Система обнаружения Знания

Система обнаружения знания - это компьютерная программа, которая может приобретать экспертные знания, необходимые для заполнения базы знаний без помощи инженера по знанию. Обычно при разработке прикладной программы экспертной системы сбор знания проводится вручную инженером по знанию, который задает специалистам в проблемной области ряд вопросов, чтобы сформировать базу знаний. Это - длинный и трудный процесс.Альтернативным путем, используемым при некоторых обстоятельствах, является путь, при котором сбор знания выполняется при анализе базы данных известных решений, используя технологию машинного обучения. Этот метод может быть применен в ситуациях, когда существует обширная и законченная база данных. Однако, даже в этих ситуациях не всегда можно получить адекватное объяснение рассуждений. ACQUIRE ^® помогает специалисту в проблемной области создать базу знаний самостоятельно, не прибегая к помощи инженера по знанию. Для этой цели используется пошаговая методология приобретения и представления знаний. ACQUIRE ^® выполняет функции инженера по знаниям, позволяя пользователю сосредоточиться на структурировании своих знаний.

 

Система ACQUIRE ^®

Сбор знания обычно оформляется с использованием физических методов. Этот путь является дорогостоящим и требует много времени и иногда описывается как " черное искусство ", чтобы указать, что этот процесс есть все, что угодно, только не определенная процедура. Эти ограничения поощрили инициативу компании Acquired Intelligenec Inc. в разработке новых методов для процесса приобретения знания от экспертов. Кульминацией этого исследования является система ACQUIRE ^® , предназначенная для быстрой и рентабельной разработки баз знаний экспертных систем. Система может использоваться экспертами без консультаций с инженерами по знанию, и не требует никакого специального обучения технологии создания экспертных систем. ACQUIRE ^® основан на двух фундаментальных концепциях:

· Система обнаружения знания должна быть нацелена помочь эксперту справиться с задачей формирования интеллектуальной прикладной программы;

· Знания эксперта следуют из обширного опыта в распознавании и реагировании на специфические случаи, в то время как прикладная программа идет от общих правил к специфическим ситуациям.

Следуя первой концепции, ACQUIRE ^® помогает экспертам эффективно организовывать свое знание; то есть помогает структурировать и сфокусировать внимание эксперта на отображении пути решения проблемы с помощью знания. Далее по этой теме, см. Нисходящее Структурирование Знания.

Вторая концепция ACQUIRE ^® предоставляет ряд путей фиксации человеческого знания, которые уделяют главное внимание качественному представлению знаний и используют специфические информационные модели, описывающие ситуации, которые эксперты могут наблюдать или рассматривать. Это позволяет ACQUIRE ^® фиксировать в дополнение к знанию, приобретенному экспертом, явное и неявное знание. ACQUIRE ^® может также фиксировать то, что эксперт является способным к обучению, требуя от эксперта рассматривать и вырабатывать решения в ситуациях, с которыми он ранее не сталкивался. Это позволяет ACQUIRE ^® получать полные базы знаний для прикладных программ экспертных систем без обширных циклов отладки. Это также гарантирует то, что система не столкнется со случаями, которые ей не известны. Подробнее см. Распознавание образов как Основа Экспертизы; Рассуждения О Неопределенности;
Рассуждения, Ориентированные на факты.

 

Нисходящий Сбор Знания

В ACQURE ^® используются модели знаний проблемной области на разных уровнях обобщения. Наиболее общая из этих моделей - Сеть объектов. Все, что соответствует знанию эксперта, должно быть названо как объект (цель). В ACQURE ^® , объектом (целью) может быть все, над чем производятся действия, что может рассмотреть или решить эксперт (то есть, данные, наблюдения, переменные, гипотезы, заключения, концепции, и т.д.). Каждый объект (цель) принимает набор значений (или значения), определенные специалистом по проблемной области.

Первый шаг в структурировании знания- назвать объекты (цели) и связать их вместе в Сеть объектов. Объекты связаны, когда значение, связанное с одним объектом (целью) может влиять на значение, связанное с другим объектом(целью). Вместе наборы объектных связей составляют Сеть объектов. Поскольку фактические значения объектов(целей) не рассматривается, связь объектов (целей) в сеть представляет собой очень общую модель, иллюстрирующую область приложения.

ЗАМЕТЬТЕ: ACQUIRE ^® может реструктурировать Сеть объектов, используя методы машинного обучения. Такое реструктурирование Сети объектов способствует созданию и-или выявлению новых концепций для дальнейшего структурирования проблемы.

Следующим шагом в структурировании знания является группировка объектов (целей), связанных в Сеть объектов, в пакеты, для которых могут формироваться правила. Каждое правило содержит в левой части наборы объектов (целей), которые являются входными для правила и одного объекта (цели) в правой части для этого множества, который будет выводом правила. Выходное Значение объекта (цели) из правой части зависит от моделируемых значений для объектов(целей) левой части. При формировании правила объект в левой части правила выбирается так, чтобы воздействовать на объект(цель) правой части. Поэтому он может& быть выбран только из набора объектов(целей), сопряженных с объектом (целью) в правой части правила из Сети объектов. Правила связаны, когда объект (цель) из правой части одного правила входит в левую часть другого правила. Вместе все такие звенья правила формируют Сеть Правил.

После того, как знания эксперта будут достаточно структурированы, он может сконцентрироваться на завершении деталей каждого правила так, как будто он концентрируется на специфических частях реальной проблемы. Чтобы завершить спецификации правила, необходимо определить возможные значения, которые каждый объект (цель) может принимать. Эти значения используются для определения точной природы зависимости между объектами(целями) в правиле. Эксперт может выразить детальное знание через два различных типа правил. Один тип правила - это таблица действия, составлен из высоко специфических моделей (размещенных в формате, подобном системе правил в табличной форме), в то время как другой тип правил - продукционные правила, выражают знания более абстрактно в форме IF - THEN правил. Те эксперты, кто превосходно разбираются в моделях данных (то есть, ситуациях) и реакциях на них, обычно предпочитают представлять свои знания, используя таблицы действия. Эти таблицы могут автоматически перечислять каждую возможную модель, описанную комбинацией объектов (целей) в левой части правила. Все эти модели можно точно также представить в виде набора продукционных правил, но имеется самый реальный шанс отсутствия моделей, или назначения различных последовательностей для тех же самых входных структур.

Конечные (заключительные) шаги в структурировании знания в базе знаний должны контролировать пути рассуждений и предотвращать конфликты между различными вариантами решения. Одним из наиболее мощных инструментальных средств для определения правил - контекст, который разрешает эксперту выражать ситуативные связи (включая математические действия), которые должны быть выполнены прежде, чем может применяться правило. Контексты могут использоваться для разделения сети правил на связанные кластеры правил, явного управления путем рассуждения и для избегания ненужных конфликтов между правилами. Если конфликтов между правилами нельзя избежать, эксперт может приписать более приоритетному правилу коэффициент предпочтения. Если этого сделать нельзя, эксперт может выразить смещение, чтобы выбрать среди конкурирующих правил решение, близкое к значениям, представленным параметрами (например, самый высокий, самый низкий, средний, срединный, наиболее общий, и т.д.).

Конечным (заключительным) шагом в формировании прикладной экспертной системы является разработка интерфейса ввода-вывода. В ACQUIRE ^® имеются утилиты для управления описанием исходной ситуации, а также утилиты для настройки отчетной документации в определенном формате.
Таким образом интеллектуальная программа разрабатывается в следующем порядке:

· Формирование базы знаний:

· Шаг 1. Объектная Сеть

· Шаг 2. Сеть Правила

· Шаг 3. Требование Правила - Правила Таблиц / продукционные правила

· Создание прикладной программы (то есть, ввод - вывод):

· Шаг 4. Установка Случаев

· Шаг 5. Запись Сообщения

 

Распознавание образов как Основа Экспертизы

Традиционные программы экспертных систем предполагают, что рассуждение эксперта может быть представлено как последовательность продукционных правил. Обычно эти правила уместны в ряде ситуаций и применяются в специфических ситуациях. Если ни одно продукционное правило не соответствует специфической ситуации, то система пытается рассуждать от первых правил (через более общие правила вывода, если это возможно) или терпит неудачу.

ACQUIRE ^® дает пользователям возможность сформировать продукционные правила, но он также позволяет представить высоко квалифицированное поведение эксперта как специфические сопоставление входных образцов значений объекта с известным следствием другого объекта (цели) в пределах очень специфической ситуации. В отличие от традиционного подхода, такая перспектива сбора знания состоит в аккумулировании очень специфических зависимостей. При сопоставлении с образцами, испытывающими недостаток знаний, эксперт рассуждает от первоначальных правил или используя другие методы решения задач (например, по аналогии) для изоляции вероятных последствий. Различные образцы, возможные для рассмотрения, представляются в таблице действия, и пользователь назначает подходящие значения или следствия для каждого образца.

ACQUIRE ^® подразумевает, что наиболее квалифицированное поведение эксперта заключает в себе тот же самое высоко специфическое поведение при распознавании образов, данное нам в ощущении и восприятии, адаптированном к познавательной роли. Такая перспектива интуитивно выигрывает от того факта, что распознавание образов лучше всего разработанно среди перцептивных и познавательных навыков. Они знают то, что информация явно относится к делу, и они действуют благодаря этому, редко останавливаясь, для обдумывания или обсуждения своих решений, кроме тех случаев, которые находятся вне сферы их деятельности, то есть они участвуют в эффективном поведении распознавания образов. Сбор Знания, следовательно, должен концентрироваться на извлечении неявных, основанных на образцах экспертных знаний, не требуя от эксперта теоретических рассуждений вне специфики своей ежедневной практики.

 

Рассуждения с учетом Неопределенности

Способность обрабатывать неопределенность является признаком поведения эксперта. Традиционно, при разработке экспертных систем, неопределенность представлялась численно, (например, коэффициентом доверия и величиной вероятности), что, возможно, отражает доверие экспертов своим заключениям. Психологическое исследование, однако, ясно указывает, что люди затрудняются делать такие абсолютные численные суждения. Этот факт лежит в основе трудностей, которые потребители испытывают при интерпретации заключений, произведенных экспертными системами, которые используют численные методы для обработки неопределенности.

ACQUIRE ^® следует другому подходу: Данные - это прежде всего высоко квалифицированное поведение, основаное на распознавании образов, поэтому возможно неявно распределить неопределенность при структурировании моделей. Поэтому, нет никакой потребности использовать дополнительные численные методы.

При сборе знания экспертам разрешено квалифицировать свои заключения относительным и качественным способом. Неопределенность свойственна модулям, основанным на моделях, и должна извлекаться без явной адресации результата неопределенности. В ACQUIRE ^® неопределенность распределяется экспертом, который прямо назначает важность той или иной специфической модели. Кроме того, неопределенность распределяется при явном назначении предпочтения одному специфическому модулю перед другим в пределах специфической ситуации.

 

Рассуждения, Ориентированные на факты

Многие знания приобретаются благодаря постоянному обучению.
База знаний должна включать не только знания эксперта, но также и способность эксперта приобретать знания, то есть, система должна квалифицированно обрабатывать факты, с которыми эксперт еще не сталкивался. Поэтому, ACQUIRE ^® поощряет эксперта определять возможные следствия для каждого образца входных величин в пределах структурированного модуля. Подход, реализованный в ACQUIRE ^® , эффективно управляет вниманием эксперта и облегчает создание соответствующих назначений образцов. Некоторые области знаний являются слишком большими, чтобы быть полностью определенными. Эксперт никогда не рассматривает огромное число возможных образцов, комбинируя все значения объектов; большинство образцов оказывается не относящимися к делу благодаря структурированию групп объектов(целей) в соответствующие пакеты для построения правил. Структурированые модули, рассматриваемые совместно, описывают все возможные факты, которые могут быть указаны экспертом.

 

Пошаговый сбор знаний

В ACQUIRE ^® реализован структурный подход приобретения знания, который включает в себя следующие шаги:

· Перечисление объектов, которые будут использованы в области экспертизы, и назначение им значений;

· Объединение связанных объектов в Объектную Сеть, что ясно указывает взаимовлияние и зависимости между объектами;

· Упаковка групп связанных объектов вместе для формирования Сети Правил;

· Рассмотрение специфических деталей правил; и

· Разбор конфликтов между правилами, использующими контексты, предпочтение, или смещения.

Комбинация этих шагов предоставляет эксперту устойчивую методологию для создания правил, представляюищх знания. Эта постепенная процедура позволяет эксперту сосредоточиться на зафиксировании знания.

ACQUIRE ^® Предлагает несколько методов разрешения противоречий между правилами, включая такую конструкцию контекстов, которые помогут избежать конфликтов между правилами, задание предпочтений для выбора между конфликтующими правилами, и другие.

 

Таблицы Действия или Правила продукции

Пользователи могут иметь тенденцию создавать продукционные правила, а не таблицы действия. Рекомендуется избегать этого. Продукционные правила охватывают малые модули знания, которые являются простыми для создания, но трудными для поддержания в пределах большего контекста. Таблицы действия позволяют эксперту максимально использовать преимущества ACQUIRE ^® , сохраняя простой формат для правил в пределах определенной структуры. Таблицы действия позволяют представить много подобных мини-правил как одно правило. Благодаря этому знанием намного проще управлять.

Первым шагом в построении правила вывода или таблицы действия должен быть выбор объектов(целей), левосторонних объектов, которые описывают соответствующие ситуации, и одного правостороннего объекта(цели), чье значение будет назначено в соответствии с правилом. Продукционное правило может представлять ряд различных ситуаций через различные комбинации допустимых значений для объектов(целей) на левосторонней стороне правила, таблицы действия могут представлять все допустимые комбинации левосторонних объектов(целей). Более решительное ограничение существует для правила продукции на правой стороне правила. Правило продукции может изменяться(заменять) правосторонний объект(цель) на только одно из его допустимых значений, и это должно быть значение, которое является одним из множеств значений для всех образцов, сопоставленных с левой стороной правила. Таблица действия, с другой стороны, позволяет эксперту назначить любое правостороннее значение к каждому из индивидуальных образцов, представленных на левой стороне таблицы. Поэтому, для гибкости и законченности, таблица действия - рекомендуемый формат для правил.

Способность представлять все образцы, которые могут быть очерчены левосторонними объектами(целями), тонкое, но критически важное преимущество формата таблицы действия. Когда правила продукции созданы, некоторые образцы могут быть пропущены, или могут быть созданы несколько правил, которые перекрывают друг друга и взаимодействуют с одними и теми же образцам и различными выходами. В первом случае, пробелы в создании базы знаний обычно могут быть найдены только тогда, когда этот случай не сможет быть обработан экспертной системой. Это требует дополнительное время для отладки системы. Во втором случае, возникает требуется время на отладку для предотвращения этих конфликтов. При использовании таблиц действия в их заданной по умолчанию форме, ни одна из этих проблем не возникает. Таблица действия может охватывать все возможные образцы для левой стороны, и ограничивает для каждого индивидуального образца количество правосторонних образцов одним значением. Поэтому, таблица действия - рекомендуемый формат для правил.

Выделенные ограничения свойственны любому представлению правила продукции. Даже в ACQUIRE ^® , Правила продукции разрешают только одно действие на правой стороне каждого правила. Они очень гибки на левой стороне правила (например, принимая во внимание, что предложения OR обычно требуют одной продукции для каждого предложения в OR, ACQUIRE Т ^® Разрешает любое число предложений OR в пределах одного правила), но преимущества таблиц действия по сравнению правилом продукции проявляются независимо от системы, в которой правила продукции используются.

Нельзя, однако, сделать вывод, что правила продукции не полезны. Таблицы Действия являются подходящими для большинства результатов экспертиз, которые должны быть зафиксированы в базе знаний, и, поскольку мы видели, это наболее безопасное, эффективное, и рентабельное средство фиксации знания. Однако, для тех знаний, которые явно известны - в которых и сопоставляемые образцы, и образцы, которые можно проигнорировать, определенно известны, и которые могут быть обобщены, могут быть полезны правила продукции.

 

Контексты против Предпочтения и Смещений

Когда существуют конфликты между правилами, необходимо их предотвратить. Конфликты существуют, когда несколько правил пытаются обратиться к набору тех же самых правосторонних объектов (целей) с различными значениями. Конфликты возникают, когда эксперт не имеет знаний, необходимых для предотвращения их, но может обладать знаниями, позволяющими ему разобраться в противоречивых правилах. Когда идентифицирован конфликт между правилами, эксперт должен сначала определить, как каждое конфликтующее правило может быть правильно определено, и затем предпринять шаги для предотвращения конфликта, используя один из трех методов предлагаемых в, ACQUIRE ^® .

Имеется тенденция предотвратить конфликты, используюя предпочтения, потому что проще указать, какие правила более предпочтительны в специфическом конфликте. Такого. подхода следует избегать, потому что лучшая экспертиза та, которая полностью избегает конфликтов между источниками знания полностью. Множество предпочтения в базе знаний отражает плохо разработанную экспертизу. Поэтому, первый шаг в предотвращении конфликтов должен быть в определении предварительного контекстного условия в противоречивых правилах, позволяющего избежать их рассмотрения. Таким образом, мы ограничиваем число ситуаций, в которых применяются данные правила.

Имеются ситуации, в которых недостаточно экспертных знаний для избежания конфликтов, но где существуют знания, позволяющие избежать конфликты, которые уже возникли. Например, нельзя было квалифицировано заранее определить, почему мнение одного советника предпочтительнее мнения другого, но как его использовать известно. Это - тип ситуации, в которой нужно использовать предпочтения для предотвращения конфликта.

Наконец, имеются ситуации, в которых не существует достаточных экспертных знаний о выборе между источниками знания. ACQUIRE ^® Снабжен методом и для этих ситуаций.: Эксперт может определить смещение для выбора частного значения., Например: в случае конфликта, выберите самое низкое значение, чтобы быть 'консервативным'. Так как метод смещения для предотвращения конфликтов даже не рассматривают источник знания, это - наименее привилегированный метод

 

⇐ Предыдущая1234

Поделиться: