Размещено на http://www.allbest.ru/

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

"Ижевский государственный технический университет"

имени М.Т. Калашникова

Кафедра АСОИУ

Реферат

Модели знаний. Экспертные системы

Ижевск 2014

Содержание

Введение

1. Модели представления знаний

1.1 Продукционная модель знаний

1.2 Семантические сети

1.3 Фреймовая модель знаний

1.4 Логическая модель знаний

2. Экспертные системы

Заключение

Список использованных источников

Модели представления знаний - это одно из важнейших направлений исследований в области искусственного интеллекта.

На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависеть не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

Модели представления знаний относятся к действительному направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека - "черный ящик". При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

Наиболее часто используются следующие модели знаний:

1) продукционная модель;

2) семантические сети;

3) фреймовая модель;

4) логическая модель.

1.1 Продукционная модель знаний

искусственный интеллект знание семантический

Продукционная модель представления знаний наиболее распространена в приложениях.

Продукционная модель - это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: если <условие> то <заключение>.

В качестве условия может выступать любая совокупность суждений, соединенных логическими связками и, или.

Пример. Продукцией будет следующее правило: если (курс доллара - растет) (сезон-осень) (число продавцов - убывает) то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).

Любое правило состоит из одной или нескольких пар "атрибут-значение".

В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых установлена в процессе решения конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил.

Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с предшествующего анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объём фактов в рабочей памяти, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.

Существует два основных типа правил-продукций:

а) прямой вывод (вывод от исходных данных-фактов, утверждением - к цели, по пути вывода пополняя исходную базу знаний новыми полученными истинными фактами; процесс заканчивается лишь тогда, когда выведен факт, равнозначный искомому);

б) обратный вывод (вывод от целевого факта к данным, на очередном шаге отыскивается очередной факт, в заключительной части содержится факт, равнозначный исходному факту; процесс заканчивается тогда, когда для каждого факта, выведенного на очередном шаге, не будет найдено правило, имеющее этот факт в качестве заключения, а посылками - исходные или выведенные на предыдущих шагах факты).

Оба приведенных типа правил имеют недостатки, достоинства и модификации.

Пример. Если все множество правил-продукций разбито на группы по некоторому признаку (структурировано), то вместо полного или случайного перебора всех правил при прямом и обратном выводе осуществляется целенаправленный переход от одной группы правил к другой. Используются также смешанные стратегии вывода, сочетающие прямой и обратный вывод.

Основные достоинства систем, основанных на продукционных моделях, связаны с простотой представления знаний и организации логического вывода.

К недостаткам таких систем можно отнести следующее:

1) отличие от структур знаний, свойственных человеку;

2) неясность взаимных отношений правил;

3) сложность оценки целостного образа знаний;

4) низкая эффективность обработки знаний.

При разработке небольших систем (десятки правил) проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

1.2 Семантические сети

Семантическая сеть - это ориентированная графовая структура, каждая вершина которой отображает некоторое понятие (объект, процесс, ситуацию), а ребра графа соответствуют отношениям типа "это есть", "принадлежать", "быть причиной", "входить в", "состоять из", "быть как" и аналогичным между парами понятий.

На семантических сетях используются специальные процедуры вывода: пополнение сети, наследование свойств, поиск по образцу и др.

Пример. Рассмотрим факт: "причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств". Семантическая сеть может содержать вершины "оборотные средства", "старое оборудование", соединяемые ребрами - отношениями типа "быть причиной".

Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами (подсистемами), а также структуру сложных систем.

Недостаток таких сетей - сложность вывода, поиска подграфа, соответствующего запросу.

Семантические сети подразделяются на экстенсиональные и интенсиональные. Экстенсиональная семантическая сеть описывает конкретные отношения данной ситуации. Интенсиональная - семантическая сеть, которая описывает имена классов объектов, а не индивидуальные имена объектов. Связи в интенсиональной сети отражают те отношения, которые всегда присущи объектам данного класса.

Характерная особенность семантических сетей - наличие трех типов отношений:

1) класс - элемент класса (часть - целое, класс - подкласс, элемент - множество и т.п.);

2) свойство - значение (иметь свойство, иметь значение и т.п.);

3) пример элемента класса (элемент за, элемент под, раньше, позже и др.).

1.3 Фреймовая модель знаний

Под экспертными системами понимается направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Такие системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях - областях.

Экспертное знание - это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

Можно выделить следующие основные классы задач, решаемых экспертными системами: а) диагностика;

б) прогнозирование;

в) идентификация;

г) управление;

д) проектирование;

е) мониторинг.

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Эти области хорошо изучены и располагают наиболее четкими стратегиями принятия решений. Сейчас развитие экспертных систем приостановилось, и этому есть ряд причин:

1) передача экспертным системам "глубоких" знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации знаний экспертов;

2) экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.

3) отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.

4) экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою значимость.

Несмотря на все эти ограничения и недостатки, экспертные системы уже доказали всю свою ценность и значимость во многих важных приложениях.

Заключение

Сегодня за счет достижений в области искусственного интеллекта создано большое количество научных разработок, которое существенно упрощает жизнь людей. Распознавание речи или отсканированного текста, решение вычислительно сложных задач за короткое время и многое другое - все это стало доступно благодаря развитию искусственного интеллекта.

Замена человека-специалиста на системы искусственного интеллекта, в частности на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.

Список использованных источников

1. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е издание. Пер. с англ. - М.: Издательский дом "Вильямс", 2003.

2. Искусственный интеллект: в 3 кн. / под ред. Д.А. Поспелова. -- М.: Радио и связь, 1990.

3. Новикова В.А., Андреева Е.Ю., Туйкина Д.К. Искусственный интеллект и экспертные системы [Электронный ресурс]. 2013 г. URL: http:// expro.ksu.ru/materials/ii_i_es/book.html#point1.1 (Дата обращения: 28.03.2014).

4. Системы искусственного интеллекта [Электронный ресурс] // Электронные лекции по дисциплине Системы искусственного интеллекта, 2013 г. URL: http://www.mari-el.ru/mmlab/home/AI/ (Дата обращения: 28.03.2014).

5. Искусственный интеллект, работа с ним [Электронный ресурс] // Портал искусственного интеллекта, 2009-2014 г. URL: http://www.aiportal.ru/ (Дата обращения: 28.03.2014).

Размещено на Allbest.ru