Области применения экспертных систем

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

а) Медицинская диагностика.

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

б) Прогнозирование.

Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система " Завоевание Уолл-стрита" может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

в) Планирование.

Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Дамасская фирма Informat впервые в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.

г) Интерпретация.

Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

д) Контроль и управление.

Системы, основанные на знаниях, могут применятся в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

е) Диагностика неисправностей в механических и электрических устройствах.

В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.

ж) Обучение.

Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих ЭС является разработанная Д.Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т.Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие, способные провести быструю атаку корабли и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать этому правила игры меняли каждый год.

Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию).

 

10. Информационные модели знаний; (Пискарёва Екатерина)

Знания – это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. Для хранения знаний используются базы знаний.

Знания могут быть классифицированы по следующим категориям:

поверхностные – знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области;

глубинные – абстракции, аналогии, схемы, отражающие структуру и процессы в предметной области.

Существуют десятки моделей представления знаний для различных предметных областей. Большинство из них может быть сведено к следующим классам:

продукционные;

семантические сети;

фреймы;

формальные логические модели.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа: Если (условие), то (действие).

Под условием понимается некоторое предложение-образец, по которому осуществля­ется поиск в базе знаний, а под действием — действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминаль­ными или целевыми, завершающими работу системы).

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называется машиной вывода. Чаще всего вывод бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтвержде­ния — к данным). Данные — это исходные факты, на основании которых запускается ма­шина вывода — программа, перебирающая правила из базы.

Продукционная модель чаще всего применяется в промышленных экспертных систе­мах. Она привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Семантическая сеть — это ориентированный граф, вершины которого — понятия, а дуги — отношения между ними.

Понятиями обычно выступают абстрактные или конкретные объекты, а отношения — это связи типа: " это" (" is" ), " имеет частью" (" has part" ), " принадлежит", " любит". Харак­терной особенностью семантических сетей является обязательное наличие трех типов отно­шений:

класс — элемент класса;

свойство — значение;      

пример элемента класса.

    Выделяют несколько классификаций семантических сетей:

по количеству типов отношений (однородные – с единственным типом отношений; неоднородные – с различными типами отношений);

по типам отношений (бинарные – в которых отношения связывают два объекта; n-арные – отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:

связи типа “часть-целое”;

функциональные связи;

количественные;

пространственные;

временные;

атрибутные связи;

логические связи.

Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети, соответствующей поставленному вопросу.

Основное преимущество этой модели – в соответствии современным представлениям об организации долговременной памяти человека. Недостаток модели – сложность поиска вывода на семантической сети.

Под фреймом понимается абстрактный образ или ситуация. В психологии и филосо­фии известно понятие абстрактного образа. Например, слово " комната" вызывает у слушаю­щих образ комнаты: " жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м² ". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть " дырки", или " слоты", — это незаполненные значения некоторых атрибутов — количество окон, цвет стен, высота потолка, покрытие пола и др.

В теории фреймов такой образ называется фреймом. Фреймом называется также и формализованная модель для отображения образа.  

Структуру фрейма можно представить так:       

ИМЯ ФРЕЙМА:     

(имя 1-го слота: значение 1-го слота),        

(имя 2-го слота: значение 2-го слота),        

        …………………..

(имя N-ro слота: значение N-ro слота).

Различают фреймы-образцы, или прототипы, хранящиеся в базе знаний, и фреймы - экземпляры, которые создаются для отображения реальных ситуаций на ос­нове поступающих данных.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:

фреймы-структуры, для обозначения объектов и понятий (заем, залог, вексель);

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.

Важнейшим свойством теории фреймов является заимствованное из теории семантических сетей наследование свойств.

Основным преимуществом фреймов как модели представления знаний является спо­собность отражать концептуальную основу организации памяти человека, а также ее гибкость и наглядность.

В представлении знаний выделяют формальные логические модели, основан­ные на классическом исчислении предикатов I порядка, когда предметная область или задача описывается в виде набора аксиом. Эта логическая модель применима в основном в иссле­довательских " игрушечных" системах, так как предъявляет очень высокие требования и ограничения к предметной области. В промышленных же экспертных системах используются различные ее модификации и расширения.

Модели знаний – продукционная, фреймовая, семантических сетей – обладают практически равными возможностями представления знаний. Дополнительно каждая модель знаний обладает следующими свойствами:

продукционная модель позволяет легко расширять и усложнять множество правил вывода;

фреймовая модель позволяет усилить вычислительные аспекты обработки знаний за счет расширения множества присоединенных процедур;

модель семантических сетей позволяет расширять список отношений между вершинами и дугами сети, приближая выразительные возможности сети к уровню естественного языка.

 

11. логико-лингвистические и функциональные семантические сети; (Пискарёва Екатерина)

 

Модели знаний в информационных системах. Лингвистические предикатные и продукционные модели. Представление информации в естественно языковой форме. Обработка естественно языковых сообщений. Понятия и отношения между ними. Семантические сети. Логико-лингвистическая форма семантических сетей. Функциональные семантические сети. Расширенные сети переходов. Вывод путем наложения.

Одной из главных тенденций современного развития искусственного интеллекта является интеграция и гибридизация разных моделей, направлений и технологий. В первую очередь, речь идет об интеграции различных моделей представления знаний и способов рассуждений, а также о " схождении" различных направлений ИИ, необходимом для расширения возможностей интеллектуальных систем [23]. Здесь характерными примерами являются фреймово-продукционные модели знаний и синтетические методы рассуждений (сочетающие механизмы индукции, абдукции, дедукции) [28], нейронечеткие системы [33, 34] и нейрокомпьютинг, основанный на знаниях [31], модели мягких вычислений [38] и вычислительного искусственного интеллекта [40]. Среди " первых ласточек" в этой области надо, безусловно, указать предложенную еще в 60-е годы XX-го века концепцию интегрированного логико-лингвистического моделирования Д.А.Поспелова [17], согласно которой логические средства могут использоваться для обработки информации, представленной в лингвистической форме.

Возникновение концепции плюрализма логик и ее распространение в ИИ привели к формированию нетрадиционных и интегрированных логических моделей, в частности, логико-алгебраических и логико-лингвистических моделей. Появление логико-лингвистических моделей, в первую очередь, связано с именами Л.Заде [8] и Д.А.Поспелова. Так у Л.Заде логико-лингвистические методы описания систем основаны на том, что поведение системы выражается в терминах ограниченного естественного языка и может быть представлено с помощью лингвистических переменных. Неформально под лингвистической переменной (ЛП) понимается такая переменная, значениями которой могут быть не только числа, но и слова и словосочетания какого-либо естественного или искусственного языка. По сути ЛП представляет собой дескриптивную, иерархическую модель триады " понятие - его значения - их смысл". Формально она описывается набором вида

LV = (L, T, X, G, M), (1)

где L - название переменной; T - терм-множество (совокупность ее лингвистических значений); X - универсальное множество; G - множество синтаксических правил (грамматика), позволяющее из простых, атомарных термов строить составные термы, G: T→ Т*, Т* есть расширенное терм-множество; М - множество семантических правил, задающее отношение полиморфизма (соответствия типа " один-ко-многим" ) между T и U. Например, для ЛП " Величина" можно определить терм-множество Т = {большая отрицательная (БО), средняя отрицательная (СО), малая отрицательная (МО), примерно нулевая (ПН), малая положительная (МП), средняя положительная (СП), большая положительная (БП)}. Аналогично понятие " Истинности" - центральное в логической семантике - может быть также представлено в виде лингвистической переменной.
Нечеткая логико-лингвистическая система описывается набором значений входных и выходных лингвистических переменных, связанных между собой некоторыми эвристическими правилами. В частности, системы нечетких лингвистических рассуждений состоят из пяти функциональных блоков: 1) блока фазификации, в котором осуществляется преобразование исходных числовых физических величин в распределения, соответствующие термам лингвистической переменной, т.е. согласно (1) определяется нечеткое отображение М‾ ¹: X~> T; 2) базы правил, содержащей набор нечетких " если…, то" -правил; 3) базы данных, в которой определены функции принадлежности нечетких множеств, используемых в нечетких правилах; 4) блока принятия решений, совершающего операции вывода на основании имеющихся правил; 5) блока дефазификации, где происходит переход от дискретной лингвистической шкалы термов T к непрерывной числовой переменной X, т.е. согласно (1) определяется нечеткое отображение М: T ~> X.
В свою очередь, Д.А. Поспелов [25-27] с целью преодоления ряда существенных ограничений формальных систем, таких как: гипотеза о замкнутости мира, статический характер моделей знаний, жесткость интерпретации, монотонность вывода (см. таблицу 1), ввел понятие семиотической системы

SS =(Т, R, A, P, α (T), β (R), γ (A), δ (P)), (2)

где T - множество базовых элементов (алфавит системы), R - множество синтаксических правил, A - множество аксиом, P - множество правил вывода, α (T), β (R), γ (A), δ (P) - правила изменения соответствующих компонентов формальной системы. Такое расширение формальной системы представляет собой разновидность логико-лингвистической модели: здесь состояния соответствуют фиксированным формальным системам, а смена состояний заключается в изменении различных параметров формальной системы: аксиом, правил вывода, ограничений, стратегий поиска решений, ценностных ориентаций и т.п.
Аргументируя в [25] необходимость использования семиотических моделей в ИИ, Д.А.Поспелов отмечает, что " все современные технические устройства работают на досемиотическом уровне, в силу чего они способны моделировать лишь простейшие формы поведения при решении творческих задач. В отличие от технических систем высшие животные и человек решают сложные задачи на семиотическом уровне, что позволяет им находить такие способы решения, которые невозможно реализовать на досемиотическом уровне". Термин " лингво-логическая модель" появился в работе В.Б.Силова [27], где рассматривались многомерные модели сложных систем на основе нечеткой лингвистической логики. Здесь этот термин будет использоваться (в ином смысле) для выражения соотношений между естественным языком и языком математической логики, а именно, в плане развития подхода " от лингвистики к логике". Мотивы такого подхода хорошо описал А.В.Гладкий в [5, 6]: " Едва ли не все, кто занимался проблемой соотношения между ЕЯ и языком математической логики шли " от логики к языку", рассматривая взаимоотношение между какой-либо единицей языка логики и " соответствующей" единицей естественного языка так, как если бы вторая произошла от первой" …" В действительности же, наоборот, логический язык произошел от естественного; поэтому правильнее идти " от языка к логике", направляя основное внимание на выяснение того, " откуда взялась" та или иная единица логического языка, т.е. какому элементу или элементам естественного языка она отвечает и насколько точно такое соответствие".
Именно такой подход реализовал в русле " инженерного анализа" языка Д.А.Поспелов [24], который представил естественный язык как восьмерку

ЕЯ = (C, N, R, ACT, К, M, MD, E), (3)

где С - множество понятий, N - множество имен, R - множество отношений, ACT - множество действий, К - множество квантификаторов, M - множество модификаторов, MD - множество модальностей, Е - множество оценок. При этом он уделил особо пристальное внимание анализу основных классов отношений, которые фиксируют связи между понятиями и именами, а также между другими функциональными группами языка.
Среди основных видов отношений в ИИ им были указаны: отношения классификации (класс - пример, элемент - класс), отношения принадлежности, временные отношения, пространственные отношения, причинно-следственные (каузальные) отношения, признаковые отношения, : которые выражают качественные характеристики понятий (иметь признаком, иметь значением), количественные отношения: (выражают такие количественные характеристики понятий как " иметь меру" ), прагматические (инструментальные) отношения (служить для, быть средством для, способствовать), отношения сравнения.
Позднее, ученик Д.А.Поспелова Г.С.Осипов [20] на основе лингвистических исследований (отталкиваясь от типологии синтаксем) выделил различные виды семантических связей в языке (генеративная, дестинативная, директивная, комитативная, лимитативная, медиативная, потенсивная и др.) и определил их формальные свойства с помощью аппарата теории отношений.
В дальнейшем подобный подход " от лингвистики к формальным (в частности, теоретико-множественным и интервальным) моделям" был развит в работах А.С.Нариньяни [18, 19]. В 1994 г. в докладе " НЕ-факторы и инженерия знаний: от наивной формализации к естественной прагматике" им была изложена концепция НЕ-факторов, которые выражаются словами (лингвистическими этикетками), имеющими негативные оттенки в естественном языке, слабо отражены в классической математике, но оказываются неотъемлемыми характеристиками человеческих знаний. Автор указывал на стратегическое значение исследования НЕ-факторов знаний, которые " ввиду своей универсальности играют ключевую роль не только в структуре реальных знаний, но и в приложениях, относящихся к сфере вычислительной математики" [18].
Были подчеркнуты два принципиально важных для инженерии знаний (и для математики в целом) момента:

1. Реальность и наша система знаний о мире устроены совершенно по-иному, чем современные формальные аппараты, призванные эту реальность моделировать и эти знания представлять. Точность, полнота, определенность, непротиворечивость и пр. являются необходимыми атрибутами традиционных формализаций, в то время как для реальных знаний указанные свойства чаще всего являются искусственными и не соответствующими действительности.

2. В тех случаях, когда специалисты берутся за создание моделей, отражающих особенности тех или иных свойств данных и знаний, они довольно часто ограничиваются " внешним сходством" формального и реального объектов, не проводя глубокого анализа соответствующих НЕ-факторов

В результате, был обоснован тезис о необходимости тщательной дифференциации и проведения " доформального", лингвистического исследования НЕ-факторов в интересах их более адекватного моделирования.
Развитие лингво-логического подхода означает также проведение лингвистического (и экстралингвистического) анализа основных связок, модификаторов, квантификаторов логического языка (см., например, [6, 13]). Блестящий пример экстралингвистического (социально-исторического) анализа связки НЕ был дан Д.А.Поспеловым в [30], где он обосновал тезис о множественности операций отрицания на полярных шкалах, их зависимости от факторов эволюции и коммуникации на примере человеческой истории.

 

 

Семанти́ ческая сеть — информационная модель предметной области, имеющая вид ориентированного графа, вершины которого соответствуют объектам предметной области, а дуги (рёбра) задают отношения между ними. Объектами могут быть понятия, события, свойства, процессы^[1]. Таким образом, семантическая сеть является одним из способов представления знаний. В названии соединены термины из двух наук: семантика в языкознании изучает смысл единиц языка, а сеть в математике представляет собой разновидность графа — набора вершин, соединённых дугами (рёбрами), которым присвоено некоторое число. В семантической сети роль вершин выполняют понятия базы знаний, а дуги (причем направленные) задают отношения между ними. Таким образом, семантическая сеть отражает семантику предметной области в виде понятий и отношений.

 

12.  семантическая сеть как реализация интегрированного представления данных, категорий типов данных, свойств категорий и операций над данными и категориями; (Пискарёва Екатерина)

Базовые структуры в семантических сетях могут быть представлены графом, множество вершин и дуг которого образуют сеть.

Создание семантических сетей (СЕМС) -- это попытка обеспечить интегрированное представление данных, категорий (типов) данных, свойств категорий и операций над данными и категориями. Особенность семантической сети заключается в целостности системы, выполненной на ее основе, т.е. невозможности разделить БЗ и механизм вывода. При этом интерпретация СЕМС реализуется с помощью использующих эту сеть процедур.

В СЕМС нет четких различий между операциями над данными и операциями над схемой; она позволяет манипулировать как данными, так и знаниями о них.

Рассмотрим основные концепции, реализованные в СЕМС.

1. Концепция одновременного рассмотрения в модели как знака, так и типа.

Знак -- это конкретное значение или конкретный экземпляр рассматриваемого объекта; тип -- это класс подобных знаков.

Обобщение знаков в типы -- элементарная форма абстрагирования, которое необходимо для лучшего понимания сложных объектов. Например, общее понятие Велосипед -- абстракция множества представлений о конкретных велосипедах.

Абстракция может быть многоуровневой (абстракция одного уровня может рассматриваться как объект абстракции другого уровня и т.д.). Абстракция может использоваться для формирования нового типа из других типов.

