Интеллектуальная инженерия. Смотреть страницы где упоминается термин инженерия знаний. Стратегии поиска в СОЗ

Инженерия знаний - это технология построения экспертных систем. Этот процесс требует особой формы взаимодействия создателя экспертной системы, которого называют инженером по знаниям, и одного или нескольких экспертов в некоторой предметной области. Инженер по знаниям «извлекает» из экспертов процедуры, стратегии, эмпирические правила, которые они используют при решении задач, и встраивает эти знания в экспертную систему. Одной из наиболее сложных проблем, возникающих при создании экспертных систем, является преобразование знаний эксперта и описаний применяемых им способов поиска решений в форму, позволяющую представить их в базе знаний системы, а затем эффективно использовать для решения задач в данной предметной области.

Обычно эксперт не прибегает к процедурным или количественным методам. Его основные средства - аналогия, интуиция и абстрагирование. Часто эксперт даже не может объяснить, как именно им было найдено решение. Построение базы знаний включает три этапа:
- описание предметной области;
- выбор модели представления знаний;
- приобретение знаний.

Первый шаг при построении базы знаний заключается в выделении предметной области, на решение задач которой ориентирована экспертная система. По сути, эта работа сводится к очерчиванию инженером знаний границ области применения системы и класса решаемых ею задач. При этом необходимо:
- определить характер решаемых задач;
- выделить объекты предметной области;
- установить связи между объектами;
- выбрать модель представления знаний;
- выявить специфические особенности предметной области.

Выделение предметной области представляет собой первый шаг абстрагирования реального мира. После того как предметная область выделена, инженер по знаниям должен ее формально описать. Для этого ему необходимо выбрать модель представления знаний. Формально это должна быть модель, с помощью которой можно лучше всего отобразить специфику предметной области.

Инженер по знаниям прежде всего обязан провести опрос эксперта и только потом при-ступать к построению системы. При этом необходимо определить целевое назначение системы. При этом главная цель разбивается на подцели.

На следующем этапе необходимо очертить границы исходных данных. Для построения пространства поиска решения необходимо определить подцели на каждом уровне иерархии целей общей задачи. В вершине иерархии следует поместить задачу, которая по своей общности отражает принципиальные возможности и назначение системы.

После выявления объектов предметной области необходимо установить, какие между ними имеются связи. Следует стремиться к выявлению как можно большего количества связей.

Полученное качественное описание предметной области должно быть представлено средствами какого-либо формального языка, чтобы привести это описание к виду, позволяющему поместить его в базу знаний системы. Для решения этой задачи выбирается подходящая модель представления знаний, с помощью которой сведения о предметной области можно выразить формально.>

Инженерная дисциплина, которая занимается интеграцией знаний с компьютерными системами для того чтобы решить сложные проблемы, обычно требующие высокого уровня человеческой экспертизы:

• управление конфигурацией знаний (учёт);
• управление изменениями (эволюция);
• логистика (поиск и доставка по потребности).

На высоком уровне, процесс инженерии знаний состоит из двух:

1. Извлечение знаний - преобразование «сырых знаний» в организованные, процесс получения знаний из его источников, которыми могут быть материальные носители (файлы, документы, книги) и эксперты (группы экспертов). Является частью Инженерии знаний.
2. Внедрение знаний - преобразование организованных знаний в реализованные, процесс преобразования организованных знаний в реализованные.

Технологии управления знаниями

Выделяют следующие технологии управления знаниями:

• работающие с неявными знаниями (tacit knowledge) в головах экспертов (чаще всего именно они имеются ввиду, когда говорится об "управлении знаниями"). Когнитолог (роль):
  • помогает эксперту выявить и структурировать знания, необходимые для работы экспертной системы , извлекает из эксперта неформализованные знания;
  • осуществляет выбор той интеллектуальной системы , которая наиболее подходит для данной проблемной области, и определяет способ представления знаний в этой ИС;
  • выделяет и программирует стандартные функции, которые будут использоваться в правилах, вводимых экспертом.
• работающие с письменным знанием ("управление знаниями" распространяется на компьютеры: управление корпоративными знаниями, Knowledge Management) - акцент на "полнотекстовый поиск", "семантический поиск", "автоматическое аннотирование".
  1. НЛП, как даталогическая дисциплина ("работа по форме"), техника взмаха, модальности восприятия, субмодальности, пространственное маркирование, калибровка
  2. использование web 2.0 (блоги и вики)
• работающие с письменным формальным знанием (инженерия знаний, которую тоже включают в управление знаниями, но уже не так уверенно) - акцент на структурных БД, инженерных моделях, интеграции данных. Большинство технологий в инженерии знаний пошло по пути реализации так называемой "семантической сети", подход Гуссерля-Витгенштейна-Бунге о том, что знание представимо фактами (а факты - это отношения концептов). Из множества фактов возникает семантическая сеть (см. обзор John F.Sowa), в котором отношения-ребра связывают концепты-вершины. Реализацией идеи хранения и использования знаний в форме семантической занялось множество почти непересекающихся тусовок/школ (community of practice), отчего появилось огромное количество реализаций и стандартов, в которых ни одного слова не совпадает, но которые идейно и технологически совместимы.
  1. Моделирование данных + интеграция данных . Используют, когда нужно объединить данные множества САПР различных поставщиков при постройке крупного промышленного объекта. Ключевые слова : ISO 15926 , Gellish , ISO 10303 . Вместо слова "онтология " говорят "модель данных". : практически нет, все запросы к данным. Со знаниями сражается каждый сам врукопашную. Никакой графики, сплошной XML, проприетарные форматы хранения Схемы данных в каждом отдельном САПР. В последнее время появляются и иные решения, нацеленные на интеграцию разнородных данных, например от CYC и (на базе стандартизированной онтологии UMBEL, выражения в RDF и обеспечения доступа к данным через HTTP, см.). Проекты ISO 15926-7 сводятся к тому же: некая онтология + semantic web стандарты.
  2. Concept Map () Используют для (часто коллаборативной через веб) учебной и творческой работы. Ключевые форматы (все на XML) : XCT 3.0, но готовы кушать и Topic Map, и многое другое для редактирования и отображения. Средства оперирования знаниями : графическое отображение, объединение сетей, которые нарисовали два участника творческого процесса. Близкий родственник - MindMap , где вообще не граф, а красиво нарисованное дерево, а связи неименованы.
  3. Conceptual Graphs Используют для академических занятий искусственным интеллектом, экспертные системы, агентские системы и прочая классика жанра. Опираются на работы философа и логика Pierce ("интеллектуальное индексирование"), ключевой человек - John F.Sowa. Ключевой формат хранения знаний : три синтаксиса, главный из которых - CGIF (XML). Средства оперирования знаниями : Common Logic (или ISO ISO/IEC IS 24707:2007, ).
  4. Topic Map Использут для Knowledge Management инициатив - а пришли они из каталожников (библиографов). Большие любители стандартизации (см.), но потеряли фокус (их неумолимо влечет к моделированию данных общего вида, в котором они проигрывают подходам Semantic Web). Ключевые форматы хранения знаний : ISO 13250, XTM 2.0, HyTM. Средства оперирования знаниями : используется topic map engine (десяток вариантов), ибо стандартизован TMAPI 2.0. Кроме того, на финишную прямую вышел специальный стандарт на задание констрейнтов для topic maps - ISO/IEC FCD 19756 (TMCL), а язык запросов Topic Map Query Language (проект ISO 18048), похоже, заглох.

Инженерия знаний представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Знания – это информация с ограниченной семантикой, однако с позиции прикладных аспектов необходимо, чтобы знания имели такую форму, которой была бы в определенной степени свойственна свобода достижения поставленной цели. В какой именно степени допустима эта свобода, или каким условиям должны отвечать знания, включая и их описательные возможности, зависит от области их приложения. В сфере технического применения и в экономике используется самая разнообразная среда представления, и помимо языкового описания она включает рисунки, математические формулы и т.п.

Хотя языковое представление и ограничено сравнительно простыми формализмами, оно не всегда удобно для технической и экономической областей. Это связано с их специфическим характером, т.к. в них все определяется фактами и объективной реальностью.

В дальнейшем изложении языковое описание, требуемое в прикладных областях информации (включая язык в широком его понимании и графику), будет называться языком представления знаний. Для использования подобной информации в виде знаний требуются интеллектуальные функции, превосходящие пока возможности современных компьютеров. Представление знаний, их обработка и использование, рассматриваемое применительно к конкретной прикладной области, является предметом инженерии знаний.

