Интеллектуальные информационные системы

Логические модели представления знаний

Согласно логическому подходу, вся система знаний, необходимая для решения прикладных задач, рассматривается как совокупность утверждений.

Система знаний представляется совокупностью формул логики предикатов. Эта логика оперирует простыми высказываниями, рас­члененными на субъект (нечто лежащее в основе) и предикат (нечто утверждаемое о субъекте). Предикат отображает наличие или отсут­ствие у субъекта того или иного признака.

Формулы в базе знаний неделимы. Модификация базы предполага­ет лишь добавление и удаление формул. Логические методы обеспе­чивают развитый аппарат вывода новых фактов на основе тех, что представлены в базе знаний.

Основной недостаток логических методов — отсутствие четких принципов организации фактов в базе знаний. Без формулирования таких принципов модель может превратиться в плохо обозримый кон­гломерат независимых фактов, не поддающихся анализу и обработке. Поэтому логические методы используются преимущественно в тех предметных областях, где система знаний невелика по объему и отно­сительно проста по структуре.

В основе логических моделей лежит формальная система, задава­емая четверкой вида:

М=< Т, Р, Л, В>.

Множество Т есть множество базовых элементов различной приро­ды, входящих в состав некоторого набора. Важно, что для множества Т существует некоторый способ определения принадлежности или не­принадлежности произвольного элемента к этому множеству.

Множество Р есть множество синтаксических правил. С их помощью из элементов Т образуют синтаксически правильные совокупности.

В множестве синтаксически правильных совокупностей выделяет­ся подмножество А. Элементы А называются аксиомами.

Множество В есть множество правил вывода. Применяя их к эле­ментам Л, можно получить новые синтаксически правильные совокуп­ности, к которым снова можно применять правила из В.

Правила вывода являются наиболее сложной составляющей фор­мальной системы. В базе знаний хранятся лишь те знания, которые образуют множество А, а все остальные знания получаются из них по правилам вывода.

Семантические сети

Семантическая сеть — это модель формализации знаний в виде ори­ентированного графа с размеченными вершинами и дугами. Верши­нам соответствуют объекты, понятия или ситуации, а дугам — отно­шения между ними.

В качестве понятий обычно выступают абстрактные или конкрет­ные объекты, а отношения — это связи типа: «это» («АКО — А-Кind-Of», «is») «имеет частью» («has part») «принадлежит». Характерной особенностью семантических сетей является обязательное наличие трех типов отношений:

* класс—элемент класса;

* свойство—значение;

*пример элемента класса.

Наиболее часто в семантических сетях используются следующие отношения:

* связи типа «часть—целое»;

* функциональные связи (определяемые обычно глаголами «производит», «влияет» и др.);

* количественные (больше, меньше, равно и т. д.);

* пространственные (далеко от, близко от и др.);

* временные (раньше, позже и др.);

* атрибутивные связи (иметь свойство, иметь значение);

* логические связи (И, ИЛИ, НЕ);

* лингвистические связи и др.

Структура сети.

Как известно, наиболее простой способ расширения информационного поиска в сети Интернет применен в метапоисковых системах и заключается в увеличении количества используемых первичных ИПС. Этот механизм должен быть реализован в любой разрабатываемой системе. Задача распределения ресурсов поисковой системы по различным ИПС глобальной сети должна решаться адаптивно, на основании учета доли ссылок признанных релевантными во время предыдущих сеансов поиска.

Второй блок автоматизированной поисковой системы отправляет созданный запрос и осуществляет сортировку и отбор полученных ссылок, после чего обращается по выбранным адресам и получает из сети некоторое множество документов, также содержащих гиперссылки.

В исследовании [8] показано, что распространенное мнение о хаотичности информационного наполнения глобальной сети и об отсутствии какой-либо структуры связей является заблуждением. Выявлено наличие так называемых “сообществ” – хорошо связанных групп сайтов, содержащих материалы близкой тематики. Выделяются “центральные” страницы – содержащие большие списки ссылок и страницы, на которые ведут многие ссылки, – “авторитетные” страницы. Таким образом, целью 8-го этапа поиска является обнаружение таких групп и выявление среди их членов наиболее “авторитетных”. Как показано в [9], алгоритм решения этой задачи достаточно прост.

Обработка результатов поиска.

После получения в результате поиска в сети некоторого множества документов, среди них необходимо выделить наиболее релевантные. Наличие “сообществ” не облегчает эту задачу. Можно выделить следующие несколько классов наиболее частых ситуаций.

1. Отсутствие в исследуемом сегменте сети искомой информации. Подобная ситуация описана в [10]. В этом случае следует перейти к другому сегменту, т. е. обычно исследовать ресурсы, созданные на других языках.

2. Найденные “сообщества” содержат информацию не по требуемой тематике, а главным образом по другим, близким к искомой.

3. Обнаружено слишком большое количество информационных ресурсов.

В последних двух случаях необходимо осуществить автоматический перебор всех найденных документов и определить степень близости их к исходному запросу. Более 20 метрических мер близости, пригодных для сравнения документов в векторном представлении, рассмотрены в работе [11]. Оптимальное решение задачи ранжирования достигается путем применения системы, основанной на агентно-ориентированном подходе.

