Архитектура Аудит Военная наука Иностранные языки Медицина Металлургия Метрология Образование Политология Производство Психология Стандартизация Технологии |
ГЛАВА 23. МЕТОДЫ МОДЕЛИРОВАНИЯ ЗНАНИЙ
Знания и их свойства Уже частично рассматривались такие понятия, как «знания» и «системы, основанные на знаниях», и отмечалась их особая значимость в теории ИИ. Сделаем еще одно предварительное, но весьма важное замечание: в настоящее время в области разработки систем ИИ признана следующая аксиома: никакой, самый сложный и изощренный алгоритм извлечения информации (механизм логического вывода) из интеллектуальной системы не может компенсировать «информационную бедность» ее базы знаний. Несмотря на широкое распространение и использование понятия «знания» в различных научных дисциплинах и на практике, строгое определение данного термина отсутствует. Довольно часто используют так называемый прагматический подход: говорят, что знания — это формализованная информация, на которую ссылаются и/или которую используют в процессе логического вывода. Однако такое определение ограничено: оно фиксирует сознание на уже существующих методах представления знаний и, соответственно, механизмах вывода, не давая возможности представить себе другие (новые) знания. Возможен и другой подход: на основе определения уже рассмотренного понятия «данные» (см. гл. 2) попытаться выявить их свойства и особенности, сформировать дополнительные требования к ним и затем перейти к понятию «знания». Напомним, что данными называют формализованную информацию, пригодную для последующей обработки, хранения и передачи средствами автоматизации профессиональной деятельности. Какие же свойства «превращают» данные в знания? Перечислим и кратко охарактеризуем шесть основных свойств знаний (часть из них присуща и данным). 1. Внутренняя интерпретация (интерпретируемость). Это свойство предполагает, что в ЭВМ хранятся не только собственно (сами) данные, но и данные о данных, что позволяет их содержательно интерпретировать (табл. 23.1). Имея такую информацию, можно ответить на вопросы типа «Где находится НПО «Энергия»?» или «Какие предприятия выпускают космическую техни- 304
ку?». При этом в первом столбце таблицы находятся данные о данных (метаданные), а в остальных — сами данные. 2. Внутренняя структура связей. Предполагается, что в качестве информационных единиц используются не отдельные данные, а их упорядоченные определенными отношениями (родовидовыми, причинно-следственными и др.) структуры (эти отношения называют классифицирующими), например факультет — курс — учебная группа — студент. 3. Внешняя структура связей. Внутренняя структура связей позволяет описывать отдельный объект (понятие). Однако объекты (понятия) способны находиться и в других отношениях (вступать в ситуативную связь). Например, объекты «1-й курс N-ro технического университета» и «урожай овощей в совхозе «Зареченский» могут находиться в ситуативной связи «принимает участие в уборке». 4. Шкалирование. Данная возможность предполагает введение соотношений между различными информационными единицами (т. е. их измерение в какой-либо шкале: порядковой, классификационной, метрической и т. п.) и упорядочение информационных единиц путем измерения интенсивности отношений и свойств, например «Л-я учебная группа занимает первое место на курсе по успеваемости». Отметим, что оперируя качественными оценками, нельзя использовать привычные арифметические действия: для данного примера условие «М-я группа заняла второе место на курсе по успеваемости» совсем не означает, что студенты этой группы учатся хуже в 2 раза. 5. Семантическая метрика. Шкалирование позволяет соотнести информационные единицы, но прежде всего для понятий, имеющих «количественное» толкование (характеристики). На практике довольно часто встречаются понятия, к которым не применимы количественные шкалы, но существует потребность в установлении их близости (например, понятия «искусственный интеллект» и «искусственный разум»). Эта потребность удовлетворяется путем применения так называемой семантической метрики — средства установления семантической (смысловой) близости понятий предметной области. В данном случае уместно вспомнить определение понятия «метрика» из математики [38]: метрика — 305 это специальная функция d(x, у) с фиксированным набором свойств: • d(x, у) = 0 тогда и только тогда, когда х = у; . й(х, у) < й(х, z) + d(y, z) — неравенство треугольника. Отсюда вытекают два следствия: 1) й(х, у) т- действительное неотрицательное число; 2) d(x, у) = й(у, х) — симметрия. В математике использование понятия «метрика» для различения объектов не вызывает проблем. Совсем другая ситуация возникает при необходимости различить содержания двух понятий. В этом случае приходится учитывать так называемые семантики — особенности толкования того или иного понятия в конкретной ситуации. Семантики классифицируются следующим образом: • значение, т. е. объективное содержание; • контекстуальный смысл, определяемый связями данного понятия с другими, соседствующими в данной ситуации; • личностный смысл, т.