Содержание

 

Введение

     Проблема  представления знаний в компьютерных системах - одна из основных проблем в области искусственного интеллекта. Решение этой проблемы позволит специалистам, не обученным программированию, непосредственно на языке “деловой прозы” в диалоговом режиме работать с ЭВМ и с ее помощью формировать необходимые решения. Таким образом, решение проблемы представления знаний в компьютерных системах позволит существенно усилить интеллектуальную творческую деятельность человека за счет ЭВМ.

     Актуальность  данной темы заключается в том, что  содержимое памяти ЭВМ не равносильно человеческому знанию, которое является гораздо более сложным феноменом, но может служить удобной для коммуникации моделью этого знания. Этот принцип моделирования профессиональных знаний лежит в основе экспертных систем.

      Каждая из интеллектуальных систем соотносится с определенной частью реального мира — сферой деятельности человека, выделенной и описанной в соответствии с некоторыми целями и называемой предметной областью. Описание предметной области представляет собой совокупность сведений:

а) обо  всех предметах — объектах, процессах  и явлениях, выделенных с точки зрения рассматриваемой деятельности;

б) об отношениях между выделенными предметами и/или  их частями;

в) обо  всех проявившихся и возможных взаимодействиях  между предметами, их частями и отношениями, возникших в результате осуществления деятельности человека.

      Цель  данной курсовой работы состоит в том, чтобы в полной мере изучить методы, модели и типы представления знаний, операции над знаниями. Чтобы полностью охватить весь спектр данной темы необходимо решить следующие задачи:

1. Изучить способы формального представления знаний;
2. Рассмотреть модели представления знаний;

      Объектом  исследования в данном курсовом проекте  выступают методы представление знаний для ЭВМ. А в качестве предмета изучения принимается представление знаний в программе Prolog.

. 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Глава 1. Способы формального представления знаний

1.1 История в информатике

     В информатике (главным образом в  области искусственного интеллекта) для структурирования информации, а также организации баз знаний и экспертных систем были предложены несколько способов представления знаний. Одно из них представление данных и сведений в рамках логической модели баз знаний, на основе языка логического программирования Пролог.

     Под термином «Представление Знаний» чаще всего подразумеваются способы  представления знаний, ориентированные  на автоматическую обработку современными компьютерами, и в частности, представления, состоящие из явных объектов, и из суждений или утверждений о них. Представление знаний в подобной явной форме позволяет компьютерам делать дедуктивные выводы из ранее сохраненного знания.

     В 1970-х и начале 1980-х были предложены, и с переменным успехом опробованы многочисленные методы представления  знаний, например эвристические вопросно-ответные системы, нейронные сети, доказательство теорем, и экспертные системы. Главными областями их применения в то время были медицинская диагностика (к примеру Мицин) и игры (например шахматы).

     В 1980-х годах появились формальные компьютерные языки представления знаний. Основные проекты того времени пытались закодировать (занести в свои базы знаний) огромные массивы общечеловеческого знания.

     Эта работа привела к более точной оценке сложности задачи представления знаний. Одновременно в математической лингвистике, были созданы гораздо более объёмные базы языковой информации, и они, вместе с огромным приростом скорости и объёмов памяти компьютеров сделали более глубокое представление знаний более реальным.

     Было  разработано несколько языков программирования ориентированных на представление знаний. Пролог, разработанный в 1972, но получивший популярность значительно позже, описывает высказывания и основную логику, и может производить выводы из известных посылок. Ещё больше нацелен на представление знаний язык KL-ONE (1980-е).

     В области электронных документов были разработаны языки, явно выражающие структуру хранимых документов, такие как SGML, а впоследствии XML. Они облегчили задачи поиска и извлечения информации, которые в последнее время всё больше связаны с задачей представления знаний. Web-сообщество крайне заинтересованно в семантической паутине, в которой основанные на XML языки представления знаний, такие как RDF, Карта тем и другие используются для увеличения доступности компьютерным системам информации, хранящейся в сети.

1.2 Связи и структуры

     Одной из проблем в представлении знаний является, как хранить и обрабатывать знания в информационных системах формальным способом так, чтобы механизмы могли использовать их для достижения поставленных задач. Примеры применения здесь экспертные системы, Машинный перевод, компьютеризированное техническое обслуживание и системы извлечения и поиска информации (включая пользовательские интерфейсы баз данных).

     Для представления знаний можно использовать семантические сети. Каждый узел такой сети представляет концепцию, а дуги используются для определения отношений между концепциями. Одна из самых выразительных и детально описанных парадигм представления знаний основанных на семантических сетях это MultiNet (акроним для Многослойные Расширенные Семантические Сети англ. Multilayered Extended Semantic Networks).

