<<
>>

Классификация методов представления знаний

Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществить их моделирование.

340

Глава 6. Автоматизация поддержки принятия управленческих решений

При проектировании модели представления знаний следует учесть два требования:

однородность представления; >• простота понимания.

Выполнение этих требований позволяет упростить механизм логического вывода и процессы приобретения знаний и управления ими, однако, как правило, создателям интеллектуальной системы приходится идти на некоторый компромисс в стремлении обеспечить одинаковое понимание знаний и экспертами, и инженерами знаний, и пользователями.

Классификация методов моделирования знаний с точки зрения подхода к их представлению в ЭВМ показана на рис. 6.10.

Дадим краткую характеристику основных методов представления знаний с помощью моделей, основанных на эвристическом подходе.

Представление знаний тройкой «объект — атрибут — значение». Один из первых методов моделирования знаний. Как правило, используется для представления фактических знаний в простейших системах.

Модели представлении знаний

На основе эвристического подхода

На основе теоретического подхода

тройкой

на базе формальной логики предикатов

продукционные

фреймовые

Рис. 6.10. Классификация моделей представления знаний

341

Риск -менеджмент

Примеры: Объект Атрибут Значение Преподаватель Ученое звание Доцент Дом Цвет Белый Пациент Температура Нормальная Очевидно, что для моделирования знаний даже об одном объекте (например, о «преподавателе» или «доме») из предметной области необходимо хранить значительное число «троек».

Продукционная модель (модель правил; модель продукций — от англ. production — изготовление, разработка). В настоящее время наиболее проработанная и распространенная модель представления знаний, особенно в экспертных системах.

Модель предусматривает разработку системы продукционных правил (правил продукций), имеющих вид:

ЕСЛИ А, и А2и... Д„ ТО В, или В2 или... В„„ где и — некоторые высказывания, к которым применены логические операции «и» и «или». Если высказывание в левой части правила (ее часто называют антецедент — условие, причина) истинно, истинно и высказывание в правой части (консек-вент — следствие).

Полнота базы знаний (базы правил) определяет возможности системы по удовлетворению потребностей пользователей. Логический вывод в продукционных системах основан на построении прямой и обратной цепочек заключений, образуемых в результате последовательного просмотра левых и правых частей соответствующих правил, вплоть до получения окончательного заключения.

Пусть в некоторой области памяти (БЗн) хранятся следующие правила (суждения):

>- правило 1 — ЕСЛИ в стране происходит падение курса национальной валюты, материальное положение населения ухудшается;

правило 2 — ЕСЛИ объемы производства в стране падают, ТО курс национальной валюты снижается; правило 3 — ЕСЛИ материальное положение населения ухудшается, ТО уровень смертности в стране возрастает. Если на вход системы поступит новый факт «В стране высокий уровень падения объемов производства», то из правил мож

342

Глава 6. Автоматизация поддержки принятия управленческих решений

343

но построить цепочку рассуждений и сформулировать два заключения:

факт 1 — правило 2 — правило 1 — заключение 1 — правило 3 — заключение 2,

где заключение 1 (промежуточный вывод) — «Материальное положение населения ухудшается»; заключение 2 (окончательный вывод) — «В стране возрастает уровень смертности».

Отметим, что в современных экспертных системах в базе знаний могут храниться тысячи правил, а коммерческая стоимость одного невыводимого (нового, дополнительного) правила весьма высока.

Главными достоинствами продукционных систем являются простота пополнения и изъятия правил; простота реализации механизма логического вывода и наглядность объяснений результатов работы системы.

Основной недостаток подобных систем — трудность обеспечения непротиворечивости правил при их большом числе, что требует создания специальных правил (так называемых метаправил) разрешения возникающих в ходе логического вывода противоречий.

Кроме того, время формирования итогового заключения может быть достаточно большим.

Фреймовая модель. Сравнительно новая модель представления знаний. Само понятие «фрейм» (англ. frame — рама, рамка, скелет, сгусток, сруб и т.д.) было введено в 1975 году Марком Мински (М. Minsky, США).

Фрейм — это минимальная структура информации, необходимая для представления знаний о стереотипных классах объектов, явлений, ситуаций, процессов и др. С помощью фреймов можно моделировать знания о самых разнообразных объектах интересующей исследователя предметной области — важно лишь, чтобы эти объекты составляли класс концептуальных (повторяющихся, стереотипных) объектов, процессов и т.п. Примерами стереотипных служебных ситуаций могут служить совещание; собрание; сдача экзамена; защита курсовой работы и др. Примеры стереотипных бытовых ситуаций: отъезд в отпуск; встреча гостей; выбор телевизора; ремонт и др. Примеры стереотипных понятий: алгоритм; действие; методика и др. На рис. 6.11 представлен фрейм технологической операции «соединять».

