Проблема представлення знань у штучному інтелекті. Чи існує універсальний підхід

    Проблема подання  знань виникла як одна з  проблем штучного інтелекту. Вона  пов'язана з переходом досліджень  у цій області в деяку нову  фазу. Мова йде про створення  практично корисних систем (насамперед  так званих експертних систем), застосовуваних у медицині, геології, хімії. Створення такого роду  систем вимагає інтенсивних зусиль  по формалізації знання, накопиченого  у відповідній науці.

    З терміном "подання  знань" зв'язується певний етап  у розвитку математичного забезпечення  ЕОМ. Якщо на першому етапі  домінували програми, а дані грали  допоміжну роль своєрідної " їжі " для " голодних " програм, то  на наступних етапах роль даних  неухильно зростала. Їх структура  ускладнювалася: від машинного слова, розміщеного в одній комірці  пам'яті ЕОМ, відбувався перехід  до векторів, масивів, файлів, списків. Вінцем цього розвитку стали  абстрактні типи даних, що забезпечують  можливість створення такої структури  даних, яка найбільш зручна при  вирішенні задачі. Послідовний розвиток  структур даних призвів до  їх якісної зміни і до переходу  від представлення даних до  представлення знань. Рівень представлення  знань відрізняється від рівня  представлення даних не тільки  більш складною структурою, а  й істотними особливостями: інтерпритованість, наявність класифікуючих зв'язків (наприклад , зв'язок між знаннями, що відносяться до елементу множини, і знаннями про цю множину), які дозволяють зберігати інформацію, однакову для всіх елементів множини, записану одноактно при описі самої множини, наявність ситуативних відносин (одночасності , знаходження в одній точці простору і т. п. , ці відносини визначають ситуативну сумісність тих або інших знань, що зберігаються в пам'яті). Крім того, для рівня знань характерні такі ознаки, як наявність спеціальних процедур узагальнення, поповнення наявних у системі знань і ряду інших процедур.

    Моделювання на  ЕОМ розумілося як технічна  реалізація певної форми знакового моделювання. Однак, розглядаючи ЕОМ у гносеологічному плані як посередника в пізнанні, має сенс не фіксувати увагу, насамперед на "залізній частині " (hardware) комп'ютера, а розглядати всю комп'ютерну систему як складну систему взаємопов'язаних і до деяких меж самостійних моделей - як матеріальних, так і знакових, тобто ідеальних. Такий підхід не тільки відповідає розгляду комп'ютерних систем в сучасній інформатиці, але є і гносеологічно виправданим. Багато важливих філософських аспектів проблем, що виникають у зв'язку з комп'ютеризацією різних сфер людської діяльності, вимагають для свого дослідження звернення, насамперед, до знакових складових комп'ютерних систем. Це вірно і відносно філософських аспектів проблем представлення знань.

    В останні роки  все частіше став вживатися термін "комп'ютерне моделювання". Очевидно, має сенс позначати ним побудову будь-якої зі складових комп'ютерної системи - будь то знакова модель або матеріальна.

    Що змінюється  в комп'ютерному моделюванні з  переходом від рівня представлення  даних до рівня поданням знань? Який гносеологічний сенс цих  змін?

    Із введенням  терміну "знання" з'являється властивість "усвідомлювати", тобто "розуміти" свої інтелектуальні можливості. У свою чергу, це означає не що інше, як рефлексію.

 

4.1 Загальні відомості  про СШІ

 

 

Системи та засоби штучного інтелекту — галузь науки, яка займається теоретичними дослідженнями, розробленням і застосуванням алгоритмічних та програмно-апаратних систем і комплексів з елементами штучного інтелекту та моделюванням інтелектуальної діяльності людини[3].

Серед найважливіших класів задач, які ставилися перед розробниками інтелектуальних систем з моменту  визначення штучного інтелекту  як наукового напряму, слід виділити наступні задачі, рішення яких погано піддаються формалізації: доведення теорем, розпізнавання зображень, машинний переклад і розуміння людської мови, ігрові програми, машинна творчість, експертні системи. Коротко розглянемо їхню сутність:

• вивчення прийомів доведення теорем відіграло важливу роль у розвитку штучного інтелекту. Багато неформальних задач, наприклад, медична діагностика, застосовують при вирішенні методичні підходи, що використовувались під час автоматизації доказу теорем. Пошук доведення математичної теореми вимагає не тільки провести дедукцію, виходячи з гіпотез, але також створити інтуїтивні припущення про те, які проміжні твердження слід довести для загального доведення основної теореми;
• застосування штучного інтелекту для розпізнаванні образів дозволила  створювати практично працюючі системи ідентифікації графічних об'єктів на основі аналогічних ознак. В якості ознак можуть розглядатися будь-які характеристики об'єктів, що підлягають розпізнаванню. Ознаки повинні бути інваріантні до орієнтації, розміру та форми об'єктів. Алфавіт ознак формується розробником системи. Якість розпізнавання багато в чому залежить від того, наскільки вдало сформований алфавіт ознак. Розпізнавання полягає в апріорному отриманні вектора ознак для виділеного на зображенні окремого об'єкту і, потім, у визначенні якому з еталонів алфавіту ознак цей вектор відповідає;
• задача аналізу речень людської мови із застосуванням словника є типовою задачею систем штучного інтелекту. Для її вирішення була створена мова-посередник, що полегшує зіставлення фраз із різних мов. Надалі ця мова-посередник перетворилася на семантичну модель представлення значень текстів, що підлягають перекладу. Еволюція семантичної моделі призвела до створення мови для внутрішнього представлення знань. У результаті, сучасні системи здійснюють аналіз текстів та фраз у чотири основні етапи: морфологічний аналіз, синтаксичний, семантичний та прагматичний аналіз;
• в основу більшості ігрових програм  покладені декілька базових ідей штучного інтелекту, таких як перебір варіантів і самонавчання. Одна з найбільш цікавих задач у сфері ігрових програм, що використовують методи штучного інтелекту, полягає в навчанні комп'ютера гри в шахи. У 1974 році вперше пройшов чемпіонат світу серед шахових програм у рамках чергового конгресу IFIP (International Federation of Information Processing) у Стокгольмі. Переможцем цього змагання стала шахова програма «Каїсса». Вона була створена в Москві, в Інституті проблем управління Академії наук СРСР;
• до однієї з областей застосувань штучного інтелекту можна віднести програмні системи, здатні самостійно створювати музику, вірші,  оповідання, статті, дипломи і навіть дисертації. Сьогодні існує цілий клас музичних мов програмування (наприклад, мова C-Sound). Для різних музичних задач було створене спеціальне програмне забезпечення: системи обробки звуку, синтезу звуку, системи інтерактивної композиції, програми алгоритмічної композиції;
• методи штучного інтелекту знайшли застосування у створенні автоматизованих консультуючих систем або експертних систем. Перші експертні системи були розроблені, як науково-дослідні інструментальні засоби в 1960-х роках минулого сторіччя. Вони були системами штучного інтелекту, спеціально призначеними для вирішення складних задач у вузькій предметній області, такій, наприклад, як медична діагностика захворювань.

4.2 Моделі представлення  знань

 

 

Інформація, з якою мають справу ЕОМ, розділяється на процедурну і декларативну. Процедурна інформація упредметнена в програмах, які виконуються в процесі вирішення завдань, декларативна інформація - в ​​даних, з якими ці програми працюють.

Загальна проблема подання знань включає ряд приватних проблем:

• представлення декларативних знань як даних, наділених семантикою (фактів);
• представлення процедурних знань як відносин між елементами моделі, в тому числі у вигляді процедур і функцій;
• представлення метазнань - правил обробки фактів, способів організації логічного висновку, методів вирішення завдань користувачем, породження нових знань і т. д.

Представлення знань у СШІ — це не лише фундаментальне поняття, але й вирішальний аспект їх розробки. Вибір моделі подання знань ( МПЗ ) дуже складний через їх різноманіття і розмитість критеріїв вибору і важливий, бо він має великий вплив на будь-яку частину СШІ і зумовлює їх можливості (властивості і характеристики)[4]. Наслідки невдалого рішення проблеми подання знань можуть бути катастрофічними. Крім того, використовуваний в СШІ формалізм представлення знань визначає характер їх отримання і накопичення , в результаті якого створюється БЗ, орієнтована на певну структуру представлення, а не на сутність самих знань. Вибір моделі , не адекватної типам знань, призводить до втрати багатьох істотних деталей прикладної задачі і породжує тривіальний інтелект .

Проблеми подання знань у комп'ютерних системах вирішуються на трьох рівнях:

 

• технічному - реалізація складних представлень знань, що вимагає електронної обчислювальної техніки з надзвичайно складною функціональною архітектурою, що забезпечує паралельні обчислення і гарантує протікання процесу подання знань в режимі реального часу, а також потужними пристроями, що запам'ятовують;
• програмному (логічному) - створення програм, які забезпечують виконання всіх алгоритмів, необхідних для подання знань;
• концептуальному - вироблення концепцій, моделей, що утворюють методологію штучного інтелекту.

Під поданням знань мають на увазі угоду про те, як описувати реальну ПрО (поняття і відносини). Іноді таку угоду називають нотацією. Кожна модель знань визначає форму подання знань і є формалізмом, покликаним відобразити об'єкти, зв'язки між ними і відносини, ієрархію понять ПрО і зміну відносин між об'єктами.

На сьогоднішній день розроблено вже достатню кількість моделей представлення знань[2]. Кожна з них має свої переваги та недоліки, і тому для кожного конкретного завдання необхідно вибрати саме свою модель. Від цього буде залежати не стільки ефективність виконання поставленого завдання, скільки можливість його вирішення взагалі.

Відзначимо, що моделі подання знань відносяться до прагматичного напрямку досліджень в галузі штучного інтелекту. Цей напрямок ґрунтується на припущенні про те, що розумова діяльність людини - «чорна скринька». При такому підході не ставиться питання про адекватність використовуваних в комп'ютері моделей подання знань тим моделям, якими користується в аналогічних ситуаціях людина, а розглядається лише кінцевий результат вирішення конкретних завдань.

У системах штучного інтелекту використовуються в основному чотири типи МПЗ:

• логічні;
• продукційні;
• семантичні мережі;
• фрейми.

 

4.2.1 Логічні моделі

 

 

Логічні моделі представляють знання у вигляді формул, які складаються з констант, змінних, функцій, предикатів, логічних зв'язок і кванторів[1]. Кожна логічна формула дає частковий опис стану предметної області.

У основі опису логічних моделей лежить формальна система з чотирма елементами[7]:

М = <Т, Р, А, В>.

Т - множина базових елементів різної природи з відповідними процедурами.

Р - множина синтаксичних правил. Із їх допомогою з елементів Т утворюють синтаксично правильні сукупності. Процедура П (Р) визначає, чи є ця сукупність правильною. А - підмножина множини Р. Процедура П (А) дає відповідь на питання про належність до множини А.

В - множина правил виведення. Застосовуючи їх до елементів А, можна отримати нові синтаксично правильні сукупності, до яких можна застосувати ці правила знову. Процедура П (У) визначає для кожної синтаксично правильної сукупності, чи є вона виведеною. Найбільш прийнятний даний тип моделей для знань типу геометрії. У даній системі множина А вводиться в базу знань. У базу знань вводяться також правила виводу. Використовуючи дані бази знань і умови поставленого завдання, можна визначити, чи є поставлена задача синтаксично правильною сукупністю, тобто чи є вона виведеною з цієї бази знань.

Серед реалізацій логічних моделей представлення знань розрізняють системи дедуктивного типу (мають фіксовану систему правил виводу) і індуктивного типу (правила виводу породжуються системою на основі кінцевого числа навчальних прикладів).

У логічних моделях синтаксис задається набором правил побудови правильних синтаксичних виразів, а семантика - набором правил перетворення виразів і роздільною процедурою, що дозволяє однозначним чином і за кінцеве число кроків визначити, чи є даний вираз семантично правильним.

Перевагами логічних схем представлення знань є: високий рівень модульності знань, лаконічність подання, наявність тіла аналізу та визначення поняття логічного висновку, що дозволяє отримати формальним шляхом нові знання.

Проте їм властиві й недоліки: надмірний рівень формалізації знань; слабка наочність, труднощі прочитання логічних формул і складність їх розуміння; низька продуктивність СШІ при обробці знань і велика необхідна пам'ять; відсутність виразних засобів для відображення особливостей ПрО і структурування знань; громіздкість при описі великих обсягів знань.

Логічні моделі в силу притаманних їм недоліків самостійно застосовуються в СШІ вкрай рідко. Зазвичай вони використовуються в поєднанні з іншими МПЗ .

 

4.2.2 Продукційні моделі

 

 

Продукційні правила (продукції) задаються у вигляді виразів:

• ЯКЩО умова ТО дія;
• ЯКЩО причина ТО наслідок;
• ЯКЩО ситуація ТО рішення .

Суть цих виразів полягає в тому, що якщо виконується умова, то потрібно провести деяку дію. Продукційні моделі можуть бути реалізовані як процедурно, так і декларативно[5]. У процедурних системах присутні три компоненти: база даних, деяке число продукційних правил, що складаються з умов і дій, а також інтерпретатор, який послідовно визначає, які продукції можуть бути активовані в залежності від умов, що в них містяться. У базі даних зберігаються відомі факти обраної ПрО. Продукційні правила (продукції) містять специфічні знання предметної області про те, які ще додаткові факти можуть бути враховані, чи є специфічні дані в базі даних. У системах штучного інтелекту, побудованих на використанні продукційних МПЗ, база даних являє собою змінну частину, а правила і інтерпретатор не змінюються. Завдяки властивості модульності, властивому продукційним МПЗ, можна додавати і змінювати знання (правила, факти). Тому продукційні МПЗ застосовуються в ПрО​​, де немає чіткої логіки і завдання вирішуються на основі незалежних правил (евристик). Правила продукції несуть інформацію про послідовність цілеспрямованих дій. Продукційні моделі завдяки причинно-наслідковому характеру правил (продукцій) добре відображають прагматичну складову знань. СШІ продукційного типу проявляють свої сильні сторони, якщо вирішується невелика задача. При збільшенні обсягу знань ефективність СШІ падає.