Инженерия знаний заняла свое место как технология применения знаний, когда вышла из недр ИИ и продолжала интенсивно развиваться все последние года.

Исследования по ИИ позволили утвердиться во мнении, что подлинно необходимыми для решения проблем являются знания экспертов. То есть, если создать систему, способную запоминать и использовать знания экспертов, то она найдет применение в практической деятельности.

И когда исследователи по ИИ действительно создали подобного ряда системы в конце 60-х и начале 70-х годов прошлого века, все эти воззрения были подтверждены.

Это системы DENDRAL, а позднее MYCIN, созданные под руководством Э. Фейгунбаума в Стэнфордском университете США, Поскольку эти системы накапливают в памяти компьютера знания экспертов и используют эти знания для решения проблем, извлекая их при необходимости из памяти, то они получили название экспертных, а профессор Э. Фейгенбаум, являющийся одним из создателей экспертных систем (ЭС), выдвинул для данной области техники название «инженерия знаний».

Фактически инженерия знаний – это методология ЭС, которая охватывает методы добычи, анализа и выражения в правилах знаний экспертов. Развитие ЭС создало инженерию знаний – процесс построения интеллектуальных систем.

Инженерия знаний тесно связана со всем процессом разработки интеллектуальных информационных систем в целом и ЭС в частности – от возникновения замысла до его реализации и совершенствования.

Главными элементами инженерии знаний являются использование операций типа обобщение, генерация гипотез для индуктивных выводов, подготовка новых программ самими компьютерными программами и т.д.

Слово engineering в английском означает искусная обработка предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком, либо компьютером (программой), также можно назвать инженерией знаний.

1.2. Развитие исследований в области искусственного интеллекта.

Искусственный интеллект как наука был основан тремя поколениями исследователей.

В таблице 9.1 представлены ключевые события в истории ИИ и инженерии знаний, начиная с первой работы Маккалока и Питса в 1943 г. и до современных тенденций в комбинированных усилиях экспертных систем, нечеткой логики и нейронных вычислений в современных системах, основанных на знаниях, способных осуществлять вычисления при помощи слов.

Таблица 9.1 - Краткий перечень главных событий в истории ИИ и инженерии знаний.

Таким образом,исторически разработки в области ИИ велись в двух основных направлениях:

Первое направление связано с попытками разработки ин­теллектуальных машин путем моделирования их биологического прототипа - человеческого мозга. Сейчас это направление возрож­дается на основе развития современных аппаратных и программ­ных средств (микрочипы на основе нечеткой логики, распределенные многопроцессорные системы, многоагентные системы, мягкие вычисления, генетические алгоритмы и нейронные сети и т.д.).

Второе направление связано с разработками методов, приемов, специализированных устройств и программ для компью­теров, обеспечивающих решение сложных математических и ло­гических задач, позволяющих автоматизировать отдельные ин­теллектуальные действия человека (системы, основанные на знаниях, экспертные системы, прикладные интеллектуальные системы).

Эти два направления как бы определяют программу минимум и программу максимум, между которыми и лежит область сегодняшних исследований и разработок систем ИИ (рис.9.4). Работы по разработке программного и аппаратного обеспечения ИИ выделены в отдельную область.

Рис.9.4 - Основные направления исследований в области ИИ.

Для нас представляет интерес прежде всего второе направление: прикладные интеллектуальные системы и ЭС в таких предметных областях, как производство, управление процессами, управление маркетингом, финансовый менеджмент, банковская сфера, фондовый рынок.

1.3. Теория и практика искусственного интеллекта.

В процессе развития устройств и систем, которые проявляют интеллектуальные характеристики, вовлекаются различные науки и технологии, такие как лингвистика, психология, философия, техническое и программное обеспечение компьютеров, механика, гидравлика и оптика.

Пересечение интересов психологии и ИИ сосредоточено в областях когнитологии и психолингвистики. Философия и ИИ сотрудничают в областях логики, философии языка и философии разума. Взаимные пересечения между инженерией и ИИ включают обработку изображений, распознавание образов и роботику.

