Реферат: Методы приобретения знаний в интеллектуальных системах
Введение.
Инженерия знаний – это область информационной технологий, цель которой –
накапливать и применять знания, не как объект обработки их человеком, но
как объект для обработки их на компьютере. Для этого необходимо
проанализировать знания и особенности их обработки человеком и
компьютером, а также разработать их машинное представление. К сожалению
точного и неоспоримого определения, что собой представляют знания, до
сих пор не дано. Но тем не менее цель инженерии знаний – обеспечить
использование знаний в компьютерных системах на более высоком уровне,
чем до сих пор – актуальна. Но следует заметить, что возможность
использования знаний осуществима только тогда, когда эти знания
существуют, что вполне объяснимо. Технология накопления и суммирования
знаний идет бок о бок с технологией использования знаний, они взаимно
дополняют друг друга и ведут к созданию одной технологии, технологии
обработки знаний.
В данной работе я постарался описать методы решения одной из проблем
данного комплекса – это проблемы приобретения знаний, или говоря другими
словами – обучения.
Этапы приобретения знаний.
Приобретение знаний реализуется с помощью двух функций: получения
информации извне и ее систематизации. При этом в зависимости от
способности системы обучения к логическим выводам возможны различные
формы приобретения знаний, а также различные формы получаемой
информации. Форма представления знаний для их использования определяется
внутри системы, поэтому форма информации, которую она может принимать,
зависит от того, какие способности имеет система для формализации
информации до уровня знаний. Если обучающаяся система совсем лишена
такой способности, то человек должен заранее подготовить все, вплоть до
формализации информации, т. е. чем выше способности машины к логическим
выводам, тем меньше нагрузка на человека.
Функции, необходимые обучающейся системе для приобретения знаний,
различаются в зависимости от конфигурации системы. В дальнейшем при
рассмотрении систем инженерии знаний предполагается, что Существует
система с конфигурацией, показанной на рис, 1.1, которая включает базу
знаний и механизм логических выводов, использующий эти знания при
решении задач. Если база знаний пополняется знаниями о стандартной форме
их представления, то этими знаниями также можно воспользоваться.
Следовательно, от функций обучения требуется преобразование полученной
извне информации в знания и пополнение ими базы знаний.
Рис.1 Базовая структура систем обработки знаний
Приобретение знаний на метауровне
Выше было рассмотрено обучение на объектном уровне, а еще более сложная
проблема - приобретение знаний на метауровне, т. е. знаний, основой
которых является информация по управлению решением задач с
использованием знаний на объектном уровне. Для знаний на метауровне пока
не установлены ни формы представления и использования, ни связь со
знаниями на объектном уровне, ни другая техника их систематизации.
Поскольку не определена форма их представления с точки зрения
использования, то трудно говорить о приобретении знаний на метауровне.
Тем не менее с этой проблемой связаны многие надежды в инженерии знаний,
Приобретение знаний из примеров
Метод приобретение знаний из примеров отличается от предыдущего метода,
тем , что здесь выполняется сбор отдельных фактов, их преобразование и
обобщение, а только затем они будут использованы в качестве знаний. И
соответственно от уровня сложности системы вывода в системе будут
возникать разные по степени общности и сложности знания. Необходимо
также упомянуть о том, что этот метод приобретения знаний почти не нашёл
практического применения, это может быть связано с тем, что входная
информация представляет собой не систематизированный набор данных и для
их обработки требуется наличие в системе обширных знаний по конкретной
области.
По сравнению с предыдущим методом приобретения знаний, этот метод имеет
большую степень свободы и соответственно необходимо описать общие
положения этого принципа.
1. Языки представления. Обучение по примерам — это процесс сбора
отдельных фактов, их обобщение и систематизация, поэтому необходим
унифицированный язык представления примеров и общих правил. Эти правила,
будучи результатом обучения, должны стать объектами для использования
знаний, поэтому и образуют язык представления знаний. И наоборот, язык
представления знаний должен учитывать и определять указанные выше
условия приобретения знаний.
2. Способы описания объектов. В случае обучения .по примерам из описаний
отдельных объектов создаются еще более общие описания объектов
некоторого класса, при этом возникает важная проблема: как описать
данный класс объектов. В полном классе некоторых объектов следует
определить меньший класс объектов, обладающих общим свойством (объекты
только в этом классе обладают заданным свойством), но в действительности
проще определить список объектов и убедиться, что все объекты в нем
обладают общим свойством. Для некоторого типа задач можно эффективно
использовать ложные примеры или контрпримеры, убедительно показывающие,
что данные объекты не входят в этот класс.. Иллюстрацией применения
контрпримеров может служить понятие «почти то».
3. Правила обобщения. Для сбора отдельных примеров и создания общих
правил необходимы правила обобщения. Предложено несколько способов их
описания: замена постоянных атрибутов языка на переменные, исключение
описаний с ограниченным применением и т. п. Очевидно, что эти способы
тесно связаны с языком представления знаний.
