logo
ИС-ФиК УМК

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).

Рис. 8.Свойства знаний

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.

Предприятие

Место нахождения

Что выпускает

Завод им. Хруничева

НПО «Энергия»

НПО «Комета»

Москва

Королев

Москва

Космическую технику

Космическую технику

Конструкторскую документацию

Рис. 9.Иллюстрация свойства внутренней интерпретации

  1. 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:

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.

Рис. 10.Классификация моделей представления знаний

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 ... Ап, ТО В, ИЛИ В2 ИЛИ...ИЛИ Вт,

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;

-Dx, D , Dz, Dw — 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.

Рис. 11.Фрейм ситуации соединять

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).

Рис. 12.Фрейм понятия «технологическая карта»

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:

Дуги сети (семантические отношения) делят на четыре класса:

(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".

Рис. 13.Семантическая сеть для предложения (ситуации)

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.

Рис. 14. Фрагмент семантической сети понятия «автомобиль»

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;

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,...,хп), где xi(i = 1,..,п) — так называемая предметная переменная, а Р принимает значения 0 или 1, называется логической функци­ей или предикатом.

Предикат P(x1,x2хп) задает отношение между элемен­тами x1,х2,...,хп и обозначает высказывание, что "x1,, хг,...,хп 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 хг 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