Позже свой вклад внесли менеджмент и теория организации (такие как принятие и реализация решений), химия, физика, статистика, математика, теория управления, эвристическое программирование, информационные системы менеджмента.

ИИ является наукой и технологией, а не коммерческой сферой. Это совокупность понятий и идей, которые предназначены для исследований. Однако, ИИ обеспечивает научные основы для нескольких развивающихся коммерческих технологий. Главными прикладными технологиями ИИ экспертные системы, интеллектуальные системы поддержки решений, обработка естественного языка, понимание речи, нечеткая логика, робототехника и сенсорные системы, компьютерное зрение и распознавание образов. На рис.9.5 представлены главные дисциплины и приложения ИИ.

Рис.9.5 - Дисциплины, на которых базируется ИИ и его приложения.

Области применения существующих на сегодняшний день систем ИИ охватывает медицинскую диагностику, интерпретацию геологических данных, научные исследования в химии и биологии, военное дело, производство, финансы и другие сферы экономики. Однако, несмотря на значительные успехи в области ИИ, пока еще существует определенный разрыв между техническими разработками, программными средствами ИИ и возможностями их более широко практического применения в частности, в экономике.

Наиболее показательным сектором, аккумулирующим различные проблемные направления экономической области, является управление промышленным предприятием. На его примере особенно хорошо видны преимущества использования систем ИИ для решения как различных предметных задач, так и для управления интегрированной системой предприятия в целом.

Существует множество доводов в пользу того, что системы искусственного интеллекта могут и должны стать важнейшей составной частью в технологии современных производств. Рассмотрим основные из них.

Главная проблема, стоящая перед предприятием (в смысле управления), - это проблема преодоления сложности. Как изве­стно, сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений. Это может быть инженерный выбор решения (как проектировать данное изделие), выбор расписания (как это изделие производить) и т.д.

Данная проблема обостряется в случае гибких производствен­ных систем. Добавление гибкости приводит к увеличению числа альтернатив и, следовательно, возможных вариантов производст­ва изделий. Уже сегодня составление расписания этапов производства изделий на «жестком» программном обеспечении пред­ставляет большие трудности. Усложнение самих изделий также ведет к усложнению проектирования.

Управление производством требует обработки большого объе­ма информации. Проблема получения информации с объектов, функционирующих в реальном масштабе времени, в настоящее время решена. Но это породило другую проблему: как уменьшить долю информации до того уровня, который действительно необ­ходим для принятия решения индивидуумом? В то же время сле­дует отметить, что потеря информации, поступающей от объек­тов, работающих в реальном масштабе времени, может сущест­венно сказаться на конечном результате.

Нехватка времени на принятие решения - еще одна проблема, которая проявляется по мере усложнения производства. Не менее важна и проблема координации. Известно, что проектирование неразрывно связано с производством, распределением и вспомо­гательными областями. Если проектирование не оптимально по отношению к стадиям производства, складирования, распределе­ния или вспомогательному производству, то это может увеличить цену производства и снизить качество изделий.

И, наконец, очень важный фактор - необходимость сохране­ния и распределения знаний отдельных опытных экспертов, по­лученных, ими в процессе многолетней работы и большого практи­ческого опыта. Проблема извлечения знаний и их распределе­ния - сегодня одна из главных проблем производственных ор­ганизаций.

Таким образом, происходит интеллектуализация информационных систем управления и трансформация их в интеллектуальные СПР, основной разновидностью которых являются ЭС. Это наиболее значимые и важные для экономики и бизнеса прикладные технологии ИИ.

1.4. Интеллектуальные информационные системы поддержки решений.

Опыт эксплуатации информационных систем, в организационных и экономических системах показал, что наиболее важное значение должен иметь в этих системах и в контуре управления – человек (управленец; лицо, принимающее решение – ЛПР).

Не следует забывать, что управление в экономических и организационно – технических системах является сложным творческим процессом, нуждающимся в различных формах обеспечения интеллектуальной деятельности. Преуменьшение значения творческого элемента (опыта, интуиции) и, наоборот, преувеличение возможностей формализации ряда управленческих задач, неизбежно ведет к тому, что реальные результаты далеко не полностью оправдывают ожидания, которые связывались и связываются с компьютеризацией управления и принятия решений.

