Интеллектуальные информационные системы

КемИ РГТЭУ

информатика (по областям)
ИНТЕЛЛЕКТУАЛЬНЫЕ ИНФОРМАЦИОННЫЕ
СИСТЕМЫ
Понятие интеллектуальной информационной системы (ИИС), основные

свойства. Классификация ИИС. Экспертные системы. Составные части экспертной системы: база знаний, механизм вывода, механизмы приобретения и объяснения знаний, интеллектуальный интерфейс.
Организация базы знаний. Предметное (фактуальное) и проблемное (операционное) знания. Декларативная и процедурная формы представления знаний. Методы представления знаний.
Логический и эвристический методы рассуждения в ИИС. Рассуждения на основе дедукции, индукции, аналогии. Нечеткий вывод знаний. Немонотонность вывода. Статические и динамические экспертные системы. Приобретение знаний. Извлечение знаний из данных. Машинное обучение на примерах. Нейронные сети.
Этапы проектирования экспертной системы: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация. Участники процесса проектирования: эксперты, инженеры по знаниям, конечные пользователи.

1

И ИХ ПРЕДСТАВЛЕНИЕ В СИСТЕМАХ ИИ
ТЕМА 3 СИСТЕМЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА:

ФУНКЦИИ, АРХИТЕКТУРА, ИНСТРУМЕНТАРИЙ
ТЕМА 4. ИНСТРУМЕНТАЛЬНОЕ СРЕДСТВО РАЗРАБОТКИ ЭКСПЕРТНЫХ СИСТЕМ СLIPS
ТЕМА 5. ЭКСПЕРТНЫЕ СИСТЕМЫ
ТЕМА 6. ТЕХНОЛОГИЯ ПРОЕКТИРОВАНИЯ И РАЗРАБОТКИ ЭС
ТЕМА 7. МЕТОДОЛОГИЯ ИНЖЕНЕРИИ ЗНАНИЙ
ТЕМА 8. НЕЙРОСЕТЕВЫЕ СИСТЕМЫ
ТЕМА 9. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ

2

методологии и практики создания баз знаний, проектирования и использования интеллектуальных

информационных систем как средства отображения информационной модели предметных областей и информационного обслуживания пользователей.
Знания и умения, которыми должны овладеть после обучения по дисциплине «Интеллектуальные информационные системы» студенты специальности 080801«Прикладная информатика (в экономике)»:
Должны иметь представление:
о проблемах искусственного интеллекта;
о методах решения задач искусственного интеллекта;
о применении искусственного интеллекта в современных информационных системах;
о тенденциях развития теории и систем искусственного интеллекта.
Должны знать:
содержание основных задач теории искусственного интеллекта;
основные модели и методы сбора и представления данных и знаний на ЭВМ;
методы автоматизированного рассуждения, включая неточный вывод на знаниях;
основные принципы организации интеллектуальных информационных систем;
этапы проектирования экспертной системы;

3

для определенной предметной области;
ставить и решать задачи, связанные с организацией

интеллектуального диалога между человеком и информационной системой;
использовать инструмен­тальные средства, поддерживающие разработку программного обеспечения профессионально-ориентированных интеллектуальных информационных систем;
Приобрести навыки:
проектировании базы знаний, ее формализованного описании и наполнении;
реализации различных стратегий вывода знаний и объяснения полученных результатов;
Иметь опыт:
работы с программными средами, предназначенными для разработки экспертных систем,
создания простейших баз знаний,
организации диалога с экспертной системой.

4

CLIPS
5

вузов/ Т.А. Гаврилова, В.Ф.Хорошевский.- Спб.: Питер, 2001
Частиков А.П. Разработка экспертных

систем. Среда СLIPS. [текст]/ А.П.Частиков, Т.А. Гаврилова, Д.Л. Белов – СПб.: БХВ-Петербург, 2003
Матвеев Л.А. Компьютерная поддержка решений: учебник [текст] / Л.А. Матвеев.- Спб.: Специальная литература, 1998

