Что такое представление знаний

Представление знаний

Представление знаний — вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в исследованиях искусственного интеллекта. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике — с подбором представления конкретных и обобщённых знаний, сведений и фактов для накопления и обработки информации в ЭВМ. Главная задача в искусственном интеллекте (ИИ) — научиться хранить знания таким образом, чтобы программы могли осмысленно обрабатывать их и достигнуть тем подобия человеческого интеллекта.

Под термином «представление знаний» чаще всего подразумеваются способы представления знаний, ориентированные на автоматическую обработку современными компьютерами, и, в частности, представления, состоящие из явных объектов (‘класс всех слонов’, ‘Клайд — индивид’) и из суждений или утверждений о них (‘Клайд — слон’, ‘все слоны серые’). Представление знаний в подобной явной форме позволяет компьютерам делать дедуктивные выводы из ранее сохранённого знания (‘Клайд — серый’).

Содержание

Представление знаний в ИИ

Исследователи ИИ используют теории представления знаний из когнитологии. Такие методы, как фреймы, правила вывода и семантические сети пришли в ИИ из теорий обработки информации человеком. Поскольку знание используется для достижения разумного поведения, фундаментальной целью дисциплины представления знаний является поиск таких способов представления, которые делают возможным процесс логического вывода, то есть создание знания из знаний.

Некоторые вопросы, которые возникают в представлении знаний с точки зрения ИИ:

Было очень немного скрупулёзного, нисходящего обсуждения вопросов представления знаний, и исследования в данной области так по сути и не продвинулись за последние годы. Есть хорошо известные проблемы, такие как «spreading activation» (задача навигации в сети узлов), категоризация (это связано с выборочным наследованием; например, вездеход можно считать специализацией (особым случаем) автомобиля, но он наследует только некоторые характеристики) и классификация. Например, помидор можно считать как фруктом, так и овощем.

Решение сложных задач часто может быть упрощено правильным выбором метода представления знаний. Опредёленный метод может сделать какую-либо область знаний легко представимой. Например, диагностическая экспертная система MYCIN использовала схему представления знаний, основанную на правилах. Неправильный выбор метода представления затрудняет обработку. В качестве аналогии можно взять вычисления в индо-арабской или римской записи. Деление в столбик проще в первом случае и сложнее во втором. Аналогично, не существует такого способа представления, который можно было бы использовать во всех задачах, или сделать все задачи одинаково простыми.

История

Для структурирования информации, а также организации баз знаний и экспертных систем были предложены несколько способов представления знаний. Одно из них — представление данных и сведений в рамках логической модели баз знаний.

В 1970-х и начале 1980-х были предложены, и с переменным успехом опробованы многочисленные методы представления знаний, например эвристические вопросно-ответные системы, нейросети, доказательство теорем и экспертные системы. Главными областями их применения в то время были медицинская диагностика (MYCIN) и игры (например, шахматы).

В 1980-х годах появились формальные компьютерные языки представления знаний. Основные проекты того времени пытались закодировать (занести в свои базы знаний) огромные массивы общечеловеческого знания. Например, в проекте «Cyc» была обработана большая энциклопедия, и кодировалась не сама хранящаяся в ней информация, а знания, которые потребуются читателю, чтобы понять эту энциклопедию: наивная физика, понятия времени, причинности и мотивации, типичные объекты и их классы. Проект Cyc развивается компанией Cycorp, Inc.; большая часть (но не вся) их базы свободно доступна.

Данная работа привела к более точной оценке сложности задачи представления знаний. Одновременно в математической лингвистике были созданы гораздо более объёмные базы языковой информации, и они, вместе с огромным приростом скорости и объёмов памяти компьютеров сделали более глубокое представление знаний более реальным.

Было также разработано несколько языков программирования, ориентированных на представление знаний. Пролог (разработанный в 1972 году, [1] но получивший популярность значительно позже) описывает высказывания и основную логику, и может производить выводы из известных посылок. Ещё больше нацелен на представление знаний язык KL-ONE (1980-е).

В области электронных документов были разработаны языки, явно выражающие структуру хранимых документов, такие как SGML (а впоследствии — XML). Они облегчили задачи поиска и извлечения информации, которые в последнее время всё больше связаны с задачей представления знаний. Большой интерес проявляется к технологии семантической паутины, в которой основанные на XML языки представления знаний, такие как RDF, Карта тем и другие используются для увеличения доступности компьютерным системам информации, хранящейся в сети.

