Способы представления знаний продукционная модель

Представления знаний в интеллектуальных системах, экспертные системы

Введение

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний
Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные
Данные — это совокупность фактов и идей представленных в формализованном виде.
Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных
Самая интересная часть экспертной системы.
Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
Механизм логического вывода данных концептуально можно представить в виде :
А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

• Продукционная МПЗ
• Семантическая сеть МПЗ
• Фреймовая МПЗ
• Формально логическая МПЗ

Продукционная МПЗ

В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):
IF , THEN
Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR .
Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример: IF температура реактора подымается THEN добавить стержни в реактор
В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.

Пример

Диагноз	Температура	Давление	Кашель
Грипп	39	100-120	Есть
Бронхит	40	110-130	Есть
Аллергия	38	120-130	Нет

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

• класс — подкласс
• свойство — значение
• пример элемента класса

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

• часть — целое
• класс — подкласс
• элемент — количество
• атрибутивный
• логический
• лингвистический

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN
Банальней примера и не придумаешь.
Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность «мышления» системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное «мышление» представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Источник

Продукционная модель представления знаний

Вы будете перенаправлены на Автор24

Продукционная модель представления знаний — это модель, которая базируется на определённых правилах и даёт возможность выразить знание в форме предложений типа «Если (условие), то (действие)».

Введение

Помимо сетевых моделей очень распространённым средством отображения знаний в информационной системе считается продукция. В обобщённом формате продукция может быть представлена выражением A ® B. Прочесть это выражение можно следующим образом: ЕСЛИ А, ТО В. Возможно и толкование в стандартном смысле алгебры логики, как символ логического вывода В из истинности А. Существуют и иные объяснения продукции, к примеру, А выполняет описание некоторого условия, которое является необходимым для совершения действия В. Продукционная модель или модель, которая базируется на наборе правил, даёт возможность отобразить знания в форме выражения вида: «Если (условие), то (действие)». Условием считается некоторая формулировка, являющаяся образцом, согласно которой выполняется операция поиска в базе знаний. Действием являются операции, которые выполняются в случае успешного поиска. Они могут являться промежуточными и выступать в дальнейшем в качестве условий, а также терминальными или целевыми, которые завершают функционирование системы.

Продукционная модель представления знаний

Когда применяется продукционная модель, то база знаний должна состоять из комплекса правил. Программное приложение, которое управляет процессом перебора правил, именуется машиной вывода. Наиболее часто вывод является прямым, то есть от информационных данных к обнаружению цели, или обратным, то есть от конечной цели для понимания её правильности к исходным данным. Под данными понимаются исходные факты, на базе которых выполняется запуск машины вывода. Когда в памяти системы сохранён определённый комплект продукций, то образуется так называемая система продукций. В системе продукций необходимо задание специальных процедур, управляющих продукциями, при помощи которых осуществляется актуализация продукций и реализация той или другой продукции из актуализированного набора. Система продукций состоит из:

1. Базы правил, то есть набора продукций.
2. Глобальной базы данных.
3. Системы управления.

Базой правил является зона памяти, содержащая набор знаний в формате правил типа ЕСЛИ — ТО.

Готовые работы на аналогичную тему

Рассмотрим конкретные примеры.

Правило номер один:

ЕСЛИ (целью является отдых) и (дорожное покрытие ухабистое), ТО (ехать нужно на джипе).

Правило номер два:

ЕСЛИ (местом для отдыха являются горы), ТО (дорожное покрытие ухабистое).

Глобальной базой данных является участок памяти, в котором хранится фактическая информация, то есть известные факты.

Задачей системы управления является выработка итогового результата (заключения) на основании базы правил и базы данных. Известными методиками выработки заключений считаются прямые и обратные выводы.

Правила вывода могут быть удобно представлены в форме дерева решений. Под графом понимается набор вершин, которые соединяются дугами. Деревом является граф, не имеющий в своём составе циклов.

При прямом выводе отбирается один из компонентов данных, имеющихся в базе данных, и в случае согласования этого компонента с левой частью правила при выполнении их сопоставления, то из правила выполняется вывод соответствующего заключения и посылается в базу данных или выполняется действие, которое определяется этим правилом, и необходимым образом меняется состав базы данных.

При обратных выводах операции стартуют от сформированной цели. Когда данная цель отображается правой стороной правила, то есть заключением, то смысл правила воспринимается как подцель или гипотеза. Данный процесс будет повторяться до тех пор, пока подцель полностью не совпадёт с данными.

Рассмотрим конкретный пример. Существует часть базы знаний, состоящая из пары правил.

Правило номер один:

ЕСЛИ (отдыхать летом) и (активный человек), ТО (надо стремиться в горы).

Правило номер два:

ЕСЛИ (нравится солнце), ТО (отдыхать лучше летом).

Предполагается, что в систему ввели исходные данные:

(человек является активным) и (он любитель солнца).

Необходимо использовать метод прямого вывода и на основе имеющихся данных сформировать ответ:

Первый проход:

• Первый шаг. Проверяем правило номер один. Не подходит, не достаёт информации об отдыхе летом.
• Второй шаг. Проверяем правило номер два, подходит. В базу записывается факт (отдыхать лучше летом).

Второй проход:

• Третий шаг. Проверяем правило номер один, действует. Выполняется активация цели (надо стремиться в горы), формируемая в качестве вывода.

Рассмотрим использование обратного вывода. То есть необходимо подтверждение выбранной цели на основании существующих правил и данных:

Первый проход:

• Первый шаг. Целью является поездка в горы. Проверяем правило номер один. Данные (отдыхать лучше летом) отсутствуют, поэтому они назначаются новой целью. Далее следует искать правило, где они присутствуют в правой части.
• Второй шаг. Целью является отдых летом. Правило номер два содержит подтверждение цели и выполняется её активация.

Второй проход:

• Третий шаг. Проверяется правило номер один, которое и подтверждает выбранную цель.

Когда количество продукций в продукционной модели достаточно велико, то это ведёт к усложнению проверки непротиворечивости продукционной системы, то есть набора правил. По этой причине количество продукций, обрабатываемых современными системами искусственного интеллекта, обычно не больше тысячи.

Продукционные модели интересны для проектировщиков по причине своей наглядности, повышенной модульности, лёгкости корректировок и дополнений, а также несложным механизмом логического вывода. Основными преимуществами системы продукций являются:

1. Использование принципа модульности.
2. Наличие единой структурной организации. То есть главные элементы продукционных систем могут использоваться для формирования интеллектуальных систем самого разного предназначения.

Источник