Системы, основанные на знаниях.

Третье основное направление в искусственном интеллекте образует его фундамент. Именно здесь создается теория данного научного направления, решаются основные проблемы, связанные с центральным объектом изучения искусственного интеллекта - знаниями.

На Рис. 5 показана структура этого направления. Всякая предметная (проблемная) область деятельности может быть описана в виде некоторой совокупности сведений о структуре этой области, основных ее характеристиках, процессах, протекающих в ней, а также о способах решения, возникающих в ней задач. Все эти сведения образуют знания о предметной области. При использовании интеллектуальных систем для решения задач в данной предметной области необходимо собрать о ней и создать концептуальную модель этой области. Источниками знаний могут быть документы статьи, книги, фотографии, киносъемка и многое другое, из этих источников надо извлечь содержащиеся в них знания. Этот процесс может оказаться достаточно трудным, ибо надо заранее оценить важность и необходимость тех или иных знании для работы интеллектуальной системы, специалисты, которые занимаются всеми вопросами, связанными со знаниями, теперь называются инженерами по знаниям или инженерами знаний. Эта новая профессия порождена развитием искусственного интеллекта.

Рис. 5

В области извлечения знаний можно выделить два основных направления; формализации качественных знаний и интеграция знаний.

Первое направление связано с созданием разнообразных методов, позволяющих переходить от знаний, выраженных в текстовой форме к их аналогам, пригодным для ввода в память интеллектуальной системы. В связи с этой проблемой развивались не только традиционные методы обработки экспериментальных данных, но и совершенно новое направление, получившее название нечеткой математики. Возникновение этого направления связано с именем американского специалиста Л. Заде. Нечеткая математика и ее методы оказали существенное влияние на многие области искусственного интеллекта и, в частности, на весь комплекс проблем, связанный с представлением и переработкой качественной информации.

Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Проблема интеграции знания пока еще не стоит столь остро, но уже ясно, что без ее решения вряд ли будет возможно создавать представление о предметной области, обладающее теми же богатыми нюансами, которыми оно обладает для специалиста знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно.

Значительная часть профессионального опыта остается вне этих источников, в головах у профессионалов, не могущих словесно их выразить. Такие знания часто называют профессиональным умением или интуицией. Для того чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых одна из современных задач инженерии знаний.

Полученные от экспертов знания нужно оценить с точки зрения их соответствия ранее накопленным знаниям и формализовать их для ввода в память интеллектуальной системы. Кроме того, знания, полученные от различных экспертов, надо еще согласовать между собой. Нередки случаи, когда эти знания оказываются внешне несовместимыми и даже противоречивыми. Инженер по знаниям должен путем опроса экспертов устранить эти противоречия.

Следующая большая проблема, изучаемая в искусственном интеллекте - это представление знаний в памяти системы. Для этого, разрабатываются разнообразные модели представления знаний, в настоящее время в интеллектуальных системах используются четыре основных модели знаний.

Первая модель, возможно, наиболее близка к тому, как представляются знания в текстах на естественном языке, в ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек вида: (aRb), где а и b два объекта или понятия, а R - двоичное отношение между ними. Такая модель графически может представляться в виде сети, в которой вершинам соответствуют объекты или понятия, а дугам - отношения между ними. Дуги помечены именами соответствующих отношений. Такая модель носит название семантической сети.

Семантические сети в зависимости от характера отношений, допустимых в них, имеют различную природу. В ситуационном управлении эти отношения, в основном, описывали временные, пространственные и каузальные связи между объектами, а также результаты воздействий на объекты со стороны управляющей системы. В системах планирования и автоматического синтеза программ эти отношения являются связями типа "цель-средство" или "цель- подцель", в классифицирующих системах отношения передают связи по включению объемов понятий (типа "род-вид", "класс-элемент" и т.п.).

Распространены так называемые функциональные семантические сети, в которых дуги характеризуют связи вида: "аргумент-функция". Такие сети используются в качестве моделей вычислительных процессов или моделей функционирования дискретных устройств.

Таким образом, семантические сети - модель весьма широкого назначения. Теория семантических сетей еще не завершена, что привлекает к ним внимание многих специалистов, работающих в искусственном интеллекте. При различных синтаксических ограничениях на структуру семантической сети возникают более жесткие типы представления. Например, реляционные представления, характерные для реляционных баз данных, или клаузальные представления в логике, получившие широкое распространение в машинных методах логического вывода или в языках логического программирования типа языка Пролог.

В некотором смысле фреймовые представления знаний, широко распространенные в искусственном интеллекте, также являются видом семантических сетей, для перехода к которому надо удовлетворить ряд ограничений синтаксического характера.

С понятием "фрейм" в искусственном интеллекте произошла некоторая трансформация смысла. Это понятие было введено в научный оборот Н. Минским, который под фреймом некоторого объекта или явления понимал то его минимальное описание, которое содержит всю существенную информацию об этом объекте или явлении, и обладает тем свойством, что удаление из описания любой его части приводит к потере существенной информации, без которой описание объекта или явления не может быть достаточным для их идентификации.

Однако позже в работах по представлению знаний требование минимальности описания перестали соблюдать и под фреймами стали понимать структуры вида:

<имя фрейма (Множество слотов)>

Каждый слот есть пара вида:

(Имя слота; Значение слота).

Допускается, чтобы слот сам был фреймом. Тогда в качестве значений слота выступает множество слотов. Другими возможностями для заполнения слотов могут быть константы, переменные, любые допустимые выражения в выбранной модели знаний, ссылки на другие слоты и фреймы и т.п. Таким образом, фрейм представляет собой достаточно гибкую конструкцию, позволяющую отображать в памяти интеллектуальной системы разнообразные знания.

Две другие распространенные модели знаний опираются на классическую логическую модель вывода. Это либо логические исчисления, типа исчисления предикатов и его расширений, либо системы продукций, т.е. правил вида: "Если А, то Б", задающих элементарные шаги преобразований и умозаключений. Эти две модели знаний отличаются явно выраженной процедурной формой. Поэтому часто говорят, что они описывают процедурные знания, а модели знаний, опирающиеся на семантические сети, описывают декларативные знания. Оба вида знаний могут сосуществовать друг с другом, например, в качестве значений некоторых слотов во фрейме могут выступать продукции. Именно такие смешанные представления оказываются сейчас в центре внимания исследователей, так как они сулят наиболее хорошие перспективы по представлению знаний.

Перечисленные модели знаний возникли в искусственном интеллекте как бы насильственно, они не опираются на аналоги структур для представления знаний, которыми пользуются люди. Это связано с плохой изученностью форм представления знаний у человека.