Лекция10. Принципы организации Базы знаний и Базы данных в экспертных системах

По теме 3 изучаются лекции 9 – 10.

Практические задания 9 -10 размещены в отдельных файлах.

Лекция 9. Экспертные системы, структура, возможности

1.ЭС как пример интеллектуальной системы. Структура ЭС.

2. Классификация ЭС

3. Представление знаний в ЭС.

Важным типом интеллектуальных систем являются экспертные системы. Экспертные системы находят применение в различных сферах человеческой деятельности и могут быть полезны экономистам, финансистам, преподавателям, инженерам, медикам, психологам, программистам, лингвистам. Процесс создания экспертной системы требует участия высококвалифицированных специалистов в области искусственного интеллекта, и, прежде всего, специалистов по представлению знаний.

Современные экспертные системы широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики. Традиционно знания существуют в двух видах - коллективный опыт и личный опыт. Если большая часть знаний в предметной области представлена в виде коллективного опыта (например, высшая математика), эта предметная область не нуждается в экспертных системах.

Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов), если эти знания по каким-либо причинам слабо структурированы, такая предметная область скорее всего нуждается в экспертной системе.

Экспертная система (ЭС) - это интеллектуальная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила о действиях в этой области, а также специальные средства логического вывода.

Разработка систем, основанных на знаниях, является составной частью исследований по ИИ, и имеет целью создание компьютерных методов решения проблем, обычно требующих привлечения экспертов-специалистов.

Взаимодействие эксперта, пользователя и структурных частей системы можно представить в виде некоторой базовой структуры.

Рассмотрим архитектуру экспертной системы, представленную на рис.1.
База знаний. Основу ЭС составляет база знаний (БЗ), хранящая множество фактов и набор правил, полученных от экспертов, из специальной литературы. БЗ отличается от базы данных тем, что в базе данных единицы информации представляют собой не связанные друг с другом сведения, формулы, теоремы, аксиомы. В БЗ те же элементы уже связаны как между собой, так и с понятиями внешнего мира. Информация в БЗ - это все необходимое для понимания, формирования и решения проблемы. Она содержит два основных элемента: факты (данные) из предметной области и специальные эвристики или правила, которые управляют использованием фактов при решении проблемы. Знания могут быть представлены несколькими способами: логической моделью, продукциями, фреймами и семантическими сетями.

Рис.1. Базовая структура экспертной системы

Машина логического вывода (МЛВ). Главным блоком в ЭС является машина логического вывода, осуществляющая поиск в базе знаний информации, необходимой для получения решения. МЛВ манипулирует информацией из БЗ, определяя в каком порядке следует выявлять взаимосвязи и делать выводы. МЛВ используются для моделирования рассуждений, обработки вопросов и подготовки ответов.

Интерфейс пользователя. ЭС содержат языковой процессор для общения между пользователем и компьютером. Это общение может быть организовано с помощью ограниченного естественного языка, сопровождаться графикой или многооконным меню. Интерфейс пользователя должен обеспечивать два режима работы: режим приобретения знаний и режим решения задач. В режиме приобретения знаний эксперт общается с ЭС при посредничестве инженера знаний. В режиме решения конкретных задач ЭС для пользователя является или просто носителем информации (справочником), или позволяет получать результат и объясняет способ его получения.

Эксперты поставляют знания в экспертную систему и оценивают правильность получаемых результатов.

Инженер по знаниям - специалист по искусственному интеллекту, который помогает эксперту выявить и структурировать знания. Синонимы: когнитолог, инженер-интерпретатор, аналитик.

Пользователь - специалист предметной области (медицина, образование, бизнес, дизайн, научные исследования), он нуждается в помощи и поддержке своей деятельности со стороны экспертной системы.

Классификация экспертных систем. Для классификации ЭС можно использовать различные критерии.

1. По назначению ЭС можно условно разделить на консультационные (информационные), исследовательские и управляющие. Консультационные ЭС предназначены для получения квалифицированных ответов; исследовательские - для помощи пользователю квалифицированно решать научные задачи; управляющие - для автоматизации управления процессами в реальном масштабе времени.

2. По сложности и объему базы знаний - неглубокие и глубокие.
Неглубокие (простые) ЭС имеют относительно малые БЗ. Доказательства их заключений обычно коротки, большинство выводов являются прямыми следствиями информации, хранимой в базе знаний. Такие ЭС в основном предназначены для решения относительно простых задач типа ответов на запросы по требуемой информации. Глубокие ЭС делают свои выводы обязательно на основе использования моделей происходящих процессов, хранящихся в базах знаний. Сама модель процесса представляет собой набор правил, предназначенных для объяснения большого количества эмпирических данных. В глубоких ЭС доказательства выводов значительно длиннее, основываются на знаниях, выведенных из моделей.

3. По области применения ЭС делятся на следующие классы.
1) Диагностика. Например, медицинская диагностика, когда системы используются для установления заболеваний; техническая диагностика, когда определяют неисправности в механических и электрических устройствах.
2) Прогнозирование. Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта (погода, урожайность, поток пассажиров).

3) Планирование и проектирование. Такие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных (консультации по приобретению товаров, проектирование космических станций, и так далее).

4) Интерпретация. Интерпретирующие системы обладают способностью получать определённые заключения на основе результатов наблюдения (например, местоположение и тип судов в океане по данным акустических систем слежения).

5) Контроль и управление (например, регулирование финансовой деятельности предприятия и оказание помощи при выработке решений в критических ситуациях, управление воздушным движением, атомными электростанциями).
6) Обучение. Экспертно-обучающие системы реализуют следующие педагогические функции: учение, обучение, контроль и диагностику знаний, тренировку.

4. По связям с реальным миром.

1) Статические ЭС разрабатываются в предметных областях, в которых БЗ и интерпретируемые данные не меняются во времени. Они стабильны. Например, диагностика неисправностей в автомобиле.

2) Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Например, микробиологические ЭС, в которых снимаются лабораторные изменения с технологического процесса один раз в 4 -5 часов и анализируется динамика полученных показателей по отношению к предыдущему измерению.
3) Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих в систему данных. Например, управление гибкими производственными комплексами, мониторинг в реанимационных палатах.

5. По принципам работы со знаниями можно выделить четыре основных класса ЭС: классифицирующие, доопределяющие, трансформирующие и мультиагентные.
1) Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

2) Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.

3) Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:

· генерация и проверка гипотез;

· логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);

· использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.

4) Мулътиагентные системы — это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:

· реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;

· распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;

· применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;

· обработка больших массивов информации из баз данных;

· использование математических моделей и внешних процедур для имитации развития ситуаций.

6. По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.

Одним из компонентов ЭС является база знаний (БЗ), предназначенная для хранения долгосрочных данных, описывающих определенную предметную область, и правил, описывающих целесообразные преобразования данных этой области.

При создании базы знаний необходимо описать смысловое содержание предметной области. Следует иметь такую форму описания знаний, которая гарантирует их обработку формальными методами. Под созданием БЗ будем понимать представление знаний в виде некоторой статичной структуры в памяти компьютера.

Создание БЗ осуществляется в несколько этапов.
На первом этапе проводится определение предметной области, для которой разрабатывается база знаний.

Следующий этап - это этап извлечение знаний. Извлечение знаний представляет собой процедуру взаимодействия эксперта с инженером по знаниям. В результате этой процедуры становятся явными процесс рассуждений эксперта при принятии решения и структуру его представлений о предметной области. Процесс извлечения знаний - это длительная и трудоёмкая процедура, в которой инженеру по знаниям, вооружённому специальными знаниями по когнитивной психологии, системному анализу, математической логике и пр., необходимо создать модель предметной области, которой пользуются эксперты для принятия решения. В голове эксперта связи установлены, хотя часто и неявно; задача инженера - выявить последовательность умозаключений эксперта.

Далее на этапе структурирования собранные знания систематизируются и упорядочиваются. Большинство специалистов по искусственному интеллекту и когнитивной психологии считают, что основная особенность естественного интеллекта и памяти - это связанность всех понятий в некоторую сеть. Поэтому для разработки базы знаний нужен не словарь, а энциклопедия, в которой все термины объяснены в словарных статьях со ссылками на другие термины, должна быть выстроена иерархия понятий. Иерархия понятий – это глобальная схема, которая закладывается в основу анализа структуры знаний любой предметной области.

При выстраивании структуры знаний необходимо определить терминологию, список основных понятий и их атрибутов, отношения между понятиями, структуру входной и выходной информации, стратегию принятия решений, ограничения стратегий и так далее.

В результате все собранное - это не разрозненные определения и понятия, а система взаимосвязанных элементов, то есть знание о предметной области.

На следующем этапе полученные знания описываются на одном из языков представления знаний. Затем разработанная БЗ реализуется на компьютере.
Подготовка учебного материала в соответствии с перечисленными этапами построения баз знаний будет выглядеть следующим образом.

Уточнение предметной области. На данном этапе выбирается конкретная тема по научной дисциплине, учебный материал (в дальнейшем - материал) которой надо представить в базе знаний.

Извлечение знаний. На этом этапе происходит извлечение знаний по выбранной теме из доступных источников информации, то есть собирается материал. Источниками фактов, понятий, законов и так далее являются учебники, справочники, материалы конкретных исследований в рассматриваемой предметной области.

Структурирование знаний. Этот этап необходим для выявления структуры собранного материала и имеющихся знаний по выбранной теме предметной области. Здесь определяются терминология, список основных понятий и их атрибутов, классифицируются понятия по их содержанию, устанавливаются логические связи и отношения между понятиями, и так далее. Из вышесказанного следует, что материал, который входит в базу знаний, должен быть представлен системой. Поэтому при разработке учебного материала для представления его в базе знаний целесообразно применять системный анализ. При этом осуществляется следующее.

· Делается допущение, что интересующая тема представляет собой сложную целостную систему.

Анализируется содержание и состав выбранной темы.
Тема разделяется на блоки, блоки - на подблоки и таким образом деление доводится до элементарного уровня (понятия, явления и т.п.). Необходимо учитывать, что содержимое одного блока - это не содержание отдельного параграфа, главы или раздела учебников.
Устанавливаются связи между элементами, подблоками и блоками, т.е. определяется структура системы.

· Определяются системообразующие (внутренние) связи и системообразующий элемент, т.е. те связи и элемент, без которых не будет реализовываться целостность системы.

· Характеризуется каждый элемент системы.

Созданная система рассматривается как составляющая другой системы, поэтому устанавливаются связи с другим учебным материалом.

Представление учебного материала в формальном виде. Формализованное представление материала, может быть реализовано в виде графа, таблицы, текста, структурно-логической схемы и/или другими наглядными способами. Наглядное представление материала позволяет судить о том, на сколько собранный материал по данной теме целостен, взаимосвязан, обобщен, структурирован. Далее выбирается модель представления знаний в базе знаний. База знаний может быть разработана на одном из языков искусственного интеллекта, например, на языке Пролог.

Лекция10. Принципы организации Базы знаний и Базы данных в экспертных системах

1. Логические модели. Дизъюнкты Хорна. Дедуктивные БД

2. Принципы организации продукционных моделей.

3. Стратегии вывода в продукционных моделях

Логические модели представления знаний реализуются средствами логики предикатов. Предикатом называется функция, принимающая только два значения - истина и ложь - и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием.

Наиболее простым языком логики является исчисление высказываний, в котором отсутствуют переменные. Любому высказыванию можно приписать значение истинно или ложно. Отдельные высказывания могут соединяться связками И, ИЛИ, НЕ, которые называются булевыми операторами.
В общем случае модели, основанные на логике предикатов, описываются формальной системой, которая задается четверкой:
М = (Т,Р,А,П),

где Т - множество базовых элементов или алфавит формальной системы;
Р - множество синтаксических правил, с помощью которых можно строить синтаксически корректные предложения; А - множество аксиом или некоторых синтаксически правильных предложений, заданных априорно; П - правила вывода или семантические правила, с помощью которых можно расширять множество А, добавляя в него синтаксически правильные предложения.

Главное преимущество логических моделей представления знаний заключается в возможности непосредственно запрограммировать механизм вывода синтаксически правильных высказываний.
Логические модели удобны для представления логических взаимосвязей между фактами, они формализованы, строги, для их использования имеется удобный и адекватный инструментарий, например, язык логического программирования Пролог.

В основе логического способа представления знаний лежит идея описания знаний о предметной области в виде некоторого множества утверждений, выраженных в виде логических формул, и получение решения построением вывода в некоторой формальной (дедуктивной) системе.
Знания, которые могут быть представлены с помощью логики предикатов, являются либо фактами, либо правилами. При использовании логических методов сначала анализируется структура предметной области, затем выбираются соответствующие обозначения и в заключение формируются логические формулы, представляющие собой закономерности рассматриваемой области. Множество таких формул является логической программой, содержащей информацию о предметной области (ПО).