ЛИТЕРАТУРА

6

Корнеев, А.Ф. Гареев, С.В Васютин. и др. – М.: «Нолижд»,

2000
Нейлор К. Как построить свою экспертную систему [текст] / К. Нейлор – М.: Энергоатомиздат, 1991.
Уэно Х. Представление и использование знаний [текст] /Х. Уэно - М.: Мир,1989.
Бондарев В.Н. Искусственный интеллект: Учеб. пособие для вузов [текст] В.Н. Бондарев. – Севастополь: Изд-во СевНТУ, 2002
Попов Э.В. Искусственный интеллект. В 3-х томах. Том 1. Системы общения и экспертные системы [текст] / Э.В. Попов, Д.А. Поспелов, В.Ф.Хорошевский. - М.: Радио и связь, 1990
Поспелов Д.А. Искусственный интеллект. В 3-х томах. Том 2. Модели и методы. [текст] / Э.В. Попов, Д.А. Поспелов, В.Ф.Хорошевский. - М.: Радио и связь, 1990.
Хорошевский В.Ф. Искусственный интеллект. В 3-х томах. Том 3. Программные и аппаратные средства [текст] / Э.В. Попов, Д.А. Поспелов, В.Ф.Хорошевский. - М.: Радио и связь, 1990.

ЛИТЕРАТУРА

7

программа = алгоритм + данные:

заранее определен алгоритм обработки данных.
Нетрадиционные – задачи решаются на основе концептуальных знаний, которые имеют вид причинно-следственных зависимостей и логических рассуждений. Компьютерное моделирование таких задач относят к новым информационным технологиям – Искусственному Интеллекту (ИИ).
Интеллект - это сплав многих навыков в области обработки и представления информации. Слово intelligence означает «умение рассуждать разумно». С большой степенью достоверности интеллектом можно называть способность мозга решать (интеллектуальные) задачи путем приобретения, запоминания и целенаправленного преобразования знаний в процессе обучения на опыте и адаптации к разнообразным обстоятельствам.
Искусственный интеллект (artificial intelligence , AI, ИИ) - это наука о концепциях, позволяющих ЭВМ делать такие вещи, которые у людей выглядят разумными.

8

решающих задачи, которые могут решать люди (Ален Дж.).
ИИ – это

область исследований, направленная на создание компьютеров, выполняющих такие функции, которые в настоящее время человек выполняет лучше (Рич И).
ИИ – ветвь информатики, которая связана с автоматизацией интеллектуального поведения.
ИИ – это наука о вычислениях, которые делают возможными восприятие, логический вывод и действие.
ИИ – это информационная технология, связанная с процессами логического вывода, обучения, восприятия.

9

информатики, цель которого – разработка программных и аппаратных средств, способных

выполнять функции, традиционно считающиеся интеллектуальными, - понимание языка, логический вывод, использование накопленных знаний, обучение, планирование действий. ИИ позволяет пользователю- непрограммисту ставить и решать свои интеллектуальные задачи, общаясь с ЭВМ на ограниченном подмножестве естественного языка.

10

ИИ (1943-1956гг) Зарождение нейрокибернетики. Основная идея этого направления: единственный объект,

способный мыслить – это человеческий мозг, поэтому любое мыслящее устройство должно воспроизводить его структуру. В 1943 г. Мак-Каллок У. и Питтс У.предложили модель формального логического нейрона. В 1951г. был разработан М. Минским первый нейрокомпьютер, содержащий 40 нейронов. Это направление в дальнейшем привело к созданию нейронных сетей или нейросетей. Основная область применения нейросетей сегодня – это задачи распознавания образов, например идентификация объектов по результатам аэрофотосъемки из космоса.
В этот период появилась статья английского математика Тьюринга «Может ли машина мыслить?» (1950 г.).

11

поиск и доказательство теорем (1956-1969 гг.) Эвристика- это правило, полученное

опытным путем и теоретически не обоснованное, которое позволяет сократить количество переборов в пространстве поиска. В 1957 г. были завершены работы по созданию программы «Логик-теоретик» Саймоном Г. и Ньюэллом А. Программа предназначена для доказательства теорем в исчислении высказываний и с помощью нее доказывались известные математические теоремы. Далее авторы создали программу GPS – универсальный решатель задач. GPS могла настраиваться на предметную область с помощью задания структуры состояний задачи и операторов, преобразующих эти состояния. В этот же период Дж. Маккартни создает язык ЛИСП, который становится ведущим языком программирования систем ИИ. Период эйфории и больших надежд. Много идей.

