ГОСЫ / Bilety

2.Прикладное направление в ИИ.

При таком подходе, основные исследования, которые ведутся в области искусственного интеллекта, можно свести к следующим 4 направлениям.

1)Представление знаний и работа с ними, т.е. создание специализированных моделей и языков для представления знаний в ЭВМ, а также программных и аппаратных средств для их преобразования; исследования по созданию специальных логик, позволяющих пополнять и обобщать знания, хранимые в машине.

2)Планирование целесообразного поведения, т.е. исследования по созданию методов формирования целей и решения задач планирования действий автоматического устройства, функционирующего в сложной внешней среде.

3)Общение человека с ЭВМ, т.е. задачи создания языковых средств, позволяющих

эффективно взаимодействовать с ЭВМ непрограммирующему пользователю, а также исследования в области синтаксиса и семантики естественных языков, способов хранения знаний о языке в памяти машины и построения специальных процессоров, осуществляющих перевод текстовой информации во внутреннее машинное представление.

4) Распознавание образов и обучение, т.е. исследования по восприятию зрительной, слуховой и других видов информации, методам ее обработки, формированию ответных реакций на воздействия внешней среды и способам адаптации искусственных систем к среде путем обучения. Считается, что такой подход непосредственно связан с техникой, с существующими и перспективными ЭВМ, а также с программированием. Поэтому, такой подход можно назвать (определить) "прикладным подходом в области ИИ". При таком подходе под системами искусственного интеллекта (или под искусственным интеллектом) понимают системы, выполняющие функции, которые принято считать интеллектуальными. Таким образом, основоположники прикладного подхода и их последователи сразу же сужают область ИИ, сводя ее лишь к прикладным, чисто практическим целям. Это тоже важно, но путем создания таких искусственных систем вряд ли можно создать нечто "мыслящее", разумное. Ибо, при таком подходе изучаются лишь отдельные функции и способности мозга, следовательно, происходит упрощение задачи. Конечно же, одну из функций моделировать и исследовать проще, но нельзя забывать о том, что мозг - это динамическая саморегулирующаяся система, в которой все функции взаимосвязаны и взаимозависимы.

Изучая только отдельные функции мозга - как системы мышления, без учета их взаимозависимости и взаимосвязанности, мы уже не исследуем, не изучаем саму систему, которая нас интересует. Получается, что, не рассматривая, не изучая мышления как целостную, единую систему мы намереваемся создать искусственные системы, которые выполняли бы некоторые отдельные функции мышления. Но, может быть, даже отдельные функции мышления являются свойством всей системы мышления в целом. Следовательно, необходимо изучать, исследовать, познавать процесс мышления в целом, как единую динамическую саморегулирующуюся систему. Можно сделать такой вывод: следуя только по прикладному направлению в области ИИ, в принципе, невозможно будет создать такую искусственную систему, которая выполняла бы не хуже человека всю ту работу, которую люди относят к сфере интеллектуального труда.

Попробуем определить свойством какой системы является интеллект. Предположим, что это свойство любого человеческого мозга. Тогда можно провести следующий мысленный эксперимент. Берем некий человеческий мозг и изолируем его от всех внешних воздействий, кроме жизнеобеспечивающих, питающих мозг. Для такого эксперимента можно взять известную "голову профессора Доуэла" и накрыть ее звуконепроницаемым, черным ящиком. Итак, если в мозг не будут поступать сигналы от органов чувств, то в мозг перестанет поступать информация, и интеллекту нечего будет перерабатывать и обдумывать. В таком случае, интеллект не сможет развиваться, а, скорее всего, он просто "засохнет", испортится, "сойдет с ума". Таким образом, без органов чувств, без поступления новой информации мышление не может развиваться (даже, не сможет появиться), а вероятнее всего, мышление просто не может существовать без этого. Следовательно, система "обладающая" интеллектом должна содержать помимо "мозга" еще и

141

подсистему органов чувств, т.е. подсистему приема информации. По нашему глубокому убеждению, интеллект - это свойство, как минимум, всего человека, а не только человеческого мозга.