Во многих случаях поиска в новой области, когда общий уровень пользователя недостаточно высок, желательно осуществлять фильтрацию выдаваемой информации по стилю текста так, чтобы начальное ознакомление с материалом происходило с использованием популярных и научно-популярных текстов.

Для уменьшения объема рассматриваемых материалов следует также осуществить фильтрацию результатов поиска по типу источников. Так очевидно, что документы, расположенные на научных сайтах, на коммерческих, или на серверах СМИ будут существенно различаться по своему характеру.

 

Интеллектуальные информационные системы

4. Основные понятия искусственного интеллекта; (Пискарёва Екатерина)

 

Иску́ сственный интелле́ кт ( ИИ, англ. Artificial intelligence, AI) — наука и технология создания интеллектуальных машин, особенно интеллектуальных компьютерных программ. ИИ связан со сходной задачей использования компьютеров для понимания человеческого интеллекта, но не обязательно ограничивается биологически правдоподобными методами

Системы искусственного интеллекта ориентированы на решение большого класса задач, называемых неформализуемыми (трудно фор­мализуемыми). Такие задачи обладают следующими свойствами:

 алгоритмическое решение задачи неизвестно или нереализуемо
из-за ограниченности ресурсов ЭВМ;

 задача не может быть представлена в числовой форме;

 цели решения задачи не могут быть выражены в терминах точно
определенной целевой функции;

 большая размерность пространства решения;

 динамически изменяющиеся данные и знания.

В исследованиях по искусственному интеллекту можно выделить два основных направления.

 

1.Программно-прагматическое — занимается созданием программ,
с помощью которых можно решать те задачи, решение которых до этого считалось исключительно прерогативой человека (программы рас­познавания, решения логических задач, поиска, классификации). Это
направление ориентировано на поиски алгоритмов решения интеллек­туальных задач на существующих моделях компьютеров.

2.Бионическое — занимается проблемами искусственного воспро­изведения тех структур и процессов, которые характерны для челове­ческого мозга и которые лежат в основе процесса решения задач чело­
веком. В рамках бионического подхода сформировалась новая наука —нейроинформатика, одним из результатов которой стала разработка нейрокомпьютеров.

Классическим принято считать программно-прагматическое на­правление. В рамках этого направления сначала велись поиски моде­лей и алгоритма человеческого мышления.

Существенный прорыв в практических приложениях систем искус­ственного интеллекта произошел в середине 70-х годов, когда на сме­ну поискам универсального алгоритма мышления пришла идея моде­лировать конкретные знания специалистов-экспертов. Так появились системы, основанные на знаниях, — экспертные системы. Сформиро­вался новый подход к решению интеллектуальных задач — представле­ние и использование знаний. Интересно, что понятие «знание» не имеет на сегодняшний день какого-либо исчерпывающего определения.

Знания — это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. С точки зрения искусственного интеллекта знания можно определить как формализованную информацию, на которую ссылаются в процес­се логического вывода.

Приведем ряд определений.

База знаний — это совокупность знаний, описанных с использова­нием выбранной формы их представления. База знаний является ос­новой любой интеллектуальной системы. База знаний содержит опи­сание абстрактных сущностей: объектов, отношений, процессов.

Знания можно разделить на процедурные и декларативные. Исто­рически первыми использовались процедурные знания, то есть зна­ния, представленные в алгоритмах. Алгоритмы, в свою очередь, были реализованы в программах. Однако развитие систем искусственного интеллекта повысило приоритет декларативных знаний, то есть зна­ний, сосредоточенных в структурах данных.

Процедурные знания хранятся в памяти ИС в виде описаний проце­дур, с помощью которых можно получить знания. Так обычно описыва­ются способы решения задач предметной области, различные инструк­ции, методики и т. д. Процедурные знания составляют ядро базы знаний.

Декларативные знания — это совокупность сведений о качественных и количественных характеристиках объектов, явлений, представлен­ных в виде фактов и эвристик. Традиционно такие знания накаплива­лись в виде разнообразных таблиц и справочников, а с появлением ЭВМ приобрели форму информационных массивов и баз данных. Де­кларативные знания часто называют просто данными.

Одной из наиболее важных проблем разработки систем искусствен­ного интеллекта является представление знаний.

Представление знаний — это их формализация и структурирование, с помощью которых отражаются характерные признаки знаний: вну­тренняя интерпретируемость, структурированность, связность, семан­тическая метрика и активность.

При работе со знаниями используются два основных подхода:

  логический (формальный) подход, при котором основное внимание уделяется изучению и применению теоретических методов пред­ставления знаний, формализации, а также логической полноте;

 эвристический (когнитивный) подход, который ориентируется на обеспечение возможностей решения задач. При этом опора делается на принцип организации человеческой памяти и эври­стическое моделирование. В отличие от формальных, эвристи­ческие модели имеют разнообразный набор средств, передающих
специфические особенности той или иной области.

Существуют следующие основные модели представления знаний:

* логические модели;

* продукционные модели;

* семантические сети;

* фреймовые модели;

* модели, основанные на нечетких множествах.

12345Следующая ⇒

Поделиться: