Рождение искусственного интеллекта как научного

Рождение
искусственного
интеллекта
как научного
направления
произошло
только после
создания ЭВМ
в 40-х годах
ХХ века.
В то же время Норберт
Винер создал свои
основополагающие работы
по новой науке –
кибернетике.
Вскоре после признания искусственного интеллекта отдельной областью
науки произошло разделение его на два направления: нейрокибернетика
и кибернетика «черного ящика».
Искусственный интеллект
Нейрокибернетика
 Основная идея
нейрокибернетики
состоит в том, что
любое «мыслящее»
устройство должно
каким – то образом
воспроизводить
структуру человеческого
мозга.
Кибернетика «черного ящика»
 Кибернетика «черного
ящика» полагает: не
имеет значения как
устроено «мыслящее»
устройство. Главное,
чтобы на заданные
входные воздействия оно
реагировало так же, как
человеческий мозг.
Что такое искусственный интеллект?
Искусственный интеллект -
это одно из направлений информатики, цель которого
разработка аппаратно-программных средств,
позволяющих пользователю-непрограммисту ставить и
решать свои задачи, традиционно считающиеся
интеллектуальными, общаясь с ЭВМ на ограниченном
подмножестве естественного языка.
Искусственный интеллект это научная дисциплина, возникшая в 50-х годах на
стыке кибернетики, лингвистики, психологии и
программирования.
НАПРАВЛЕНИЯ РАЗВИТИЯ ИСКУССТВЕННОГО
ИНТЕЛЛЕКТА
 Представление знаний и разработка систем, основанных на
знаниях
 Разработка естественно-языковых интерфейсов и машинный
перевод
 Специальное программное обеспечение
 Новые архитектуры компьютеров
 Игры и творчество
 Распознавание образов
 Обучение и самообучение
 Интеллектуальные роботы
Данные и знания
При изучении интеллектуальных систем традиционно возникает
вопрос — что же такое знания и чем они отличаются от обычных
данных, десятилетиями обрабатываемых ЭВМ.
Данные -
это отдельные факты, характеризующие
объекты, процессы и явления предметной
области, а также их свойства.
Знания основаны на данных, полученных эмпирическим путем. Они
представляют собой результат мыслительной деятельности
человека, направленной на обобщение его опыта, полученного в
результате практической деятельности.
Знания -
это закономерности предметной области
(принципы, связи, законы), полученные в
результате практической деятельности и
профессионального опыта, позволяющие
специалистам ставить и решать задачи в этой
области
Представление
знаний
Artificial Intelligence
Что такое представление знаний?
Представление знаний является одной из наиболее важных
проблем при создании системы искусственного интеллекта
(СИИ).
Форма представления знаний оказывает существенное влияние
на характеристики и свойства системы
Представление знаний - это соглашение о
том, как описывать реальный мир.
Основная цель представления знаний - строить
математические модели реального мира и его частей, для
которых соответствие между системой понятий проблемного
знания может быть установлено на основе совпадения имен
переменных модели и имен понятий без предварительных
пояснений и установления дополнительных неформальных
соответствий.
Модели представления знаний
Модель представления знаний является формализмом,
призванным отобразить статические и динамические свойства
предметной области, т.е. отобразить объекты и отношения
предметной области, связи между ними, иерархию понятий
предметной области и изменение отношений между объектами.
Продукционная модель представления знаний
Фреймовая модель представления знаний
Логическая модель представления знаний
Семантические сети
Модель, основанная на нечеткой логике
Продукционная модель
представления знаний
Продукционная модель или модель, основанная на правилах, позволяет
представить знания в виде предложений типа
«Если (условие), то (действие)».
ЕСЛИ А1,А2..Аn ТО В.
Если температура в помещении меньше +20, То включить
обогреватель
Условия А1,А2...Аn
называют фактами.
Действие В трактуется как
добавление нового факта в
описание текущего состояния
предметной области.
Структура продукционной
системы
Модификация,
управление
Механизм логического
вывода
поиск
ссылки
Рабочая память
База правил
1. Набор правил, используемых как база знаний. Его называют базой правил.
2. Рабочая память, в которой хранятся предпосылки, касающиеся конкретных
задач предметной области и результаты выводов, полученных на их
основании.
3. Механизм логического вывода, использующий правила в соответствии с
содержимым рабочей памяти.
Продукционная модель
представления знаний
Достоинства:
Недостатки:
Достоинством применения правил продукций
является их модульность. Это позволяет
легко добавлять и удалять знания в базе
знаний. Можно изменять любую из
продукций, не затрагивая содержимого
других продукций.
Недостатки продукционных систем проявляются
при большом числе правил и связаны с
возникновением непредсказуемых побочных
эффектов при изменении старых и добавлении
новых правил. Кроме того, отмечают также низкую
эффективность обработки систем продукций и
отсутствие гибкости в логическом выводе.
Семантические сети
Термин семантическая означает «смысловая»
Семантическая сеть — это ориентированный граф,
понятие
вершины которого понятия, а дуги - отношения
между ними.
отношение
Являются
исторически
первым классом
моделей
представления
знаний
Семантические сети
В качестве понятий обычно выступают абстрактные или
конкретные объекты, а отношения — это связи типа: «это»
(«АКО — A-Kind-Of», «is»), «имеет частью» («has part»),
«принадлежит», «любит».
Особенность семантических сетей:
обязательное наличие трех типов отношений:
 класс — элемент класса
(цветок — роза)
 свойство — значение
(цвет — желтый)