4. Управление обучением. В процессе обучения по примерам можно
применять различные стратегии структуризации информации и необходимо
управлять этим процессом в ответ на входные данные. Существуют два
классических метода: метод «снизу-вверх», при .котором, последовательно
выбираются и структурируются отдельные сообщения, и метод «сверху-вниз»,
лри котором сначала выдвигается гипотеза, а затем она корректируется по
мере поступления информации. На практике эти методы комбинируются, хотя
управление обучением с максимальным эффектом не такая уж простая
проблема.
При изучении метода приобретения знаний по примерам можно выделить
следующий ряд методов.
Параметрическое обучение.
Наиболее простая форма обучения по примерам или наблюдениям состоит в
определении общего вида правила, которое должно стать результатом
вывода, и последующей корректировки входящих в это правило параметров в
зависимости от данных. При этом используют психологические модели
обучения, системы управления обучением и другие методы.
Примером обучающейся системы этой категории в области искусственного
интеллекта является система Meta-Dentral. Эта система выводит новые
правила путем коррекции правил продукций в процессе обучения или на
основе исходных массспектральных данных параметрическое обучение в ней
представлено в несколько специфичном виде, но все же она относятся к
указанной выше категории, поскольку в системе задана основная структура
знаний, которая корректируется последовательно по отдельным данным.
Метод обучения по индукции.
Обучение по аналогии.
Приобретение новых понятий возможно путем преобразования существующих
знаний, похожих на те, которые собираются получить. Это важная функция,
которую называют обучением на основе выводов по аналогии или просто
обучением по аналогии. В нашей жизни много примеров, когда новые понятия
или технические приемы приобретаются с помощью аналогии
Выводы по аналогии - один из важных объектов исследования искусственного
интеллекта, наиболее интересные результаты здесь получены П. Уинстоном.
Он использует выводы по аналогии, основываясь на следующей гипотезе:
«Если две ситуации подобны по нескольким признакам, то они подобны и еще
По одному признаку». Подобие двух ситуаций распознается путем
обнаружения наилучших совпадений по наиболее важным признакам.
Аналогия—это метод выводов, при которых обнаруживается подобие между
несколькими заданными объектами; благодаря переносу фактов и знаний,
справедливых для одних объектов, на основе этого подобия на совсем
другие объекты либо определяется. способ решения задач, либо
предсказываются неизвестные факты и знания. Следовательно, когда человек
сталкивается с неизвестной задачей, он на первых порах использует этот
естественный метод вывода.
Направления исследования аналогии
Одна из важнейших проблем инженерии знаний— приобретение знаний. Под
приобретением здесь понимается получение знаний в виде, пригодном для их
использования компьютерами, поэтому многие исследователи указывают, что
ключом к знаниям является теория и методология машинного обучения. В
общем случае машинное обучение включает приобретение новых декларативных
знаний, систематизацию и хранение новых знаний, а также обнаружение
новых фактов. Среди указанных форм обучения аналогия, о которой будет
идти далее речь, связана, и частности, с проблемой машинного обнаружения
новых фактов.
Под новыми фактами мы будем понимать факты, которые дедуктивно не
выводятся из некоторых существующих знаний. Получение новых знаний также
рассматривалось выше в отношении к индуктивному выводу . В общем случае
при индуктивных выводах по заданным данным создается гипотеза, их
объясняющая, а с помощью дедукции из этой гипотезы можно вывести новые
факты. С другой стороны, при аналогии новые факты предсказываются путем
использования некоторых преобразований уже известных знаний.
Индукция и аналогия крайне необходимы при обработке интеллектуальной
информации, и поэтому желательно изложить основы их совместного
применения. Шапиро ввел строгую формализацию индуктивных выводов в части
вывода моделей с использованием логики предикатов первого порядка; в
теории индуктивных выводов есть заметные успехи.
С целью обзора исследований аналогии, проведенных до настоящего времени,
выделим два типа аналогии: для решения задач и для предсказаний.
Аналогия первого типа применяется главным образом для повышения
эффективности решения задач, которые, вообще говоря, можно решить и без
аналогии. Например, благодаря использованию решений аналогичных задач в
областях программирования и доказательства теорем можно прийти к выводам
о программах или доказательствах. С другой стороны, используя аналогию
для предсказаний, благодаря преобразованию знаний на основе подобия
между объектами можно сделать заключение о том, что, возможно,
справедливы новые факты. Например, если объектами аналогии является
некая система аксиом, то знаниями могут быть теоремы, справедливые в
этой системе. При этом, используя схожесть между системами аксиом, можно
преобразовать теорему в одной из систем в логическую формулу для другой
системы и сделать вывод о том, что эта формула есть теорема. Другими
словами, аналогия используется и для решения некоторых строго
сформулированных задач и для предсказаний, а также для приобретения не
заданной ранее информации.
Человек
Механизмы выводов обучающей системы
Механизмы выводов пользовательской системы
База знаний
|
