Экспертные системы (представление знаний)
Представление знаний в экспертной системе о проблемной среде необходимо реализовывать таким образом, чтобы экспертная система могла управлять процессом поиска решения, была способна приобретать новые знания и объяснять свои действия. Она должна уметь работать не только со знаниями, но и над знаниями т.е. обладать способностью понимать и исследовать их. Таким образом, экспертная система должна иметь знания о том, как представлены ее знания о проблемной сфере.
Содержание |
Уровни представления
Если знания о проблемной среде назвать знаниями нулевого уровня представления, то первый уровень представления содержит метазнания, т.е. знания о том, как представлены во внутреннем мире системы знания нулевого уровня. Первый уровень содержит знания о тех средствах, которые используются для представления знаний на нулевом уровне. Знания первого уровня имеют важное назначение в управлении процессом решения, в приобретении новых знаний и объяснении действий системы. Знания первого уровня не зависят от проблемной среды по той причине, что они не содержат ссылок на знания нулевого уровня. Число уровней представления может быть и больше двух. Второй уровень представления в этом случае будет содержать сведения о знаниях первого уровня, т.е. знания о представлении базовых понятий первого уровня. Разделение знаний по уровням представления обеспечивает расширение области применимости системы.
Уровни детальности
Введение уровней детальности позволяет рассматривать знания с различной степенью подробности. Количество уровней детальности во многом зависит от специфики решаемых задач, объема знаний и способа их представления. Обычно, создают не менее трех уровней детальности, которыми определяются соответственно общая, логическая и физическая организации знаний. Выделение нескольких уровней детальности придает дополнительную степень гибкости системы, так как позволяет производить изменения на одном уровне, не затрагивая другие. Изменения на одном уровне детальности могут приводить к дополнительным изменениям на этом же уровне, что порой необходимо для обеспечения согласованности структур данных и программ. Однако наличие различных уровней препятствует распространению изменений с одного уровня на другие.
Организация знаний в рабочей системе
Рабочая память экспертных систем представляет из себя базу данных (см. Экспертные системы (архитектура)). Данные в рабочей памяти могут представляться однородными или разделяться на уровни по своим типам. Во втором случае на каждом уровне рабочей памяти хранятся данные соответствующего типа. Разделение на уровни усложняет структуру экспертной системы, но сообщает ей большую эффективность. Например, можно выделить уровень планов, уровень упорядоченного списка правил, готовых к выполнению и уровень решений. В современных экспертных системах данные в рабочей памяти (РП) могут быть изолированными или связанными. В первом случае рабочая память состоит из множества простых элементов, во втором - из одного или нескольких сложных элементов. При этом сложный элемент соответствует множеству объединенных простых. Теоретически оба подхода обеспечивают полноту, но использование изолированных элементов в сложных предметных областях приводит к потере эффективности. Данные в РП в простейшем могут быть константными, переменными или смешанными. При этом переменные могут рассматриваться как характеристики некоего объекта, а константы – как значения соответствующих характеристик. Если в РП требуется анализировать одновременно несколько различных объектов, описывающих сложившуюся проблемную ситуацию, то необходимо указывать, к каким объектам относятся рассматриваемые характеристики. Одним из способов решения этой задачи является явное указание того, к какому объекту относится характеристика.
Если рабочая память состоит из сложных элементов, то связь между отдельными объектами указывается явно, например заданием семантических отношений. При этом каждый объект может иметь свою внутреннюю структуру. Для ускорения поиска и сопоставления данные в РП могут быть связаны не только логически, но и ассоциативно.
Организация знаний в базе данных
Критерием интеллектуальности системы с точки зрения представления знаний считается умение системы использовать в нужный момент необходимые (релевантные) знания. Системы, не имеющие средств анализа релевантных знаний, неизбежно сталкиваются с проблемой, называемой "комбинаторным взрывом". Эта проблема является одной из основных причин, ограничивающих сферу применения экспертных систем. В проблеме доступа к знаниям можно выделить три аспекта: связность (или агрегация) знаний и данных, механизм доступа к знаниям и способ сопоставления.
