Реферат: ЭС как разновидность систем искусственного интеллекта
ЭС как
разновидность систем искусственного интеллекта
1. Структура
ЭС.
2.
Определение знаний и базы знаний (БЗ).
Основным
элементом БЗ являются знания о предметной области, в которой должна
функционировать ЭС.
Знание - это
совокупность сведений, образующих целостное описание соответствующее
определенному уровню осведомленности об описываемой проблеме.
Основное
отличие знаний от данных в том, что данные описывают лишь конкретное состояние
объектов или группы объектов в текущий момент времени, а знания кроме данных
содержат сведения о том как оперировать этими данными.
В БЗ ЭС знания
должны быть обязательно структурированы и описаны терминами одной из модели
знаний. Выбор модели знаний - это наиболее сложный вопрос в проектировании ЭС,
так как формальное описание знаний оказывает существенное влияние на конечные
характеристики и свойства ЭС.
В рамках одной
БЗ все знания должны быть однородно описаны и простыми для понимания.
Однородность описания диктуется тем, что в рамках ЭС должна быть разработана
единая процедура логического вывода, которая манипулирует знаниями на основе
стандартных типовых подходов. Простота понимания определяется необходимостью
постоянных контактов с экспертами предметной области, которые не обладают
достаточными знаниями в компьютерной технике.
Знания
подразделяются с точки зрения семантики на факты и эвристики. Факты как правило
указывают на устоявшиеся в рамках предметной области обстоятельства, а
эвристики основываются на интуиции и опыте экспертов предметной области.
По степени
обобщенности описания знания подразделяются на:
Поверхностные -
описывают совокупности причинно- следственных отношений между отдельными
понятиями предметной области.
Глубинные -
относят абстракции, аналогии, образцы, которые отображают глубину понимания
всех процессов происходящих в предметной области.
Введение в базу
глубинных представлений позволяет сделать систему более гибкой и адаптивной,
так как глубинные знания являются результатом обобщения проектировщиком или
экспертом первичных примитивных понятий.
По степени
отражения явлений знания подразделяются на:
Жесткие -
позволяют получить однозначные четкие рекомендации при задании начальных
условий.
Мягкие -
допускают множественные расплывчатые решения и многовариантные рекомендации.
Тенденции
развития ЭС.
М
II I
П Г
III IV
Ж
М,Ж - мягкие,
жесткие знания.
П,Г -
поверхностные, глубинные знания.
медицина,
управление
психодиагностика,
планирование
диагностика
неисправностей разного вида
проектирование
различных видов устройств
Обычно при
проектировании БЗ проектировщик старается пользоваться стандартной моделью
знаний (МЗ):
продукционная
модель знаний (системы продукции)
логическая МЗ
фреймовая МЗ
реляционная МЗ
По форме
описания знания подразделяются на:
Декларативные
(факты) - это знания вида “А есть А”.
Процедурные -
это знания вида “Если А, то В”.
Декларативные
знания подразделяются на объекты, классы объектов и отношения.
Объект - это
факт, который задается своим значением.
Класс объектов
- это имя, под которым объединяется конкретная совокупность объектов-фактов.
Отношения -
определяют связи между классами объектов и отдельными объектами, возникшие в
рамках предметной области.
К процедурным
знаниям относят совокупности правил, которые показывают, как вывести новые
отличительные особенности классов или отношения для объектов. В правилах
используются все виды декларативных знаний, а также логические связки. При
обработке правил следует отметить рекурсивность анализа отношений, т.е. одно
правило вызывает глубинный поиск всех возможных вариантов объектов БЗ.
Граница между
декларативными и процедурными знаниями очень подвижна, т.е. проектировщик может
описать одно и то же как отношение или как правило.
Во всех видах
моделей выделен еще один вид знаний - метазнания, т.е. знания о данных.
Метазнания могут задавать способы использования знаний, свойства знаний и т.д.,
т.е. все, что необходимо для управления логическим выводом и обучением ЭС.
3.
Определение понятий логического вывода.
Аппарат
логического вывода предназначен для формирования новых понятий, т.е. решений в
рамках определенной предметной области. Как правило логический вывод тесно
связан с конкретной моделью знаний и оперирует терминологией этой модели. Есть
несколько общих понятий для всех МЗ:
стратегия
вывода
управляющая
структура
В ЭС
применяется стратегия вывода в виде прямой и обратной цепочек рассуждения.
Прямая стратегия ведет от фактов к гипотезам, а обратная пытается найти данные
для доказательства или опровержения гипотезы.
В современных
ЭС применяются комбинированные стратегии, которые на одних этапах используют
прямую, а на других обратную цепочки рассуждения.
Управляющая
структура - это способ применения или активизации правил в процессе формирования
решений. Управляющая структура полностью зависит от выбранной проектировщиком
модели.
Например, для
продукционной модели наиболее часто используются такие управляющие структуры:
последовательный
перебор правил
одно
подмножество правил применяется для выбора очередного правила
Независимо от
формы управляющей структуры в процессе поиска решений в некоторых точках поиска
возникает необходимость выбора последующего направления поиска. Используется
два метода:
“сначала
вглубь”
“сначала вширь”
Важной проблемой,
которая требует обязательного решения в рамках аппарата логического вывода,
является подтверждение или оценка достоверности формируемых системой частичных
или общих решений. Трудность заключается в том, что ЭС как правило, работают с
нечеткими, часто неопределенными понятиями, которые должны быть строго оценены
и иметь четкую форму выражения.
