Представление неопределенности знаний и данных
При решении практических задач мы часто встречаемся со множеством источников неопределенности используемой информации, но в большинстве случаев их можно разделить на две категории: недостаточно полное знание предметной области и недостаточная информация о конкретной ситуации.
Теория предметной области (т.е. наши знания об этой области) может быть неясной или неполной: в ней могут использоваться недостаточно четко сформулированные концепции или недостаточно изученные явления. Неопределенность знаний приводит к тому, что правила влияния даже в простых случаях не всегда дают корректные результаты. Располагая неполным знанием, мы не можем уверенно предсказать, какой эффект даст то или иное действие.
Но помимо неточных знаний, неопределенность может быть внесена и неточными или ненадежными данными о конкретной ситуации. Любой сенсор имеет ограниченную разрешающую способность и отнюдь не стопроцентную надежность. При составлении отчетов могут быть допущены ошибки или в них могут попасть недостоверные сведения. Помимо всего прочего, существует еще и фактор времени. Не всегда есть возможность быстро получить необходимые данные, когда ситуация требует принятия срочного решения (если работа ядерного реактора вызывает подозрение, вряд ли кто-нибудь будет ждать окончания всего комплекса проверок, прежде чем принимать решение о его остановке).
|
|
Таким образом, можно утверждать, что эксперты пользуются неточными методами по одной из двух главных причин:
• точных методов не существует;
• точные методы существуют, но не могут быть применены на практике из-за отсутствия необходимого объема данных или невозможности их накопления по соображениям стоимости, риска или из-за отсутствия времени на сбор необходимой информации.
Большинство исследователей, занимающихся проблемами искусственного интеллекта, давно пришли к единому мнению, что неточные методы играют важную роль в разработке экспертных систем и систем поддержки принятия решений, но много споров вызывает вопрос, какие именно методы должны использоваться.
До последнего времени многие соглашались с утверждениями Мак-Карти и Хейеса, что теория вероятности не является адекватным инструментом для решения задач представления неопределенности знаний и данных. Выдвигались следующие аргументы в пользу такого мнения:
• теория вероятности не дает ответа на вопрос, как комбинировать вероятности с количественными данными;
• назначение вероятности определенным событиям требует информации, которой исследователь зачастую просто не располагает.
|
|
• непонятно, как количественно оценивать такие часто встречающиеся на практике понятия, как «в большинстве случаев», «в редких случаях», или такие приблизительные оценки, как «старый» или «высокий»;
• применение теории вероятности требует «слишком много чисел», что вынуждает инженеров давать точные оценки тем параметрам, которые они не могут оценить;
• обновление вероятностных оценок обходится очень дорого, поскольку требует большого объема вычислений.
Все эти соображения породили новый формальный аппарат для работы с неопределенностями, который получил название нечеткая логика (fuzzy logic) или теория функций доверия (belief functions). Этот аппарат широко используется при решении задач искусственного интеллекта и особенно при построении экспертных систем. Однако в последние годы адвокаты теории вероятностей предприняли довольно эффективную контратаку, а потому мы также представим основные концепции этой теории и ее главных конкурентов.