12

знаний (1969-1979 гг.)
К концу

60-х годов было установлено, что для решения практических задач кроме знаний общего характера необходимы хорошо структурированные специальные знания. В 1969 была разработана программа DENDRAL, аккумулирующая знания специалистов в области органической химии, и помогающая химикам определять структуру неизвестных органических соединений по данным, получаемым с помощью масс-спектрометра. Такие программы в дальнейшем получили название «экспертные системы». Создана медицинская экспертная система MYCIN, содержащая 450 правил, и позволяющая диагностировать инфекционные заболевания крови. ИИ перестал быть чистой наукой и начал приносить коммерческую пользу. В рассматриваемый период были разработаны модели представления знаний: фреймовая, логическая. Однако в тот же период в 1973 г. математик Д. Лайтхилл по заказу Британского совета научных исследований подготовил обзор состояния дел в области ИИ. В докладе были признаны определенные достижения в области ИИ, однако уровень их определялся как разочаровывающий, и общая оценка была отрицательной с позиций практической значимости. Результатом этого отчета явилось существенное сокращение финансирования европейских исследований в области ИИ.
Упадок, деньги не стали вкладываться, т.к. не было отдачи, результатов.

13

успех (1979-1988 гг.)

Экспертные системы начинают широко применяться в промышленности (система R1 для определения конфигурации компьютерных систем семейства VAX). В 1981 г. Япония объявляет о начале проекта машин V поколения, базирующихся на принципах ИИ. Этот проект способствовал активизации исследований в области ИИ во многих странах. Объемы финансирования возросли до 2 млрд. долларов в 1988 г. В нашей стране в 1988 г. создается Ассоциация искусственного интеллекта. Ее членами являются более 300 исследователей. Ее президентом избран Д.А. Поспелов, чей вклад в развитие ИИ в России трудно переоценить.

14

нейроинформатики. Коллективистские модели ИИ (90-е гг. и по сей день).

Психологи Д. Румельхарт и Г. Хинтон, изучавшие модели нейросетевой памяти, открыли в 1986 г. алгоритм обучения многослойного персептрона. Эти исследования послужили толчком к росту применения моделей нейронных сетей для решения практических задач. Рассмотренные выше этапы характеризуются разрозненными подходами, основанными на выделении частного свойства понятия «интеллект». Например, способность рассуждать привела к развитию логических моделей. Выделение и гиперболизация отдельных свойств интеллекта способствовали противопоставлению и расхождению различных школ ИИ. К началу 90-х гг. исследователи начали осознавать, что подобные трактовки носят ограниченный характер и не учитывают реалии развития интеллекта человека:
естественный интеллект интегрирует в себе весь спектр свойств интеллекта;
интеллектуальное развитие человека происходит в обществе, в процессе выполнения им определенной деятельности.
Поэтому, начиная с начала 90-х гг , в ИИ стали преобладать две основные тенденции – интеграция и децентрализация.
Интеграционные процессы проявились в разработке гибридных систем ИИ, объединяющих в себе преимущества разнородных моделей, например, нечеткие экспертные системы и нейронные сети. В таких интегрированных моделях могут поддерживаться различные модели представления знаний, разные типы рассуждений, модели восприятия и распознавания образов.

15

децентрализации связаны с рассмотрением ИИ с позиций коллективного поведения большого

числа взаимодействующих между собой интеллектуальных агентов. При этом интеллект агента рассматривается как подсистема управления деятельностью в процессе взаимодействия агента с другими агентами. В основе децентрализованного (распределенного) интеллекта лежит структурная единица – агент, способная:
воздействовать на других агентов и самих себя;
образовывать свои собственные цели;
общаться с другими агентами;
функционировать без прямого вмешательства со стороны любых средств;
осуществлять самоконтроль;
строить локальное представление среды;
выполнять обязанности и оказывать услуги;
самовоспроизводиться.

16

При решении конкретной задачи агенты образуют

структурированное сообщество, в котором наблюдается определенная кооперация между агентами. Например, можно говорить об агентах, выполняющих простую передачу сообщений, о поисковых агентах, которые анализируют большие объемы информации и возвращают результаты поиска.
Области практического применения агентных технологий:
управление информационными потоками;
управление воздушным движением;
информационный поиск;
электронная коммерция;
обучение;
электронные библиотеки.
Наибольшее применение агентные технологии на основе методов и средств ИИ нашли в реализации задач поиска на множестве ресурсов Интернета.

17

ИИ относятся те области, где:
нет точного метода, и для решения

используют эвристики. Эвристики – способы нахождения гипотез для решения задач, на основе успешного опыта и интуиции;
информация часто задается в символьном виде, а не в цифровом;
есть возможность выбора, но нет алгоритма и используются различные процедуры вывода и поиска.

