Знания и их свойства

Несмотря на широкое распространение и использование понятия "знания" в различных научных дисциплинах и на практике, строгого определения данного термина нет.

Довольно часто используют так называемый прагмати­ческий подход: говорят, что знания — это формализованная информация, на которую ссылаются и/или которую ис­пользуют в процессе логического вывода. Однако такое опре­деление ограничено: оно фиксирует сознание на уже суще­ствующих методах представления знаний и, соответственно, механизмах вывода, не давая возможности представить себе другие ("новые").

Возможен и другой подход: попытаться на основе опре­деления уже рассмотренного понятия "данные" (см. подразд. 4.1), выявить их свойства и особенности, сформировать дополнительные требования к ним и уже затем перейти к понятию "знания".

Напомним, что данными называют формализованную информацию, пригодную для последующей обработки, хра­нения и передачи средствами автоматизации профессиональ­ной деятельности.

Какие же свойства "превращают" данные в знания? На рис. 4.2.1 представлены шесть основных свойств знаний (часть из них присуща и данным).

Кратко охарактеризуем эти свойства.

1. Внутренняя интерпретация (интерпретируемость). Это свойство предполагает, что в ЭВМ хранятся не только "собственно (сами) данные", но и "данные о данных", что позволяет содержательно их интерпретировать (см. рис. 9).

Имея такую информацию, можно ответить на вопросы типа "Где находится НПО "Энергия"?" или "Какие предприятия выпускают космическую технику?". При этом в первой стро­ке таблицы на рис. 9 находятся "данные о данных" (мета­данные), а в остальных — сами данные.

Рис. 9.Иллюстрация свойства внутренней интерпретации

2. Наличие внутренней структуры связей. Предполага­ется, что в качестве информационных единиц используются не отдельные данные, а их упорядоченные определенными отношениями (родовидовыми, причинно-следственными и др.) структуры (эти отношения называют классифицирующими). Пример: факультет — курс — учебная группа , студент.

3. Наличие внешней структуры связей.

Внутренняя структура связей позволяет описывать от­дельный объект (понятие). Однако объекты (понятия) способ­ны находиться и в других отношениях (вступать в ситуатив­ную связь). Пример: объекты "курс Государственного уни­верситета управления им. С. Орджоникидзе" и "урожай ово­щей в совхозе "Зареченский" могут находиться в ситуатив­ной связи "принимает участие в уборке".

4.Возможность "шкалирования.

Эта возможность предполагает введение соотношений между различными информационными единицами (т. е. их измерение в какой-либо шкале — порядковой, классифика­ционной, метрической и т. п.) и упорядочение информацион­ных единиц путем измерения интенсивности отношений и свойств. Пример: "97/ЭИ. 6-01 учебная группа занимает пер­вое место на курсе по успеваемости".

5.. Наличие семантической метрики.

Шкалирование позволяет соотнести информационныеединицы, но прежде всего для понятий, имеющих "количе­ственное" толкование (характеристики). На практике доволь­но часто встречаются понятия, к которым не применимы количественные шкалы, но существует потребность в уста­новлении их близости (например, понятия "искусственный интеллект" и "искусственный разум"). Семантики классифи­цируются следующим образом:

-значение, т. е. объективное содержание;

-контекстуальный смысл, определяемый связями дан­ного понятия с другими, соседствующими в данной ситуации;

-личностный смысл, т. е. объективное значение, отра­женное через систему взглядов эксперта;

-прагматический смысл, определяемый текущим зна­нием о конкретной ситуации (например, фраза "ин­формация получена" может иметь как негативную, так и позитивную оценку — в зависимости от того, нужно это было или нет) [22].

б. Наличие активности.

