Лекция по "Интелектуальным системам"

 

Вопросы для повторения :

1. От чего зависит состав знаний?

2. Какие знания необходимы для функционирования интеллектуальной системы?

3. Характеристика предметной области

4. На какие типы подразделяются задачи предметной области?

5. Опишите структуру знаний

6. Каким образом организованы знания в базе знаний?

 

Лекция 4. КЛАССИФИКАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ

План:

 

1. Схема классификации
2. Классификация по решаемой задаче
3. Классификация по связи с реальным временем
4. Классификация по степени интеграции

 

Ключевые  слова: Интерпретация данных, мониторинг, статические ЭС, квазидинамические ЭС, динамические ЭС, автономные ЭС, гибридные ЭС

 

Класс "экспертные системы" сегодня объединяет несколько тысяч  различных программных комплексов, которые можно классифицировать по различным критериям. Полезными  могут оказаться следующие классификации

Классификация по решаемой задаче

 

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность - это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы - "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов чертеж, пояснительная записка и т.д. Основные проблемы здесь - получение четкого структурного описания знаний об объекте и проблема "следа". Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Пример:

предсказание  погоды - система WILLARD:

оценки будущего урожая - PI.ANT;

прогнозы в  экономике - ЕСОN и др.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Пример:

планирование  поведения робота - STRIPS,

планирование  промышленных заказов - 1SIS,

планирование эксперимента - MOLGEN и др.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Пример:

обучение языку  программирования Лисп в системе "Учитель Лиспа";

система PROUST - обучение языку Паскаль и др.

 

Классификация по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Пример . Диагностика  неисправностей в автомобиле.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Пример. Микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4 - 5 (производство лизина, например) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступаемых данных.

Пример. Управление гибкими производственными комплексами, мониторинга реанимационных палатах  и т.д. Пример инструментария для  разработки динамических систем - G2.

Классификация по степени интеграции с другими  программами

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "экспертных" задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т. д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю  привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу, на порядок более сложную, чем  разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

 

 

Лекция5,6. Модели представления знаний

План

1. Типы представления знаний
2. Логическая модель
3. Семантическая модель
4. Фреймовая модель
5. Продукционная модель

 

Ключевые слова: формальная теория, исчисление предикатов, эвристические модели, квантор, иерархические сети

Можно различить два  типа представления знаний:

1. логические
2. эвристические

В основе логических моделей лежит понятие формальной теории. В логических моделях отношения, существующие между отдельными единицами знаний (фактами) выражаются с помощью синтаксических знаний формальной теории (например, исчисление предикатов).

В отличие от логических моделей эвристические модели имеют разнообразный набор средств, передающих специфические особенности той или иной проблемной области. Эвристические модели  превосходят логические модели и по  возможностям или способности адекватно отобразить, т.е. представить проблемную область и по эффективности используемого механизма вывода. Эвристические модели бывают:

1. сетевые
2. фреймовые
3. продукционные

Рассмотрим первый тип  представления знаний.

Логические модели

Логические модели используют язык исчисления предикатов. Первому предикату соответствует имя отношения, а термину аргументы- объекты. Все логические выражения, используемые в логике предикатов, имеют значения истина или ложно.

Пример: рассмотрим вқражение Джон явл специальстом по информационным технологиям. Это выражение может быть представлено следуюўим образом: является (Джон, специальность по информационным технологиям). Пусть Х-объект (Джон), который является специалистом по информационным технологиям. Тогда используется следующая форма записи: является (Х, специалист по информационным технологиям).

Выражение: Смит работает на фирме IBM в качестве специалиста может быть представлено в виде предиката с тремя аргументами: работает (Смит, фирма IBM, специалист).

При работе с логическими  моделями необходимо соблюдать следующие правила:

1. Порядок аргументов должен всегда задаваться в соответствии с интерпретацией предикатов принятой в данной предметной области. Программист принимает решение о фиксированном порядке аргументов и соблюдает его от начала до конца.
2. Предикат может иметь произвольное число аргументов
3. Отдельные высказывания, состоящие из предиката и связанных с ним аргументов, могут объединяться в сложные высказывания с помощью логических связок: И(END, ), ИЛИ (or, ), НЕ (not, ~), →- импликация используемые для формулирования правил по форме: ЕСЛИ…, ТО…

Рассмотрим несколько  примеров:

1. Название предиката – является

Является (Смит, специалист по ИТ) ∩ читает (Смит, литература)

Смит является специалистом по ИТ и читает литературу.

2. Название предиката – отчитывается

Отчитывается (Смит, Джон)→руководит (Джон, Смит)

Если Смит отчитывается перед Джоном, то Джон руководит Смитом.

3. Название предиката –написал

Написал (Смит, программа) ∩ NOT работает (программа) → отладить (Смит, программа, вечер) OR передать (программа, программист, следующий день)

ЕСЛИ Смит написал программу  И она не работает, ТО Смиту следует  отладить программу вечером ИЛИ  передать программисту на следующий  день.

В высказываниях в качестве аргументов могут быть использованы и переменные. В этом случае для работы с переменными вводится понятие квантор.

Кванторы бывают двух типов:

1. Квантор всеобщности
2. Квантор существования

 означает, что все значения  переменной в скобках, относящиеся  к некоторой области должны  быть истинными.

означает, что только некоторые  из значений x истины.

 и  могут входить в состав друг друга.

Примеры:

1. (специалист по ИТ (X)→программист (X))

Все специалисты  по ИТ являются программистами

2. (специалист по ИТ (X)→хорошие программисты (X))

Некоторые специалисты по ИТ – хорошие программисты.

3. (служащий (X)→руководитель (Y,X))

У каждого  служащего есть руководитель

4. (служащий (X)→руководитель (Y,X))

Существует некоторое  лицо, которое руководит всеми.

Сетевые семантические модели

В основе этих моделей  лежит понятия сети, вершины, дуги. Сети бывают: простые и иерархические, где вершины – это некоторые понятия, сущности, объекты, события, процессы или явления. Отношения между этими сущностями выражаются дугами. Понятиями обычно выступают абстрактные или конкретные объекты, а отношения – это связи типа это, имеет частью, принадлежит, любит.

Простые сети не имеют  внутренней структуры, а в иерархических  сетях некоторые вершины обладают внутренней структурой.

Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

1. класс-элемент класса
2. свойство-значение
3. пример элемента класса

В иерархических семантических  сетях предусматривается разделение сетей на подсети (пространство) и  отношения устанавливаются не только между вершинами, но и между пространствами.

 

 

Дерево пространств

Для пространства P₆  видимы все вершины пространства, лежащие в пространстве предков P_4, P_2, P_0, а остальные невидимы

Отношения «видимости»  дает возможность  сгруппировать  пространство в упорядочении множества  «перспективы».

Рассмотрим правила  или соглашения графического изображения иерархических сетей:

вершины и дуги, лежащие  в одном пространстве ограничиваются прямо или многоугольником;

дуга принадлежит тому пространству, в котором находится  ее имя;

пространство P_i, изображаемое внутри пространства P_j, считается потомком (внутренним уровнем), т.е. из P_i «видимо» P_j. P_i может быть рассмотрено как «супервершина», которая лежит в P_j.

Проблема поиска решения  в БЗ типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, отвечающей поставленной сети.

Основное преимущество сетевых семантических моделей – в соответствии с современными представлениями об организации долговременной памяти человека.