Принципы организации правдоподобных рассуждений в интеллектуальных системах

Размещено на http://www.Allbest.ru/

Военно-медицинская академия

К.А. Найденова

г. Санкт-Петербург

Введение

В работе описываются возможные механизмы организации и управления знаниями и данными в интеллектуальных компьютерных системах. Рассматриваются также трудности и тенденции в реализации правдоподобных рассуждений в интеллектуальных системах

Мы будем рассматривать интеллектуальную компьютерную систему (ИКС) как систему способную совершать правдоподобные рассуждения. База данных (БД) системы интеллектуальна, если она общается с пользователем скорее посредством рассуждений на уровне концептуальных знаний, а не с помощью специального формального языка запросов. Наша цель сформулировать главные принципы, которые могли бы быть положены в основу конструирования, прежде всего, интеллектуальных БД. Основные трудности реализации правдоподобных рассуждений в компьютерах связаны с решением следующих проблем:

· Взаимодействие между данными и знаниями;

· Представление и структурная организация данных и знаний;

· Интеграция концептуальной кластеризации и управляемого концептуального машинного обучения, при котором для интерпретации классов объектов возможно обращение к знаниям самой ИКС, а не только к эксперту, управляющему обучением;

· Процедурный анализ и синтез объектов из элементарных компонентов. Эта задача концептуального машинного обучения возникает всегда при извлечении знаний из достаточно сложно организованных данных - изображения, тексты, речь и т.п.

Интеграция данных и знаний есть главная составляющая интеграции всех типов рассуждений в ИКС. Рассмотрим некоторые идеи взаимодействия между данными и знаниями и сформулируем главные направления исследований для решения перечисленных выше проблем.

1. Интеграция данных и знаний

1.1 Данные как источник концептуальных знаний

Инженерия знаний возникла из парадигмы, в которой знания рассматриваются как что-то отделяемое от данных и функционирующее автономно для решения прикладных проблем. Но функционирование естественного интеллекта имеет результатом когнитивные структуры через организацию последовательных и постоянных действий, выполняемых над данными. Это влечет невозможность рассмотрения знаний вне данных и данных вне знаний. Мы полагаем, что:

1. Данные и знания должны представляться в рамках единой концептуальной, возможно, объектно-ориентированной модели.

2. Одни и те же алгоритмы машинного обучения (то есть правдоподобных рассуждений) обеспечивают:

Преобразование данных в знания;

Обновление данных и знаний;

Коммуникацию между пользователем и знаниями ИКС;

Коммуникацию между данными и знаниями в ИКС.

Три первых процесса влекут или подразумевают четвертый процесс.

Изучение реального мышления показывает, что отделение данных от знаний невозможно в принципе. Любой акт восприятия внешнего мира человеком подразумевает трансформацию воспринимаемого в определенную организационную структуру. В этом смысле реляционная БД есть по существу база знаний, так как схема БД строго определяет, какие данные могут быть введены в базу, и в какой форме они будут существовать в компьютере. Получение новых знаний из БД требует освобождения первоначальных записей от схем. Именно это выполняется в технологиях OLAP и OLAM с помощью кубов данных (Data Cubes).

Как показывают данные психофизиологии, существует определенная начальная когнитивная организация, которая контролирует восприятие. Когнитивные структуры ориентированы на конструирование объектов, свойств и взаимозависимостей между ними. В них потенциально заложена возможность преобразования объектов, и их развития. Свойства когнитивных процессов можно просуммировать следующим образом:

а) входная информация конвертируется при перцепции в структуры знаний;

б) структуры знаний управляют перцепцией.

Введение данных в реляционные БД могло бы сопровождаться конструированием некоторой системы знаний над ними. Например, каждую единицу данных можно ассоциировать с ключевыми словами, отображающими связи этой единицы с элементами концептуальных знаний - объектами, действиями, свойствами и т. п. Идея аннотации БД восходит к предложению Tim Berners-Lee (1998) использовать онтологию для создания семантической аннотации структурированной базы документов. Проект воплотился в систему CGKAT [Martin, 1997]. Этот подход эволюционировал к так называемому “Corporate Semantic Web” подходу [Dieng-Kuntz et al., 2005]. В [Huchard et al., 2007] дан пример расширения классического (объектЧатрибут) представления данных новой размерностью, которая строится вне объектных связей в БД. Суммируя вышесказанное, мы приходим к выводу, что конструирование БД должно начинаться с моделирования знаний и выяснения потенциальных направлений развития этих знаний. Мы полагаем, что

База данных простой склад фактов

Многие исследовательские группы выполняют работы по определению стандартов и технологий для целей организации и связывания данных в Web так, чтобы обеспечить их более эффективное выявление, интеграцию и многократное использование в различных приложениях. Conceptual Graphs for Semantic Web Application - это одна из этих технологий. Этот формализм использовался в нескольких приложениях [Dieng et al., 1998], [Dieng-Kuntz et al., 2004].

1.2 Знания как средство организации и управления данными

Мы понимаем под естественным человеческим рассуждением рассуждение, с помощью которого строятся концептуальные знания и элементами которого служат объекты, атрибуты, классы объектов и связи между ними. Как показывает наше исследование [Naidenova, 2009], правдоподобное рассуждение эквивалентно машинному обучению, с помощью которого выполняется постепенное создание, аккумуляция, применение и модификация знаний. Это рассуждение применимо к данным любой природы, любого уровня генерализации или специализации.

Процесс извлечения знаний из данных можно представить как многостадийный процесс, на каждом шагу которого концепты низкого уровня с их выявленными свойствами преобразуются в концепты верхнего уровня. В технических системах имеется принципиально два пути конструирования концептов верхнего уровня:

1) использование программных модулей, основанных на известных математических методах и знаниях специалистов об инвариантных свойствах концептов,

2) использование индуктивного вывода концептов по примерам.

Методы обучения, реализуемые как рассуждение, применимы, когда концепты низкого уровня описаны с помощью атрибутов. Но индуктивный вывод концептов по примерам требует громадных усилий учителя-эксперта.

Активность учителя включает:

1) формирование примеров концептов,

2) задание классификаций примеров,

3) анализ результатов обучения,

4) ввод новых атрибутов или классификаций,

5) обобщение результатов,

6) кластеризация объектов и т.п. Учитель может дать примеры или контр-примеры концептов и таким образом ускорить процесс обучения.

Наименование объектов есть одна из очень важных операций обучения. Если группа объектов может быть названа, это значит, что эта группа имеет смысл как концепт. Поиск смысла или интерпретации классов объектов существует также в задаче концептуальной кластеризации: кластеры традиционно характеризуются только с точки зрения степени сходства объектов внутри них и одновременно с точки зрения различия между ними. Поиск описания кластеров в терминах некоторых полезных признаков есть задача управляемого машинного обучения. Однако желательно интерпретировать кластеры на базе знаний самой ИКС. Если мы ожидаем новых и неожиданных открытий от интеллектуальных систем, то мы должны научить их самостоятельному поиску смысла классификаций.

4. Ключевые проблемы машинного обучения как метода реализации правдоподобных рассуждений

Включение механизмов правдоподобного рассуждения в процессы взаимодействия данных и знаний является насущной задачей в конструировании ИКС. Пока не существует методологии, поддерживающей решение этой проблемы. Коснемся кратко некоторых направлений, ждущих своего решения. Будем исходить из предположения, что коммуникация данные-знания на всех уровнях и стадиях функционирования ИКС осуществляется с помощью правдоподобных рассуждений:

1. Ввод и удаление данных:

a) ввод данных: пользователем непосредственно или через запрос со стороны системы (знаний);

б) удаление данных: пользователем или самой системой.

Ввод данных влечет решение задач распознавания, являются ли данные новыми или они уже есть в системе или могут быть выведены. Если данные новые, то необходимо вывести следствия из этих данных. С этой точки зрения знания активны [Поспелов, 1992]. Удаление данных влечет (возможно) удаление знаний, выводимых из этих данных.

2. Дедуктивные и индуктивные ответы на запросы требуют правдоподобного рассуждения в форме диалога пользователь- интеллектуальная система или/и интеллектуальная система-онтология. Это рассуждение включает:

a) распознавания смысла вопроса или того, что требуется в ответе (факт, пример, множество примеров, концепт, зависимость, или классификация?);

б) формирование контекста вопроса (области рассуждений);

в) распознавание концептуального уровня запроса.