Связи и структуры

Сегодня широко используются гиперссылки, однако близкое понятие семантической ссылки ещё не вошло в широкое употребление. Со времён Вавилона использовались математические таблицы. Позже эти таблицы использовались для представления результатов логических операций, например таблицы истинности использовались для изучения и моделирования булевой логики. Табличные процессоры также являются примером табличного представления знаний. Другим методом представления знаний являются деревья, с помощью которых можно показать связи между фундаментальными концепциями и их производными.

Относительно новый подход к управлению знаниями — визуальные способы представления, например разработанный компанией TheBrain Technologies Corp. «плекс». Они дают пользователю способ визуализировать как мысль или идея связана с другими идеями, позволяя перемещаться от одной мысли к другой для того, чтобы найти требующуюся информацию. Данный подход развивают несколько компаний. Другие визуальные инструменты поиска созданы компаниями Convera, Entopia, Inc., EPeople Inc., и Inxight Software Inc.

Хранение и обработка знаний

Одна из проблем в представлении знаний — как хранить и обрабатывать знания в информационных системах формальным способом так, чтобы машины могли использовать их для достижения поставленных задач. Примеры применения — экспертные системы, Машинный перевод, компьютеризированное техническое обслуживание и системы извлечения и поиска информации (включая пользовательские интерфейсы баз данных).

Семантические сети

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

Одна из самых выразительных и детально описанных парадигм представления знаний, основанных на семантических сетях — MultiNet (акроним для «многослойные расширенные семантические сети», англ. Multilayered Extended Semantic Networks ).

Фреймы

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 дом мог бы содержать слоты цвет, количество этажей и так далее.

Использование фреймов в экспертных системах является примером объектно-ориентированного программирования с наследованием свойства, которое описывается связью «is-a» («является»). Однако в использовании связи «is-a» существовало немало противоречий: Рональд Брахман написал работу, озаглавленную «Чем является и не является IS-A», в которой были найдены 29 различных семантик связи «is-a» в проектах, чьи схемы представления знаний включали связь «is-a». Другие связи включают, например, «has-part» («имеет своей частью»).

Фреймовые структуры хорошо подходят для представления знаний, представленных в виде схем и стереотипных когнитивных паттернов. Элементы подобных паттернов обладают разными весами, причем большие веса назначаются тем элементам, которые соответствуют текущей когнитивной схеме (schema). Паттерн активизируется при определённых условиях: если человек видит большую птицу, при условии что сейчас активна его «морская схема», а «земная схема» — нет, он классифицирует её скорее как морского орлана, а не сухопутного беркута.

Фреймовые представления объектно-центрированы в том же смысле, что и семантическая сеть: все факты и свойства, связанные с одной концепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы на поиск по базе данных.

Скрипт — это тип фреймов, который описывает последовательность событий во времени; типичный пример — описание похода в ресторан. События здесь включают ожидание места, прочитать меню, сделать заказ, и так далее.

Различные решения в зависимости от их семантической выразительности могут быть организованы в так называемый семантический спектр (англ. Semantic spectrum ).

Язык и нотация

Некоторые люди считают, что лучше всего будет представлять знания так же, как они представлены в человеческом разуме, который является единственным известным на сегодняшний день работающим разумом, или же представлять знания в форме естественного языка. Доктор Ричард Баллард, например, разработал «семантическую систему, базирующуюся на теории», которая не зависит от языка, которая выводит цель и рассуждает теми же концепциями и теориями что и люди. Формула, лежащая в основе этой семантики: Знание=Теория+Информация. Большинство распространенных приложений и систем баз данных основаны на языках. К несчастью, мы не знаем как знания представляются в человеческом разуме, или как манипулировать естественными языками также как это делает человек. Одной из подсказок является то, что приматы знают как использовать интерфейсы пользователя Наведи-и-кликни (англ. Point-and-click ); таким образом интерфейс жестов, похоже, является частью нашего когнитивного аппарата, модальность которая не привязана к устному языку, и которая существует у других животных кроме человека.

Поэтому для представления знаний были предложены различные искусственные языки и нотации. Обычно они основаны на логике и математике, и имеют легко читаемую грамматику для облегчения машинной обработки. Обычно они попадают в широкую область онтологий.

