Представление знаний в информационных системах Спицын В.Г Томский политехнический университет E-mail: spvg@tpu.ruspvg@tpu.ru - презентация

1 Представление знаний в информационных системах Спицын В.Г Томский политехнический университет work

2 2 Лекция 1 СИСТЕМЫ, ОСНОВАННЫЕ НА ЗНАНИЯХ Введение История создания искусственного интеллекта Процесс мышления Основные понятия и классификация систем, основанных на знаниях Экспертные системы как элемент искусственного интеллекта Методы извлечения знаний Литература

3 3 Введение В первой лекции рассматриваются: история возникновения систем искусственного интеллекта, процесс мышления человека, системы, основанные на знаниях, методы извлечения знаний.

4 4 1. История создания искусственного интеллекта Появление искусственного интеллекта (ИИ) как научного направления произошло после создания ЭВМ в 40-х годах XX в. [1-3]. В это время Норберт Винер создал свои основополагающие работы по кибернетике. Вскоре произошло разделение его на два направления: нейрокибернетика и кибернетика черного ящика.

5 5 Этапы развития ИИ Нейрокибернетика ориентирована на программно-аппаратное моделирование структур, подобных структуре мозга. Основной принцип кибернетики черного ящика заключается в том, что не имеет значения как построено мыслящее устройство. Требуется, чтобы на заданные входные воздействия оно реагировало так же, как и человеческий мозг. В США в середине 1970-х годов на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. Появились первые коммерческие системы, основанные на знаниях, или экспертные системы.

6 6 2. Процесс мышления Процесс мышления, протекающий в человеческом сознании, чрезвычайно сложен [4]. Одна ячейка человеческого глаза способна выполнять за 10 мс обработку, эквивалентную решению системы из 500 нелинейных дифференциальных уравнений. Глаз человека насчитывает не менее 10 миллионов ячеек, компьютеру Cray-1 необходимо затратить по меньшей мере 100 лет, чтобы воспроизвести процессы, происходящие ежесекундно в человеческом глазу.

7 Обработка и анализ информации Данные из внешнего мира воспринимаются человеком с помощью одного из органов чувств и затем помещаются в буфер кратковременной памяти для анализа [4]. В долговременной памяти хранятся символьные образы и смысловые связи между ними, которые используются для объяснения новой информации, поступающей из кратковременной памяти. Большие объемы данных постоянно записываются в кратковременную память, и мы непрерывно анализируем и фильтруем получаемую информацию для того, чтобы определить степень ее важности и то, как она соотносится с образами, хранящимися в долговременной памяти 7

8 Система обработки информации у человека [4] 8

9 Доступ к информации Доступ к информации в долговременной памяти осуществляется достаточно эффективно. Любой элемент данных может быть извлечен в течение цикла обработки продолжительностью не более 70 мс и затем преобразован [4]. Перемещение данных из кратковременной памяти в долговременную память занимает приблизительно 15–20 минут. Если человек в получил мозговую травму, то долговременная память может восстановиться. Однако вся информация, поступившая в течение 15–20 минут до катастрофы, будет потеряна и никогда не восстановится. 9

10 10 Соответствие между памятью человека и ЭВМ Можно провести аналогию между кратковременной памятью человека и оперативной памятью ЭВМ, для которой отключение электропитания означает полное уничтожение всех данных [4]. Долговременная память человека похожа на дисковую память ЭВМ. В долговременной памяти образы существуют в виде циркулирующих электрохимических импульсов и физических нейронных взаимодействий.

11 11 Способ хранения символьных образов Способ хранения символьных образов в долговременной памяти во многом схож со способом хранения числовой информации в базах данных сетевого типа. Человеческая память хранит не числовые данные,, а образы или символы. В памяти существует система указателей, позволяющая нам быстро извлечь любой нужный символ и все данные, которые с ним связаны [4].

12 Символьные образы Символьные образы в мозге человека объединены в чанки – наборы фактов и связей между ними, запомненные и извлекаемые как единое целое. Чанки хранятся совместно с взаимосвязями между ними. В каждый момент времени человек может обрабатывать и интерпретировать не более четырех-семи чанков. 12

13 13 Способность формировать чанки Эксперт развивает свою способность объединять в чанки большие объемы данных и устанавливать иерархические связи между ними для того, чтобы быстро извлекать эти данные из памяти и с их помощью распознавать новые ситуации по мере поступления информации о них в мозг. Средний специалист в конкретной предметной области помнит от до чанков, которые могут быть использованы для решения той или иной проблемы. Их накопление в памяти человека и построение указателей для такого объема данных требуют от 10 до 20 лет.

14 14 3. Основные понятия и классификация систем, основанных на знаниях Искусственный интеллект ориентирован на создание методов дублирования функций живых интеллектуальных систем искусственными системами. Технология разработки интеллектуальных программных средств основана на том, что знания о решении задач отделяются от программ и реализуются в виде базы знаний, а в программах реализуется алгоритм манипулирования этими знаниями. Этот алгоритм называют механизмом логического вывода.

15 15 Виды знаний К знаниям относят информацию о логике решения задач, а к данным – информацию, которая должна быть проанализирована в соответствии с этой логикой. Знания, которыми обладает специалист в какой- либо предметной области, можно разделить на формализованные и неформализованные знания. Формализованные знания формулируются в виде общих и строгих суждений (законов, формул, моделей и алгоритмов), отражающих универсальные знания. Неформализованные знания отличаются конкретностью, субъективностью и приблизительностью.

