Знания. Казалось бы, это слово известно нам еще с детства, и каждый из нас понимает его смысл. Но это всего лишь иллюзия. Многие даже не задумываются об этом, однако, когда дело доходит до сферы интеллектуальных систем, этот вопрос встает крайне остро. И вправду, что же такое эти знания? И чем они отличаются от обычных данных?
В первую очередь, необходимо отметить, что под данными понимаются «отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства». Знания же представляют собой некоторые «закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.
Чтобы лучше понять представленные выше определения, проиллюстрируем их примером. Представим, что мы рассматриваем равноускоренное движение автомобиля. Этот автомобиль ехал некоторое время со скоростью 63 км/ч (или 17,5 м/с), после чего начал двигаться с постоянным ускорением в 1 м/с. Его движение регистрировали в течение 10 секунд. В итоге были зафиксированы результаты, представленные на рисунке 1.
Рис. 1. Результаты измерения
Полученные результаты являются данными, так как они представляют собой отдельные факты движения автомобиля. Знанием же в данном случае будут формулы равноускоренного движения v = v0 + a*t и s = v0*t + a*t2/2, которые являются законами, связывающими между собой различные наборы данных.
Однако недостаточно просто различать между собой данные и знания. Крайне важно эти знания представить определенным образом, соответствующим выбранной предметной области. К основным моделям представления знания относятся следующие четыре [1]: продукционная модель, семантическая сеть, фрейм и формальная логическая модель.
В продукционной модели все знания представлены в виде «Если (условие), то (действие)». Принцип работы таких систем довольно прост. Есть некоторый набор исходных данных, который является условием. По этому набору осуществляется поиск в базе знаний. Если поиск завершается успехом, то будет выполнено соответствующие действие. Возможна и обратная ситуация, когда происходит поиск от цели для ее подтверждения до данных. Продукционная модель привлекает своей «наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода».
Семантическая сеть состоит из множества различных объектов (понятия, события, свойства или процесса), объединенных между собой определенными отношениями. Пример семантической сети представлен на рисунке 2. Вершинами здесь являются понятия «Животное», «Шимпанзе», «Дерево», «Бананы». Кроме того, в примере также имеются свойства «Возраст» и «Цвет» и их значения «15 лет» и «Желтый» соответственно.
Рис. 2. Пример семантической сети
Фрейм представляет собой некий абстрактный образ объекта, минимально описывающий его. Фрейм может быть структурой, ролью, сценарием или ситуацией. Каждый фрейм обладает определенным набором свойств и их значений. Важной особенностью фреймов является наследование свойств. Пример сети фреймов представлен на рисунке 3. Здесь происходит наследование свойств от фрейма «Животное» к фрейму «Рыба» и далее к фрейму «Акула». Поэтому свойствами фрейма «Акула», кроме перечисленных в фрейме, будут также способность передвигаться и умение плавать. Однако рост не будет наследоваться от фрейма «Рыба» к фрейму «Акула», так как в фрейме «Акула» идет переопределение этого свойства.
Рис. 3. Пример сети фреймов
Формальная логическая модель основана на классическом исчислении предикатов первого порядка. При использовании данной модели предметная область описывается в виде набора аксиом. Формальная логическая модель предъявляет очень высокие требования и ограничения к предметной области, поэтому используется гораздо реже представленных выше моделей.
Системы, основанные на знаниях, называют экспертными. Они представляют собой «сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей». Такие системы работают следующим образом: пользователь посылает запрос к системе через интерфейс взаимодействия, а система, используя базу знаний, выдает наиболее подходящую рекомендацию, объясняя принятое решение с помощью встроенной подсистемы объяснений. Экспертные системы имеют обширную классификацию. Например, их можно разделить следующим образом [1]:
1) По решаемой задаче: интерпретация данных, диагностика, проектирование, прогнозирование, планирование или обучение.
2) По связям с реальным временем: статические, квазидинамические или динамические.
3) По типу ЭВМ: на суперЭВМ, на ЭВМ средней производительности, на символьных процессорах, на рабочих станциях или на ПЭВМ.
4) По степени интеграции: автономные или гибридные (интегрированные).
В заключение хотелось бы отметить, что экспертные системы, наполненные ценными знаниями, накопленными человечеством, являются одним из фундаментальных направлений исследований в области искусственного интеллекта. Их вклад крайне сложно переоценить, но одно можно сказать точно — за подобными системами, обеспечивающими передачу знаний от одного поколения к другому — будущее.
Литература:
- Гаврилова, Т. А. Базы знаний интеллектуальных систем / Т. А. Гаврилова, В. Ф. Хорошевский. — СПб.: Питер, 2001. — 384 с.: ил.