пример элемента класса
(роза — чайная)
Семантические сети
Наиболее часто в семантических
следующие отношения:
сетях
используются
связи типа «часть — целое» («класс — подкласс», «элемент множество»,и т. п.);
функциональные связи (определяемые обычно глаголами
производит»,«влияет»...);
количественные (больше, меньше, равно...);
пространственные (далеко от , близко от, за, под, над...);
временные (раньше, позже, в течение...);
атрибутивные связи (иметь свойство, иметь значение);
логические связи (И, ИЛИ, НЕ);
 лингвистические связи
Пример семантической сети
вид транспорта
двигатель
имеет частью
это
это
автомобиль
Волга
цвет
свойство
принадлежит
белый
значение
любит
Петров
человек
это
Проблема поиска решения в базе знаний типа семантической
сети
сводится
к
задаче
поиска
фрагмента
сети,
соответствующего
некоторой
подсети,
отражающей
поставленный запрос к базе.
Семантические сети как модель представления
знаний была предложена американским
психологом Куиллианом
Достоинством семантических сетей как модели
представления знаний является наглядность
описания предметной области, гибкость,
адаптивность.
Однако, свойство наглядности с увеличением
размеров и усложнением связей базы знаний
предметной области теряется
Кроме того, возникают значительные сложности
по обработке различного рода исключений.
Для преодоления указанных проблем используют метод
иерархического описания сетей (выделение на них
локальных подсетей, расположенных на разных уровнях).
Представление
знаний
ФРЕЙМ
Artificial Intelligence
Фреймовая модель
В основе теории фреймов лежит восприятие фактов
посредством сопоставления полученной извне информации с
конкретными элементами и значениями, а также с рамками
определенными для каждого концептуального объекта в
нашей памяти.
Фрейм был предложен Марвелом Минским в 70-е годы
Фрейм -
структура для описания стереотипной
ситуации, состоящая из характеристик этой
ситуации и их значений.
Характеристики называют слотами
Структура фрейма
Имя фрейма
Имя
Слота
Значение
слота
Указатель наследования
Демон
Слот 1
……………..
……………..
Слот n
Имя фрейма -
идентификатор, присваиваемый фрейму.
Фрейм должен иметь имя единственное (уникальное) в
данной фреймовой системе.
Структура фрейма
Имя фрейма
Имя Слота
Значение
слота
Указатель наследования
Демон
Слот 1
……………..
……………..
Слот n
Имя слота -
идентификатор, присваиваемый слоту.
Слот должен иметь уникальное имя во фрейме. Имя слота не
несет смысловой нагрузки кроме специфических: IS-A;
DDESENDANTS (указатель дочернего фрейма) и др., а также
системных слотов, используемых при управлении выводом.
Структура фрейма
Имя фрейма
Имя
Слота
Значение
Слота
Указатель наследования
Демон
Слот 1
……………..
……………..
Слот n
Указатель наследования
показывает, какую информацию об атрибутах
слотов во фрейме верхнего уровня наследуют
слоты с такими же именами во фрейме нижнего
уровня.
Типичные указатели наследования:
 U (уникальный),
 S (такой же),
 R (установление границ).
Структура фрейма
Имя фрейма
Имя
Слота
Значение
слота
Указатель наследования
Демон
Слот 1
……………..
……………..
Слот n
Демон -
процедура, автоматически запускаемая при появлении запроса
или обновлении информации в структуре.
1. IF-ADDED (если добавлено). Он запускается, когда новая
информация поступает в слот.
2. IF-REMOVED (если удалено). Запускается при стирании
значения слота.
3. IF-NEEDED (если нужно). Запускается если в момент
обращения к слоту его значение не было установлено.
Фреймовая система
Совокупность фреймов, моделирующая какую либо предметную
область,
представляет собой иерархическую структуру, в
которой фреймы соединяются с помощью родовидовых связей.
Человек
IS-A
Млекопитающее
Умеет
мыслить
Ребенок
В одной системе
IS-A
Человек
различные фреймы
Возраст
0 – 16
могут иметь общие
Любит
Сладкое
слоты. Благодаря
этому возможно
связывание информации полученной с
различных точек зрения. Несколько
слотов одного фрейма обычно заранее
определяются значениями по умолчанию.
Ученик
IS-A
Ребенок
Возраст
6 – 17
Учится
В школе
Свойства фреймов
 Иерархическая структура.
 Межфреймовые сети.
 Значение по умолчанию.
 Отношения «абстрактное –
конкретное» и «целое - часть .
Свойства фреймов
 Иерархическая структура.
Особенность такой структуры
заключается в том, что информация о
слотах, которую содержит фрейм
верхнего уровня, используется всеми
фреймами нижних уровней.
Свойства фреймов
 Иерархическая структура.
 Межфреймовые сети.
Осуществление выводов в фреймовой
системе возможно благодаря
соединению в межфреймовые сети
фреймов, описывающих объекты с
небольшими различиями, указателями
различия.
Свойства фреймов
 Иерархическая структура.
 Межфреймовые сети.
 Значение по умолчанию.
Фреймы
обладают
способностью
наследовать
значения слотов своих родителей, находящихся на
более высоком уровне иерархии. Наследование
свойств может быть частичным, тогда он должен быть
указан в своем собственном фрейме. Значения
слотов могут передаваться по умолчанию фреймам,
находящимся ниже в иерархии.
Свойства фреймов
 Иерархическая структура.
 Межфреймовые сети.
 Значение по умолчанию.
 Отношения «абстрактное –
конкретное» и «целое - часть .
На верхних уровнях иерархии расположены абстрактные
объекты, на нижних конкретные (отношения типа “IS-A” или
“KIND OF”).
Отношение «целое - часть» касается структурированных
объектов и показывает, что объект нижнего уровня является
частью объекта верхнего уровня.
Фреймовая модель
Преимущества фреймовой модели представления знаний
1) Гибкость, т. е. структурное описание сложных объектов.
2) Наглядность, данные о родовидовых связях хранятся явно.
3) Значение может быть вычислено с помощью процедур или
найдено эвристическими методами.
Недостатками фреймовой системы являются:
1) Высокая сложность систем в целом.
2) Трудно внести изменение в иерархию
3) Затруднена обработка исключений.
1. ЗНАНИЯ ~ (ИНФОРМАЦИЯ, СВЕДЕНИЯ…)
Знания – это информация, которая используется для принятия решения по
неизвестным ранее проблемам
Знания – совокупность сведений, образующих целостное описание некоторого
предмета или проблемы (Толковый словарь по ИИ)
2. ЗНАНИЯ ~ (МНЕНИЯ)
Знания – это обоснованное, истинное мнение (убеждение) (Платон)
3. ЗНАНИЯ ~ МЕТАДАННЫЕ
Знания – это данные, рассматриваемые вместе со способами и механизмами их
целенаправленного использования (Г.С.Поспелов)
Знания – это хорошо структурированные данные, или данные о данных, или метаданные
(Т.А.Гаврилова, В.Ф.Хорошевский)
4. ЗНАНИЯ ~ (ОПЫТ, ПОНИМАНИЕ)
Знания – понимание, приходящее с опытом профессиональной деятельности
5. ЗНАНИЯ ~ (ПОВЕДЕНИЕ, ДЕЯТЕЛЬНОСТЬ)
Знания – продукт деятельности мышления, выступающий в форме понятий,
отношений между ними, суждений, рассуждений.
Знания – совокупность способов формирования планов поведения, направленных на
реализацию мотивов (А.М. Волков, Ю.В.Микадзе, Г.Н.Солнцева)
СХЕМА ПЕРЕХОДОВ DIKW
ДАННЫЕ – ИНФОРМАЦИЯ – ЗНАНИЯ – МЕТАЗНАНИЯ
(DATA – INFORMATION – KNOWLEDGE – WISDOM)
ДЕЯТЕЛЬНОСТЬ
МЕТАЗНАНЯ
Деятельность
ЗНАНИЕ
Действия
Понимание принципов
Понимание шаблонов
ИНФОРМАЦИЯ
Операции
ДАННЫЕ
Понимание связей
ПОНИМАНИЕ
По объекту (предмету) рассмотрения выделяются:

ЗНАНИЯ О ПРОДУКТАХ И УСЛУГАХ

ЗНАНИЯ О ПРОЦЕССАХ И ОБОРУДОВАНИИ

ЗНАНИЯ ОБ ОРГАНИЗАЦИОННЫХ СТРУКТУРАХ

ЗНАНИЯ О СОТРУДНИКАХ (ПЕРСОНАЛЕ) ПРЕДПРИЯТИЯ

ЗНАНИЯ О КЛИЕНТАХ

ЗНАНИЯ О ПОСТАВЩИКАХ И ПАРТНЕРАХ

ЗНАНИЯ О КОНКУРЕНТАХ
По характеру различаются следующие виды знаний:

ИНДИВИДУАЛЬНЫЕ – КОЛЛЕКТИВНЫЕ

ЭВРИСТИЧЕСКИЕ – АЛГОРИТМИЧЕСКИЕ

ВЕРБАЛИЗУЕМЫЕ (легко передаваемые) –
ИНТУИТИВНО-ОБРАЗНЫЕ (трудно передаваемые)

ЯВНЫЕ (эксплицитные) – НЕЯВНЫЕ (имплицитные)

«ГОРЯЧИЕ» (накопленные в ходе собственной деятельности) –
«ХОЛОДНЫЕ» (полученные извне)

ПОВЕРХНОСТНЫЕ (субъективные эвристические правила) –
ОБЩАЯ СХЕМА ВЗАИМОСВЯЗЕЙ МЕЖДУ РОЛЯМИ
И ЗНАНИЯМИ В СЕТЕВОЙ ОРГАНИЗАЦИИ
Иллюстрация распределения знаний в организации
РУКОВОДИТЕЛЬ (СУБОРДИНАТОР)
(ЗАЧЕМ-знания, СКОЛЬКО)-знания
Аксиологический аспект
организации
МЕНЕДЖЕР (КООРДИНАТОР)
ЗАКАЗЧИК
(ЧТО-знания)
Гносеологический
аспект организации
(КТО, КОГДА, ГДЕ)-ЗНАНИЯ
Онтологический аспект организации
ИСПОЛНИТЕЛЬ
(КАК-знания)
Праксеологический
аспект организации
ВИДЫ ЗНАНИЙ В СЕТЯХ ПРЕДПРИЯТИЙ
№ ТИП ЗНАНИЯ
1
2
ЗАЧЕМ-ЗНАНИЯ
Стратегический анализ: назначение и
функции системы
СКОЛЬКО-ЗНАНИЯ Экономический анализ: ресурсы, затраты,
прибыль, окупаемость
3
ЧТО-ЗНАНИЯ
4
КАК-ЗНАНИЯ
5
ПОЧЕМУ-ЗНАНИЯ
6
КТО-ЗНАНИЯ
7
8
ВИД ПРОФЕССИОНАЛЬНОЙ
ДЕЯТЕЛЬНОСТИ
ГДЕ-ЗНАНИЯ
КОГДА-ЗНАНИЯ
Концептуальный анализ: основные понятия,
понятийная структура
Функциональный анализ: гипотезы и модели
принятия решений
Причинно- следственный анализ,
построение подсистемы объяснения
Организационный анализ, определение
коллектива разработчиков системы
Пространственный анализ, определение
места выполнения заказа, оборудования,
коммуникаций
Временной анализ: временные параметры и
ограничения
УПРАВЛЕНИЕ ЗНАНИЯМИ НА ПРЕДПРИЯТИИ
КАК МЕЖДИСЦИПЛИНАРНАЯ ПРОБЛЕМА
Экономика: Управление знаниями как новая конкурентная стратегия,
связанная с формированием и освоением новых рынков (рынки знаний),
накоплением интеллектуального капитала и cозданием интеллектуальных
активов.
Теория организаций: Знания как главный ресурс создания,
функционирования и развития предприятий и организаций. Знание –
необходимое условие производства. Управление знаниями – основа
эффективности интеллектуальных производств в сетевых организациях.
Социология и социальная психология: Знания как основа
формирования человеческих (социальных) отношений и как их продукт.
Теория управления: Знания есть объект управления. Системы
управления знаниями (СУЗ).
Информатика и искусственный интеллект:
Корпоративные информационные системы. Инженерия знаний.
Инструментальные средства и технологии разработки СУЗ
(распределенные и объектно-ориентированные базы данных,
ДВЕ ГЛАВНЫЕ ХАРАКТЕРИСТИКИ ЗНАНИЙ НА
ПРЕДПРИЯТИЯХ
1. Знания как ресурс
Управление знаниями обеспечивает интегрированный подход к
созданию, сбору, организации, использованию информационных
ресурсов предприятия и доступу к ним. Эти ресурсы включают
структурированные базы данных, документы и неявные знания
сотрудников.
Управление знаниями - это стратегия предприятия, включающая методы
коммуникаций на предприятии, направленные на обмен знаниями как
ресурсами, получение новых и обновление существующих знаний,
позволяющих сотрудникам своевременно решать конкретные задачи.
Знания, в отличие от других расходуемых ресурсов предприятия,
представляют собой активный ресурс, поскольку при их
расходовании могут порождаться новые знания
2. Знания как объект управления
характеризуются
сложностью, неоднородностью, динамичностью, а, самое главное,
многочисленными НЕ-факторами (неполнота, противоречивость,
неаддитивность, нелинейность, немонотонность и пр.)
ЖИЗНЕННЫЙ ЦИКЛ КОРПОРАТИВНЫХ ЗНАНИЙ
Порождение
Утилизация
Оценка
Присвоение
жизненный
цикл знаний
Распространение
Организация
Отчуждение
Организация знаний = Представление знаний + Пополнение знаний
ОСНОВЫ МАТЕМАТИЧЕСКОЙ ТЕОРИИ
ОТНОШЕНИЙ
Классическое n-арное отношение определяется как
подмножество декартова произведения произвольных
n множеств:
R  X1  X2  …  Xn.
На практике часто ограничиваются рассмотрением бинарных
отношений.
1. Пусть X и Y – два различных множества. Тогда подмножество
декартова произведения R  X  Y называется бинарным
отношением в широком смысле или соответствием.
2. Пусть имеем декартово произведение множества X на себя.
Тогда бинарное отношение определяется формулой R  X  X.
Другая запись бинарного отношения: x r y
Отношение E (x,y) =
1, если x=y
0, если xy
называется единичным, т.е. играет роль
единицы для операции композиции
E  R = R  E = R.
Обратное отношение определяется как R 1 (x,y) = R (y,x),
x,y  X
СВОЙСТВА ОТНОШЕНИЙ
Пары свойств:
Свойство
–
Антисвойство
I. Рефлексивность:
E  R или R(x,x) = 1, x  X
I*. Антирефлексивность:
Слабая рефлексивность:
R(x,x)  R(x,y), x,y  X
Слабая антирефлексивность:
R(x,x)  R(x,y), x,y  X
II. Симметричность
R = R 1 или R(x,y) = R(y,x), x,y  X
III. Транзитивность:
RR R – положительная
RR R – отрицательная
IV. Полнота:
R  R 1 = U или R(x,y)  R(y,x) = 1,
x,y  X
R  E =  или R(x,x) = 0, x  X
II*. Антисимметричность:
R  R 1  E или R(x,y)  R(y,x) = 0,
x,y  X, xy
II**. Асимметричность:
R  R 1 =  или R(x,y)  R(y,x) = 0,
x,y  X,
ОТНОШЕНИЯ И ГРАФЫ
Различные отношения можно наглядно представить в виде графов.
Представление отношений с помощью графов выражает следующие их
свойства: 1) направленные (антисимметричные) или ненаправленные
(симметричные) отношенияориентированные или
неориентированные
графы; 2) наличие или отсутствие рефлексивности (петель)  граф с
циклами или ациклический граф (дерево); 3) одно или большее число
отношений между вершинами  граф или мультиграф.
Граф есть пара
G = V, А ,
где V – множество вершин v, а А  V  V – множество пар элементов
ai, aj (дуг, ребер) из V.
Здесь дугами называются упорядоченные пары вершин (случай
ориентированного графа), а ребрами – неупорядоченные пары
вершин (случай неориентированного графа). Граф с p вершинами и
q ребрами называется (p,q)-графом.
Геометрически вершины графа изображаются точками, а ребра –
соединяющими их отрезками (cо стрелками в случае дуг).
Ребрам графа можно приписывать знаки (знаковые графы) или числа
(взвешенные графы).
КЛАССИФИКАЦИЯ НАГЛЯДНЫХ МОДЕЛЕЙ
ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
Модели представления знаний: символьные (абстрактные) и
визуальные (наглядные)
НАГЛЯДНЫЕ МОДЕЛИ
ЗНАНИЙ
СЕМАНТИЧЕСКИЕ
СЕТИ
ОНТОЛОГИИ
ФРЕЙМОВЫЕ
МОДЕЛИ
СЦЕНАРИИ ИНТЕЛЛЕКТ- ПУТЕВЫЕ
КАРТЫ
КАРТЫ
КОГНИТИВНЫЕ
КАРТЫ
МОДЕЛИ ПРЕДСТАВЛЕНИЯ ЗНАНИЙ:
ФРЕЙМОВЫЕ МОДЕЛИ
Фреймовые модели могут успешно использоваться для
представления заявок (заказов, предложений и поставок) в
электронной коммерции.
Приведем пример фрейма-прототипа для заказа в
Интернет-магазине.