Например, в качестве языка логического программирования можно использовать ПРОЛОГ, а совокупность логических формул, состоящую из запроса, множества предложений программы и интерпретатора языка, можно рассматривать как алгоритм решения задач приложений.

Дизъюнкт Хорна — может быть определён как дизъюнкция литер с не более чем одной положительной литерой. Дизъюнкты Хорна названы по имени логика Хорна, который впервые указал важность таких дизъюнктов в статье 1951 года.

Дизъюнкт Хорна с ровно одной положительной литерой есть определённый дизъюнкт; в логике определённые дизъюнкты являются аналогом тождеств. Дизъюнкт Хорна без положительных литер иногда называется целью или запросом, в частности в логическом программировании. Формула Хорна есть конъюнкция дизъюнктов Хорна, то есть формула в конъюнктивной нормальной форме, все дизъюнкты которой являются хорновскими. Двойственным дизъюнктом Хорна называют дизъюнкцию с не более чем одной отрицательной литерой. Дизъюнкты Хорна играют основополагающую роль в логическом программировании.

Пример (определённого) дизъюнкта Хорна:

Эта формула может быть преобразована в эквивалентную формулу с импликацией:

Дизъюнкты Хорна могут быть пропозициональными формулами, либо формулами первого порядка, в зависимости от того, рассматриваются ли пропозициональные литеры или литеры первого порядка.

Дизъюнкты Хорна связаны с доказательством теорем методом резолюции первого порядка, так как резольвента двух дизъюнктов Хорна является также дизъюнктом Хорна. Кроме того, резолюция цели и определённого дизъюнкта также является дизъюнктом Хорна. В автоматическом доказательстве теорем это может быть эффективным в случае, если теорема представлена в виде цели.

Резолюция цели с определённым дизъюнктом для получения новой цели является основной для получения резольвенты, в языке программирования Пролог. В логическом программировании определённый дизъюнкт используется как процедура редукции цели. Например, дизъюнкт Хорна из примера выше работает как процедура:

чтобы доказать , нужно доказать , , и .

Чтобы подчеркнуть это обратное применение дизъюнкта, часто используется оператор :

Дедуктивные базы данных содержат факты, общие законы и цели в виде дизъюнктов Хорна.

По определению, дедуктивная БД состоит из двух частей: экстенсиональной, содержащей факты, и интенсиональной, содержащей правила для логического вывода новых фактов на основе экстенсиональной части и запроса пользователя.

Легко видеть, что при таком общем определении SQL-ориентированную реляционную СУБД можно отнести к дедуктивным системам. Действительно, что есть определенные в схеме реляционной БД представления, как не интенсиональная часть БД. В конце концов не так уж важно, какой конкретный механизм используется для вывода новых фактов на основе существующих. В случае SQL основным элементом определения представления является оператор выборки языка SQL, что вполне естественно, поскольку результатом оператора выборки является порождаемая таблица. Обеспечивается и необходимая расширяемость, поскольку представления могут определяться не только над базовыми таблицами, но и над представлениями.

Основным отличием реальной дедуктивной СУБД от реляционной является то, что и правила интенсиональной части БД, и запросы пользователей могут содержать рекурсию. Можно спорить о том, всегда ли хороша рекурсия. Однако возможность определения рекурсивных правил и запросов дает возможность простого решения в дедуктивных базах данных проблем, которые вызывают большие проблемы в реляционных системах (например, проблемы разборки сложной детали на примитивные составляющие). С другой стороны, именно возможность рекурсии делает реализацию дедуктивной СУБД очень сложной и во многих случаях неразрешимой эффективно проблемой.

Мы не будем здесь более подробно рассматривать конкретные проблемы, применяемые ограничения и используемые методы в дедуктивных системах. Отметим лишь, что обычно языки запросов и определения интенсиональной части БД являются логическими (поэтому дедуктивные БД часто называют логическими). Имеется прямая связь дедуктивных БД с базами знаний (интенсиональную часть БД можно рассматривать как БЗ). Более того, трудно провести грань между этими двумя сущностями; по крайней мере, общего мнения по этому поводу не существует.

Для реализации дедуктивной СУБД обычно применяется реляционная система. Такая система выступает в роли хранителя фактов и исполнителя запросов, поступающих с уровня дедуктивной СУБД. Между прочим, такое использование реляционных СУБД резко актуализирует задачу глобальной оптимизации запросов. Это связано с тем, что дедуктивная СУБД при выполнении одного запроса пользователя в общем случае генерирует пакет запросов к реляционной СУБД, которые могут оптимизироваться совместно.

Конечно, в случае, когда набор правил дедуктивной БД становится велик, и их невозможно разместить в оперативной памяти, возникает проблема управления их хранением и доступом к ним во внешней памяти. Здесь опять же может быть применена реляционная система, но уже не слишком эффективно. Требуются более сложные структуры данных и другие условия выборки. Известны частные попытки решить эту проблему, но общего решения пока нет.

Продукционная модель, или модель, основанная на правилах, позволяет представить знания в виде предложений типа:

№ продукции: если <условие>, то <заключение>.

В случае, когда условие признаётся истинным, реализуется заключение, например, выполняются определённые действия (действия могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

В экспертных системах часто используются правила, в которых посылкой (условием) является описание ситуации, а заключением – действия, которые необходимо предпринять в данной ситуации.

Примером такого продукционного правила является

если Сигнал_датчика_давления = «красный», то ситуация = ТРЕВОГА.

Основные достоинства, благодаря которым продукционные правила получили широкое распространение, заключаются в следующем:

1) продукционные правила легки для восприятия человеком;

2) отдельные продукционные правила могут быть независимо добавлены в базу знаний, исключены или изменены, при этом не требуется перепрограммирование всей системы. Как следствие этого, представление больших объемов знаний не вызывает затруднений;

3) с помощью продукционных правил выражаются как декларативные, так и процедурные знания.

В системах извлечения знаний в качестве условия, или посылки выступает проверка свойств объекта, а заключением будет вывод о принадлежности объекта к определенному классу.

Процедура логического вывода в системах, основанных на продукционных моделях, в принципе не сложная. Как правило, она включает следующие части:

· рабочую память (базу данных) – фактические данные, описывающие возможное и текущее состояние предметной области – хранящуюся в оперативной памяти;

· базу продукционных правил, содержащую все допустимые зависимости между фактами предметной области и хранящуюся в долговременной памяти;

· механизм логического вывода.

Продукционные системы могут использовать два типа вывода —прямой и обратный вывод. При прямом выводе рассуждение ведется от данных к поиску цели, а при обратном производится поиск доказательства или опровержения некоторой цели. Рассуждение проводится от цели — к данным. Данные здесь — это исходные факты, установленные как истинные; на основании этих фактов запускается машина вывода — программа, перебирающая правила из базы правил. Часто в продукционных системах используются комбинации прямой и обратной цепи рассуждений.

Механизм логического вывода обеспечивает формирование заключений, отыскивая правила, в состав которых входят введенные факты, и актуализируя те части продукций, которым соответствуют введенные факты. Теоретической основой построения механизма логического вывода служит теория машины Поста.

Механизм логического вывода выполняет функции поиска в базе правил, последовательного выполнения операций над знаниями и получения заключений. Существует два способа проведения таких заключений – прямые выводы и обратные выводы.

Прямым выводам (прямой цепочке рассуждений) соответствует движение от посылок к следствиям. Исходя из исходных данных необходимо достигнуть цели.

Рассмотрим пример. Пусть имеются 7 продукций и известно, что первоначально истинны факты H и K. Докажем С.

продукции	Вывод	Истинные факты
p1: A®E	H®A (p3)	Дано: H, K
p2: B®D		доказали A
p3: H®A	A®E (p1)	доказали E
p4: E&G®C	E&K®B (p5)	доказали B
p5: E&K®B	B®D (p2)	доказали D
p6: D&E&K®C	D&E&K®C (p6)	доказали C
p7: G&K&F®A

Мы видим, что при истинных первоначально фактах H, K за 5 шагов был выведен факт С. Недостатком такой стратегии вывода будет то, что при наличии большого числа продукций можно вывести факты истинные, но не нужные для доказательства С. Тем не менее, все они будут размещены в списке истинных фактов. А вот для доказательства факта G не подойдёт явно ни одна продукция. Таким образом, конечный результат не всегда может быть получен. Это считается основным недостатком прямых механизмов логического вывода и требует от пользователя знания всей структуры модели предметной области. Особенно явно этот недостаток проявляется при включении в базу знаний новых фактов и правил: если они не связаны в цепочку с имеющимися фактами, то они становятся балластом – механизм логического вывода никогда их не найдет. С этой точки зрения использование обратной цепочки рассуждений предпочтительнее.

Обратным выводам (обратной цепочке рассуждений) соответствует движение от цели (факта, который требуется установить) к посылкам. В обратном механизме логического вывода работа начинается от поставленной цели. Ищутся все продукции, которые могут привести к поставленной цели. Если такая продукция найдена, то её условия (факты в левой части продукции) принимаются за подцели и делается попытка подтверждения истинности этих фактов. Процесс повторяется до тех пор, пока не будут просмотрены все правила, имеющие в качестве заключения требуемый факт.

Рассмотрим пример. Даны три продукции и факты A, B, C, E, G, H. Цель: доказать Z

продукции	Вывод	Истинные факты
p1: F&B®Z p2: C&D®F p3: A®D	1. Ищем Z в базе фактов. Z отсутствует. Ищем правило, которое может привести к Z. Это p1. p1: F&B®Z 2.Ищем в списке истинных фактов F и B. Факт B имеется, F отсутствует среди известных фактов. Ищем правило, которое может привести к F. Это p2: C&D®F	Дано: A, B, C, E, G, H
	3. Ищем в списке фактов С и D. Факт С имеется, D отсутствует среди известных фактов. Ищем правило, которое может привести к D.
	Это p3: A®D
	4. Ищем в списке истинных фактов А. А имеется.
	5. Выполняем правила p3, p2, p1. Доказали Z.	Добавляем к фактам D, F, Z

Ниже представлено дерево вывода для примера.

--- C ____ ½ ½ F½ Z ½ ½--- D A ½____ B

Если некоторый факт можно доказать, такое дерево будет построено, и цель достигается успешно. В противном случае система явно указывает причину недоказанности выводов, что, в отличие от прямой цепочки рассуждений, облегчает работу пользователя. Также не будут выведены избыточные, или ненужные факты.

Функцией, реализующей работу механизма логического вывода, является рекурсивная процедура сопоставления с образцом.

Рекурсия (лат. «recurso» – бегу назад, спешу обратно, возвращаюсь) – способ решения задач, заключающийся в разбиении исходной задачи на подзадачи. Если подзадача есть уменьшенный вариант исходной задачи, то способ ее разбиения и решения идентичен примененному к исходной задаче. Последовательное разбиение приводит к задаче, решаемой непосредственно. Это решение служит основанием для решения подзадачи верхнего уровня и т. д., пока первоначальная задача не будет решена.

В больших ЭС продукционного типа все множество знаний обычно хранится в виде древовидной структуры, называемой И-ИЛИ-графом. Фрагменты такой структуры приведены на рис. 2 и 3. Классическая форма продукций предполагает наличие в антецеденте (условие продукции) только связки И. На практике классическая форма может быть расширена, например, введением связки ИЛИ в условную часть. Если существует множество правил, из которых выводится одно и то же заключение, то, выполнив операцию дизъюнкции над всеми заключениями, полученными с помощью этих правил, можно показать отношение между результатом отдельного вывода и данными, на основании которых делается вывод.

Рис. 2. Простейший фрагмент структуры И-ИЛИ-графа

Рис. 3. Фрагмент структуры И-ИЛИ-графа продукционной ЭС

С помощью И-ИЛИ-графа обратный вывод в ЭС продукционного типа можно представить как проблему поиска определенного пути на графе. Выбор одной из связок ИЛИ соответствует разрешению конфликтного набора, при этом не безразличен порядок оценки условий в антецеденте, соединенных связкой И. Однако следует остановиться на способах повышения эффективности поиска, так как в системах, имеющих практическую ценность, насчитываются сотни правил, и следует знать, с помощью каких стратегий управления выводом можно минимизировать время решения задач.

Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:

модульность;
наглядность;
единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);
естественность (вывод заключения в продукционной системе во многом аналогичен процессу рассуждений эксперта);
легкость внесения дополнений и простота механизма логического вывода;
гибкость родовидовой иерархии понятий, которая поддерживается только как связи между правилами (изменение правила влечет за собой изменение в иерархии).

Недостатки:

процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

· этот процесс трудно поддается управлению;

· сложно представить родовидовую иерархию понятий.

Дата добавления: 2022-06-11; просмотров: 239; Мы поможем в написании вашей работы!

Поделиться с друзьями:

Мы поможем в написании ваших работ!