Проблема представлення знань у штучному інтелекті. Чи існує універсальний підхід

 

4.2.3 Семантичні мережі

 

 

Наступним кроком на шляху виявлення структури, властивої знанням, є моделі, в яких у явній формі виділяються всі відносини, що утворюють цю структуру, із описом їх семантики.

Семантичні мережі ґрунтуються на результатах вивчення організації довготривалої пам'яті людини. Характерною особливістю для семантичних мереж є те, що вони для утворення своєї структури використовують два компоненти - поняття і відносини. Вершинам мережі відповідають поняття (об'єкти, події, процеси, явища), а дугам, які їх з’єднують - відносини між поняттями.

Залежно від структури вузлів і характеру відносин між ними розрізняють наступні мережі: прості, ієрархічні, однорідні і неоднорідні. Останні діляться на функціональні мережі, сценарії і семантичні мережі.

У семантичних мережах знання представлені в термінах природної мови і відносин між ними (елемент - клас; клас - підклас; функціональні дуги).

Основні характеристики семантичних мереж:

• об'єкти описуються природною мовою;
• всі знання накопичуються у відносно однорідній структурі пам'яті;
• на мережах визначаються уніфіковані відносини між об'єктами, яким відповідають уніфіковані методи виводу;
• методи виведення відповідно до запитів визначають ділянки семантичного знання, що має відношення до поставленого завдання, формулюючи акт розуміння запиту і деякий ланцюг висновків, відповідних вирішенню завдання.

Прикладом семантичної мережі може слугувати фрагмент опису обчислювальної техніки, показаний на рис. 4.2.3.1.

 

Рисунок 4.2.3.1. – Фрагмент опису обчислювальної техніки

 

Семантичні мережі мають такі переваги: підвищена гнучкість за рахунок наявності властивостей асоціативності та ієрархічності; гармонійне і природне поєднання декларативного та процедурного, синтаксичного і семантичного знання; наочність відображення об'єктів, зв'язків, відносин у силу властивої їм можливості графічної нотації; легке читання і розуміння знань; високий рівень структуризації знань.

Серед недоліків мережевого представлення виділяють: складність і важкість розробки алгоритмів їх аналізу зважаючи на нерегулярність структури та велику кількість дуг, що несуть синтаксичну інформацію; пасивність структури мережі, для обробки якої необхідний складний апарат формального виводу і планування; різноманітність типів вершин і зв'язків, довільність структури, що вимагає великої різноманітності процедур обробки; важкість подання та обробки неточних і суперечливих знань.

У цілому семантичні мережі дозволяють представляти семантику, а також здійснювати за наявності зв'язків і відносин між поняттями цільову орієнтацію і таким чином відображати прагматичну складову знань.

У зв'язку зі вказаними недоліками зроблені спроби удосконалення семантичних мереж, які в основному націлені на організацію процесів узагальнення в мережі, рішення проблеми пошуку та підвищення їх образотворчих можливостей.

4.2.4 Фрейми

 

 

Фреймова модель заснована на концепції Марвіна Мінські (Marvin Minsky) - професора Масачусетського технологічного інституту, засновника лабораторії штучного інтелекту, автора низки фундаментальних робіт. Фреймова модель являє собою систематизовану психологічну модель пам'яті людини та її свідомості.

Фрейм (англ. frame - рамка, каркас) - структура даних для представлення деякого концептуального об'єкта. Інформація, що відноситься до фрейму, міститься в складаючи його слотах.

Слоти - це деякі структурні елементи фрейму, заповнення яких призводить до того, що фрейм ставиться у відповідність деякій ситуації, явищу, об'єкту чи процесу. В якості слота може бути вказано ім'я іншого фрейму.

Значеннями слота можуть бути конкретні дані, процедури і навіть продукція. Слот може бути порожнім (незаповненим).

Приклад фреймової моделі ієрархічного типу представлений на рис. 4.2.4.1.

Рисунок 4.2.4.1. – Приклад фреймової моделі

Фрейми утворюють ієрархію. Ієрархія у фреймових моделях породжує єдину багаторівневу структуру, що описує або об'єкт, якщо слоти описують тільки властивості об'єкта, або ситуацію чи процес, якщо окремі слоти є іменами процедур, приєднаних до фрейму і викликаних при його актуалізації.

Формально фрейм - це тип даних вигляду:

, де N – ім’я об’єкта, S1 – множина слотів, що містять факти, які визначають декларативну семантику фрейму, S2 – множина слотів, що забезпечують зв'язок із іншими фреймами, S3 – множина слотів, що забезпечують перетворення, які визначають процедурну семантику фрейму.

 Фрейми поділяються на:

• фрейм-екземпляр - конкретна реалізація фрейму, що описує поточний стан у предметній області;
• фрейм-зразок - шаблон для опису об'єктів або допустимих ситуацій предметної області;
• фрейм-клас - фрейм верхнього рівня для представлення сукупності фреймів зразків.

Склад фреймів і слотів у кожній конкретній фреймової моделі може бути різний, проте в рамках однієї системи доцільно єдине представлення для усунення зайвого ускладнення.

Різнотипні об'єкти або об'єкти, відповідні концепції «множинності світів», що полягає, наприклад, у тому, що кінь - тварина безкрила для одного (реального) світу і одночасно крилата (Пегас в міфічному світі) для іншого, можуть описуватися відмінними один від одного фреймами.

У цілому фреймова модель допускає представлення всіх властивостей декларативних і процедурних знань. Глибина вкладеності слотів у фреймі (число рівнів) залежить від предметної області та мови, що реалізує модель.