Заказ ={<ID>, <Потребитель, …>,
<Адрес,…>, <Телефон, …>, <Товар, …>}.
Соответствующий фрейм-экземпляр может иметь вид:

Заказ = {<1283>, <ФИО, Иванов А.Б.>,
<Адрес, Москва ул. Садовая д. 3>, <Тел., +7095-123-45-67>, <Товар, Велосипед Univega
HT 510>}
ПРЕДСТАВЛЕНИЕ ЗНАНИЙ:
ПРОДУКЦИОННЫЕ ПРАВИЛА
Продукционные правила подразумевают выполнение некоторого
действия B в случае выполнения условия A. Данная модель
хорошо выражает эвристические знания, циркулирующие в
организационных сетях
«ЕСЛИ (условие А) ТО (действие B)»
Условие А = ((Факт1 И Факт2) ИЛИ (Факт3))
Пример. ЕСЛИ ((в магазинах стартует распродажа)
ИЛИ (в магазинах заметно снижены цены))
ТО (ожидается резкий наплыв покупателей)
КОГНИТИВНЫЕ КАРТЫ: инструментарий
когнитивного моделирования
Когнитивные карты – это средства
когнитивного моделирования, которые могут
применяться для описания различных ситуаций,
а также для представления знаний о
взаимоотношениях между людьми внутри
организации и между отдельными организациями
КОГНИТИВНАЯ КАРТА:
ФОРМАЛЬНОЕ ОПРЕДЕЛЕНИЕ
Когнитивная карта представляет собой знаковый граф:
G = V, A, F,
где: V – множество вершин (концептов),
A – множество дуг (связей между концептами);
F = {+, –} – множество знаков дуг (типов связей между
концептами).
Здесь знак + выражает положительную связь, а через –
обозначается отрицательная связь.
В случае положительной связи усиление причинного концепта
(фактора) приводит к усилению концепта-следствия: X  Y,
а при отрицательной связи усиление фактора-причины
приводит к ослаблению фактора-следствия: X  Y
ПРИМЕР КОГНИТИВНОЙ КАРТЫ ДЛЯ ОПИСАНИЯ АРХЕТИПА
«ПРЕДЕЛЫ РОСТА» ОРГАНИЗАЦИИ
ИНТЕЛЛЕКТ-КАРТЫ
(МЕНТАЛЬНЫЕ КАРТЫ)
Основная идея интеллект-карт (Mind Maps) заключается в поддержке
правополушарных механизмов мышления путем преобразования
фрагментов текстового (последовательного) изложения в сетевую
(наглядно-образную) форму.
Интеллект-карта имеет следующие отличительные черты:
 Ее структура имеет форму куста
 Объект изучения сфокусирован в центре изображения (фокус
внимания)
 Основные темы, связанные с объектом изучения, расходятся от
центра в виде ветвей, которые поясняются ключевыми словами
 Вторичные идеи также ветвятся.
 Ветви формируют связную узловую структуру
ПРЕДСТАВЛЕНИЕ ОНТОЛОГИЙ С ПОМОЩЬЮ
ИНТЕЛЛЕКТ-КАРТЫ
(по Т.А.Гавриловой)
ОПРЕДЕЛЕНИЕ ОНТОЛОГИИ
Значительный вклад в теорию и проектирование онтологий
внесли Т.Грубер, Н.Гуарино, Р.Мизогучи, Р.Студер, Т.А.Гаврилова,
А.С.Клещев, А.В.Смирнов, С.В.Смирнов и др.
Онтология – это явное и формализованное определение структуры
некоторой проблемной области (темы).
Подобное описание всегда опирается на концептуализацию этой
области, которая обычно задается в виде системы исходных
объектов (понятий), отношений между ними и положений (аксиом).
Поэтому онтологию часто понимают как «спецификацию разделяемой
разными людьми концептуализации» или, иначе, отождествляют с
набором сосуществующих концептуальных моделей предметной
области.
По сути, онтологии отражают соглашения о единых способах
построения и использования концептуализации.
ПОНЯТИЕ ОНТОЛОГИИ
Согласно спецификациям Международной федерации по разработке
интеллектуальных физических агентов (FIPA98 Specifications), под онтологией
понимается «явное описание структуры некоторой проблемной области (темы)».
Например, в русле обеспечения взаимодействия виртуальных партнеров в сети
Интернет онтология есть иерархия понятий и связей между ними, вместе с
системой ссылок на www-документы, привязанных к этим понятиям (связям).
В онтологии должны выражаться смысловые аспекты коммуникации агентов,
поэтому ее подчас интерпретируют как тезаурус с размеченными
семантическими связями.
В простейшем случае онтология описывает иерархию понятий, связанных
отношениями категоризации. В более сложных случаях в нее добавляются
подходящие аксиомы для выражения других отношений между понятиями и для
того, чтобы ограничить их интерпретацию.
Таким образом, онтология представляет собой базу данных/ знаний,
описывающую факты, которые предполагаются всегда истинными в рамках
определенного сообщества на основе общепринятого смысла используемого
словаря.
МЕНТАЛЬНАЯ КАРТА «ОНТОЛОГИИ
КОГНИТИВНОГО АГЕНТА»
*
51
ФОРМАЛЬНАЯ МОДЕЛЬ ОНТОЛОГИИ
Модель онтологии должна обеспечивать:
а) представление множества понятий как древовидной (сетевой) структуры;
б) отображение достаточно богатого множества отношений, включающего не
только таксономические отношения, но и отношения, отражающие специфику
предметной области;
в) применение декларативных и процедурных интерпретаций и отношений.
С формальных позиций онтология состоит из словаря терминов, образующих
таксономию, их определений и атрибутов, а также связанных с ними аксиом
и правил вывода.
Таксономическая структура подразумевает иерархическую систему понятий,
связанных между собой отношениями вида (is_a, ) («быть элементом класса
с некоторой степенью »). Отношение is_a позволяет организовать структуру
понятий онтологии в виде дерева.
Обычно формальная модель онтологии представляется в виде тройки
 ONT = U, R, Ф,
где U – множество понятий предметной области,U,
R – множество отношений (возможно, взвешенных, нечетких) между
понятиями предметной области;
Ф ={f} – конечное множество функций интерпретации (аксиоматизация),
заданных на понятиях и/или отношениях онтологии ONT, f: Dn{0,1},
D – область интерпретации.
В общем случае, значения истинности представляют собой числа из интервала [0,1], так
их можно понимать как значения вероятности, возможности или необходимости.
ФОРМАЛЬНАЯ МОДЕЛЬ ОНТОЛОГИИ: ЧАСТНЫЕ
СЛУЧАИ
Формальная модель онтологии ONT = U, R, Ф.
Частные случаи: 1. Оба множества R и Ф пусты. Тогда онтология ONT
трансформируется в простой словарь:
ONT0 = VOC =  U, { }, { } .
Онтологии-словари имеют ограниченное использование, поскольку в них явно не
рассматривается смысл терминов. Но если используемые в онтологии термины
принадлежат очень узкой области знаний и их смысл уже заранее хорошо согласован в
рамках определенного сообщества, то представление онтологии в виде простого словаря
достаточно эффективно (например, индексы машин поиска информации в Интернет).
2.R= , но Ф . Тогда каждому понятию из U может быть поставлена в
соответствие функция интерпретации f из Ф.
Пусть U=U1U2, где U1 – множество интерпретируемых терминов; U2 –множество
интерпретирующих терминов. Когда функция интерпретации f задается
оператором присваивания значений (U1:=U2, где U1 – имя интерпретации U2), то
онтология трансформируется в пассивный словарь VOCp.
Если же задать хотя бы часть интерпретирующих терминов из множества X2 процедурно,
то переходим к активному словарю VOCа. Элементы подобного словаря никак не связаны
между собой и играют роль ключей входа в онтологию.
3. R  , но Ф= . Теперь получаем тезаурус. В частном случае имеем
таксономию, которая определяется в виде ONT1 = TAX = (X, {(is_a, )}, {}).
ЗНАНИЯ, ОБУЧЕНИЕ И КОМПЕТЕНЦИИ
В СЕТЕВОЙ ОРГАНИЗАЦИИ
ПАРАДИГМАТИЧЕСКИЕ ОТНОШЕНИЯ
Общие отношения для различных онтологий:
1) генеративные отношения «есть некоторый» (is_a);
2) таксономические отношения («класс-подкласс», «классэкземпляр);
3) родо-видовые отношения;
4) партономические (или мереологические) отношения
(«часть–целое»);
5) отношения наследования или генеалогические связи
(«предок-потомок»).
Эти отношения могут быть как четкими, так и нечеткими, например,
нечеткие генеративные отношения «есть некоторый со степенью μ»
(is_a_with_ μ).
ОБЩАЯ СХЕМА ВЗАИМОСВЯЗИ ОНТОЛОГИЙ
ПОНЯТИЕ МЕТАОНТОЛОГИИ