е. объективное значение, отраженное через систему взглядов эксперта; • прагматический смысл, определяемый текущим знанием о конкретной ситуации (например, фраза «информация получена» может иметь как негативную, так и позитивную оценку в зависимости от того, нужно это было или нет) [26]. 6. Активность. Данное свойство принципиально отличает понятие «знание» от понятия «данные». Например, знания человека как правило, активны, поскольку ему свойственна познавательная активность (обнаружение противоречий в знаниях становится побудительной причиной их преодоления и появления новых знаний; стимулом активности является неполнота знаний, которая выражается в необходимости их пополнения). В отличие от данных знания позволяют выводить (получать) новые знания. Будучи активными, знания позволяют человеку решать не только типовые, но и принципиально новые, нетрадиционные задачи. Кроме перечисленных свойств, знаниям присущи омонимия (слово «коса» может иметь три смысла, связанных с определениями: «девичья»; «песчаная»; «острая», такие примеры можно легко продолжить: различные толкования слов «камера», «замок», «пара», «тройка», «перо», «камень» «мама» или «дрова» — последние три примера связаны с весьма распространенным жаргоном компьютерщиков) и синонимия (предложения «преподаватель читает лекцию» и «студенты слушают лекцию» во многих случаях являются синонимическими) и др. Классифицировать знания можно по самым различным основаниям. По способу существования различают факты (хорошо известные обстоятельства) и эвристики (знания из опыта экспертов). По способу использования в экспертных системах выделяют фактические знания (факты) — знания типа 306 «А — это А», правила — знания для принятия решений («Если... — то...»), метазнания (знания о знаниях — указывают системе способы использования знаний и определяют их свойства). Классическими примерами метазнаний являются народные пословицы и поговорки, каждая из которых характеризует знания (рекомендации по деятельности) в широком классе конкретных ситуаций (например, пословица «Семь раз отмерь, один — отрежь» применима не только в среде хирургов или портных). По формам представления знания делят на декларативные (факты в виде наборов структурированных данных) и про-цедуральные (алгоритмы в виде процедур обработки фактов). По способу приобретения знания делятся на научные (полученные в ходе систематического обучения и/или изучения) и житейские, бытовые (полученные в «ходе жизни»). Дадим еще ряд определений, часто встречающихся в литературе [26]. Интенсиональные знания — знания, характеризующие или относящиеся к некоторому классу объектов. Экстенсиональные знания — знания, относящиеся к конкретному объекту из какого-либо класса (факты, сведения, утверждения и т.д.). Заметим, отношения интенсиональных и экстенсиональных знаний — это родовидовые отношения. Например, понятие «технологическая операция» — это интенсионал, а понятие «пайка» — экстенсионал, так как пайка — одна из технологических операций. Очевидно, что эти понятия относительны. Так, понятие «пайка» в свою очередь можно считать интенсионалом по отношению к понятиям «пайка серебром» и «пайка оловом». Как правило, такого рода знания относятся к декларативным. Физические знания — это знания о реальном мире. Ментальные знания — это знания об отношениях объектов. Мир задачи — это совокупность знаний, используемых в задаче. Мир пользователя — это совокупность знаний пользователя. Мир программы — это совокупность знаний, используемых в программе. Морфологические и синтаксические знания — это знания о правилах построения структуры описываемого явления или объекта (например, правила написания букв, слов, предложений и др.) Семантические знания — это знания о смысле и значении описываемых явлений и объектов. Прагматические знания — это знания о практическом смысле описываемых объектов и явлений в конкретной ситуации. (Например, редкая монета для нумизмата, филателиста или «нормального» человека имеет разную прагматическую ценность.) Предметные знания — это знания о предметной области, объектах из этой области, их отношениях, действиях над ними и др. 307 |
Последнее изменение этой страницы: 2019-05-08; Просмотров: 311; Нарушение авторского права страницы