Понятие базы знаний

Рис. 1. Классификация интеллектуальных систем

Экспертные системы – сложные программные комплексы, аккумулирующие знания в конкретных предметных областях с целью их тиражирования и получения новых знаний.

Интеллектуальные пакеты прикладных программ- инструментальные пакеты прикладных программ, являющиеся упрощенным прототипом экспертных систем, дающие возможность пользователю решать прикладные задачи по их описаниям и исходным данным без программирования под задачу, а автоматически с помощью механизма логических выводов.

Нейросистемы- основаны на применении технологии нейронных сетей. Нейронная сеть- это самообучающаяся интеллектуальная система, которая по примерам реальной практики строит ассоциативную сеть понятий (нейронов), для параллельного поиска на ней решений. Нейронные сети могут быть реализованы на программном и аппаратном уровне. На аппаратном уровне- в виде нейрокомпьютеров с ассоциативной памятью.

Робототехнические системы- системы, которые не только воспринимают информацию из окружающего мира, но и вырабатывают на ее основе определенные оценочные выводы и в соответствии с ними вносят изменения в окружающую среду.

Системы распознавания образов- основаны на решении задач преобразования большого количества сенсорных данных по наблюдаемой проблемной ситуации и их оценке.

Игровые системы- ориентированы на создание сложных интеллектуальных игр шахматы, игры в кибергпространстве и др.

Системы общения- программные средства обработки текстов, машинный перевод, автоответчики, оранжировщики музыки

Технологии Business Intelegence (BI)- технологии бизнес-интеллект в широком смысле определяют:

· процесс превращения данных в информацию и знания о бизнесе для поддержки и принятия оптимальных и неформальных решений;

· информационные технологии (методы и средства) сбора данных, консолидации информации и обеспечения доступа бизнес-пользователей к знаниям;

· знания о бизнесе, полученные в результате углубленного анализа данных и консолидированной информации.

Современные BI-продукты включают BI-инструменты и BI-приложения.

Знания – формализованная информация, на которую ссылаются или используют в процессе логических выводов.

Рис. 2. Свойства знаний

1. Внутренняя интерпретация- предполагает, что в базе знаний хранятся не только знания, но и метазнания или знания о знаниях.

2. Внутренняя структура связей- предусматривает, что в качестве информационных единиц используются не отдельные знания, а упорядоченные отношениями структуры.

3. Внешняя структура связей- описывает отношения ситуативные связи) между отдельными объектами (понятиями) базы знаний.

4. Шкалирование- установление соотношений между различными информационными единицами и их упорядочение в соответствии с ними.

5. Наличие семантической метрики- определение смысловых зависимостей.

Виды знаний:

· глубокие и поверхностные

· качественные и количественные

· приближенные (неопределенные) и точные (определенные)

· конкретные и общие

· описательные и предписывающие

Форма представления знаний на внутримашинном уровне- Базы знаний.

База знаний – совокупность моделей, правил и фактов (данных), позволяющих провести анализ и сделать выводы при решении сложных интеллектуальных задач в некоторой предметной области.

База знаний – позволяет выполнять рассуждения не только и не столько на основе формальной (математической) логики, но на основе:

· опыта

· фактов

· правил (эвристик),

т.е приближенных к человеческой логике.

База знаний обладает следующими основными свойствами:

- институциональные знания

- высококачественный опыт

- возможность прогнозирования

- обучение и тренировка.

В базе знаний реализуется те же функции, что и в БД:

- создание и накопление

- поддержание в актуальном состоянии

- обработка знаний и формирование новых знаний

Отличия БД и БЗ:

1) по свойствам данных:

БД – структурированная БЗ – нет

2) по способу обработки:

БД – с помощью алгоритмов

БЗ – эвристический подход, сложные логические преобразования

3) по назначению, широте охвата:

Данные БД – для тактических действий и оценки деятельности конкретных организаций

БЗ – стратегические задачи, широкий круг пользователей.

Одной из наиболее важных проблем является проблема представления знаний.

Предоставление знаний – это выбор способа формализации и структурирования знаний или соглашение о том, как описывать реальный мир.

Существуют следующие способы или модели представления знаний в БЗ:

Рис. 3. Классификация моделей представления знаний

1. Представление знаний «тройкой » - Объект- Атрибут- Значение

Используется в простейших системах, позволяет описать знания по схеме:

Объект	Атрибут	Значение
Студент	Успеваемость	Двоечник
Предприятие	Организационно-правовая форма	Общество с ограниченной ответственностью
Корова	Порода	Черно-пестрая

В такой же форме представлены данные в БД.

2. Продукционная модель или модель правил, модель продукций используется в экспертных системах. Продукционные правила записываются в виде:

ЕСЛИ А₁ И А₂ И А₃ И….А_n, ТО В_1, ИЛИ В₂ ИЛИ В₃ ИЛИ …ИЛИ В_m

Где А_i и B_{j –} некоторые высказывания, к которым применяются логические операции И и ИЛИ. Если высказывание в левой части правила (условие, причина) истинно, то истинно и высказывание в правой части (следствие).

Предположим в базе знаний хранятся следующие правила (суждения):

ü Правило 1- ЕСЛИ на предприятии падает производительность труда ТО снижаются объемы производства продукции;

ü Правило 2 – ЕСЛИ снижается загрузка производственных мощностей ТО производительность труда падает;

ü Правило 3 – ЕСЛИ объемы производства снижаются ТО уровень дохода предприятия падает

Если на вход системы поступил факт «Загрузка производственных мощностей падает», то из правил можно построить цепочку рассуждений и сделать заключение:

Факт 1 – Правило 2- правило 1 –правило3

Недостаток такой модели- при большом количестве правил трудно избежать их непротиворечивости.

3. Фреймовая модель - понятие введено Марком Минским (США) в 1975г.

Frame- рамка, скелет, сгусток. Фрейм- это минимальная структура информации, необходимая для представления знаний о стереотипных классах объектов, ситуаций, процессов. Примерами стереотипных ситуаций могут быть процедура банкротства, совещание специалистов, защита дипломной работы, выбор невесты, бракосочетание и др. В качестве стереотипных понятий можно назвать алгоритм, методика, последовательность действий и др.

Фреймовые модели достаточно универсальны.

Н-р 1) фреймы – структуры для объектов и понятий

2) фреймы роли (менеджер, кассир, клиент)

1) фреймы – сценарии (банкротство, собрание акционеров)

2) фреймы ситуации (тревога, авария и т.п)

4. Модель семантической сети (Модель Куилиана)

Семантическая сеть – это направленный граф, с поименованными вершинами (узлами) и дугами (отношениями между объектами). Семантическую сеть можно построить для любой предметной области и различных объектов и отношений. В семантических сетях используют три типа вершин:

ü Вершины- понятия (имена существительные);

ü Вершины- события (глаголы);

ü Вершины- свойства (определения).

Пример семантической сети для ситуации «С фирмой «Контакт» подписан договор-мены от 15.12.05 на поставку нефтепродуктов».

Мены

Когда?

Договор

Подписан

15.12.05

С фирмой

Контакт

На поставку

нефтепродуктов

какой

Что сделан?

С Кем?

Какой?

На что?

Чего?

Рис. 4 Семантическая сеть для ситуации

Основное преимущество семантических сетей и их разновидностей- фреймов при моделировании знаний- это универсальность и удобство представления знаний.

К недостаткам следует отнести сложность построения и внесения изменений, необходимость использования разнообразных процедур обработки при большом количестве вершин и дуг.

Технология использования базы знаний и содержание ее структурных компонентов выглядит следующим образом:

Рис. 5. Структурные компоненты базы знаний