Рассмотрим другой, "литературный" опыт, например, жизнь человека на необитаемом острове, т.е. случай с Робинзоном Крузо. Интеллектом Робинзон обладал, но почему и откуда появилось у него это свойство? Интеллект - это свойство личности, отдельного человека? Робинзон был на острове единственным разумным существом и у него не было ни какой связи с другими людьми. Но от этого он не утратил свой "интеллект", ведь до этого Робинзон жил среди людей и общался с ними, получил определенные знания и навыки. Общение с людьми как с носителями "интеллекта" послужило причиной интеллектуальности Робинзона. Следовательно, кроме того, что некоторая система должна быть способной к интеллектуальной деятельности, эта система должна еще пройти курс обучения "интеллектуальности", т.е. научиться мыслить и рассуждать, а, кроме того, она еще должна накопить внутри себя, "в себе", некоторый определенный запас знаний.

В подтверждение правильности наших рассуждений, приведем пример, когда человек сразу после своего рождения остается один, без общения с другими людьми. Например, это случай с Маугли. Известно достаточно много случаев таких природных, трагических "опытов" над человеческими детьми. Такие дети, если они пробыли в лесу достаточно долгий срок, уже не могли быть нормальными людьми в полном смысле этого слова. Такие "маугли" уже никогда не способны научиться говорить, писать, мыслить.

Можем сделать такой вывод, что конкретный человек - это лишь определенный материальный носитель интеллекта, который, в свою очередь, является свойством общественного явления - мышления или, даже, сознания. Остается процитировать известную поговорку: "Для того, чтобы быть Человеком мало родиться человеком, надо еще и стать Человеком".

Подведем некоторые итоги. Исходя из смысла установившейся терминологии, получается, что если мы собираемся создать искусственный интеллект, то мы будем стремиться создать такую систему, которая имела бы равные возможности с естественным интеллектом. Это направление занимается созданием систем, которые моделируют, заменяют, усиливают лишь какую-то одну или несколько конкретных функций интеллекта и не более того, т.е. не занимается моделированием системы мышления, интеллекта в целом. В заключении отметим, что можно сделать вывод о необходимых условиях возникновения и существования интеллектуальных систем. Перечислим данные условия.

1.Непрерывное движение, внутреннее изменение системы.

2.Постоянное отражение, связь, взаимодействие с внешним миром.

3.Активность системы, т.е. наличие у нее собственной внутренней модели, (самосознания, самоотношения), существование и действие комплекса целей.

4.Закрепление опыта, накопление и обработка информации.

5.Необходимый уровень сложности самой системы, т.е. система должна быть "физически" способна к интеллектуальной деятельности.

6.Наличие некоторого количества таких систем, образование некоторой популяции систем.

7.Наличие взаимодействия, взаимопомощи с подобными себе системами внутри определенной популяции.

8."Размножение", порождение новых подобных себе систем, отличающихся от уже существующих и "умирание", исчезновение старых и не приспособленных систем.

9.Благоприятные, удовлетворительные условия окружающей среды, существование необходимых ресурсов для реализации системами своих целей.

Прежде всего, надо создать, разработать такую систему, которая была бы способна к интеллектуальной деятельности, а уж затем из такой "заготовки", путем обучения и самообучения, создавать систему искусственного интеллекта.

142

3. Понятие экспертной системы (ЭС). Системы, основанные на знаниях.

Экспертная система (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания[1].

В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС — отсутствие базы знаний — все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 70-80 годах прошлого века, переживает серьезный кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем. Все приводимые в литературных и интернет-источниках примеры «известных» или «распространенных» экспертных систем на самом деле относятся к 80-м годам прошлого столетия и в настоящее время давно не существуют, либо безнадежно устарели и поддерживаются лишь немногочисленными энтузиастами. С другой стороны, нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например, компьютерные справочно-правовые системы). Предпринимаемые энтузиастами попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) не находят поддержки среди крупных компанийпроизводителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.

