ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПОЛУЧЕНИЯ ЗНАНИЙ

Язык и нотация

Хранение и обработка знаний

Одной из проблем в представлении знаний является хранение и обработка знаний в информационных системах формальным способом так, чтобы механизмы могли использовать их для достижения поставленных задач.

Для представления знаний можно использовать семантические сети. Каждый узел такой сети представляет концепцию, а дуги используются для определения отношений между концепциями.

Начиная с 1960-х годов, использовалось понятие фрейма знаний или просто фрейма. Каждый фрейм имеет своё собственное имя и набор атрибутов или слотов, которые содержат значения; например фрейм «Вертикально-сверлильные станки» мог бы содержать слоты: «Напряжение питания», «Потребляемая мощность», «Максимальный диаметр сверления», «Ход шпинделя», «Размер стола» и др.

Использование фреймов в экспертных системах является примером объектно-ориентированного программирования, с наследованием свойств, которое описывается связью «is-a». Однако в использовании связи «is-a» существует немало противоречий.

Фреймовые структуры хорошо подходят для представления знаний, представленных в виде схем и стереотипных паттернов (паттерн – образец, шаблон, модель). Элементы подобных паттернов обладают разными весами, причем большие весы назначаются тем элементам, которые соответствую текущей познавательной схеме. Паттерн активизируется при определённых условиях: Если человек видит большую птицу при условии, что сейчас активна его «морская схема», а не «земная схема», он классифицирует её скорее как морского орлана, а не сухопутного беркута.

Для представления знаний были предложены различные искусственные языки и нотации (нотация – совокупность графических и словесных обозначений, используемых для записи чего-либо). Обычно они основаны на логике и математике, и имеют легко читаемую грамматику для облегчения машинной обработки. Обычно они попадают в широкую область онтологий.

Последней модой в языках представления знаний является использование XML в качестве низкоуровневого синтаксиса. Это приводит к тому, что машины могут легко проводить синтаксический анализ и вывод этих языков представления знаний, за счёт удобочитаемости для человека.

Стратегии получения знаний

Существует несколько стратегий получения знаний. Наиболее распространенные:

• приобретение;

• извлечение;

•формирование.

Под приобретением знанийпонимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы. При этом структура знаний заранее закладывается в программу. Эта стратегия требует существенной предварительной проработки предметной области. Большинство инструментальных средств, предназначенных для приобретения знаний, в этом случае специально ориентировано на конкретные экспертные системы с жестко обозначенной предметной областьюи моделью представления знаний, т.е.не являютсяуниверсальными.

Термин извлечение знаний касается непосредственногоживого контакта инженера познаниям и источниказнаний. Этот термин более точно выражает смысл процедуры переноса компетентности экспертачерез инженера по знаниям в базузнаний экспертной системы.

Термин формирование знаний закрепился за областью инженериизнаний, которая занимаетсяразработкой моделей, методов и алгоритмов анализа данных для получения знаний и обучения. Эта область включает индуктивные моделиформирования гипотез на основе обучающих выборок, обучение по аналогии и другие методы.

Таким образом, можно выделитьтри стратегии проведения стадии получения знаний при разработке экспертных систем.

 

 

На современном этапе разработки экспертных систем в нашей стране стратегия извлечениязнаний является наиболее актуальной, поскольку промышленных системприобретения и формированиязнаний наотечественном рынке программных средств практически нет.

Извлечение знаний – это процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными процесс рассуждений специалистовпри принятии решения и структура их представлений о предметной области.

В настоящее время большинство разработчиков экспертных систем отмечают, что процесс извлечениязнаний остается самым«узким местом» при построении промышленных систем.

Процесс извлечениязнаний – этодлительная и трудоемкая процедура, в которой инженеру по знаниям необходимо воссоздать модель предметной области, которой пользуются эксперты для принятия решения. Часто начинающие разработчики экспертных систем, желая избежать этой мучительной процедуры, задают вопрос: может ли эксперт сам извлечь из себя знания? Помногим причинамэтонежелательно.

Во-первых, большая частьзнаний эксперта - эторезультат многочисленных наслоений, ступеней опыта. И часто зная, чтоиз А следует В, экспертне дает себе отчета, что цепочка его рассуждении была гораздо длиннее, например С –>D, D –> А, А –> В.

Во-вторых, как было известно еще древним, мышление диалогично. И поэтому диалог инженера по знаниям и эксперта – наиболее естественная форма «раскручивания» лабиринтовпамяти эксперта, в которых хранятся знания, частью носящие невербальный характер, т.е. выраженныене в форме слов, а например, в форме наглядных образов. Именно в процессе объяснения инженеру по знаниям эксперт на эти размытые ассоциативные образы надевает четкие словесные ярлыки,т.е. вербализует знания.

В-третьих, эксперту гораздо труднее создать модель предметной области вследствие той глубины и необозримости информации, которой он обладает. Многочисленные причинно-следственные связи реальной предметной области образуют сложную систему,из которой выделить главнуюструктуру, иногда проще аналитику, владеющему к тому же системной методологией. Любая модель – это упрощение, а упрощать легче с меньшим знанием деталей.

Существует три основных аспектаизвлечениязнаний: психологический, лингвистический, гносеологический.