Видимо, здесь кроется причина недостаточно эффективного использования в ИС и системах поддержки решений методов оптимизации. Говоря о взаимодействии пользователя с оптимизационными моделями априорно подразумевают адекватность этих моделей реальному объекту. Однако, сложность, существенная нелинейность, слабая структурированность задач, неясность предпочтений, нечеткость исходной информации не позволяют в большинстве случаев разработчикам создавать адекватные модели объектов. "Ключом" в этом направлении должны стать и уже активно становятся методы и модели ИИ, в частности прикладные, системы, базирующиеся на знаниях (или интеллектуальные системы).

Большинствоимеющихся объектов управления относятся к слабоструктурированным или плохо определяемым объектам, которые обладают рядом неожиданных для традиционного управления свойств, таких, как уникальность, отсутствие формализуемой цели существования, отсутствие оптимальности, высокая динамичность, неполнота описания объекта, и, наконец, индивидуальность поведения лица принимающего решения в процессе принятия решений.

Практика показала, что трудности, практически непреодолимые для "управленца" -компьютера оказываются под силу управленцу-человеку. Квалифицированный эксперт после определенного времени работы по управлению уникальным объектом справляется и с неполнотой описания объекта, и с нечеткостью исходной информации, и с отсутствием формализуемых целей (разумеется, имеется в виду управление основными управляющими параметра мну.

Следовательно, в процессе практической деятельности по управлению объектом ЛПР приобретает некоторый инструмент, который помогает ему в решении задач управления плохо определенными объектами. Этот инструмент есть не что иное, как знание. Таким образом, возникла идея необходимости автоматизации интеллектуальной деятельности человека.

Основное назначение информационных систем в экономике – это своевременное представление необходимой информации ЛПР для принятия им адекватных и эффективных решений при управлении процессами, ресурсами, финансовыми транзакциями, персоналом или организацией в целом. Однако в процессе развития информационных технологий, исследования операций и технологий моделирования, а также с возрастанием потребителей информационно – аналитической поддержки самих ЛПР, все больше проявлялась потребность в системах, не только представляющих информацию, но и выполняющих некоторый ее предварительный анализ, способных давать некоторые советы и рекомендации, осуществлять прогнозирование развитие ситуаций, отбирать наиболее перспективные альтернативы решений, т.е. поддерживать решения ЛПР, взяв на себя значительную часть рутинных операций, а также функции предварительного анализа и оценок.

Информационная система поддержки решений связывает интеллектуальные ресурсы управленца со способностями и возможностями компьютера для улучшения качества решений. Эти системы предназначены для менеджеров, принимающих управленческие решения в условиях полуструктурированных и слабо определенных задач.

Таким образом, дальнейшее развитие ИСПР привело к созданию интеллектуальной информационной СПР.

Интеллектуальная ИСПР – это компьютерная система, состоящая из 5 основных взаимодействующих компонентов: языковой подсистемы (механизм обеспечения связи между пользователем и другими компонентами ИСПР), информационной подсистемы (хранилище данных и средств их обработки), подсистемы управления знаниями (хранилище знаний о проблемной области, таких как процедуры, эвристики и правила, и средства обработки знаний), подсистемы управления моделями и подсистемы обработки и решения задач (связующее звено между другими подсистемами).

Подсистема обработки и решения задач распределена и функционально встроена в другие подсистемы, реализуя свои отдельные специфические функции в их рамках. Эта подсистема обладает основными способностями по манипуляции и обработке задач для принятия решений.

На рис.9.6 представлен вариант структуры интеллектуальной ИСПР.

Рис.9.6 - Схематическое представление интеллектуальной СПР.

Информационная подсистема состоит из БД, системы управления БД, средств организации запросов, справочника данных, внешних источников данных.

Подсистема управления моделями состоит из базы моделей, системы управления моделями, языков моделирования, справочника моделей и процессора, который осуществляет реализации на модели, интегрирует модели и осуществляет руководство процессом моделирования.

База моделей содержит обычные и специальные статические, финансовые, прогнозирующие, управленческие и другие количественные модели, которые обеспечивают аналитические способности ИСПР. Способность обращаться к моделям, реализовывать их прогоны, вносить изменения, комбинировать и проверять модели являются ключевой способностью ИСПР, которая отличает их от обычных информационных систем.

Модельный процессор обычно реализует следующие действия:

Исполнение модели, т.е. процесс управления текущим прогоном или реализацией модели;

Интеграция модели, т.е. совмещение операций нескольких моделей, когда это необходимо;

Подтверждение и интерпретация инструкций моделирования, поступающих от диалогового компонента системы и проведение их в систему управления моделями.

Пользовательский интерфейс реализует все аспекты коммуникации между пользователем и ИСПР. Он включает не только техническое и программное обеспечение, но также факторы, которые способствуют облегчению использования и доступности человеко-машинных взаимодействий.

Модели в базе моделей могут подразделяться на стратегические, тактические, операционные и составные стандартные блоки моделей.

Функциями системы управления моделями являются создание моделей с использованием стандартных модельных модулей, генерация новых стандартных модулей и отчетов, дополнение и модернизация моделей, их изменения и манипулирование с данными модели.

Подсистема управления знаниями . Многие неструктурированные и слабоструктурированные задачи являются такими сложными, что они требуют для своего решения экспертизы, дополнительно к обычным способностям ИСПР.

Такая экспертиза может быть обеспечена ЭС или другой интеллектуальной системой.

Поэтому большинство первых ИСПР оснащены системной компонентой, называемой управление знаниями. Такая компонента может обеспечить требуемую экспертизу для решения некоторых видов задач и обеспечивать действие других составных частей ИСПР.

Возможны различные способы интеграции интеллектуальных систем, основанных на знаниях, с математическим моделированием.

Например, часто решения, основанные на знаниях, помогают поддерживать шаги в процессе получения решения без математической поддержки; интеллектуальные системы моделирования решений могут помочь пользователям строить, использовать и управлять библиотекой или базой моделей; аналитические ЭС принятия решений могут интегрировать теоретически строгие методы неопределенности в базу знаний ЭС.

Компонента знаний состоит из одной или нескольких интеллектуальных программных составляющих. Как СУБД и система управления моделями, программное обеспечение управления знаниями обеспечивает требуемое исполнение и интеграцию в интеллектуальных системах.

Информационные СПР, которые включают такую составляющую, называются интеллектуальными информационными СПР, интеллектуальными СПР, экспертными СПР, экспертными системами или СПР, базирующимися на знаниях.

Необходимость использования интеллектуальных систем .

Существует множество доводов в пользу того, интеллектуальные системы могут и должны стать важней­шей составной частью в системах принятия и поддержки решений, при управлении сложными объектами в технологии современных производств и решении широкого спектра экономических задач.

Если в качестве примера объекта взять предприятие, то здесь при управлении возни­кают такие проблемы:

Преодоление сложности (сложности управления возникают тогда, когда приходится делать выбор из множества возможных решений);

Управление предприятием требует организации больших объемов информа­ции;

Как уменьшить информациюдо того уровня, который необходим для принятия решения (потеря информации, поступающей от объектов, работающих в реальном режиме времени, может существенно сказаться на результате);

Нехватка времени на принятие решения (проявляется по мере усложнения производства);

Проблема координации (решения необходимо координировать с другими звеньями процесса или объекта);

Необходимостьсохранения и распространения знаний очень опытных экспертов, полученных ими в процессе многолетней работы и большого практического опыта. Проблема извлечения знаний и их распределения - сегодня одна из главных проблем.

В процессе своей управленческой (а вообще говоря, любой) деятельности человек получает и осознает огромное количество информации. Однако ограниченные возможности человеческого мозга заставляют его осуществлять вербальное перекодирование исходной информации в сгустки насыщенной информации, используя при этом уникальные возможности человеческого языка. Едва ли не все рассуждения человека по своей природе являются приближенными.При этом, используя простые эвристические правила вывода, человек легко справляется с нечеткими рассуждениями.

Специалисты в области ИИ всегда старались разработать программы для компьютеров, кото­рые могли бы в некотором смысле "думать", т.е. решать задачи таким способом, который мы бы сочли разумным, если бы его применил человек.

В процессе исследований и 20-летних поисков они пришли к выводу, что эффектив­ность программы при решении задач зависит от знаний, которыми она обладает, а не только от формализмов и схем вывода, которые она использует. То есть, чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных спе­циальных знаний о некоторой предметной области.

Понимание этого факта привело к созданию специальных систем, каждая из которых является экспериментом в некоторой узкой предметной области.

Эти программы получили название экспертных систем .

Система - посредник, заключение договора на поставку.

Инженерия знаний - область информатики, в рамках которой проводятся исследования по представлению знаний в ЭВМ, поддержание их в актуальном состоянии и манипулировании ими.

Knowledge system - система основанная на знаниях.

СОЗ СБЗ СУБД ЭС ИС СИИ - система искусственного интеллекта.

Структура системы, основанной на знаниях.

ИНТЕРФЕЙС

БЗ - это модель, представляющая в ЭВМ знания, накопленные в определенной предметной области. Эти знания должны быть формализованы. Знания формируются с помощью модели, а затем представляются с помощью определенного языка.

В БЗ обычно выделяются знания о конкретных объектах и правила. Эти правила исполняются как механизм получения решений, для того, чтобы из исходных фактов вывести новые.

Интерфейс обеспечивает ведение диалога на языке, близком пользователю.

Методы, основанные на использовании логических выводов, часто используется в инженерии знаний.

Понятие предметной области.

Объект – то что существует или воспринимается в качестве отдельной сущности.

Основные свойства: дискретность; различие.

При представлении знаний используется прагматический подход, т.е. выделяются те свойства объекта, которые важны для решения задач, которые будет решать создаваемая система. Поэтому система, основанная на знаниях, имеет дело с предметами, которые являются абстрактными объектами. Предмет выступает в роли носителя некоторых свойств объекта. Состояние предметной области может меняться со временем. В каждый момент времени состояние предметной области характеризуется множеством объектов и связями. Состояние предметной области характеризуется ситуацией.

Концептуальные средства описания предметной области.

Концептуальная модель отражает наиболее общие свойства. Для того, чтобы детализировать описание нужны языки. Характерными чертами концептуальных средств описания предметной области являются абстрактность и универсальность. Их можно использовать для описания любой предметной области.

Понятие класса объекта.

Понятие объекта – понятие множеств. Сходные между собой объекты объединяются в классы. В разные моменты времени одному и тому же классу могут соответствовать разные множества объектов.

К – класс объекта.

К t – множество объектов класса К в момент времени t.

Группа (1999) = { ИА-1-99, ИА-1-98, … , ИА-1-94, ИБ-1-99,…}

Группа (1998) = { ИА-1-98, ИА-1-97, … , ИА-1-93, ИБ-1-98,…}

" t К t = { … }

Преподавательская должность = { профессор, доцент, старший преподаватель, преподаватель, ассистент}

1 4 Геометрическая фигура, форма квадрат, цвет синий.
объектов атрибутная пара

Идентификация объектов может быть прямая и косвенная. В случае прямой используются имена объектов, порядковые номера объектов; косвенная основана на использовании свойств объектов.

Атрибут может быть компонентом. Под атрибутом понимается свойство, характеристика, название компонентов.

(Геометрическая фигура:

форма Геометрическая форма

цвет Цвет)

Пары имя атрибута и значение атрибута часто совпадают.

Пример ситуации:

лектор Фамилия_лектора,

место №_аудитории,

тема Название_темы,

слушатель Код_группы,

день День_недели,

время Время_начала)

Ситуация – показана связь между «преподаватель» и «слушатель», остальные характеристики данной ситуации.

Роли участников ситуации:

Слушатель

Характеристики ситуации:

(К: А 1 К 1 ,А 2 К 2 , … , А n К n) – представление знаний в виде некоторой структуры.

(дата, число, день_месяца)

(дата, месяц, название_месяца)

(дата, год, год)

(геометрическая_фигура, форма, геометрическая_форма)

(геометрическая_фигура, цвет, цвет)

Такому представлению знаний соответствует представление знаний в виде отдельных фактов.

(К: А 1 К 1 ,А 2 К 2 , … , А n К n)

Представления знаний об объектах делятся на:

Классы объекта (структура данных)

Знания о конкретных объектах (о данных)

Классы объекта.