Термин
“нечеткость” в ЭС недостаточно определен ив инженерии знаний используется такая
классификация нечеткости:
недетерминированность
вывода
многозначность
ненадежность
знаний
неполнота
неточность
Под
недетерминированностью вывода подразумевается возможность формирования плана
решения задачи из определенных правил методом проб и ошибок, с возвратами при
необходимости для построения других, более эффективных планов. С целью
ускорения поиска эффективного плана в систему вводят оценочные функции разного
вид, а также эвристические значения экспертов.
Многозначность
интерпретации знаний в процессе выработки решений устраняется за счет включения
в систему более широкого контекста и семантических ограничений.
Метод
семантических ограничений называется методом релаксации. Суть его в том, что с
помощью циклических операций применяются локальные ограничения, которые
согласовываются между собой на верхнем уровне.
Ненадежность.
Для устранения ненадежности знаний, которая довольно часто используется в ЭС,
используются методы основанные на нечеткой логике: расчет коэффициентов
уверенности, метод Байеса и т.д. Нечеткая логика - разновидность непрерывной
логики, в которой логические формулы могут принимать значения не только 0 или
1, но и все дробные значения между 0 и 1 для указания частичной истины.
Наиболее слабое место в нечеткой логике - это реализация функции
принадлежности, т.е. присваивание предпосылкам весовых значений экспертами
(зависит от конкретного человека).
Если tx
и ty значения истинности предпосылок правил x и y, тогда при
использовании логических связок “и/или” истинное значение предпосылки
определяется следующим образом:
- при связи “и”
- tпредпосылки =min{tx,ty}
- при связи
“или” - tпредпосылки =max{tx,ty}
Если в общем
случае tправила есть истинное значение, приписываемое правилу, то
тогда tправила определяется:
tправила
=min{tпредпосылки,tдействия}.
Методы нечеткой
логики:
Коэффициент
уверенности - это разница между двумя мерами: мерой доверия и мерой недоверия.
КУ[h:e]=МД[h:e]-МНД[h:e]
КУ[h:e] -
коэффициент уверенности в гипотезе h с учетом свидетельств e, МД/МНД - мера
доверия / недоверия.
Коэффициент
уверенности может принимать значения от -1 (абсолютная ложь) до +1 (абсолютная
истина), а также все промежуточные значения между ними. При этом 0 означает
полное незнание. Значения меры доверия и меры недоверия могут изменяться от 0
до 1.
Основной
недостаток: очень трудно отличить случай противоречивых свидетельств от случая
недостаточной информации.
В основе метода
Байеса лежит оценка конкурирующих гипотез. Основная расчетная формула:
ОП[h:e]=Р[h:e]/Р[h’:e]
ОП - отношение
правдоподобия, которое определяется как вероятность события или свидетельства e
при условии заданной гипотезы h, деленное на вероятность этого свидетельства
при условии ложности данной гипотезы h.
Неполные знания
характерны для реального мира и предполагают наличие множества исключений и
ограничений для конкретных высказываний, которые не принимаются во внимание,
исходя из здравого смысла.
В ЭС
предполагается работа с неполными знаниями. При проектировании БЗ в базу
вносятся всегда только верные знания, а неопределенные знания считаются
неверными - гипотеза закрытого мира.
5 - Неточность
вывода присутствует в ЭС и связана с тем, что в реальном мире система работает
с нечеткими множествами, поэтому для устранения неточности используется теория
нечетких множеств.
4.
Организация интерфейса с пользователем в ЭС.
В блоке
“интерпретатор запросов и объяснение результатов” предназначен для
функционирования системы в режиме эксплуатации при работе с конечным
пользователем. Интерпретатор запросов формирует обращение пользователей к
системе, а блок объяснения результатов комментирует весь ход формирования
решения в системе. По теории ЭС оба эти блока должны иметь развитые средства
общения с пользователем на языке, максимально приближенном к естественному. В
настоящее время целое научное направление занимается вопросами создания
интерфейса на естественном языке. Интерпретатор запросов производит
редактирование обращения пользователя и формирует на его основе задачу для
системы. В интерпретаторе должны быть предусмотрены средства устранения
неопределенности запросов, а также производятся синтаксический и семантический
анализ запроса. Неопределенность порождается, как правило, некомпетентностью
пользователя. В некоторых случаях объективная оценка целого ряда факторов,
описывающих конкретную ситуацию, может быть объективно невозможна. В
интерпретаторе запросов предусматривается система уточняющих вопросов к
пользователю, а также разрабатывается специальный аппарат, позволяющий на
основе анализа контекста запроса назначить недостающие значения показателей по
умолчанию. В запросе пользователя используется, как правило, декларативные
знания, которые обязательно контролируются как на семантическом, так и на
синтаксическом уровне. Интерпретатор преобразовывает декларативные знания
запросов в те формализмы, которые используются в модели БЗ. Чем проще
пользователю обращаться к системе на естественном языке, тем сложнее
интерпретатор запросов.
В блоке
объяснения должно быть предусмотрено полное текстовое объяснение с
использованием когнетивных функций всего хода решения задачи, а также описание
стратегии поведения системы на сложных этапах выработки решений.
Блок обучения
функционирует в режиме актуализации БЗ на этапе ее проектирования и
эксплуатации и взаимодействует с экспертами предметной области. Его основная
задача - это формализация знаний полученных от эксперта в соответствии с
выбранной проектировщиком моделью знаний. В этом блоке объединяются функции
интерпретатора запросов и блока объяснения. Блок объяснения должен реализовать
общение с экспертом на естественном языке.
Список
литературы
Для подготовки
данной работы были использованы материалы с сайта http://www.parny.by.ru/
|