По определению Э.Фейгенбаума, система, основанная на знаниях (СОЗ) - это интеллектуальная компьютерная программа, использующая знания и процедуру вывода для решения проблем, которые настолько сложны, что требуют привлечения экспертов.

С точки зрения функционального назначения понятия СОЗ, ЭС и ИС можно рассматривать как синонимы. Однако в определении СОЗ явно прослеживается базовый принцип организации системы декларативного (не предписывающего) типа. Именно этот принцип, предполагающий чёткое отделение друг от друга базы знаний и механизма вывода, максимально обеспечивает модульный принцип построения, открытость системы, возможность построения оболочек (empty expert system), настраиваемых через формализм базы знаний на различные предметные области.

Во всём остальном СОЗ присущи все особенности, характерные для ИС и ЭС:

Ограниченность определённой области экспертизы

143

Качественный характер выходных результатов

Способоность рассуждать при сомнительных, неполных данных

Способность объяснить свой ход рассуждений («Мамой клянусь!» )

Способность самообучаться и адаптироваться к конкретным условиям применения

Среди областей применения СОЗ можно выделить следующие:

Диагностика - установление связи между нарушениями функционирования сложной системы и их возможными причинами

Интерпретация - получения заключений на основе результатов наблюдений

Мониторинг – непрерывная интерпретация данных наблюдения в реальном масштабе времени с информированием о внештатных ситуациях

Прогнозирование – предсказание возможных результатов, событий, на основе данных о текущем состоянии объекта

Планирование – достижение конкретных целей в задачах с большим числом переменных. В

том числе и проектирование.

Контроль и управление – принятие решений на основании анализа данных от нескольких источников.

Обучение

Целесообразность создания и использования СОЗ в конкретной предметной области определяется критериями:

Отсутствие строгих алгоритмов и существование эвристических методов решения задач

Наличие эксперта, способного решать задачи и объяснять ход их решения

Надёжность и статичность имеющихся знаний (статичность - есть основа базы знаний, на нее динамически наращиваем все остальное)

Сомнительных характер доступных данных

В основе решения задач лежит метод логических рассуждений

По степени интеграции с другими программными средствами СОЗ подрзаделяют на автономные и гибридные.

Автономные традиционно признаны оказывать консультации и используют в основном эвристические методы, не привлекая методы анализа и синтеза.

Гибридные СОЗ выступают как средства интеллектуальной поддержки процессов поиска и принятия решений в различных предметных областях, реализуемых с использованием пакетов прикладных программ различного назначения. Они могут быть организованы в виде интеллектуальной надстройки надо прикладными программами, а могут и интегрироваться с последними, придавая тем интеллектуальность.

Основой для создания как гибридной, так и автономной СОЗ, может служить оболочка, реализующая определённые формы представления знаний, механизмы их приобретения и интерпретации с использованием процедурного анализа и метапроцедур, лежащих в основе интеллектуальной деятельности человека (дедукции, индукции, абдукции). Последние 3 можно рассматривать как взаимодополняющие друг друга формы рассуждения (формы логического вывода), т.е. постороение последовательности аргументов, приводящих к некоторому утверждению, цели.

Дедукция - логический вывод, базирующийся на точных знаниях общего плана и позволяющий по исходным посылкам (аксиомам) получат достоверные заключения. При этом речь может идти как о формальных рассуждениях на уровне абстрактных законов так и об интерпретированных конкретных рассуждениях.

144

Индукция – механизм обобщения, реализующий построение некоторого общего правила на основании конечного множества наблюдаемых факторов (конкретных примеров). Эта форма правдоподобного вывода от частного к общему, используемая для формирования эмпирических знаний интеллектуальной системы.

Абдукция – другая форма правдоподобного вывода - механизм формирования гипотезы, объясняющий наблюдаемые факты на основе существующих теоретических положений. Это вывод от частного к частному, труднее всего поддающийся формализации и использующийся для верификации выдвигаемых гипотез методы индукции.