 

4.2.5 Узагальнений розгляд  моделей

 

 

Із усіх раніше розглянутих МПЗ тільки фреймам властиві висока структурованість, внутрішня інтерпритованість за допомогою імен і значень і зв'язність слотів і їх значень. Крім того, фрейми володіють високою наочністю і модульностью, об'єднують переваги декларативного та процедурного подання знань. Однак фрейми найбільш ефективні при обробці семантичної складової знань . У фреймів , як і у семантичних мереж, відсутні універсальні процедури їх обробки, що призводить до неефективного використання ресурсів обчислювальної техніки (пам'яті і швидкодії ).

Розглянуті МПЗ успадковують ряд структур даних і є в деякому сенсі їх різновидами, хоча використовуються в СШІ для обробки знань.

Спільними слабкими сторонами моделей подання знань є обмежені виражальні можливості для опису експертних знань, неможливість опису знань складної структури, недостатня ефективність нотації (обчислювальна ефективність)[5].

Однією зі спроб розширення можливостей СШІ є використання поєднання різних МПЗ: фреймів і продукцій (продукційні правила в слотах фрейму є формою приєднання до фрейму процедурних знань); семантичних мереж і логічних моделей; семантичних мереж і продукцій[8]. Однак просте об'єднання в одній базі знань декількох МПЗ, що одержали назву комбінованих або змішаних, як правило, малоефективне. Різні МПЗ не обов'язково несумісні одна з одною, однак вони відрізняються за ступенем відповідності конкретним внутрішнім уявленням експерта.

Зараз ведеться пошук нових МПЗ, що базуються на ідеях, відмінних від формальної системи або мережі понять, що орієнтуються на мовні конструкції (семантику природної мови).

 

ВИСНОВКИ

 

 

У даній роботі було розглянуте поняття штучного інтелекту, а саме: зародження цього ще досить молодого наукового напряму, різні підходи до трактування власне терміну «штучний інтелект», погляди науковців напрями розвитку та дослідження галузі.

Головний акцент було зроблено на проблемі представлення знань у комп’ютерних системах загалом та в системах штучного інтелекту зокрема. Проблеми подання знань у комп'ютерних системах вирішуються на трьох рівнях: технічному, програмному та концептуальному. Що ж до особливостей ШІ, то тут особливо підкреслюється активний аспект подання знань: придбання знань має стати активною операцією, що дозволяє не тільки запам'ятовувати, але й застосовувати сприйняті (придбані, засвоєні) знання для міркувань на їх основі.

Представлення знань у СШІ — це не лише фундаментальне поняття, але й вирішальний аспект їх розробки. У системах штучного інтелекту використовуються в основному чотири типи МПЗ: логічні, продукційні, семантичні мережі, фрейми. Кожну з цих моделей у роботі було розглянуто окремо. На сьогоднішній день не було прийнято одностайного рішення щодо універсальної моделі, поєднання згаданих вище між собою також не принесло бажаного результату (отримуючи плюси від однієї моделі можна також отримати забагато мінусів від іншої), а тому ведеться активний пошук нових рішень.

 

 

 

 

 

 

СПИСОК ВИКОРИСТАНОЇ ЛІТЕРАТУРИ

 

 

1. Акіменко В.В. Проектування СППР на основі нечіткої логіки. Навчально-методичний посібник [Текст]/В.В. Акіменко, Ю.В. Загородній. – К.:Вид-во КНУ, 2007. – 94 с.
2. Гаврилова Т.А. Базы знаний интеллектуальных систем [Текст]/Т.А. Гаврилова, В.Ф. Хорошевский. – Спб.: Питер, 2001. – 384 с.
3. Застосування систем штучного інтелекту [Електронний ресурс]. – 2009. – Режим доступу: http://analiz.at.ua/publ/1-1-0-17. – Назва з екрана.
4. Інтелектуальні системи підтримки прийняття рішень [Текст]/Б.М. Герасимов, В.М. Локазюк, О.Г. Оксіюк, О.В. Поморова. – К.: Європ. ун-т, 2007. – 255 с.
5. Модели представления знаний [Электронный ресурс]. – Режим доступа: http://lubbook.net/book_414_glava_37_7.2.MODELI_PREDSTAVLENIJA_ZN.html. – Заглавие с экрана.
6. Представлення знань[Електронний ресурс]: Матеріал з Вікіпедії – вільної енциклопедії. – 2013. – Режим доступу: http://uk.wikipedia.org/wiki/Представлення_знань. – Назва з екрана.
7. Рассел, С. Искусственный интеллект: современный подход [Текст]/С. Рассел, П. Норвиг. – 2-е изд. - М.: Вильямс, 2006. – 1408 с.
8. Системи штучного інтелекту [Електронний ресурс]. – Режим доступу: http://ukrbukva.net/page,1,56092-Sistemy-iskusstvennogo-intellekta.html. – Назва з екрана.
9. Суботін С.О. Подання й обробка знань у системах штучного інтелекту та підтримки прийняття рішень[Текст]: Навчальний посібник/С.О.Суботін. — Запоріжжя: ЗНТУ, 2008. — 341 с.
10. Штучний інтелект [Електронний ресурс]: Матеріал з Вікіпедії – вільної енциклопедії. – 2013. – Режим доступу: http://uk.wikipedia.org/wiki/Штучний_інтелект#cite_ref-2. – Назва з екрана.
11. Ясницький, Л.М. Введення в штучний інтелект[Текст]/Л.М. Ясницький. – М.: Изд.центр «Академія», 2005. – 176 с.