1. (К: А 1 К 1 ,А 2 К 2 , … , А n К n)

А i – имя атрибута

К i – классы объекта, являются значением атрибута

К – имя класса

(преподаватели:

ФИО фамилия_с_инициалами,

Должность преподпвательская_должность)

2. (К: А i К i)

(преподаватель, ФИО фамилия_с_инициалами,

преподаватель, должность преподпвательская_должность)

3. К (К 1 ,К 2 , … , К n)

4. К (А 1 ,А 2 , … , А n)

(преподаватель (фамилия_с_инициалами, преподпвательская_должность),

преподаватель (ФИО, должность))

Представление знаний для первой формы:

(К: А 1 К 1 ,А 2 К 2 , … , А n К n) к i Î К i

Атрибутивное представление знаний:

(преподаватель: - представляет собой

ФИО Семенов - некоторую структуру

Должность доцент) - данных

Представление знаний для второй формы:

(К: А i К i) к Î К, к i Î К i

Атрибутивное представление знаний в виде отдельных фактов:

(преподаватель1 , ФИО, Семенов) - 1 , 2 являются связками между

(преподаватель1 , должность, доцент) - фактами

(преподаватель2 , ФИО, Петров)

(преподаватель2 , должность, ассистент)

Представление знаний для третьей формы:

К (К 1 ,К 2 , … , К n)

(преподаватель (Семенов, доцент) - позиционное представление знаний

Если имена атрибутов отсутствуют, а сами атрибуты записываются на определённых позициях, то – позиционноё представление знаний.

Представление знаний в виде «троек» - (объект, атрибут, значение).

Для представления неточных значений используются коэффициенты уверенности – (объект, атрибут, значение, коэффициент уверенности).

(пациент1, диагноз, колит, К760)

0 – соответствует неопределенности.

отрицательное значение – степень уверенности в невозможности значения атрибута.

(пациент1, диагноз, гастрит, К740)

* (пациент, ФИО, Антонов, диагноз колит К760, гастрит К740)

Представление знаний о классе объекта называется минимальным, если при удалении одного из атрибутов приводит к тому, что оставшееся множество атрибутов перестает быть представлением данного класса объекта.

Аренда (объект_аренды, арендатор, арендодатель, срок_аренды, плата).

Если удалить «срок_аренды», получится купля-продажа, а если удалить «срок_аренды» и «плата», то получиться подарок.

Представление знаний в реляционной базе данных.

Реляционная база данных – данные хранятся в позиционном формате.

Данные хранятся в виде таблицы, где название таблицы – имя класса. Каждому классу соответствует таблица или файл БД. Имя класса - название соответствующей таблицы. Имена атрибутов – соответствующие поля таблицы (столбец). Строки таблицы – записи БД. Записи соответствует запись в позиционном формате.

В данном случае ключ будет состоять из нескольких полей.

Инженерия знаний (ИЗ) была определена Фейгенбаумом и МакКордак в 1983 году как:

«ИЗ - раздел (дисциплина) инженерии, направленный на внедрение знаний в компьютерные системы для решения сложных задач, обычно требующих богатого человеческого опыта.»

В настоящее время это также предполагает создание и обслуживание подобных систем (Кендэл, 2007). Это также тесно соприкасается с разработкой программного обеспечения и используется во многих информационных исследованиях, например таких, как исследования искусственного интеллекта, включая базы данных, сбор данных, экспертные системы, систем поддержки принятия решений и географические информационные системы. ИЗ связана с математической логикой, также используемой в разных научных дисциплинах, например в социологии где «подопытными» являются люди, а цели исследований - понимание, как работает человеческая логика на примере взаимоотношений в обществе.

Примеры

Пример действия системы, базирующейся на ИЗ:

• Рассмотрение задачи
• Запрос к базам данных по задаче
• Внесение и структурирование полученной информации (IPK модель)
• Создание базы данных по структурированной информации
• Тестирование полученной информации
• Внесение корректировок и доработка системы.

ИЗ имеет практическое применение. В США до 90 % кредитных решений по клиентам розничного банковского бизнеса принимается с использованием экспертных систем на основе баз знаний FICO . Подразделом ИЗ является метаинженерия знаний, пригодная для разработки ИИ.

Принципы

С середины 1980-х в ИЗ появилось несколько принципов, методов и инструментов, которые облегчили процесс получения и работы со знаниями. Вот некоторые ключевые из них:

В инженерии знаний используются методы структурирования знаний для убыстрения процесса получения и работы со знаниями.