2. Концепция иерархии типов. Ранее уже рассматривались основные операции абстрагирования: идентификация, обобщение и агрегация. Обобщение позволяет соотнести множество знаков или множество типов с одним общим типом. Различают обобщения:

знак--тип -- его называют классификацией;

тип--тип, которое собственно и носит название обобщения.

Экземпляризация (порождение реализаций) -- процесс, обратный процессу классификации. Специализация -- процесс, обратный процессу обобщения. Например, представление конкретных служащих общим типом Служащий -- это классификация. Представление типов Служащий и Учащийся общим типом Личность -- это обобщение. Данные конкретного служащего -- это экземпляр (реализация) типа Служащий, а тип Служащий -- это специализация типа Личность.

С помощью операции агрегации объект конструируется из других базовых объектов. Агрегация также используется как на уровне знаков, так и на уровне типов. Например, тип Служащий может быть сконструирован из типов свойств Фамилия, Год рождения, Адрес. Такие свойства-типы являются дефиниционными, т.е. определяют, истолковывают понятие, и называются интенсиональными. Конкретная же реализация типа Служащий, относящийся, например, к «Пальчику Фоме Никифоровичу», конструируется из знаков «Пальчик Ф. Н.», «1988», «Новороссийск, ул. Свободы, д. 54». Такие свойства-знаки, являющиеся фактическими значениями, называются экстенсиональными. В семантических моделях различие между интенсиональными и экстенсиональными свойствами имеет важное значение.

Агрегация соотносится с понятием ЕСТЬ--ЧАСТЬ и выражает тот факт, что тип объекта есть агрегат других типов (например, Фамилия ЕСТЬ--ЧАСТЬ Служащий).

Обобщение соотносится с понятием ЕСТЬ--НЕК (есть некоторый) и выражает тот факт, что выполнено обобщение одним типом объекта другого типа объекта (например, Служащий ЕСТЬ--НЕК Личность).

3. Концепция роли. Обобщение позволяет построить сложную систему категорий, причем ее структура не обязательно древовидная, особенно если учитывается роль используемых понятий в моделируемой ситуации

4. Концепция семантического расстояния. Эта концепция широко используется в словарных системах, где одно слово истолковывается посредством других, а они, в свою очередь, посредством третьих и т.д., и в этом случае используется мера семантической близости взаимосвязанных понятий. В качестве меры семантической близости взаимосвязанных понятий, представленных в модели вершинами, может, например, выступать число дуг на пути от одной вершины к другой.

5. Концепция разбиения. Суть этой концепции заключается в разработке механизмов ограничения доступа в сети. При формировании ответа системе должна быть доступна только та информация, которая релевантна решаемой задаче.

В качестве основных операций над классами и их экземплярами в семантических сетях используют следующие операции:

создания экземпляра некоторого класса;

установления принадлежности существующего экземпляра некоторого класса еще к одному классу;

устранения принадлежности экземпляра к некоторому классу или полного исключения этого экземпляра из сети;

выборки экземпляров, принадлежащих определенному классу;

определения принадлежности экземпляра указанному классу.

Эти операции выступают средствами манипулирования данными сети. Как средство реализации запросов эти операции ограничены по своим возможностям. Поэтому в развитых СЕМС в спецификацию сети вводят программы, реализующие соответствующие правила обработки декларативных знаний (вводятся в СЕМС в виде вершин-программ). Эти программы, по существу, представляют собой обобщенные процедуры, аналогичные процедурам БД. Программы вводятся в сеть как классы. Выполнение программы, называемое процессом, рассматривается как экземпляр конкретного класса.

Например, программа «Ликвидация счета в сети» будет представлена как класс с данным именем. Экземпляры этого класса есть конкретные действия по снятию денег со счета.

Управляющие структуры для СЕМС очень разнообразны. В основном, они являются зависимыми от ПО (т.е. часть прикладных знаний перенесена в управляющую структуру (УС) в виде правил организации поиска данных, релевантных запросу) и реализованы в виде управляющей программы, поддерживающей все основные функции экспертной системы (ЭС).

 

⇐ Предыдущая12345

Поделиться: