Обработка знаний в интеллектуальных системах

С фреймовым представлением

В интеллектуальных системах с фреймовым представлением знаний используются три способа управления логическим выво­дом: демоны, присоединенные процедуры и механизм наследо­вания. Последний можно назвать единственным основным механизмом вывода, которым оснащены фреймовые (объектно-ори­ентированные) системы.

Управленческие функции механизма наследования заключа­ются в автоматическом поиске и определении значений слотов фреймов нижележащих уровней по значениям слотов фреймов верхних уровней, а также в запуске присоединенных процедур и демонов.

Присоединенные процедуры и демоны позволяют реализо­вать любой механизм вывода в системах с фреймовым представ­лением знаний. Однако эта реализация имеет конкретный харак­тер и требует значительных затрат труда проектировщиков и про-фаммистов. Рассмотрим простой пример. В табл. 4 показана структура фрейма «Научная конференция».

Таблица 4.

Фрейм «Научная конференция»

Демон ЗАКАЗ — это процедура, которая автоматически запус­кается при попытке подстановки значения в слот с именем Мес­то проведения. Ее главное назначение состоит в проверке возможности заказа аудитории на нужное время. Такая процеду­ра на языке LISP может выглядеть примерно так:

Демон КТО? автоматически запускается при обращении к слоту Докладчик, если значение этого слота не определено. Ос­новное содержание данной процедуры — генерация запроса к пользователю типа «Кто выступает?», получение ответа и его за­пись в качестве значения слота. Реализация вывода с помощью присоединенных процедур требует наличия механизма обмена информацией между фрейма­ми. В качестве такого механизма обычно используется механизм сообщений.

На рис. 8 схематично показан обмен информацией между фреймами АА и ВВ во время исполнения присоединенной проце­дуры CALC, при этом вызывается процедура MEAN, располо­женная в фрейме ВВ.

Фрейм АА

Рис. 8. Обмен информацией между фреймами

Допустим, что процедура CALC(result) выполняет расчет, в процессе которого происходит обращение к фрейму ВВ с исполь­зованием команды MSG, реализующей передачу сообщения в другой фрейм.

LISPproc CALC(result) MSGiCpednee, BB, X) end.

Команда MSG имеет три параметра: 1 — имя слота, к которо­му происходит обращение (в данном случае значением слота среднее является присоединенная процедура MEAN); 2 — имя фрейма, в котором содержится необходимая информация (ВВ); 3 - имя слота-параметра, в котором находятся данные для расче­та (X). Таким образом, запуск процедуры CALC вызовет исполне­ние следующих действий: передача сообщения во фрейм ВВ на запуск процедуры MEAN, которая найдет среднее арифметичес­кое чисел, записанных в слоте X; вычисленное значение будет за­писано в переменную result и передано в CALC как ответ на сооб­щение MSG. Итак, в интеллектуальных системах с фреймовым представ­лением знаний невозможно четко отделить процедурные знания от декларативных, поскольку присоединенные процедуры и де­моны одновременно являются и знаниями, и средствами управ­ления логическим выводом. На рис. 9 схематично показаны средства управления выводом во фреймовой системе. Возмож­ность организации выводов любого типа является существен­ным преимуществом фреймовых систем по сравнению с продук­ционными и логическими.

Не менее важным достоинством яв­ляется большее сходство этой модели представления знаний структурой знаний в памяти человека.

Рис. 9. Средства управления выводом в интеллектуальной системе фреймового типа

Вместе с тем практическая реализация фреймовых систем сопряжена со значительной трудоемкостью как на этапе проектирования, так и при реализа­ции. Поэтому стоимость промышленных экспертных систем фреймового типа на порядок превосходит стоимость продукци­онных систем.

4.ПЗ₄ .Нейронные сети

Особенностью интеллектуальных систем является способ­ность решать слабоструктурированные и плохо формализован­ные задачи. Эта способность основана на применении различных методов моделирования рассуждений для обработки символьной информации. Традиционным подходом к построению механиз­мов рассуждения является использование дедуктивного логичес­кого вывода на правилах (rule-based reasoning), который приме­няется в экспертных системах продукционного и логического ти­па (см. главу 2). При таком подходе необходимо заранее сформу­лировать весь набор закономерностей, описывающих предмет­ную область. Альтернативный подход основан на концепции обу­чения по примерам (case-based reasoning). В этом случае при по­строении интеллектуальной системы не требуется заранее знать обо всех закономерностях исследуемой области, но необходимо располагать достаточным количеством примеров для настройки разрабатываемой адаптивной системы, которая после обучения будет способна получать требуемые результаты с определенной степенью достоверности. В качестве таких адаптивных систем применяются искусственные нейронные сети.