Связность знаний
Связанность знаний является основным способом, обеспечивающим повышение скорости поиска релевантных данных. Распространено мнение, что знания следует организовывать вокруг наиболее важных объектов предметной области. Все знания, характеризующие некоторую сущность, связываются и представляются в виде отдельного объекта. При подобной организации знаний, если системе необходима информация о некоторой сущности, то она ищет объект, описывающий эту сущность, а затем уже внутри объекта находит информацию о данной сущности. В объектах выделяют два типа связок между элементами: внешние и внутренние. Внутренние связки организуют элементы в единый объект и выражают структуру объекта. Внешние связки указывают на взаимосвязи, между объектами в области экспертизы. Существует деление внешних связок на логические и ассоциативные. Логические отражают семантические отношения между элементами знаний. Ассоциативные связки обеспечивают взаимосвязи, способствующие повышению скорости процесса поиска релевантных знаний.
Проблема поиска знаний
Основной проблемой при работе с большой базой знаний является проблема поиска знаний, относящихся к решаемой задаче. В связи с тем, что в обрабатываемых данных может не содержаться явных ссылок на значения, требуемые для их обработки, необходим некий более общий механизм поиска, чем метод прямого доступа (метод явных ссылок). Этот способ предназначен для того, чтобы по некоторому описанию показателя, имеющемуся в рабочей памяти, найти уже в базе знаний объекты, удовлетворяющие этому описанию. Таким образом, упорядочение и структурирование знаний могут значительно ускорить процесс поиска. Поиск данных можно рассмотреть как процесс, состоящий из двух этапов. Первый этап соответствует процессу выбора по ассоциативным связкам. Здесь происходит предварительный выбор потенциальных кандидатов на роль желаемых объектов в базе знаний. На втором этапе путем выполнения операции сопоставления потенциальных кандидатов с описаниями кандидатов осуществляется окончательный выбор искомых объектов Операция сопоставления также может быть использована для классификации, подтверждения, декомпозиции и коррекции. Для идентификации неизвестного объекта его можно сопоставить с некоторыми известными образцами. Это позволит классифицировать неизвестный объект как такой известный образец, при сопоставлении с которым были получены лучшие результаты. Сопоставление используется для подтверждения некоторых кандидатов из множества возможных. Если сопоставить некоторый известный объект с неизвестным описанием, то в случае успешного сопоставления будет произведена частичная декомпозиция описания.
Методы поиска решений
Методы решения задач, основанные на сведении этих задач к поиску, зависят от особенностей предметной области, в которой решается задача и от требований, предъявляемых к решению. Особенности проблемной области определяются следующими параметрами:
- объем пространства поиска решения
- изменяемость области во времени и пространстве
- полнота модели, описывающей область. Если модель не полна, то для описания области используются несколько моделей, дополняющих друг друга.
- определенность данных о решаемой задаче
Требования пользователя к результату задачи, решаемой с помощью поиска, можно определить количеством решений и свойствами результата и (или) способом его получения. Так, задача может иметь одно решение, несколько решений, все решения. Свойствами решения задают ограничения, которым должен удовлетворять полученный результат или способ его получения. Например, для системы, выдающей рекомендации ремонту машин, пользователь может указать требование не использовать детали некоторых производителей ценовой категории или свойств металлов. Параметр "свойства" может определять и такие особенности, как время, отведенное для решения, объем памяти, занимаемой для получения результата, указание об обязательности использования каких-либо знаний и т.п.
Сложность задачи, определяемой такими параметрами, варьируется от простых задач малой размерности с неизменяемыми определенными данными и отсутствием ограничений на результат со способом его получения до сложных задач большой размерности с изменяемыми, ошибочными и неполными данными и произвольными ограничениями на результат и способ его получения. Каким-либо одним методом нельзя решить все задачи. Обычно одни методы превосходят другие только по некоторым из перечисленных параметров.
Существующие методы решения задач, используемые в экспертных системах, можно классифицировать следующим образом:
- методы поиска в одном пространстве (область небольшой размерности, полнота модели, точные и полные данные)
- методы поиска в иерархических пространствах (областях большой размерности)
- методы поиска при неточных и неполных данных
- методы поиска, использующие несколько моделей
Эти методы при необходимости должны объединяться для того, чтобы позволить решать задачи, сложность которых возрастает одновременно по нескольким параметрам.
Связанные темы
Ссылки