16 16 Особенности экспертных систем Экспертные системы отличаются от традиционных программ тем, что ориентированы на решение неформализованных задач. Основными особенностями ЭС являются: алгоритм решения неизвестен заранее, а строится самой системой с помощью символических рассуждений, базирующихся на эвристических приемах; способность анализа и объяснений своих действий и знаний; способность приобретения новых знаний от пользователя – эксперта, не знающего программирования, и изменения в соответствии с ними своего поведения.

17 Экспертные системы представляют собой класс компьютерных программ, которые выдают советы, проводят анализ, выполняют классификацию и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующих процедурный анализ, ЭС решают задачи в узкой предметной области на основе дедуктивных суждений. 17

18 Классификация ЭС по решаемой задаче Интерпретация. Диагностика. Мониторинг (наблюдение). Прогнозирование. Планирование. Проектирование. Обучение. Контроль и управление. Поддержка принятия решений. 18

19 4. Экспертные системы как элемент искусственного интеллекта Задачей ИИ является воссоздание с помощью искусственных устройств разумных рассуждений и действий. При этом возникают трудности двух типов: В большинстве случаев, выполняя какие-то действия, мы сами не осознаем, как мы это делаем. Нам неизвестен точный способ (или алгоритм), как именно происходит понимание текста, узнавание лица, решение задач. ЭВМ априори далеки от человеческого уровня компетентности: до начала любой их работы необходимо составить соответствующие программы. Однако в действительности языки программирования дают возможность выражать только элементарные понятия. 19

20 Применение ЭС позволяет при проектировании интегральных микросхем повысить производительность труда в 5 раз, при этом выполнение некоторых операций ускоряется в 10 раз; ускорить поиск неисправностей в 7 раз; повысить производительность труда программистов в 5 раз; при профессиональной подготовке сократить в 10 раз время на индивидуальную работу с обучаемым персоналом. 20

21 Система PROSPECTOR Предназначена для выдачи геологам следующей информации: о наличии в анализируемой местности залежей полезных ископаемых; об оценке геологических ресурсов района, о выборе мест, благоприятных для бурения. Система создана фирмой SRI International. Трудозатраты на создание системы оцениваются в 30 человеко-лет, система достигла промышленной стадии. База знаний (БЗ) системы содержат свыше 1000 правил и включают классификацию более 1000 геологических понятий. 21

22 Онтологии Развитие систем искусственного интеллекта и экспертных систем привело к появлению специальности инженера по онтологии. Под онтологией в данном случае понимается явная формальная спецификация терминов проблемной области и отношений между ними. Другими словами, онтологию можно представить как стандартный, согласованный набор терминов, применяемых для описания определенной прикладной области. 22

23 5. Извлечение знаний Можно выделить три основных аспекта извлечения знаний: психологический, лингвистический и гносеологический. Из них психологический аспект является ведущим, так как он определяет эффективность взаимодействия инженера по знаниям и эксперта. 23

24 Потери информации При разговорном общении велики потери информации. В связи с этим представляет интерес увеличение информативности общения аналитика и эксперта за счет применения психологических знаний. 24

25 Потери информации при разговорном общении 25

26 Число Ингве–Миллера На успех беседы влияет длина фраз. Установлено, что человек лучше всего воспринимает предложения с длиной 7+/-2 слова (число Ингве–Миллера). Опытные лекторы, используя короткие фразы в лекции, сводят потерю информации до 3 %. Несоблюдение этого принципа может приводить к потере до 20–30 % информации. 26

27 Лингвистический аспект извлечения знаний Лингвистический аспект извлечения знаний относится к исследованиям возникающих при этом языковых проблем. Различие языков, на которых говорят эксперт и аналитик, обусловливает возникновение языкового барьера между ними. Эти два языка являются отражением внутренней речи эксперта и аналитика. Психологи и эксперты полагают, что язык является основным средством мышления. 27

28 Гносеологический аспект Гносеологический аспект извлечения знаний связан с теорией отражения действительности в сознании человека. При этом вначале действительность отображается в сознании эксперта. Затем опыт эксперта интерпретируется сознанием инженера по знаниям. Далее происходит построение третьей интерпретации в виде поля знаний экспертной системы 28

29 Классификация методов извлечения знаний 29

30 СПИСОК ЛИТЕРАТУРЫ 1.Гаврилова Т.А., Хорошевский В.Ф. Базы знаний интеллектуальных систем. – Санкт-Петербург: Питер, – 382 с. 2.Корнеев В.В., Гареев А.Ф., Васютин С.В., Райх В.В. Базы данных. Интеллектуальная обработка информации. – М.: Нолидж, – 352 с. 3.Змитрович А.И. Интеллектуальные информационные системы. – Минск: Тетра Системс, – 367 с. 4.Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ / пер. с англ. – М.: Финансы и статистика, – 320 с. 5.Спицын В.Г., Цой Ю.Р. Представление знаний в информационных системах: Учебное пособие. – Томск: Изд-во ТПУ, – 152 c. 6.Джарратано Д., Райли Г. Экспертные системы: принципы разработки и программирования / пер. с англ. – М.: Издательский дом Вильямс, – 1152 c. 7.Дюк В., Самойленко А. Data Mining. – Санкт-Петербург: Питер, – 368 с. 30