26.Данные и знания. Логическая модель представления знаний. Продукционная модель представления данных.

Данные - сведения, представленные в определенной знаковой системе и на определенном материальном носителе для обеспечения возможностей хранения, передачи, приема и обработки.

Знание – зафиксированная и проверенная практикой информация, которая может многократно использоваться людьми для решения тех или иных задач – см. глубинные знания, процедурные знания.

При изучении ИИ возникает вопрос: «Что такое знания и чем они отличаются от данных?». Приведем определение.

Данные — это отдельные факты, характеризующие объекты, процессы и явления предметной области. а также их свойства.

При обработке на ЭВМ данные трансформируются, последовательно проходя следующие этапы:

Данные, существующие как результат измерений и наблюдений;

Данные на материальных носителях информации — в таблицах, протоколах, справочниках;

Структуры данных в виде диаграмм, графиков, функций

Логическая модель представляет собой формальную систему – некоторое логическое исчисление. Все знания о предметной области описываются в виде формул этого исчисления или правил вывода. Описание в виде формул дает возможность представить декларативные знания, а правила вывода – процедурные знания.

Пример. Когда температура в печи, достигает 120 градусов и прошло, менее 30 минут с момента включения, давление не может превосходить критическое. Если с момента включения печи прошло более 30 минут, то необходимо открыть вентиль №2.

Логическая модель представления этого знания имеет вид.

P(P=120) T(t<30) (D<Dкр);

P(P=120) T(t>30)=>F(№2)

В этой записи используются следующие обозначения:

P(P=120) – предикат, становящийся истинным, когда температура достигает 120 градусов.

T(t<30) – предикат, остающийся истинным в течение 30 минут с начало процесса.

T(t>30) – предикат, становящийся истинным по истечению 30 минут с начало процесса.

(D<Dкр) – утверждение о том, что давление ниже критического;

F(№2) – команда открыть вентиль №2.

Первая строчка в записи представляет декларативные знания, а вторая процедурные.

Языки представления знаний логического типа широко использовались на ранних стадиях развития интеллектуальных систем, но вскоре были вытеснены языками других типов. Объясняется это громоздкостью записей, опирающиеся на классические логические исчисления. При формировании таких записей легко допустить ошибки, а поиск их очень сложен.

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).

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтвержде­ния — к данным). Данные — это исходные факты, на основании которых запускается ма­шина вывода — программа, перебирающая правила из базы.

Пример 1. Имеется фрагмент базы знаний из двух правил:

П1: Если «отдых — летом» и «человек — активный», то «ехать в горы».

П2: Если «любит солнце», то «отдых летом».

Предположим, в систему поступили данные — «человек активный» и «любит солнце».

Прямой вывод — исходя из данных, получить ответ.

1-й проход.

Шаг 1. Пробуем П1, не работает (не хватает данных «отдых — летом»).

Шаг 2. Пробуем П2, работает, в базу поступает факт «отдых — летом».

2-й проход.

Шаг 3. Пробуем П1, работает, активируется цель «ехать в горы», которая и выступает как совет, который дает ЭС.

Обратный вывод — подтвердить выбранную цель при помощи имеющихся правил и

данных.

1-й проход.

Шаг 1. Цель — «ехать в горы»: пробуем П1 — данных «отдых — летом» нет, они ста­новятся новой целью, и ищется правило, где она в правой части.

Шаг 2. Цель «отдых — летом»: правило П2 подтверждает цель и активирует ее.

2-й проход.

Шаг 3. Пробуем П1, подтверждается искомая цель.

Продукционная модель чаще всего применяется в промышленных экспертных систе­мах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Сетевая модель представления знаний.

Более наглядными являются языки, опирающиеся на сетевую модель представления знаний. В основе такой модели лежит идея о том, что любые знания можно представить в виде совокупности объектов (понятий) и связей (отношений) между ними.

Любой текст, описывающий конкретные ситуации в реальном мире, всегда можно представить в виде совокупности взаимосвязанных понятий. Причем число базовых отношений не может быть бесконечным; все остальные отношения выражаются через базовые в виде их комбинации. Эта гипотеза служит основой утверждения о том, что семантические сети являются универсальным средством для представления знаний в интеллектуальных системах.

Семантические сети являются весьма мощным средством представления знаний. Однако для них характерны неоднозначность представлений знаний и неоднородность связей. И при автоматизации процесса использования и представления знаний такая неоднозначность и неоднородность заметно усложняют процессы, протекающие в интеллектуальных системах. Поэтому вполне естественно желание как-то унифицировать форму представления знаний, сделать ее максимально однородной. Одним из способов решения этой задачи в ИИ послужил переход к специальному представлению вершин в сети и унификация связей между вершинами (фреймами).

Фреймовая модель представления знаний.

Фрейм – это минимально возможное описание сущности какого-либо явления, события, ситуации, процесса или объекта.

Слово «фрейм» в переводе с английского языка означает «рамка»

Структуру фрейма можно представить так: Фрейм имеет почти однородную структуру и состоит из стандартных единиц, называемых слотами. Каждая такая единица – слот – содержит название и свое значение. Изображается фрейм в виде цепочки:

Фрейм =<слот 1><слот 2>…<слот N>.

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на ос­20овее поступающих данных.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

• фреймы-структуры, 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

Важнейшим свойством теории фреймов я-я 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.