Данный фрейм описывает ситуацию: «Субъект X соединяет объект объектом способом На рисунке обозначены:

Риск -менеджмент

вершины X, Y, Z, W— слоты {англ. slot — прорезь; щель; пустота — составляющие фрейма); дуги — отношения;

Dx,DY,Dz,D-fy так называемые шанции — области возможных значений соответствующих слотов.

Наполняя слоты конкретным содержанием, можно получить фрейм конкретной ситуации, например: «Радиомонтажник соединяет микросхему с конденсатором способом пайки». Заполнение слотов шанциями называют активизацией фрейма.

С помощью фреймов можно моделировать как процедурные, так и декларативные знания. На рис. 6.11 представлен пример представления процедурных знаний.

На рис. 6.12 приведен пример фрейма «технологическая операция», иллюстрирующий представление декларативных знаний для решения задачи проектирования технологического процесса.

Значения слотов могут содержать ссьшки на так называемые присоединенные процедуры.

Фреймы позволяют использовать многие свойства знаний и достаточно широко употребляются. Их достоинства и недостат-

-А Ох

Dy

Dz

«объект»

«субъект»

«посредством чего?»

Рис. 6.11. Фрейм ситуации «соединять»

344

Глава 6. Автоматизация поддержки принятия управленческих решений

Имя операции

Состав операции

Требуемое оборудование

Требуемые материалы

Имя последующей операции

Рис. 6.12. Фрейм понятия «технологическая операция»

345

ки схожи с достоинствами и недостатками семантических сетей, которые будут рассмотрены ниже.

Модель семантической сети (модель Куилиана). Семантическая сеть — это направленный граф с поименованными вершинами и дугами, причем узлы обозначают конкретные объекты, а дуги — отношения между ними. Как следует из определения, данная модель представления знаний является более общей по отношению к фреймовой модели (иными словами, фреймовая модель — частный случай семантической сети). Семантическую сеть можно построить для любой предметной области и для самых разнообразных объектов и отношений.

На рис. 6.13 представлена семантическая сеть для предложения (ситуации): «Студент Табуреткин добросовестно изучает новый план счетов перед сдачей экзамена по дисциплине «Бухгалтерский учет».

Рис. 6.14 содержит фрагмент семантической сети для понятия «автомобиль» (обозначения: IS-A — есть, является; HAS-PART — имеет часть). Из приведенных примеров понятно, почему многие специалисты по ИИ считают фрейм частным случаем семантической сети со строго структурированными зна-

Риск-менеджмент

что делает7 г

Рис. 6.13 Семантическая сеть для предложения (ситуации)

Рис. 6.14. Фрагмент семантической сети понятия «автомобиль»

ниями. Основное достоинство методов моделирования знаний с помощью семантических сетей и фреймов — универсальность, удобство представления как декларативных, так и процедураль-ных знаний. Имеют место и два недостатка:

— громоздкость, сложность построения и изменения;

— потребность в разнообразных процедурах обработки, связанная с разнообразием типов дуг и вершин.

346

Глава 6. Автоматизация поддержки принятия управленческихрешений

347

<< | >>
Источник: Балдин К. В.. Риск-менеджмент: Учебное пособие. — М.: Эксмо. — 368 с. — (Риск-менеджмент).. 2006

Еще по теме Классификация методов представления знаний:

  1. 3.4. Методы принятия решений в моделях знаний
  2. КЛАССИФИКАЦИЯ МЕТОДОВ ОБУЧЕНИЯ
  3. Общее представление о методах анализа
  4. 9.1. Классификация и содержание методов управления
  5. Метод брейнстоминга и ложное представление о нем
  6. Понятие и классификация методов менеджмента
  7. Непрямой метод опроса с использованием полиграфа (тест “виновных знаний" или тест “скрываемой информации”)
  8. 6.1. ПОНЯТИЕ И КЛАССИФИКАЦИЯ МЕТОДОВ КРИМИНАЛИСТИКИ
  9. 8.3.1. Общая характеристика методов принятия управленческих решений, их классификация
  10. § 5.3. Метод классификации функций государства
  11. Классификация методов обоснования решений
  12. Понятие, сущность и классификация методов менеджмента
  13. Классификация методов учета затрат, используемых в системе контроллинга
  14. 3.1. Понятие и классификация методов разработки принятия решений
  15. Понятие и классификация методов административно-публичной деятельности
  16. ЮРИДИЧЕСКИЕ КАТЕГОРИИ И МЕТОД КЛАССИФИКАЦИЙ
  17. § 3. Классификация психологических методов (тестов) исследования личности
  18. 3.1. Понятие и классификация методов разработки и принятия решений
  19. 5.7.3.1. Сущность оценочного метода. Классификация способов оценки