Сайт о роботах

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ


Науная статья об искусственном интеллекте.
Навигация
Самые интересные статьи
Динамичная скульптура робота
Динамичная скульптура робота
Разнообразие роботов не ограничивается конкретными шаблонами, по которым эти роботы создаются. Людям постоянно приходят в голову оригинальные интересные идеи, как...

Обратите внимание Будьте в курсе событий.

МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ


07.04.2007, 13:21

Продукционная модель

"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. 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.
Имеется большое число программных средств, реализующих продукционный подход (язык OPS 5; "оболочки" или "пустые" ЭС - EXSYS, ЭКСПЕРТ; инструментальные системы ПИЭС и СПЭИС и др.), а также промышленных ЭС на его основе (ФИАКР) и др.

Семантические сети

Термин семантическая означает смысловая, а сама семантика - это наука, устанавливающая отношения между символами и объектами, которые они обозначают, т.е. наука, определяющая смысл знаков.

"Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними."

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения - это связи типа: "это" ("is"), "имеет частью" ("has part"), "принадлежит", "любит". Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:
  • класс - элемент класса;
  • свойство - значение;
  • пример элемента класса.
    Можно ввести несколько классификаций семантических сетей. Например, по количеству типов отношений:
  • однородные (с единственным типом отношений);
  • неоднородные (с различными типами отношений).
    По типам отношений:
  • бинарные (в которых отношения связывают два объекта);
  • n-арные (в которых есть специальные отношения, связывающие более двух понятий).
    Наиболее часто в семантических сетях используются следующие отношения:
  • связи типа "часть-целое" ("класс-подкласс", "элемент-множество" и т.п.);
  • функциональные связи (определяемые обычно глаголами "производит", "влияет"...);
  • количественные (больше, меньше, равно...);
  • пространственные (далеко от , близко от, за, под, над ...);
  • временные (раньше, позже, в течение...);
  • атрибутивные связи ( иметь свойство, иметь значение...);
  • логические связи (и, или, не) и др.
    Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу. Пример. На рисунке изображена семантическая сеть. В качестве вершин - понятия: Человек, Иванов, Волга, Автомобиль, Вид транспорта, Двигатель.


    Основное преимущество этой модели - в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели - сложность поиска вывода на семантической сети.
    Для реализации семантических сетей существуют специальные сетевые языки, например NET и др.
    Широко известны экспертные системы, использующие семантические сети в качестве языка представления знаний - PROSPECTOR, CASNET, TORUS.

    Фреймы

    Фрейм (англ. frame - каркас или рамка) предложен М.Минским в 70-е гг. как структура знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.
    Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово "комната" вызывает у слушающих образ комнаты: "жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6 - 20 м2". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть "дырки", или "слоты", - это незаполненные значения некоторых атрибутов - количество окон, цвет стен, высота потолка, покрытие пола и др.
    В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.
    Структуру фрейма можно представить так:

    ИМЯ ФРЕЙМА :
    (имя 1-го слота: значение 1-го слота),
    (имя 2-го слота: значение 2-го слота),
    (имя N-ro слота: значение N-ro слота).

    Ту же запись представим в виде таблицы, дополнив двумя столбцами.



    В таблице дополнительные столбцы предназначены для описания типа слота и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма; так образуют сети фреймов.
    Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных.
    Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:
  • фреймы-с тру к туры, для обозначения объектов и понятий (заем, залог, вексель);
  • фреймы-роли (менеджер, кассир, клиент);
  • фр еймы-сце н ар и и (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. 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.
    Например, в сети фреймов на рисунке понятие "ученик" наследует свойства фреймов "ребенок" и "человек", которые находятся на более высоком уровне иерархии. Так, на вопрос: "Любят ли ученики сладкое?" Следует ответ: "Да", так как этим свойством обладают все дети, что указано во фрейме "ребенок". Наследование свойств может быть частичным, так, возраст для учеников не наследуется из фрейма "ребенок", поскольку указан явно в своем собственном фрейме.

    Основным преимуществом фреймов как модели представления знаний является способность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.
    Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language) и другие позволяют эффективно строить промышленные ЭС. Широко известны такие фреймо-ориентированные экспертные системы, как ANALYST, МОДИС.

    Формальные логические модели

    Традиционно в представлении знаний вьщеляют формальные логические модели, основанные на классическом исчислении предикатов I порядка, когда предметная область или задача описывается в виде набора аксиом. Мы же опустим описание этих моделей по следующим причинам. Исчисление предикатов I порядка в промышленных экспертных системах практически не используется. Эта логическая модель применима в основном в исследовательских "игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области.
    В промышленных же экспертных системах используются различные ее модификации и расширения, изложение которых выходит за рамки данного материала.