Мы рассматриваем следующие уровни:

1. Фактический уровень;

2. Концептуальный уровень с некоторой степенью генерализации.

Результаты рассуждений могут быть следующими:

Ответ находится в контексте рассуждений;

Ответ выводится из контекста рассуждений;

Ответ требует введения или вывода новых знаний.

Последний вариант требует расширения контекста рассуждений и вовлечения индуктивного вывода (машинного обучения) нового знания.

3. Оптимизация знаний есть работа интеллектуальной системы, следовательно, это требует самообучения системы на основе концептуальной кластеризации и интерпретации её результатов через системное или онтологическое знание.

4. Автоматизированное развитие интеллектуальных систем со встроенными механизмами правдоподобных рассуждений в текущий момент не поддерживается каким-либо языком программирования или программной технологией. Эта технология должна включать:

а) возможность специфицировать концепты (объекты) с их свойствами и связями;

б) возможность выводить некоторые составляющие элементы знаний интеллектуальных систем из данных при помощи обучающих механизмов;

в) возможность встроить механизмы правдоподобных рассуждений в развивающиеся системы.

Механизмы правдоподобных рассуждений должны быть интегральной частью языка программирования. Создание интеллектуальных систем требует создания нового поколения концептуально-ориентированных языков запросов и интеллектуальных интерфейсов.

Список литературы

1. Найденова К.А. Опыт анализа терминов проблемной области при построении экспертных систем // Труды международной конференции «Диалог», Протвино. 2003.

2. Поспелов, Д.А. Знания в интеллектуальных системах // Программные продукты и системы, 1992, №3.

3. Aragаo, M.A.T., Fernandes, A.A.A. Logic-Based Integration of Query Answering and Knowledge Discovery // Proc. 6th International Conference on Flexible Query Answering Systems, USA. 2004.

4. Berners-Lee, T. Semantic Web Road Map

5. Dieng, R. Hug, S. Comparison of “Personal Ontologies” Represented through Conceptual Graphs // Proceedings of 13th European Conference on Artificial Intelligence. - Chichester, UK: John Wiley&Sons, 1998.

6. Dieng-Kuntz, R. Minier, D., Corby, F. Ruzicka, M., Corby, O., Alamarguy, L. Luong, P.-H. Medical Ontology and Virtual Staff for Health Network // Proceedings of 14th International Conference, USA. 2004.

7. Dieng-Kuntz, R., Corby, O. Conceptual Graph for Semantic Web Applications // F. Dau, M.-L. Mugnier, G. Stumme (Eds), Conceptual Structures: Common Semantics for Sharing Knowledge. - Springer, 2005

8. Hovy, E. Methodologies for the Reliable Construction of Ontological Knowledge // F. Dau, M.-L. Mugnier, G. Stumme (Eds), Conceptual Structures: Common Semantics for Sharing Knowledge. - USA: Springer, 2005.

9. Huchard, M., Rouane Hacene, M., Roume, C., Valtchev, P. Relational Concept Discovery in Structured Datasets // Annals of Mathematics and Artificial Intelligence archive, 2007, 49(1-4).

10. Jarrar, M. Towards Methodological Principles for Ontology Engineering. Unpublished doctoral dissertation, 2005. - Free University of Brussels.

11. Linke, T., Schaub, T. An Approach to Query-Answering in Reter's Default Logic and Underlying Existence of Extensions Problem // Proceedings of the Sixth European Conference on Logics in Artificial Intelligence, USA. 1998.

12. Martin, P. CGKAT: A Knowledge Acquisition and Retrieval Tool Using Structured Documents and Ontologies. Proceeding of the 5th International Conference on Conceptual Structures (ICCS'97), Germany. 1997.

13. Xenia Naidenova. Machine Learning Methods for Commonsense Reasoning Processes: Interactive Models, 2009. - New York, USA: IDI Global.

14. Savinov, A. Concept-oriented Model // Viviana E. Ferraggine, Jorge H. Doorn, & Laura C. Rivero (Eds), Handbook of Research on Innovations in Database Technologies and Applications: Current & Future Trends, vol. 1. - New York, USA: ISR, 2009.

15. Sitompul, O.S., Noah, S.A.A Transformation-oriented Methodology to Knowledge-based Conceptual Data Warehouse Design // Journal of Computer Science, 2006, 2 (5).

Размещено на Allbest.ru