10.2.1. Характеристики знаний

Система, пригодная для работы со знаниями, должна обладать способностью накапливать дополнительные знания, извлекать соответствующую информацию из базы знаний, проводить рассуждения исходя из конкретной проблемы и информации. Следует признать, что возможно и другое определение понятия знаний, опирающееся на другой набор признаков. Однако авторы данной главы уверены в том, что предложенный ими набор признаков является наиболее удобным, и именно он будет использоваться в дальнейшей дискуссии. Тем не менее данное определение страдает тем же недостатком, что и любая попытка аккуратно проанализировать и классифицировать сложное явление — оно не способно установить степень независимости признаков. Это станет очевидным при обсуждении процедур сбора данных, в котором способность проводить рассуждения (третий признак) описывается через метод сбора данных (первый признак), т. е. представляет собой не что иное, как процедуру обучения.

Сами методики обучения ЭВМ еще пока находятся на начальной стадии развития, но тем не менее можно выделить три направления, которые успешно развивались в последнее время. Они включают процедуры корректировки параметров, проведения рассуждений по аналогам [3, 4]. Изменение параметров и стимулов является обычной научной методикой обучения. Две важные области применения этого метода к задачам ИИ состоят в изменении классификационных параметров, используемых при сборе знаний (изменении классов, на которые разбивают все множество объектов), и в корректировке параметров эвристической функции с целью улучшения процедуры решения задач (последняя методика будет обсуждаться в разд. 10.2.3). Факт обнаружения нужной информации (знания) обычно влечет за собой решение проблемы, и, следовательно, основывается на проведении рассуждений. Процесс проведения рассуждений также лежит в основе обучения по аналогам, которое включает в себя получение недостающей информации о некотором объекте, если известно, что неполностью определенный объект «подобен» известному объекту. Представление знаний с помощью фреймов и сценариев (рассматриваемых в разд. 10.2.3) облегчает проведение рассуждений по аналогии, так как можно непосредственно «пропустить» имеющиеся признаки, например, через два фрейма или документа, являющихся, согласно ожиданиям, близкими друг другу.

Для систем ИИ выборка данных является весьма сложной проблемой. Это обусловлено несколькими причинами, одна из которых связана с большим размером баз данных. Эти базы данных содержат не только набор данных, относящихся к

проблемной области данной системы, но содержат также и правила, позволяющие проводить достаточно интеллектуальные процедуры с данными. Одна из общих методик выборки данных использует наборы индексов, которыми маркируют данные по одному или большему числу признаков. Например, голографическая линза могла бы быть индексирована по таким признакам, как «оптическое устройство», «дифракционная решетка», «согласующее устройство», «узкополосное устройство», «поверхностное (тонкопленочное) устройство». Язык программирования Лисп, являющийся наиболее широко распространенным языком в областях, связанных с ИИ, облегчает присвоение признаков объектам в том плане, что он формирует вокруг определенного символа списки связанных с ним символов. Приведенный выше пример мог бы быть закодирован в языке Лисп с помощью «списка свойств» следующим образом:

(голографическиелинзы оптические дифракционныерешетки согласующие узкополосные поверхностные).

Две другие схемы выборки данных основаны на сопоставлении с образцом и использовании контекста. Схемы машинного сопоставления с образцом осуществляют выбор данных, соответствующих определенным шаблонам, связанным с определенными категориями данных. Более совершенная схема выборки может быть использована при контекстуальном накоплении данных, когда данные извлекаются в соответствии со своими значениями. В качестве примера машинного сопоставления с образцом рассмотрим базу данных, содержащую следующие списки:

(источниксвета лазер гелийнеоновый длинаволны(л:)...) (источник света Nd-АИГ лазер...)

(источниксвета лазер полупроводниковый...)

(источниксвета дуговаялампа ртутная...)

(источниксвета дуговая лампа ксеноновая...)

(источникпитания 110Ввход 12Ввыход...)

Запрос на поиск этих представляющих источники света элементов выглядит как (источник света

А чтобы найти входы к объектам, связанным с лазерами, образец для сопоставления элементов должен быть изменен следующим образом:

(источник света лазер

Все эти схемы выборки данных значительно отличаются от схем, используемых в цифровых компьютерах, которые накапливают данные в соответствии с их адресом в памяти. Цифровая информация, являясь по существу подмножеством символьной информации, может накапливаться и выбираться с помощью упомянутых выше схем, хотя и не столь эффективно. Например, простой список связывает цифровые символы 2, 4 и

9 операцией суммирования, а вложенные списки связывают 3 и 4 с одной операцией умножения, 6 и 3 с другой операцией умножения, а 12 и 18 — операцией сложения. В этом примере используется основная форма Лисп-нотации, в которой первый элемент списка представляет операцию, которую надо выполнить, в то время как остальные элементы являются аргументами, над которыми выполняется указанная операция.

В любой дискуссии по проблеме поиска данных следует переходить от средств распознавания релевантных данных в базе знаний к обсуждению того, как понять такой набор или наборы данных, которые приводят к выполнению поставленной цели. Однако обсуждение процедур поиска будет отложено до рассмотрения представления знаний, поскольку эти два вопроса тесно связаны между собой; знания обычно представляют в таком виде, который облегчает сам процесс поиска.

Проведение рассуждений, являющееся третьим атрибутом интеллектуальных систем, работающих со знаниями, необходимо тогда, когда система нуждается в информации, которая не может быть извлечена из базы знаний непосредственно. Системы ИИ могут осуществлять обмен данными между большими базами знаний и сложными процедурами проведения рассуждений. Такие системы должны или обладать высоким уровнем возможностей проведения рассуждений, или быть способными накапливать и выбирать всю релевантную информацию; при этом система, которая затрагивает слишком много времени на поиск стратегии проведения рассуждений, не обладает достаточными знаниями.

Процесс проведения рассуждений можно рассматривать как движение в пространстве состояний, где состояния представляют все возможные ситуации, и движение осуществляется из начального состояния (состояний) через текущее состояние (состояния) в заданное конечное состояние (состояния). Проведение рассуждений при решении практических проблем обычно требует прохождения через многие промежуточные состояния. Допустимые переходы между состояниями определяются либо правилами, задаваемыми утверждениями типа «если.. .тогда», либо с помощью организации связей между фактами, для обозначения которых используют так называемые направленные графы. В следующем разделе при обсуждении вопросов представления знаний будут изложены различные методики, используемые для определения состояний и переходов между состояниями. Классическим примером реализации концепции пространства состояний может служить игра в шахматы, в которой начальное состояние являлось бы отправной точкой для всех фигур, а состоянием цели была бы любая конфигурация фигур, в которой все возможные перемещения противника были бы блокированными, и король находился бы под ударом.

Переходы между состояниями регламентировались бы правилами, указывающими допустимые перемещения каждой из фигур в каждом положении (каждое состояние имело бы различные допустимые перемещения, зависящие от расположения других фигур и близости фигур к краю доски).

Факт пребывания в данном состоянии наиболее удобно описать с помощью решателя задачи, имеющего большое число возможных переходов в другие состояния и указывающего путь к решению. Следовательно, операция поиска также играет ведущую роль в процессе проведения рассуждений. В данном случае поиск осуществляется согласно пути (или путям) в пространстве состояний в рамках заданного круга проблем, в то время как при операции выборки данных производится поиск релевантных данных в базе знаний. Как уже указано выше, операции поиска будут обсуждаться после вопросов представлений знаний, рассматриваемых в следующей части раздела.