Знания способы представления свойства

Лекция 1 Знания. Способы представления знаний

Численность населения на земном шаре 30 октября 2011 г. достигла 7 млрд. человек. Каждые 20 лет развития численность будет увеличиваться примерно на 1 млрд. и в скором будущем достигнет 10 млрд. человек. Для того, чтобы жизнь на земном шаре продолжала существовать, человечеству необходимо спроектировать Мир, отвечающий следующим требованиям:

Пригодный для счастливой жизни

Почитающий и поддерживающий биоразнообразие

Достичь этих требований можно только с помощью развитой мировой экономики. Глобальное развитие экономики должно идти по пути от индустриальной экономики к интеллектуальной экономике, основанной на знании. Интеллектуальные системы, интеллектуальная инфраструктура, наукоёмкие производства должны стать фундаментом всего мирового развития.

Важнейшим ресурсом современного предприятия, способным значительно повлиять на повышение его конкурентоспособности и инвестиционной привлекательности, являются корпоративные знания. Сегодня с этим никто не спорит, вопрос только в том, как воспользоваться этими корпоративными знаниями, так как большинство из них скрыто в головах сотрудников.

Управление знаниями становится наиболее горячей темой, обсуждаемой специалистами всех уровней управления. Способность эффективно использовать и развивать знания, воплощать их в новые изделия и услуги превращается в важнейший фактор выживания в условиях информационного общества. Знания – это богатство фирмы, которое добывается, обрабатывается и распространяется.

По мнению специалистов, во многих фирмах знания документируются и распределяются произвольно, без строгой системы. По данным Xerox, 46% специальных знаний компаний, не использующих систем управления знаниями, заключены в документации разного рода. Из них 26% находятся на бумажных носителях, а остальные – на компьютерных. Отдельные сведения хранятся у сотрудников в папках или на жестких дисках и могут быть получены только ими.

Для любой организации, желающей преуспеть в сегодняшней глобальной информационной экономике, необходима интеллектуальная, исчерпывающая и простая в использовании система для управления знаниями, а также система доступа к знаниям и система приобретения новых знаний.

Тематика управления и представления знаний получает мощный толчок развития последние 20–25 лет, хотя первые разработки в этом направлении начинались ещё в 60-х. В связи с подобным развитием, напрашивается вывод, что развитие систем управления знаниями связано с развитием сети Интернет. И действительно, организации могут начать управлять запасами своих знаний, только при условии возможности их быстрого распространения и обмена.

Понятие «знания»

По мере того как появляется все больше и больше организаций, инвестирующих в службы по управлению знаниями, возникает необходимость разобраться в том, что понимается под терминами «знания».

С точки зрения целей общества, где доминируют информационные технологии, знания – это просто интеллект, используемый в работе. Знания, приобретаемые фактическим опытом, продуктивны только тогда, когда они используются при выполнении работы или интегрируются в процессе выполнения работы.

Знания приобретают разные формы и поэтому ими становится сложнее управлять. Часто знания оказываются чем-то большим, чем просто информацией и данными о событиях, продуктах или процедурах. Знания есть вторая производная от данных, которые присутствуют во множестве источников в любой организации (рис. 1.1).

Рис. 1.1. Понятие «знания»

Если данные – это не долго живущие новости, временные записи и т.п., не предназначенные для длительного использования, то информация представляет собой полуструктурирован­ные (или агрегированные) данные, служа­щие, например, опорой для периодичес­кого принятия каких-либо решений. В свою очередь знания, являющиеся ре­зультатом переработки информации, имеют весьма длительный цикл жизни, несут определенную идею и снабжены контекстом, определяющим область ее эффективного применения в данном ме­сте в данное время. Говоря другими словами, информация это то, что может иметь отношение к решаемой задаче, а знания это то, что необходимо для решения данной задачи.

Знания подразделяют на явные и неявные. Явное – это то, что можно потрогать, сохранить на диске или просмотреть в браузере. Неявное – то, что находится в головах сотрудников, рекомендации, которые пересказываются из уст в уста, навыки, выработанные в результате тренингов. Системы управления знаниями имеют опосредованное отношение к неявным знаниям, которые вообще очень трудно поддаются управлению. Однако следует отметить, что в определенных случаях системы управления знаниями способствуют переходу неявных знаний в явные. Для этого неявные знания, во-первых, должны существовать, и, во-вторых, их владелец должен захотеть ими поделиться.

Корпоративные знания делятся на внешние и внутренние.

зна­ния клиента (наиболее важное знание для большинства органи­заций);

независимая аналитичес­кая информация (маркетинговые отчеты и рейтинги, цены на меж­дународных фондовых биржах) и др.

знания о ключевых для данной отрасли процессах – накопление лучшего опыта (ноу-хау) при вы­полнении основных задач;

знания об изделиях (и услугах);

лучшие решения, наиболее со­ответствующие текущим потреб­ностям пользователей;

знания сотрудников – выявле­ние, накопление и использование интеллектуального капитала (наи­более ценный актив организации);

«память» организации (про­шлый опыт);

знания о построении отноше­ний – глубокие персональные знания, которые обеспечивают ус­пешное сотрудничество;

интеллектуальные активы (базы знаний) – опыт ведения проектов (образцы наилучшей практики).

Тут вы можете оставить комментарий к выбранному абзацу или сообщить об ошибке.

Источник

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