные
- •4. Структуризация приложения на основе иерархии «часть/целое»
- • Суть гносеологического аспекта
- •Критерии научного знания
- •Структура познания
- •Модель общения при извлечении знаний
- •Контактный слой
- •Процедурный слой
- •Когнитивный слой
Структура познания
Рассмотрев основные критерии научности познания, попытаемся теперь описать его структуру. Методологическая структура познания может быть представлена как последовательность этапов (рис. 17.9) [8], которые рассмотрим с позиций инженера по знаниям.
Описание и обобщение фактов. Это как бы "сухой остаток" бесед аналитика с экспертом. Тщательность и полнота ведения протоколов во время процесса извлечения и пунктуальная "домашняя работа" над ними - вот залог продуктивного первого этапа познания.
На практике оказывается трудным придерживаться принципов объективности и системности, описанных выше. Чаще всего на этом этапе факты просто собирают и как бы бросают в "общий мешок"; опытный инженер по знаниям часто сразу пытается найти "полочку" или "ящичек" для каждого факта, тем самым подспудно готовясь к этапу концептуализации.═
Рис. 17.9. Структура познания |
Установление связей и закономерностей. В голове эксперта связи установлены, хотя часто и неявно; задача инженера - выявить каркас умозаключений эксперта. Реконструируя рассуждения эксперта, инженер по знаниям может опираться на две наиболее популярные теории мышления - логическую и ассоциативную. При этом, если логическая теория благодаря горячим поклонникам в лице математиков широко цитируется и всячески эксплуатируется в работах по искусственному интеллекту, то вторая, ассоциативная, менее известна и популярна, хотя имеет также древние корни. Красота и стройность логической теории не должны заслонять печального факта, что человек редко мыслит в категориях математической логики [14].
Ассоциативная теория представляет мышление как цепочку идей, связанных общими понятиями. Основными операциями такого мышления являются ассоциации, приобретенные на основе различных связей; припоминание прошлого опыта; пробы и ошибки со случайными успехами; привычные ("автоматические") реакции и пр.
Построение идеализированной модели. Для построения модели, отражающей представление субъекта о предметной области, необходим специализированный язык, с помощью которого можно описывать и конструировать те идеализированные модели мира, которые возникают в процессе мышления. Язык этот создается постепенно с помощью категориального аппарата, принятого в соответствующей предметной области, а также формально-знаковых средств математики и логики. Для эмпирических, предметных областей такой язык пока не разработан, и поле знаний , которое полуформализованным способом опишет аналитик, может быть первым шагом к созданию такого языка.
Объяснение и предсказание моделей. Этот завершающий этап структуры познания является одновременно и частичным критерием истинности полученного знания . Если выявленная система знаний эксперта полна и объективна, то на ее основании можно делать прогнозы и объяснять любые явления из данной предметной области. Обычно базы знаний экспертных систем страдают фрагментарностью и модульностью (несвязанностью) компонентов. Все это не позволяет создавать действительно интеллектуальные системы, которые, равняясь на человека, могли бы предсказывать новые закономерности и объяснять случаи, не указанные в явном виде в базе. Исключением тут являются системы формирования знаний , которые ориентированы на генерацию новых знаний и "предсказание".
В заключение перечислим наиболее часто встречающиеся неудачи, связанные с гносеологическими проблемами инженерии знаний (частично из [16]):
обрывочность, фрагментарность знаний (из-за нарушений принципа системности или ошибок в выборе фокуса внимания);
противоречивость знаний (из-за естественной противоречивости природы и общества неполноты извлеченных знаний, некомпетентности эксперта);
ошибочная классификация (из-за неправильного определения числа классов или неточного описания класса);
ошибочный уровень обобщения (из-за чрезмерной детализации или обобщенности классов объектов).
40. Психологические аспекты извлечения знаний