Традиционно в составе СОЗ представят 5 основных компонентов:

Базы знаний

Механизм вывода

Подсистема объяснения

Подсистема приобретения знаний

Интеллектуальный интерфейс

Рис.2

База знаний – обычно включают 2 составляющие. Одна из них – долговременные знания о предметной области, которые могут быть представлены в виде набора продукционных правил, иерархических структур фреймов, семантических сетей или других информационных структур, комбинирующих упомянутые и, возможно, иные формы представления знаний.

Другая составляющая базы знаний представляет её динамическию часть, в которой хранятся факты (оперативные данные), описывающие текущую ситуацию, например состояние процессов проектирования. В системах продукционного типа эту составляющую называют рабочей памятью, а долговременные знания – базой правил.

Механизм интерпретации знаний. В общем случае объединяет в себе концептуальный анализатор и интерпретатор рабочего сценария поиска решения. Концептуальный анализатор по оперативным данным прогнозирует действия, востребованные текущей ситуацией, планируя шаг за шагом рабочий сценарий поиска решений.

Интерпретатор реализует выполнение действий и внесение в зависимости от их результатов изменений в информационные структуры, характеризующие состояние процесса поиска.

Подсистема объяснений призвана показать в понятной для пользователя форме ход рассуждений (рабочий сценарий) механизма вывода для обоснования принятого им решения.

Подсистема приобретения знаний предназначена для выявления долговременных знаний из возможных источников (у эксперта, из баз данных, хранящих готовые решения задач, из фоновых

145

рассуждений системы на уровне знаний общего плана и т.п.). А также предназначена для приведения этих знаний к формату механизма вывода. Основные требования к этой подсистеме – в обеспечении открытости БД и максимальной комфортности с точки зрения ее модификации. Последнее должно осуществляться в оперативном режиме без глобальных изменений структуры БД.

Интеллектуальный интерфейс. Объединяет в себе лингвистические, информационные и программные средства взаимодействия пользователя, инженера по знаниям (аналитика) и эксперта с соответствующими компонентами системы. Эти средства должны быть ориентированы на неподготовленного пользователя, обладать способностью настраиваться на его терминологию и создавать комфортные условия для работы системы.

Конкретное содержание с точки зрения уточнения выполняемой функции, принципов реализации и методики использования рассмотренные компоненты приобретают после выбора модели и реализации знаний.

146

4. Данные и знания как категории информационного обеспечения задач. Логические модели представления знаний.

Данные и знания как категории информационного обеспечения задач.

Данные и знания – это две категории информационого обеспечения задач, принципиально отличающиеся друг от друга ролью, выполняемой ими в вычислительном процессе.

Данные можно определить как информацию, полученную в результате наблюдений или измерений отдельных свойств объектов предметной области. Они используются при интерпретации процедурных знаний (знаний, заложенных в программах) и имеют удобную для этого структуру (простую или сложную).

Знания – это информация, отражающая полученные эмпирическим путём связи и заканомерности предметной области, обеспечивающая возможность решения возникающих в ней задач. Знания можно рассматривать как данные и данных, несущие информацию о том, каким образом следует интерпретировать данные. Можно выделить ряд базовых свойств, отличающих знание от обычных данных.

Внутренняя интерпретируемость – свойство знания отображать в своей структуре всю информацию, необходимую для содержательной интерпретации, т.е. семантику знаний.

Структурируемость и связность – данное свойство предполагает возможность представления информационных единиц знания в виде иерархических (рекурсивно вложенных) структур и установление между ними внешних связей, выражающих различные типы отношений (отношения структуризации, каузальные отношения, пространственно-временные отношения, отношения ситуационной близости и другие). Обозначенные связи позволяют эффективно решать проблемы наследования информации, использование обобщённых процедур, сужения пространства поиска знаний, релевантных в рассматриваемой ситуации и т.д.

