Представлення знань

1. Однією з найбільш важливих проблем, характерних для систем, заснованих на знаннях, є проблема представлення знань. Це пояснюється тим, що форма представлення знань впливає на характеристики і властивості системи. Центральним питанням побудови систем, заснованих на знаннях, є вибір форми (моделі, мови, методу) представлення знань

Існує багато способів представлення знань в сучасних експертних системах. Найчастіше використовується такі методи представлення знань: семантичні мережі, фрейми, логічні та продукційні моделі.

Семантичні мережі є однією з найбільш поширених форм представлення знань. Вони були запропоновані в 60-і роки минулого сторіччя як відображення уявлень про понятійний апарат людини. Значну роль у їхньому поширенні відіграли великі можливості семантичних мереж щодо відображення довільної структури понять предметної області та наявність розроблених математичних методів вирішення задач на графах.

У загальному випадку семантичну мережу може бути зображено у вигляді графу

G=(X, R),

де X={xi}, — множина вершин графу,

R={<xi , xj >}, — множина дуг.

Вершини графу відповідають поняттям предметної області, а дуги — відношенням між ними (рис. 3).

Рис. 3. Структура семантичної мережі

Як додаткові характеристики графу, залежно від реалізації, можуть бути введені типи вершин, дуг, імена і вагові коефіцієнти відношень тощо.

Характерна особливість семантичних мереж – обов’язкова присутність трьох типів відносин (рис.4):

• клас, до якого належить певне поняття;

• властивості, що виділяють це поняття серед інших понять певного класу;

• приклад певного поняття.

Рис.4. Базові відношення семантичних мереж

Для побудови мережі, яка описує структуру події, спочатку потрібно виділити саму дію, яка, як правило, описується дієсловом і є "епіцентром" семантичної мережі. Потім виділяються інші поняття даної події, основними з яких є такі:

• агент (діюча особа);

• умова (логічна залежність між двома подіями);

• інструмент (предмет, явище або пристрій, що виконує дію);

• місце (де проходить подія);

• об'єкт (предмет, на який скерована дія);

• мета (для чого виконується дія);

• адресат (особа, яка використовує результати дії");

• якість (якісне або кількісне обмеження обсягу дії)

2. На рис.5 наведено семантичну мережу події, яку можна описати фразою “Для отримання заліку студент Петренко написав на “відмінно” гелевою ручкою контрольну роботу в аудиторії 15”.

Рис.5. Приклад семантичної мережі, що описує подію

3. 

Основними перевагами семантичних мереж є універсальність і можливість відображення теоретично необмеженої кількості понять і відношень предметної області. Cемантичні мережі придатні для масштабування, в них ефективно реалізується пояснення рішень, а експорт-імпорт знань є можливим практично в будь-які інші типи моделей представлення знань.

Недоліки семантичних мереж — висока обчислювальна складність реалізації процедур пошуку і логічного виводу для складних ієрархічних багаторівневих семантичних мереж

Продукційні моделі представлення знань були вперше запропоновані Е. Постом у 70-і роки. Асоціативні зв'язки між поняттями предметної області та відповідними реакціями виражаються у вигляді правил-продукцій виду «якщо — то», що адекватно відображують процеси логічного виводув розумі людини. Бази знань продукційного типу є сукупністю незалежних правил-продукцій та понять предметної області.

У загальному вигляді продукцію зображають у вигляді:

R=< I, Q, P, А=>В, N >,

де I — ім'я продукції;

Q — сфера застосування продукції (метазнання системи);

P — умова застосування ядра продукції;

- ядро продукції,

А — умова продукції;

B — наслідок продукції;

N — послідовність дій після застосування продукції.

Ядро продукції найчастіше має вигляд «якщо А то В». У базах знань інтелектуальних систем умова продукції A виступає як деяке речення-зразок, логічний вираз, за яким здійснюється пошук у базі знань. Наслідок продукції B виступає як дія, процедура, яка виконується при успішному завершенні пошуку. При цьому В може бути і вказівкою на одержання нової інформації.