     Начиная с 1960-х годов, использовалось понятие  фрейма знаний или просто фрейма. Каждый фрейм имеет своё собственное  имя и набор атрибутов, или слотов которые содержат значения; например фрейм дом мог бы содержать слоты цвет, количество этажей и так далее.

     Использование фреймов в экспертных системах является примером объектно-ориентированного программирования, с наследованием свойств.

     Фреймовые структуры хорошо подходят для представления  знаний, представленных в виде схем и стереотипных когнитивных паттернов. Элементы подобных паттернов обладают разными весами, причем большие весы назначаются тем элементам, которые соответствую текущей когнитивной схеме. Паттерн активизируется при определённых условиях: Если человек видит большую птицу, при условии что сейчас активна его «морская схема», а «земная схема» - нет, он классифицирует её скорее как морского орлана, а не сухопутного беркута.

     Фреймовые представления объектно-центрированы в том же смысле что и Семантическая  сеть: Все факты и свойства, связанные  с одной концепцией, размещаются в одном месте, поэтому не требуется тратить ресурсы на поиск по базе данных.

     Script – это тип фреймов, который описывает последовательность событий во времени; типичный пример описание похода в ресторан. События здесь включают ожидание места, прочитать меню, сделать заказ, и так далее.

Различные решения в зависимости от их семантической  выразительности могут быть организованы в так называемый семантический спектр (англ. Semantic spectrum).

          1.3 Проблемы создания систем знаний

     Система знаний – математическая модель некоторой области прикладного неформализованного знания.

     Система понятий и отношений этой математической модели должны отображать систему понятий и отношений прикладного знания, а зависимости, существующие в этой модели, аппроксимируют соответствующие зависимости прикладного знания.

     Разработанные модели должны быть зафиксированы в памяти ЭВМ и, использоваться, для решения прикладных программ.

                                Проблемы:

1. Формализация знаний. Решается с помощью математиков. Будет разработана концептуальная схема модели.
2. Представление знаний.   Разработка формализованного аппарата для фиксации моделирующих знаний в памяти ЭВМ.
3. Использование знаний.   Проводятся вычисления и преобразования в построенных ранее моделях.
4. Создание баз знаний и систем управления ими.  Задачи для системных администраторов, которые закладываются в разработке средств программной поддержки моделирования.

1.4  Виды знаний и способы их представления

     Знание  – формализованная информация, на которую ссылается или которую используют в процессе решения задачи.

Знание  о предметной области включает:

1. Описание объектов и их окружение, необходимых явлений и факторов;
2. Отношения между объектами.

Уровни  формализации знания о предметной области:

1. Знание в памяти человека;
2. Знания в форме языковой модели в предметной области, зафиксированной на физических носителях;
3. Знания, формализованные для  их представления в ЭВМ;
4. Фактографические сведения и данные.

Классификация знаний:

1. Знания как основные закономерности предметной области, позволяющие человеку решать конкретные, производственные, научные и другие задачи:

1. Фактические знания (факты, понятия, взаимосвязи, оценка, правила, 

           эвристики (догадки));

2. Стратегические знания (стратегии принятия решений в конкретной

           области);

     Факты – иногда излагаются как текстовые знания.

     Эвристики – знания, основанные на индивидуальном опыте эксперта, накопленные в результате многолетней практики (способы использования нечетной информации; способы разрешения противоречий и т.п.).

2. Другой способ классификации знаний:

1. Декларативные – относятся все остальные знания (статьи в энциклопедиях, словарях, формулировки законов физики, химии.). Эти знания отвечают на вопрос: «Что представляет собой явление Х.» или «Какие связи есть между Х и У?»;

2. Процедурные – описывают последовательность действий, которые        могут быть использованы для решения задач. («Как сделать устройство Х?»).

3. Знания делят на:

1. Экстенциональные знания – это данные, которые характеризуют конкретные объекты предметной области;
2. Интенсиональные знания – это знания, которые работают с абстрактными объектами предметной области.
4. Знания бывают:
1. Глубинные – отражают понимание структуры предметной области (формулировки законов);
2. Поверхностные – касаются внешних эмпирических ассоциаций с каким либо феноменом предметной области.
5. Знания:
1. Жесткие – позволяют получать однозначно четкие рекомендации при заданных начальных условиях;
2. Мягкие – множественные, размытые решения (нечеткие) и различные варианты рекомендаций.

Задачи, которые  приходится решать, делятся  на:

1. Легко формализуемые задачи (связано с использованием жестких знаний);
2. Трудно формализуемые задачи (необходимость работы с мягкими знаниями).

Особенности трудно формализуемых задач:

1. Задача не может быть определена в числовой форме, т.е. требуется символьное представление;
2. Алгоритмическое решение задач неизвестно;
3. Задача, цель которой не может быть определена в терминах четко определенной целевой функцией.