Для интеллектуальных информационных систем (ИИС), ориентированных на генерацию алгоритмов решения задач, характерны следующие признаки:
• развитые коммуникативные способности,
• умение решать сложные плохо формализуемые задачи,
• способность к самообучению,
• адаптивность.

18

работает в следующих областях:
1) Семантический анализ и обработка естественно-языковой информации
Машинный

поиск в базах данных естественно-языковых документов
Машинный перевод
Автоматическое реферирование
Автоматическая классификация документов
Генерация (синтез) текста
Генерация (синтез) речи

19

образов и их анализ
Модель распознавания образов состоит из 3х частей:

датчика, который воспринимает воздействие внешней среды (например, акустические сигналы) и преобразует его к виду, удобному для машинной обработки;
устройства выделения признаков (рецептора), которое производит отбор информации из входных данных, предположительно относящейся к делу;
классификатора, относящего отобранные данные к одному из нескольких классов.
Наиболее развиты системы распознавания зрительных образов.

20

моделирующие поведение
Система планирования действий (например, манипуляций робота, задача «обезьяна

и банан»)
4) Системы решения отдельных интеллектуальных задач
программы компьютерного доказательства теорем
игровые программы
Системы решения задач основаны на методах поиска решений с помощью проб и ошибок. Задачи решаются посредствам поиска в пространстве возможных решений.

21

системы (советующие системы)
Экспертная система включает в себя базу знаний (БЗ)

о некоторых фактах из интересующей сферы, набор правил для выработки суждений , механизм вывода и интеллектуальный интерфейс. БЗ формируется на основе знаний экспертов. Экспертные системы часто входят как часть системы поддержки принятия решений (СППР).
6) Извлечение полезных данных (data mining, DM-системы)
Data Mining (DM) — это технология поддержки процесса принятия решений, основанная на выявления скрытых закономерностей и систематических взаимосвязей между переменными внутри больших массивов информации, которые затем можно применить к новым совокупностям данных. При этом накопленные сведения автоматически обобщаются до информации, которая может быть охарактеризована как знания. Обнаружение новых знаний можно использовать для повышения эффективности бизнеса.

22

можно считать следующее:
Обнаружение знаний в БД (Knowledge Discovery In Databases,

KDD)
Это процесс поиска полезных знаний в «сырых» данных. KDD включает в себя вопросы подготовки данных, выбора информативных признаков, очистки данных, применения методов DM, а также обработки и интерпретации полученных результатов
Интеллектуальный анализ данных (IAD)

23

Data Mining

DM — нетривиальность (нестандартность и неочевидность) разыскиваемых алгоритмов (шаблонов). Это

означает, что найденные шаблоны должны отражать неочевидные, неожиданные (unexpected) регулярности в данных, составляющие так называемые скрытые знания (hidden knowledge). Иными словами, средства DM отличаются от инструментов статистической обработки данных и средств OLAP тем, что вместо проверки заранее предполагаемых пользователями взаимозависимостей они на основании имеющихся данных способны находить такие взаимозависимости самостоятельно и строить гипотезы об их характере.

25

- Data Mining
Применение средств DM не исключает использования статистических

инструментов и OLAP-средств, поскольку результаты обработки данных с помощью последних, как правило, способствуют лучшему пониманию характера закономерностей, которые следует искать.
Применение DM оправдано при наличии достаточно большого количества данных, в идеале — содержащихся в корректно спроектированном хранилище данных (ХД) (собственно, сами ХД обычно создаются для решения задач анализа и прогнозирования, связанных с поддержкой принятия решений). Данные в хранилище представляют собой пополняемый набор, единый для всего предприятия и позволяющий восстановить картину его деятельности на любой момент времени, а структура данных хранилища проектируется таким образом, чтобы выполнение запросов к нему осуществлялось максимально эффективно. Впрочем, существуют средства DM , способные выполнять поиск закономерностей, корреляций и тенденций не только в хранилищах данных, но и в OLAP-кубах, то есть в наборах предварительно обработанных статистических данных.
Эксперты считают, что в ближайшее десятилетие DM станет одним из перспективных направлений разработки ПО. За счет выявления содержательной структуры в собранной информации и ее анализа в режиме реального времени данная технология станет ключевым методом разработки «индивидуальной Сети», приспособленной под конкретные нужды каждого пользователя.