Шкальная и ассоциативная упорядоченность – для взаимного упорядочивания информационных единиц могут использоваться метрические (абсолютные и относительные) шкалы, порядковые шкалы (шкала успеваемости студента), нечёткие порядковые шкалы (шкала «никогда – всегда» с рядом промежуточных значений), оппозиционные шкалы (шкала «добрый - злой» с третьим нейтральным значением). Помимо шкал для упорядочивания сведений могут быть задействованы ассоциативные связи, выделяющие в струтуре знаний типовые ситуации (сцены) и определяющие степень близости (отношение релевантности) к ним конкретных информационных единиц. Частота возникновения тех или иных ситуаций или проявление в них конкретных элементов знания может служить основой для выделения информационных структур-заготовок для быстрого реагирования системы в условиях дефицита времени.

Активность – это свойство определяет способность знания активизировать систему на выполнение тех или иных действий. В системе предписывающего типа знания сосредоточены в её программах и активизируются с запуском этих программ. В СОЗ, являющейся системой декларативного типа, активация знаний (а через них и программных составляющих системы – механизмов вывода, подсистемы приобретения знаний) может быть вызвана появлением в базе исходных фактов для рассуждений или описаний новых фрагментов знаний. Отмеченные свойства знаний, планируемые для использования механизмы вывода и стратегии управления

147

выводом – всё это должно приниматься во внимание при разработке концептуальной модели представления знаний как интеллектуальной основы создаваемой системы. На первом этапе решения этой проблемы важно правильно определиться с выбором тех или иных формализмов описания знаний, известных из теоретических работ из области ИИ.

Модель представления знаний надёжной и гибкой ЭС должна объединять в себе глубинные и поверхностные, качественные и количесвенные, приближённые и точные, конкретные и общие, описательные (декларативные) и предписывающие знания. Системы, использующие различные виды представления знаний, называются многоуровневыми. Они предоставляют экспертам и аналитикам широкие возможности для систематизации знаний с целью эффективного их использования при решении конкретных прикладных задач.

Логические модели представления знаний.

Одним из формализмов представления знаний являются логические модели. В их основе лежит понятие формальной системы, заданной четверкой

M = <T, P, A, F>, где
Т – это множество базовых элементов системы,
Р – множество синтаксических правил построения из элементов множества		Т
синтаксически правильных выражений,
А – множество аксиом (априорно истинных выражений)
F – семантические правила (правила вывода), позволяющие получать из		аксиом
другие истинные в рамкам данной системы выражения.
По специфике применения правил вывода формальные системы могут быть 3 видов:
	Исчисления
	Продукционные системы
	Алгоритмы

Исчисление позволяет применять любое из предусмотренных в нём правил вывода к любой уже выведенной формуле, если последняя допускает применение этого правила.

В продукционной системе каждое правило вывода (продукционное правило) имеет свои условия применимости (условия активации), которые, к тому же, могут меняться в процессе рассуждения из-за появления новой информации. Это характерно для систем с немонотонным выводом.

Что качается алгоритма, последовательность применения правил вывода в нем определена однозначно.

ВСОЗ, как системах декларативного типа, логические модели представления знаний базируются на исчислениях и/или продукциях. Классическими примерами формальных систем, используемых для представления знаний в моделях дедуктивного вывода, являются исчисление высказываний и предикатов первого порядка. Следует заметить, что исчисление предикатов первого порядка является более предпочтительной по сравнению с первой системой, ибо оно обеспечивает большую гибкость и органичность связи интеллектуальной надстройки с проблемной областью через предметные переменные предикатов.

Висчислении предикатов знания о предметной области описываются мнжеством общезначимых формул (аксиом). Цель конкретной поставленной проблемы или задачи представляется синтаксически правильной формулой, а процесс решения задачи сводится к доказательству общезначимости этой формулы на основании аксиом, посылок и правил вывода системы (сводится к доказательству теорем).

148

Модели представления и интерпретации знаний, основанные на исчислении предикатов первого порядка, отличаются высокой степенью формализации, универсальностью подхода. Однако они оказываются громоздкими для принятия решений в обширных пространствах поиска реальных предметных областей. Это объясняется их неспособность учитывать должным образом семантику предметной области, применять эвристические процедуры для управления процессом вывода с целью придания ему направленного рационального для данной предметной области характера. Это послужило причиной перехода к так называемым семиотическими системам, использующим формализм, задаваемый восьмёркой:

<T, P, A, F, Q(T), Q(P), Q(A), Q(F)>. Новые четыре компоненты определяют правила изменения (уравления) первой четвёрки в ходе накопления, обобщения и обновления знаний о предметной области и опыта функциониования ИС. По сути, это двухуровневая система, нижний уровень которой представляет обычную формальную систему, а верхний – модель её адаптации к реальным условиям применения.

149

1. Построение базы знаний. Исследование и описание предметной области. Выбор модели представления и формализация знаний.

База знаний - совокупность систематизированных основополагающих сведений, относящихся к определённой области знания, хранящихся в памяти ЭВМ, объём которых необходим и достаточен для решения заданного круга теоретических или практических задач. В системе управления БЗ используются методы искусственного интеллекта, специальные языки описания знаний, интеллектуальный интерфейс.

Машины, реализующие алгоритмы искусственного интеллекта, называются машинами, основанными на знаниях, а подраздел теории искусственного интеллекта, связанный с построением экспертных систем, - инженерией знаний.

Знания о предметной области, ее объектах и закономерностях описываются на некотором формальном языке, называемом языком представления знаний (ЯПЗ). При этом ЯПЗ должен обеспечивать не только возможность формальной записи знаний, но и необходимую обработку элементов этой записи. Совокупность знаний, хранящаяся во внешней памяти ЭВМ, называется системой знаний; над ней производятся различные операции: поиск необходимой информации, ее модификация, интерпретация знаний, вывод новых знаний на основе имеющихся и т.д. Организация интеллектуальных компьютерных систем работы со знаниями в той или иной прикладной области зависят не только от специфики самих систем, но и в существенной мере от используемых ЯПЗ и метода хранения системы знаний в ЭВМ. В современных ИИ-системах знания хранятся в специальных БД - базах знаний (БЗ). Существует самая непосредственная аналогия между понятиями модель данных, используемая в БД-технологии и понятием способ представления знаний в БЗ-технологии.

Грубо говоря, можно сказать, что если БД содержит собственно данные о некоторой предметной области, то БЗ содержит как сами данные, так и описание их свойств. Однако между БД и БЗ существуют принципиальные различия, рассматриваемые ниже

Процесс построения БЗ на основе информации эксперта состоит из трех этапов: описание предметной области, выбор способа и модели представления знаний и приобретение знаний.

Сам процесс построения БЗ достаточно сложен, как правило, плохо структурирован и носит итеративный характер, заключающийся в циклической модификации БЗ на основе результатов ее тестирования.

На первом шаге построения БЗ четко очерчивается предметная область, на решение задач из которой ориентируется проектируемая ЭС, т.е. инженер знаний определяет область применения будущей системы и класс решаемых ею задач. В перечень работ данного шага входят: (1) определение характера решаемых ЭС задач и основных понятий, объектов предметной области, а также отношений между ними; (2) установление специфических особенностей предметной области и (3) выбор модели представления знаний.

После решения первых двух вопросов инженер знаний формально описывает предметную область на языке представления знаний (ЯПЗ), т.е. создает модель представления знаний. В настоящее время универсальный способ представления знаний отсутствует, поэтому инженер знаний должен максимально учитывать специфику исходной предметной области. Полученная после формализации предметной области БЗ может быть уже конкретно реализована программными средствами, например на ЯВУ таких, как Pascal, C, Prolog, Fortran, Forth и др.

Модели представления знаний.

Во многих случаях для принятия решений в той или иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность действий, заведомо приводящих к необходимому результату.

Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о предметной области.

150