Нотация

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

Логика первого порядка и язык Пролог широко используется в качестве математической основы для этих систем, чтобы избежать избыточной сложности. Однако даже простые системы основанные на этой простой логике можно использовать для представления данных которое значительно лучше возможностей обработки для нынешних компьютерных систем: причины раскрываются в теории вычислимости.

Языки

Языки делятся на искусственные и естественные.

Естественные языки формировались и формируются национальными или профессиональными (? источник-?) сообществами людей. Знания передаются от одного человека к другому, после их перевода на язык, который понимают человек источник знания и человек приемник знания.

Искусственные языки создавались и создаются для связи человека с машинами.

Примеры искусственных языков которые используются преимущественно для представления знаний:

Методы и формализмы

Методы и формализмы представления знаний — название раздела I.2.4 в Компьютерной классификации ACM (англ. ACM Computing Classification System ).

Данная секция расположена под:

Она включает следующие темы:

См. также

Примечания

Литература

Ссылки

Инженерия знаний
Общие понятия	Данные · Метаданные · Знания · Метазнание · Представление знаний · База знаний · Онтология · Семантическая паутина
Жёсткие модели	Продукции · Семантические сети · Фреймы · Логическая модель
Мягкие методы	Нейросети · Эволюционное моделирование · Нечёткая логика
Применения	Экспертные системы · Интеллектуальный анализ данных · Извлечение информации · Виртуальные собеседники · Гибридные интеллектуальные системы
Искусственный интеллект · Машинное обучение · Обработка естественного языка

Полезное

Смотреть что такое «Представление знаний» в других словарях:

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ — ПРЕДСТАВЛЕНИЕ ЗНАНИЙ направление методологии науки и системных исследований, изучающее прагматические характеристики научного знания, т. е. зависимость организации знания от требований деятельности, в которую его предполагается включить.… … Философская энциклопедия

Представление знаний — структурирование знаний с целью формализации процессов решения задач в определенной проблемной области. См. также: Представление знаний Формальные знания Финансовый словарь Финам … Финансовый словарь

ПРЕДСТАВЛЕНИЕ ЗНАНИЙ — (репрезентация знаний) (англ. knowledge representation) форма организации данных разной степени сложности и разного объема в квазиинтеллектуальных системах с применением компьютерной техники. См. Искусственный интеллект, Семантические сети … Большая психологическая энциклопедия

представление знаний — Организация знаний в виде структуры данных. [http://www.morepc.ru/dict/] Тематики информационные технологии в целом EN knowledge representationKR … Справочник технического переводчика

представление знаний — Когнитивная наука задается вопросом, как живые организмы сортируют объекты окружающего мира по категориям. Объект может относиться к любому периодически встречающемуся классу переживаний от конкретной сущности до абстрактной идеи. Поэтому… … Словарь технической реальности: Культурная интеллигенция социальный контроль

Представление информации — Представление знаний вопрос, возникающий в когнитологии (науке о мышлении), в информатике и в искусственном интеллекте. В когнитологии он связан с тем, как люди хранят и обрабатывают информацию. В информатике основная цель подбор представления … Википедия

представление — См. воззрение, зрелище, изображение, мнение, мысль, понятие, просьба. Словарь русских синонимов и сходных по смыслу выражений. под. ред. Н. Абрамова, М.: Русские словари, 1999. представление понятие; зрелище; воззрение, изображение, мнение,… … Словарь синонимов

представление коллективное — термин, предложенный французским социологом Э. Дюркгеймом для обозначения компонент системы знаний, мнений и норм поведения сложившихся в социальном опыте. Использовался, для объяснения социального происхождения человеческой психики, которое,… … Большая психологическая энциклопедия

Логическая модель представления знаний — Логическая модель представления знаний модель в представлении знаний. Основная идея подхода при построении логических моделей представления знаний вся информация, необходимая для решения прикладных задач, рассматривается как… … Википедия

База знаний — (БЗ; англ. knowledge base, KB) в информатике и исследованиях искусственного интеллекта это особого рода база данных, разработанная для оперирования знаниями (метаданными). База знаний содержит структурированную информацию, покрывающую… … Википедия

Источник

Представления знаний в интеллектуальных системах, экспертные системы

Введение

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

Продукционная МПЗ

Пример

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Источник