Модели представления знаний: виды, классификация и методы применения

Такие сложные понятия, как «мышление» и «сознание», и даже более легко определяемые, такие как «интеллект» и «знание», у специалистов различных профилей (например, системного анализа, информатики, нейропсихологии, психологии, философии и др.) могут значительно отличаться.

Полное, адекватное представление знаний, которое воспринимается одинаково однозначно как людьми, так и машинами – основная проблема современного информационного обмена. Подобный информационный обмен основан на системе понятий и отношений, которые составляют знания.

Классификация знаний

представление знаний

Их можно классифицировать на несколько категорий: понятийные, конструктивные, процедурные, фактографические и метазнания.

  • Понятийные знания – набор определенных понятий, используемых при решении задач. Их часто используют в фундаментальных науках и теоретических областях наук. Фактически понятийные знания составляют понятийный аппарат науки.
  • Конструктивные знания – наборы структур, систем и подсистем, а также взаимодействия между ними. Активно используются в технике.
  • Процедурные знания – методы и алгоритмы, используемые в прикладных науках чаще всего.
  • Фактографические знания – характеристики объектов и явлений, как количественные, так и качественные. Используются чаще всего, в экспериментальных науках.
  • Метазнания – любые знания о знаниях, их системе организации, их инженерии и о порядке и правилах их применения.

Организация знаний

Система организации знаний – это процесс предоставления информации в виде сообщений, которые могут быть привычными (устная и письменная речь, рисунки и т.д.) и непривычными (формулы, объекты географической карты, радиоволны и прочее).

Чтобы система организации знаний была понятной и успешной, необходимо использовать понятную и конструктивную систему правил, согласно которой знания будут представлены и восприняты. Для этого человек использует язык и письменность.

Язык

Язык появился и развивался благодаря тому, что знания, накопленные людьми, постоянно нуждаются в представлении, выражении, хранении и обмене. Мысль, которую нельзя выразить формальной конструкцией (язык, изображение) теряет возможность стать частью информационного обмена. Именно поэтому на протяжении истории человечества язык являлся наиболее эффективной формой представления знаний.

Чем богаче язык, тем больше знаний он выражает, соответственно, делая культуру народа богаче, что, в свою очередь, позволяет разрабатывать все новые и более эффективные системы организации знаний.

Язык науки

обмен информацией между искусственным интеллектом и человеком

Главная проблема в использовании языка как формы представления знаний – неоднозначный семантический смысл слов и предложений. Именно поэтому язык науки играет особую роль в формализации знаний.

Основное предназначение языка науки – типизировать и стандартизировать формы выражения, сжатия и хранения знаний. С помощью типового, стандартного изложения знаний можно избавиться от полисемии или смысловой многозначности языка.

То, что в естественных условиях языковой эволюции делает язык богаче (многозначность выражений), в процессе обмена знаниями становится помехой, увеличивая риск непонимания, семантического шума и неоднозначного восприятия информации.

Классификация знаний

Одним из основных методов формализации знаний является классификация. Это распределение знаний по группам в соответствии с определенным классом. То есть в определенный класс знаний попадает лишь та информация, которая удовлетворяет определенным критериям, соответствующим классу.

Классификация – это особенно важный метод научной систематики, без которого не обойтись на первом этапе формирования базовых знаний научного направления. Например, в информатике без классификации нет эквивалентности, которая позволяет решать такие важные задачи, как сравнение, поиск и категоризация. Без классификации в науке мы не получили бы такие уникальные и бесценные системы организации данных, как таблица Менделеева.

Модели представления знаний

знания искусственного интеллекта

Таблица Менделеева, Табель о рангах, Уголовный кодекс, генеалогические древа и другие классификационные системы представляют собой модели представления знаний. Это формальные структуры, которые связывают между собой определенные знания: факты, явления, понятия, процессы, объекты, взаимосвязи.

Для понимания и обработки компьютером знаний об отдельной предметной области эти знания должны быть представлены в определенном, формализованном виде. В зависимости от цели, обработка знаний компьютером происходит в соответствии с моделью, построенной на алгоритме. Соответственно, представленные в модели знания зависят от алгоритма их обработки.

Существует несколько моделей представления знаний в экспертных системах. Основными из них являются продукционные, фреймовые, сетевые и логические.

Классификация моделей

Перечисленные выше модели представления знаний, примеры которых следуют далее, пусть и широко распространенные, далеко не единственные. Сегодня существует множество моделей, различающихся друг от друга по обоснованности, подходам к их созданию и принципам организации.

Например, в таблице ниже приведены виды моделей представления знаний, разделение их на эмпирические и теоретические, а также дальнейшее подразделение.

Эмпирические модели

Теоретические модели

Продукционные модели

Логические модели

Сетевые модели

Формальные грамматики

Фреймовые модели

Комбинаторные модели

Ленемы

Алгебраические модели

Нейронные сети

Генетические алгоритмы

Эмпирическое моделирование

модель знаний искусственного интеллекта

Эмпирические модели организации и представления знаний берут в качестве примера человека и пытаются воплотить организацию его памяти, сознания и механизмов принятия решений и решения задач. Эмпирическое моделирование относится к любому виду моделей, построенных на основе эмпирических наблюдений, а не на отношениях, поддающихся математическому описанию и моделированию.

Эмпирическое моделирование - общее обозначение для моделей представления знаний, которые создаются на основе наблюдений и экспериментов.

Эмпирическая модель действует согласно простому семантическому принципу: создатель наблюдает за взаимодействием модели и ее референта. Обработка полученной информации может быть «эмпирической» по-разному, от аналитических формул, причинно-следственных связей, до метода проб и ошибок.

Продукционные модели представления знаний

Эта модель преставления данных чаще всего основана на отношениях и причинно-следственных связях. Если информацию можно представить в виде условий типа «Если <х>, То <у>», то модель является продукционной. Она чаще всего используется в приложениях и несложных искусственных интеллектах.

Продукционными моделями представления знаний являются чаще всего компьютерные программы, которые обеспечивают определенную форму искусственного интеллекта рядом правил поведения, а также включают механизм, необходимый для того, чтобы следовать этим правилам при соблюденных условиях.

Продукция (набор правил) состоит из двух частей: предварительное условие («ЕСЛИ») и действие («ТО»). Если предварительное условие продукции соответствует текущему состоянию мира, то модель запускается. Продукционная модель также содержит базу данных, иногда называемую рабочей памятью, которая содержит актуальные знания.

Недостатки продукционной модели заключаются в том, что при слишком большом числе правил действия модели могут противоречить друг другу.

Семантические сети

искусственный интеллект

Они основаны на целостности образа и являются самыми наглядными моделями представления знаний. Семантическая сеть чаще всего представлена в виде графа или сложной графовой структуры, узлы или вершины которой представляют собой объекты, понятия, явления, а ребра – отношения между определенными объектами, понятиями и явлениями.

Простейшую семантическую сеть легко представить в виде треугольника, вершинами которого являются такие понятия, как, скажем, «собака», «млекопитающее» и «позвоночник». В данном случае вершины соединят стороны треугольника, которые можно обозначить такими связями и отношениями, как «является», «обладает», «есть у». таким образом мы получим модель представления знаний из которой узнаем, что собака является млекопитающим, млекопитающие обладают позвоночником, и у собаки есть позвоночник.

Такие модели наглядны, и с их помощью можно эффективнее всего представить сложные системы и причинно-следственные связи. Кроме того, эти семантические сети можно пополнять новыми знаниями, расширяя уже существующую сеть, то есть треугольник превратить в прямоугольник, далее в шестигранник, а затем - в сложную сеть пересекающихся фигур, в которой можно наблюдать, например, наследование свойств.

Фреймовая модель

передача знаний

Фреймовая модель названа так от английского слова frame – рамка или каркас. Фреймом называют структуру, в которой собраны данные, используемые для представления определенного концепта.

Как и в социологии, где фреймами называют своего рода стереотипные данные, которые влияют на человеческое восприятие мира и процесс принятия решений, в информатике и в работе с искусственным интеллектом фреймы используют для создания структурированных данных, представляющих стереотипные ситуации. Фактически это – первоначальная, базовая система данных, на которых строится восприятие мира искусственным интеллектом.

Кроме того, как эффективные модели представления знаний, фреймы активны не только в информатике. Изначально они были вариацией семантических сетей.

Фрейм состоит из одного или нескольких слотов. В свою очередь, слоты могут сами являться фреймами. Таким образом, фреймовая модель способна представлять сложные концептуальные объекты, образуя широкую иерархическую цепь знаний.

Фреймовая модель представления знаний содержит в себе информацию о том, как использовать фрейм, что ожидать во время и после его использования, и что делать, когда ожидания от использования фрейма не оправдались.

Определенные виды данных во фреймовой модели неизменны, в то время как другие данные, обычно хранящиеся в терминальных слотах, могут меняться. Терминальные слоты чаще всего рассматриваются как переменные. Слоты и фреймы верхнего уровня несут в себе информацию о ситуации, которая верна всегда, а вот терминальные слоты не обязаны быть верными.

Фреймы одной сложной сети могут делить между собой слоты других фреймов этой же сети.

В базе данных могут храниться фреймы-прототипы (неизменяемые) и фреймы-экземпляры, которые создаются ситуационно, для представления определенной ситуации или конкретного концепта.

Фреймовые модели представления знаний - одни из самых универсальных и способны отображать различные виды знаний:

  • фрейм-структуры используются для представления понятий и объектов;
  • фрейм-роли обозначают ролевые обязанности;
  • фрейм-сценарии описывают поведение;
  • фрейм-ситуации используются для представления состояния и видов деятельности.

Нейросети

Эти алгоритмы тоже можно условно присоединить к группе моделей, основанных на эмпирическом подходе к знаниям. Фактически нейронные сети пытаются копировать процессы, происходящие в мозге человека. Они основаны на теории о том, что искусственная система интеллекта с такими же структурами и процессами, как и в человеческом мозге, сможет получить похожие результаты в процессе принятия решений, оценки ситуаций и восприятия реальности.

Теоретически обоснованный подход

обмен знаниями

На этом подходе основаны математические, предикативные и логические модели представления знаний. Эти модели гарантируют правильность решений, поскольку основаны на формальной логике. Они подходят для решения простых задач из узкой предметной области, часто связанной с формальной логикой.

Логические модели представления знаний

Это одна из наиболее популярных моделей, основанная на теоретическом подходе. Логическая модель использует алгебру предикатов, ее систему аксиом и правил вывода. Наиболее распространенные логические модели используют термы – логические константы, функции и переменные, а также предикаты, то есть выражения логических действий.

Статья закончилась. Вопросы остались?
Добавить смайл
  • :smile:
  • :wink:
  • :frowning:
  • :stuck_out_tongue_winking_eye:
  • :smirk:
  • :open_mouth:
  • :grinning:
  • :pensive:
  • :relaxed:
  • :heart:
Подписаться
Я хочу получать
Правила публикации
Следят за новыми комментариями — 8
Редактирование комментария возможно в течении пяти минут после его создания, либо до момента появления ответа на данный комментарий.