С истеми обробки знань, які використовують продукційні правила, отримали назву продукційних систем. До складу продукційної системи входять база правил, база даних та інтерпретатор правил (рис.6). База правил - це область пам'яті, яка містить базу знань - сукупність знань, які представлені в формі правил вигляду "якщо-то"; база даних - це область пам'яті, яка містить фактичні дані (факти), що описують дані, які вводяться, і стан системи. Бази даних у різних системах мають різну форму, однак усі вони можуть бути описані як група даних, які містять ім'я даних, атрибути і значення атрибутів. Інтерпретатор є механізмом виведення, тобто тим компонентом системи, який формулює висновок, використовуючи базу правилі базу даних .

Рис. 6. Схема продукційної системи

Розглянемо приклад представлення знань в експертній системі MYCIN, яка призначена для роботи в області діагностики і лікування зараження крові та медичних інфекцій.

"ЯКЩО: 1) ЗАБАРВЛЕННЯ ОРГАНІЗМУ Є ГРАМНЕГАТИВНИМ, І

2) форма мікроорганізму - паличка, І

3) ОРГАНІЗМ Є АЕРОБНИЙ

ТО: Є ОСНОВИ ДУМАТИ (0.8), ЩО ЦЕЙ МІКРООРГАНІЗМ належить до класу enterobacteriaceae ".

Це правило говорить про те, що якщо організм має форму палички, плямисте забарвлення і активно розвивається в середовищі, насиченому киснем, то з великою ймовірністю він належить до класу enterobacteriaceae. Число 0,8 називається фактором впевненості, що виражає міру впевненості у правильності здійсненого висновку.

Часто продукційні правила мають декілька умов у посиланні. Однак висновок повинен бути єдиним (якщо висновків декілька, тоді знання логічно розділяють і доводять до вигляду правила з одним "ТО").

Правила в базі знань служать для представлення евристичних знань, тобто неформальних правил міркування, що виробляються експертом їй основі досвіду його діяльності.

Співставлення частин “якщо“ (правил з фактами) може утворити так званий ланцюжок виводу. Правила забезпечують природній спосіб опису процесів, що керуються складним і швидкозмінним середовищем. З допомогою правил можна визначити, як експертна система буде реагувати на зміну даних і при цьому не потрібно заздалегідь вказувати блок-схему управління обробкою даних

Продукційні моделі характеризуються такими перевагами: простота аналізу окремих продукцій, простота поповнювання бази знань, простота реалізації бази знань та висока ефективність механізмів логічного виводу для невеликих обсягів знань.

Недоліками продукційних моделей є: складність оцінки цілісного обсягу знань за окремими правилами, низька ефективність вирішення різнотипних задач; обмежена здатність продукційних систем до навчання; низька ефективність процедур обробки знань у разі необхідності вирішення складних задач.

Фреймові моделі знань були запропоновані у 70-і роки минулого сторіччя як окремий випадок семантичних мереж для відображення стереотипних ситуацій предметної області. Фреймові моделі у порівнянні із семантичними мережами дають більш формалізований і в той же час досить гнучкий «механізм» представлення знань. У рамках фреймових моделей вдалося значною мірою об'єднати декларативні знання про об'єкти і процедурні знання про методи витягу і перетворення інформації для досягнення заданих цілей.

Термін ”фрейм” (від англійської : frame — рамка) асоціюється з уявленням людиною про предмети, об’єкти, стереотипні ситуації, яке завжди обрамлено (обмежено) певними характеристиками та властивостями об’єкта чи ситуації. Кожному об’єкту (ситуації) ставиться у відповідність формальна конструкція – “фрейм”, а кожній характеристиці, властивості об’єкта — одне поле (слот) фрейма.

Формально фрейм можна подати такою структурою:

f [< v1, g1>, < v2, g2> …, <vn, gn>] ,

де f — ім’я фрейму; пара [< vi, gi>] — i й слот, vi — ім’я слота, gi — його значення.