Когда говорят о метаонтологии, речь идет непосредственно об
используемом классе моделей (языке) представления
информации и знаний, например, семантические сети,
унифицированный язык моделирования UML, язык вебонтологий OWL и пр.
Метаонтология определяет класс моделей и языков
представления информации и знаний. С ее помощью
устанавливается соответствие между характером
используемой информации (уровнем неопределенности) и
выбираемым языком ее описания.
Гранулярная метаонтология определяет конкретный набор
взаимосвязанных моделей и языков представления
информации, каждый из которых ориентирован на работу с
качественной, неточной, нечеткой, неполностью
определенной информацией.
Сингулярная же метаонтология определяет либо один язык,
либо семейство точных языков, ориентированных на работу с
количественной, точной информацией.
57
ВАРИАНТ ИНТЕНСИВНОЙ СХЕМЫ ОРГАНИЗАЦИИ
КОРПОРАТИВНОГО ОПЫТА
Глубинные знания
Поверхностные знания
УМЕНИЯ И КОМПЕТЕНЦИИ
Простейшие навыки
Сложные навыки
Определение и структура
Что такое экспертные системы?
Экспертные системы
– это сложные программные комплексы,
аккумулирующие знания специалистов в
конкретных предметных областях и
тиражирующие этот эмпирический опыт
для
консультаций
менее
квалифицированных пользователей.
Первыми экспертными системами являются системы
 ЭС MYCIN
MYCIN
помогает
врачам
выбирать
подходящую
антимикробную терапию для госпитализированных
больных с бактериемией, менингитом и циститом.
Система определяет причину инфекции, применяя
знания, связывающие инфицирующий микроорганизм с
историей
болезни,
симптомами
и
результатами
лабораторных исследований. Система рекомендует
лекарственное лечение (вид и дозу) в соответствии с
процедурами, которым следуют опытные специалисты по
лечению инфекционных заболеваний.
Разработана: 1976, Shortliffe, E. H., США
Первыми экспертными системами являются системы
 ЭС MYCIN
 ЭС DENDRAL
выводит молекулярную структуру неизвестных
соединений, исходя из данных масс-спектрометрии и
ядерного магнитного резонанса.
Разработана: 1978, Buchanan, B. G. и
Feigenbaum, E. A., США
ОСОБЕННОСТИ ЭКСПЕРТНЫХ СИСТЕМ
1. Перерабатывают большое количество знаний.
2. Представляют знания в простой унифицированной
форме.
3. Обладают независимым механизмом логических
выводов.
4. Могут объяснить результаты, полученные в процессе
обработки знаний.
Наибольшие трудности в
разработке ЭС вызывает не
процесс машинной реализации
систем, а домашинный этап
анализа знаний и проектирования
базы знаний.
Основные понятия и определения
 Инженерия знаний
Инженерия знаний – достаточно молодое
направление искусственного интеллекта,
появившееся тогда, когда перед
разработчиками возникла проблема трудности
«добычи» и формализации знаний. Инженерия
знаний занимается проектированием баз знаний
– получением и структурированием знаний
специалистов для последующей разработки баз
знаний.
Основные понятия и определения
 Поле знаний это условное неформальное описание основных понятий
и взаимосвязей между понятиями предметной области,
выявленных из системы знаний эксперта, в виде графа,
диаграммы, таблицы или текста.
 Извлечение знаний процедура взаимодействия эксперта с источником
знаний, в результате которой становятся явным
процесс рассуждений специалистов при принятии
решения и структура их представления о предметной
области.
Основные понятия и определения
 Приобретение знаний процесс наполнения базы знаний
использованием
специализированных
средств.
экспертом с
программных
Термин «приобретение» относится к
автоматизированным системам прямого
общения с экспертом.
Knowledge based expert systems
Этапы построения базы знаний (БЗ)
1)Описание предметной области.
2)Выбор метода и модели представления знаний.
3)Приобретение знаний.
Knowledge based expert systems
Этапы построения базы знаний (БЗ)
1)Описание предметной области.
На первом шаге инженер по знаниям очерчивает
границы области применения системы и класс
решаемых ею задач:
 определяется характер решаемых задач,
 выделяются объекты предметной области,
 устанавливаются связи между объектами,
 выбираются модели представления знаний,
 выявляются специфические особенности предметной области.
Этапы построения базы знаний (БЗ)
2)Выбор метода и модели представления знаний.
На втором этапе необходимо выбрать способ
организации выделенных объектов предметной области и
определить связи между ними в терминах модели
представления знаний.
Способ организации знаний, состав классов, вид
структуры, перечень выделенных объектов в предметной
области зависит от того, под каким углом зрения
рассматривают инженер по знаниям и эксперт данную
предметную область.
Этапы построения базы знаний (БЗ)
3)Приобретение знаний.
Источниками знаний для экспертных систем могут быть
учебники, справочники, материалы в проблемной области
и т.п.
Классический источник знаний – эксперт в данной
области, знания от которого получает разработчик
системы.
Процесс приобретения знаний носит скорее циклический, чем
линейный характер и структурирован хуже, чем другая
деятельность, выполняемая при разработке экспертной системы.
Knowledge based expert systems
Структура Экспертной Системы
Пользователь, желающий получить необходимую информацию
через пользовательский интерфейс
посылает запрос к ЭС
Интерфейс
пользователя
пользователь
Knowledge based expert systems
Структура Экспертной Системы
Решатель , пользуясь базой знаний,
Интерфейс
пользователя
Решатель
База знаний
Подсистема
объяснений
генерирует и выдает
пользователю подходящую
рекомендацию,
объясняя
ход
своих
рассуждений при помощи
подсистемы
объяснений.
пользователь
Knowledge based expert systems
Структура Экспертной Системы
В наполнении знаниями базы знаний принимают участие
Инженер по знаниям
Интерфейс
пользователя
и
эксперт, пользуясь интеллектуальным
редактором базы знаний
Решатель
База знаний
Подсистема
объяснений
+
пользователь
инженер по знаниям
эксперт
Структура Экспертной Системы
Представленная
структура
является
минимальной, то есть все указанные блоки
должны обязательно присутствовать в ЭС,
реальные прикладные ЭС могут быть
гораздо сложнее и дополнительно включать
базы данных, интерфейсы обмена данными с
различными пакетами прикладных программ,
электронными библиотеками и т.д.
Knowledge based expert systems
Что есть что?
Интерфейс пользователя комплекс программ, реализующих диалог пользователя с ЭС как на
стадии ввода информации, так и при получении результатов.
База знаний ядро ЭС, совокупность знаний предметной области, записанная на
машинный носитель в форме, понятной эксперту и пользователю
(обычно на языке, приближенном к естественному). Параллельно
такому представлению существует БЗ в машинном представлении.
Что есть что?
Решатель Синонимы :
программа, моделирующая ход рассуждений
эксперта на основании знаний, имеющихся в БЗ
дедуктивная машина
машина вывода
блок логического вывода
Интеллектуальный редактор БЗ программа, представляющая инженеру по знаниям возможность создавать
БЗ в диалоговом режиме. Включает в себя систему вложенных меню,
шаблонов языка представления знаний, подсказок (help) и других
сервисных средств, облегчающих работу с базой.
Что есть что?
Подсистема объяснений программа,
позволяющая
получить ответы на вопросы:
пользователю
Как была получена та или иная рекомендация?
ответ на вопрос «как» – это трассировка всего процесса
получения решения с указанием использованных фрагментов БЗ
Почему система приняла такое решение?
ответ на вопрос «почему» - ссылка на умозаключение,
непосредственно предшествующее полученному решению
Этапы разработки ЭС
Перед тем, как начать разработку ЭС необходимо:
 определить проблемную область и задачу,
 найти подходящего эксперта, желающего сотрудничать при решении
проблемы,
 назначить коллектив разработчиков,
 определить предварительный подход к решению
проблемы,
 проанализировать расходы и прибыль от разработки,
 подготовить план разработки.
Коллектив разработчиков
Минимальный коллектив разработчиков включает четыре человека:
эксперт,
пользователь,
инженер по знаниям,
программист;
реально он разрастается до 8-10 человек.
Совмещение ролей нежелательно.
Этапы разработки ЭС
Этапы разработки ЭС
На этапе идентификации проблемы уточняется задача, определяются
необходимые ресурсы (время, люди, ЭВМ), источники знаний (книги,
дополнительные эксперты), цели (распространение опыта, автоматизация
рутинных действий), классы решаемых задач.
Этапы разработки ЭС
На стадии извлечения знаний
происходит
перенос
компетентности от эксперта к
инженеру
по
знаниям
с
использованием
различных
методов
(анализ
текстов,
диалоги,
экспертные
игры,
лекции, дискуссии, интервью,
наблюдение и др.).
Этапы разработки ЭС
При структурировании знаний выявляется структура
полученных знаний о предметной области, то есть
определяются: терминология, список основных понятий и их
атрибутов, отношения между понятиями, структура входной и
выходной информации, стратегия принятия решений и т.д.
Этапы разработки ЭС
На стадии формализации строится формализованное представление
предметной области на основе выбранного языка представления знаний.
Этапы разработки ЭС
При реализации создается прототип ЭС, включающий базу
знаний и остальные блоки, при помощи программирования
на
традиционных
языках
(C++,
Pascal
и
др.),
программирования на специальных языках, применяемых в
задачах искусственного интеллекта (LISP, FRL, SMALLTALK)
или
с
использованием
инструментальных
средств
разработки ЭС типа СПЭИС.
Этапы разработки ЭС
Тестированием оценивается работа прототипа с
целью приведения в соответствие с реальными
запросами пользователя.
Этапы разработки ЭС
При неудовлетворительном функционировании прототипа
эксперт и инженер по знаниям имеют возможность
оценить, что именно будет включено в окончательный
вариант системы. После чего происходит доработка
прототипа до конечного варианта ЭС.