Данное свойство принципиально отличает понятие "зна­ние" от понятия "данные". Например, знания человека, как правило, активны, поскольку ему свойственна познаватель­ная активность (обнаружение противоречий в знаниях стано­вится побудительной причиной их преодоления и появления новых знаний, стимулом активности является неполнота зна­ний, выражается в необходимости их пополнения). В отличие от данных, знания позволяют выводить (получать) новые зна­ния. Будучи активными, знания позволяют человеку решать не только типовые, но и принципиально новые, нетрадици­онные задачи.

Кроме перечисленных, знаниям присущи такие свойства, как омонимия (слово "коса" может иметь три смысла, связан­ных с определениями: девичья; песчаная; острая) и синони­мия (знания "преподаватель читает лекцию" и "студенты слу­шают лекцию" во многих случаях являются синонимами) и др.

Классифицировать знания можно по самым различным основаниям.

По способу существования различают факты (хорошо известные обстоятельства) и эвристики (знания из опыта эк­спертов).

По способу использования в экспертных системах — фак­тические знания (факты) — знания типа "А — это А"; правила — знания для принятия решений ("Если... — то..."); мета­знания (знания о знаниях — указывают системе способы использования знаний и определяют их свойства). Классически­ми примерами метазнаний являются народные пословицы и поговорки, каждая из которых характеризует знания (реко­мендации по деятельности) в широком классе конкретных си­туаций (например, пословица "Семь раз отмерь, один — от­режь" применима не только в среде хирургов или портных).

По формам представления знания подразделяются на декларативные (факты в виде наборов структурированных данных) и процедуральные (алгоритмы в виде процедур об­работки фактов).

По способу приобретения знания бывают научные (по­лученные в ходе систематического обучения и/или изуче­ния) и житейские, бытовые (полученные в "ходе жизни").

Дадим еще ряд определений, часто встречающихся в литературе [21].

Интенсиональные знания — знания, характеризующие или относящиеся к некоторому классу объектов.

Экстенсиональные знания — знания, относящиеся к кон­кретному объекту из какого-либо класса (факты, сведения, утверждения и т. д.)

Заметим: отношения интенсиональных и экстенсиональ­ных знаний — это родовидовые отношения. Например, поня­тие "технологическая операция" — это интенсионал, а поня­тие "пайка" — это экстенсивна, так как пайка — одна из технологических операций. Очевидно, что эти понятия от­носительны. Так понятие "пайка", в свою очередь, можно считать интенсионалом по отношению к понятиям "пайка се­ребром" и "пайка оловом". Как правило, такого рода знания относятся к декларативным.

Физические знания — знания о реальном мире.

Ментальные знания — знания об отношениях объектов.

Мир задачи — совокупность знаний, используемых в за­даче.

Мир пользователя — совокупность знаний пользователя.

Мир программы — совокупность знаний, используемых в программе.

Морфологические и синтаксические знания — знания о правилах построения структуры описываемого явления или объекта (например, правила написания букв, слов, предло­жений и др.).

Семантические знания -знания о смысле и значении описываемых явлений и объектов.

Прагматические знания — знания о практическом смысле описываемых объектов и явлений в конкретной ситуации. (На­пример, редкая монета для нумизмата и филателиста имеет различную прагматическую ценность.)

Предметные знания — знания о предметной области, объектах из этой области, их отношениях, действиях над ними и др.

Классификация методов представления знаний

Для того чтобы манипулировать всевозможными зна­ниями из реального мира с помощью компьютера, необходи­мо осуществить их моделирование.

При проектировании модели представления знаний сле­дует учесть два требования:

• однородность представления;

• простота понимания.

Выполнение этих требований позволяет упростить меха­низм логического вывода и процессы приобретения знаний и управления ими, однако, как правило, создателям интеллек­туальной системы приходится идти на некоторый компромисс в стремлении обеспечить одинаковое понимание знаний и экспертами, и инженерами знаний, и пользователями.

Классификация методов моделирования знаний с точки зрения подхода к их представлению в ЭВМ показана на рис. 10.

Дадим общую характеристику основных методов пред­ставления знаний с помощью моделей, основанных на эврис­тическом подходе.

1. Представление знаний тройкой "объект — атрибут — значение" — один из первых методов моделирования знаний. Как правило, используется для представления фактических знаний в простейших системах.

Примеры:

Объект	Атрибут	Знание
Студент	Успеваемость	Отличник
Дом	Цвет	Белый
Пациент	Температура	Нормальная

Очевидно, что для моделирования знаний даже об одном объекте (например, о "студенте" или "доме") из предметной области необходимо хранить значительное число "троек".

2. Продукционная модель (модель правил; модель про­дукций — от англ. production — изготовление, выработка). В настоящее время наиболее проработанная и распространен­ная модель представления знаний, в частности — в эксперт­ных системах.

Модель предусматривает разработку системы продукци­онных правил (правил продукций), имеющих вид:

ЕСЛИ А, И А₂ И ... А_п, ТО В, ИЛИ В₂ ИЛИ...ИЛИ В_т,

где АиВ — некоторые высказывания, к которым примене­ны логические операции И и ИЛИ. Если высказывания в ле­вой части правила (ее часто называют антецедент — усло­вие, причина) истинно, истинно и высказывание в правой части (консеквент — следствие).

Полнота базы знаний (базы правил) определяет возмож­ности системы по удовлетворению потребностей пользовате­лей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образу­емых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получе­ния окончательного заключения.

Пусть в некоторой области памяти хранятся следующие правила (суждения):

-правило 1 — ЕСЛИ в стране происходит падение кур­са национальной валюты;

ТО материальное положение населения ухудшается;

-правило 2 — ЕСЛИ объемы производства в стране па­дают;

ТО курс национальной валюты снижается;

-правило 3 — ЕСЛИ материальное положение населе­ния ухудшается;

ТО уровень смертности в стране возрастает. Если на вход системы поступит новый факт "В стране высокий уровень падения объемов производства", то из пра­вил можно построить цепочку рассуждений и сформулиро­вать два заключения:

факт 1 — правило 2 — правило 1 — заключение 1 — правило 3 — заключение 2,

где заключение 1 (промежуточный вывод) — "Материальное положение населения ухудшается"; заключение 2 (окончатель­ный вывод) — "В стране возрастает уровень смертности".

Отметим, что в современных экспертных системах в базе* знаний могут храниться тысячи правил, а коммерческая сто­имость одного невыводимого (нового, дополнительного) пра­вила весьма высока.

Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений ре­зультатов работы системы.

Основной недостаток подобных систем — трудность обес­печения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий. Кроме того, время формирования ито­гового заключения может быть достаточно большим.

3. Фреймовая модель. Сравнительно новая модель пред­ставления знаний. Само понятие "фрейм" (англ. frame — рама, рамка, скелет, сгусток, сруб и т. д.) было введено в 1975 г. Марком Минским (М. Minsky, США).

Фрейм — это минимальная структура информации, не­обходимая для представления знаний о стереотипных клас­сах объектов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообраз­ных объектах интересующей исследователя предметной об­ласти — важно лишь, чтобы эти объекты составляли класс концептуальных (повторяющихся: стереотипных) объектов, процессов и т. п. Примерами стереотипных жизненных ситуа­ций могут служить собрание, совещание; сдача экзамена или зачета; защита курсовой работы и др. Примеры стереотип­ных бытовых ситуаций: отъезд в отпуск; встреча гостей; вы­бор телевизора; ремонт и др. Примеры стереотипных поня­тий: алгоритм; действие; методика и др. На рис. 11 представлен фрейм технологической операции "соединять".

Данный фрейм описывает ситуацию "Субъект X соеди­няет объект Y с объектом Z способом W". На рисунке обо­значены:

-вершины X, Y, Z, W — слоты (англ. slot — прорез; щель; пустота — составляющие фрейма);

-дуги — отношения;

-D_x, D , D_z, D_w — так называемые шанции — области возможных значений соответствующих слотов.

Наполняя слоты конкретным содержанием, можно полу­чить фрейм конкретной ситуации, например: "Радиомонтажник соединяет микросхему с конденсатором способом пайки". Запол­нение слотов шанциями называют активизацией фрейма.

С помощью фреймов можно моделировать как процедур­ные, так и декларативные знания. На рис. 11 представлен пример представления процедурных знаний.

На рис. 12 приведен пример фрейма "технологическая операция", иллюстрирующий представление декларативных знаний для решения задачи проектирования технологическо­го процесса.

По содержательному смыслу фрейма выделяют:

-фреймы-понятия;

-фреймы-меню;

-фреймы с иерархически вложенной структурой. Фрейм-понятие — это фрейм типа И. Например, фрейм,"операция" содержит объединенные связкой И имена слото"что делать", "что это дает", "как делать", "кто делает",' "где делать" и т. д., а фрейм "предмет" — слоты с именами "назначение", "форма", "вес", "цвет" и т. д.

Фрейм-меню — это фрейм типа ИЛИ. Он служит для организации процедурных знаний с помощью оператора "выб­рать". Например, фрейм "что делать" может состоять из объе­диненных связкой ИЛИ слотов "решить уравнение", "подста­вить данные", "уточнить задачу" и т. д., причем каждый из этих слотов может иметь несколько значений.

Фрейм с иерархически вложенной структурой предпола­гает, что в нем в качестве значений слотов можно использо­вать имена других фреймов, слотов и т. д., т. е. использовать иерархическую структуру, в которой комбинируются другие виды фреймов (в итоге получают так называемые фреймы-сценарии).

Значения слотов могут содержать ссылки на так называ­емые присоединенные процедуры.

4. Модель семантической сети (модель Куилиана).

Семантическая сеть — это направленный граф с поиме­нованными вершинами и дугами, причем узлы обозначают конкретные объекты, а дуги — отношения между ними [21]. Как следует из определения, данная модель представления знаний является более общей по отношению к фреймовой модели (иными словами, фреймовая модель — частный слу­чай семантической сети). Семантическую сеть можно постро­ить для любой предметной области и для самых разнообраз­ных объектов и отношений.

В семантических сетях используют три типа вершин:

• вершины-понятия (обычно это существительные);

• вершины-события (обычно это глаголы);

• вершины-свойства (прилагательные, наречия, опреде­ления).

Дуги сети (семантические отношения) делят на четыре класса:

• лингвистические (падежные, глагольные, атрибутивные);

• логические (И, ИЛИ, НЕ);

• теоретико-множественные (множество — подмноже­ство, отношения целого и части, родовидовые отно­шения);

• квантифицированные (определяемые кванторами об­щности V и существования 3).

(Напомним, что кванторы — это логические операторы, переводящие одну высказывательную форму в другую и позволяющие указывать объем тех значений предметных переменных, для которых данная высказывательная форма истинна.)

Приведем два примера.

На рис. 13 представлена семантическая сеть для предложения (ситуации) "Студент Табуреткин добросовестно изу­чает новый план счетов на 2002 год перед сдачей экзамена по дисциплине "Бухгалтерский учет".

Рисунок 14 содержит фрагмент семантической сети для понятия "автомобиль" (обозначения: IS-A — есть, является; HAS-PART — имеет часть). Из приведенных примеров по­нятно, почему многие специалисты по искусственному ин­теллекту считают фрейм частным случаем семантической сети со строго структурированными знаниями.

Основное достоинство методов моделирования знаний с помощью семантических сетей и фреймов — универсальность, удобство представления как декларативных, так и процедуральных знаний. Имеют место и два недостатка: громоздкость, сложность построения и изменения;

• потребность в разнообразных процедурах обработ­ки, связанная с разнообразием типов дуг и вершин.

В рамках реализации теоретического подхода применя­ют логические модели, прежде всего использующие пред­ставления знаний в системе логики предикатов. Преимуще­ства такого подхода очевидны: единственность теоретическо­го обоснования и возможность реализации системы путем введения формально точных определений и правил получе­ния выводов. Однако в полной мере претворить в жизнь дан­ный подход даже для "простых" задач оказалось весьма слож­но. Поэтому появились попытки перейти от формальной логики к так называемой человеческой логике (модальной логике, многозначной логике и др.), модели которой в большей или меньшей степени учитывают "человеческий фактор", т. е. > являются в определенном смысле компромиссными "в плане использования и теоретического, и эвристического подходов.

Очень коротко остановимся на ставшей классической пре­дикатной модели представления знаний. Первые попытки ис­пользовать такую модель относятся к 50-м гг. прошлого века. Дадим несколько определений.

Пусть имеется некоторое множество объектов, называ­емое предметной областью. Выражение Р(ж,, х₂,...,х_п), где x_i(i = 1,..,п) — так называемая предметная переменная, а Р принимает значения 0 или 1, называется логической функци­ей или предикатом.

Предикат P(x_1,x_2…х_п) задает отношение между элемен­тами x_1,х₂,...,х_п и обозначает высказывание, что "x₁,, х_г,...,х_п находятся между собой в отношении Р". Например, если А — множество целых чисел, а Р(а) — высказывание "а — поло­жительное число", то Р(а) = 1 при а > 0 и Р(а) = 0 при а < 0.

Из подобного рода элементарных высказываний с помо­щью логических связок образуют более сложные высказыва­ния, которые могут принимать те же значения — "истина" и "ложь". В качестве связок используются конъюнкция, дизъ­юнкция, импликация, отрицание, эквивалентность.

Предикат от п переменных называют n-местным.

Одноместные (унарные) предикаты отражают свойства определенного объекта или класса объектов. Многоместные предикаты позволяют записывать отношения, которые су­ществуют между группой элементов.

Если а — тоже предикат, то Р(а) — предикат 2-го по­рядка, и т. д. до n-го порядка.

Приведем примеры различных предикатов.

1. Унарный предикат (высказывание) "Река впадает в Каспийское море" имеет значение 1, если "Река" = "Волга", и значение 0, если "Река" = "Днепр".

2. Двухместный предикат " x₁не меньше х₂" может иметь значение 1 или 0 в зависимости от значений x₁и х_г Если зна­чение предиката тождественно равно 1 при любых значени­ях предметных переменных, он называется тавтологией.

В аппарат исчисления предикатов входят также симво­лы функций (обычно обозначаемые латинскими буквами f, g, h и т. д.), задаваемых на множестве предметных перемен­ных, и кванторы общности и существования.

3. Представление с помощью предиката знаний, заклю­ченных в теореме Пифагора: Р{g [f(х), f(у)], f(z)}, где преди­кат Р — „быть равным", функция g(х, у) = х + у; функция f(x) = х²

Иногда используется такая форма записи:

РАВНЫ [СУММА (КВАДРАТ (х), КВАДРАТ (у)), КВАД­РАТ (z)].

Предикат Р равен 1, если х, у, z — соответственно дли­ны катетов и гипотенузы прямоугольного треугольника.

Как уже отмечалось, предикаты удобны для описания декларативных знаний (фактов, событий и т. п.). Их главные достоинства — возможность реализации строгого вывода < знаний (исчисления предикатов) и сравнительная компакт­ность модели. К сожалению, предикаты мало пригодны для записи процедуралъных знаний. Кроме того, опыт показал, что человеческое знание по своей структуре много сложнее структуры языков предикатного типа, поэтому требуются спе­циальные навыки "подгонки" структуры реального знания под структуру модели (как правило, значительно обедняю­щей исходные знания).

Контрольные вопросы и задания

1. Дайте определение понятию «интеллектуальные информационные системы».

2. Как можно классифицировать интеллектуальные информационные системы?

3. Дайте определение понятию «знания».

4. Перечислите свойства знаний.

5. Охарактеризуйте модели представления знаний.

Тема №5