Фрейми інколи поділяють на дві групи – фрейми - образи і рольові фрейми. В рольових фреймах в якості імен слотів виступають запитання, відповіді на які є значеннями слотів. Наприклад,

фрейм-образ: «лікарські засоби[<аспірин, 5 упак.>, <парацетамол, 10 упак.>, …,<…>],

фрейм-сценарій: «перевести[<що? аспірин>, <звідки? Львів>,<куди? Янів>… <…>]».

Слот може містити як декларативну, так і процедурну інформацію. Іншими словами, значенням слота може бути число, математичний вираз, текст, програма тощо. Слотом може бути набір слотів більш низького рівня. Значеннями слотів можуть бути також імена інших фреймів, що забезпечує зв’язок між фреймами.

Слот може містити не тільки конкретне значення, але й ім'я процедури, що дозволяє обчислити його за заданим алгоритмом, а також одну або декілька продукцій (евристик), за допомогою яких це значення можна знайти. У слот може входити не одне, а декілька значень. Іноді слот містить компонент, що називається фасетом і задає діапазон або перелік можливих значень. Фасет указує також граничні значення заповнювача слота.

Специфічною функцією у фреймах є демон. Демон задає процедуру, яка автоматично запускається, коли в його слот підставляється деяке значення або коли проводиться звірення значень.

Отже, з кожним слотом може бути зв'язана різноманітна інформація:

• процедура;

• способи отримання інформації про слот;

• значення, що приймаються за замовчуванням;

• правила логічного виведення.

Якщо, слоти фрейма не містять конкретних значень, то фрейм називають прототипом, еталоном, формуляром, фреймом-інтенсіоналом або просто фреймом. Фрейми з конкретними значеннями слотів називають фреймами-екземплярами, фреймами-прикладами, фреймами-примірниками.

У табл. 1 наведено приклад фрейму-екземпляра "Студент".

Таблиця 1

Ім'я слотаЗначення слота

ПрізвищеПетренко

Ім'яМаксим

По батьковіВасильович

Вищий навчальний закладЛьвівський національний медичний університет імені Данила Галицького

Факультетмедичний

Спеціальністьлікарська справа

Курсчетвертий

Група16

Середній рейтинг 186

Сукупність фреймів можна зобразити у вигляді графу. Вершини графа відповідають фреймам-екземплярам, а дуги - зв'язкам між ними.

Унаслідок сіткової організації та типізації вершин і зв'язків фреймові моделі претендують на компроміс між універсальністю і ефективністю логічного виводу. Проте, відсутність формальної семантики ускладнює логічну інтерпретацію і порівняння властивостей різних фреймових моделей. Крім того, внаслідок типізації вершин висуваються обмеження щодо поповнення бази новими типами знань.

На сучасному етапі робіт в області ЕС нерідко використовується змішана форма представлення знань, оскільки велика кількість розв'язуваних задач вимагає різного представлення знань. Такі ЕС називаються гібридними..

Джерелами знань для конкретної ЕС можуть бути підручники, довідники, матеріали конкретних досліджень у цій предметній області тощо. Самі розробники також можуть мати теоретичні знання і практичний досвід у даній області. Але класичним джерелом знань є експерт - професіонал у цій предметній області. Таким чином придбання знань вимагає врахування людського чинника. Для успішного вирішення цієї проблеми необхідні спільні зусилля математиків, програмістів, психологів.

Завдання:

1. Навести приклади бази знань, використовуючи різні моделі представлення знань.

2. В мережі Інтернет знайти приклади медичних експертних систем.

3. В текстовому редакторі описати призначення, модель представлення знань, типи задач, які вирішує кожна зі знайдених експертних систем.

Рекомендована література:

1. Гаврилова Т.А., Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. – М.: Радио и связь, 1992. – 200 с.

2. Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – СПб.: Питер, 2001. - 384 с.

3. Бакан Г.М. Вступ до теорії експертних систем та баз знань – К.:ВПЦ «Київський університет», 2005.-90с.

4. Джексон П. Введение в экспертные системы : Пер. с англ.: Уч. пособие. – М.: Издательский дом «Вильямс», 2001. – 624 с.

5. Готра О.З., Вуйцік В., Григор'єв В.В. Експертні системи – Львів: Ліга-Прес, 2006. – 290с