26

основе нейронных сетей
8) Эволюционное моделирование. Использование генетических алгоритмов
Первый шаг

при построении генетических алгоритмов — это кодировка исходных логических закономерностей в базе данных, которые именуют хромосомами, а весь набор таких закономерностей называют популяцией хромосом. Далее для реализации концепции отбора вводится способ сопоставления различных хромосом. Популяция обрабатывается с помощью процедур репродукции, изменчивости (мутаций), генетической композиции. Эти процедуры имитируют биологические процессы. Наиболее важные среди них: случайные мутации данных в индивидуальных хромосомах, переходы (кроссинговер) и рекомбинация генетического материала, содержащегося в индивидуальных родительских хромосомах (аналогично гетеросексуальной репродукции), и миграции генов. В ходе работы процедур на каждой стадии эволюции получаются популяции с все более совершенными индивидуумами.
Генетические алгоритмы имеют ряд недостатков. Критерий отбора хромосом и используемые процедуры являются эвристическими и далеко не гарантируют нахождения «лучшего» решения. Как и в реальной жизни, эволюцию может “заклинить” на какой-либо непродуктивной ветви. И, наоборот, можно привести примеры, как два неперспективных родителя, которые будут исключены из эволюции генетическим алгоритмом, оказываются способными произвести высокоэффективного потомка. Это особенно становится заметно при решении высокоразмерных задач со сложными внутренними связями.

27

знаниями» родилось в середине 90-х годов в крупных корпорациях, где

проблемы обработки информации приобрели особую остроту, став критическими. Выяснилось, что основное узкое место - это обработка знаний, накопленных специалистами компании (именно такие знания обеспечивают ей преимущество перед конкурентами). Знание, которое не используется и не возрастает, в конечном счете устаревает и становится бесполезным, точно так же, как деньги, которые хранятся, не превращаясь в оборотный капитал, в конечном счете обесцениваются. Знание же, которое распространяется, приобретается и обменивается, наоборот, генерирует новое знание. Средняя компания из Fortune 500 теряет около $64 миллионов в год из-за неэффективного управления знаниями ("Training and Development")

28

вербального обмена информацией между членами коллектива;
создание схемы документирования и

хранения информации;
подбор IT-инструментов, необходимых для выполнения этих задач;
выбор необходимых источников внешней информации.
Управление знаниями позволяет решить четыре основные задачи:
сохранить накопленные знания («явные» и «скрытые»);
создать систему получения и сохранения новых знаний;
преодолеть информационную перегруженность компании;
оптимизировать взаимодействия между подразделениями компании.

29

помощью графических образов, которые генерируются в соответствии с происходящими событиями.

Такие системы используются в мониторинге и управлении оперативными процессами. Графические образы в наглядном и интегрированном виде описывают множество параметров изучаемой ситуации.

Адаптивная информационная система – это информационная система, которая изменяет свою структуру в соответствии с изменением модели проблемной области.
При этом:
адаптивная информационная система должна в каждый момент времени адекватно поддерживать организацию бизнес-процессов;
адаптивная информационная система должна проводить адаптацию всякий раз, как возникает потребность в реорганизации бизнес-процессов;
реконструкция информационной системы должна проводиться быстро и с минимальными затратами.

они делятся на жесткие, мягкие и гибридные
Мягкие вычисления – это

сложная компьютерная методология, основанная на нечеткой логике, генетических вычислениях, нейрокомпьютинге и вероятностных вычислениях.
Жесткие вычисления – традиционные компьютерные вычисления (не мягкие).
Гибридные системы – системы, использующие более чем одну компьютерную технологию (в случае интеллектуальных систем – технологии искусственного интеллекта).

и их характеристики
В общем случае знание — проверенный практикой результат

познания действительности,
верное ее отражение в мышлении человека, обладание опытом и пониманием, которые являются правильными и в субъективном, и в объективном отношении, на основании которых можно построить суждения и выводы, кажущиеся достаточно надежными для того, чтобы рассматриваться как знание
Интеллектуальные системы являются в то же время системами обработки знаний.
Система ИИ = знания + стратегия обработки знаний
Знания – закономерности предметной области (ПО) (принципы, связи, законы), полученные в результате практической деятельности, профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.
Знания – хорошо структурированные данные или данные о данных (метаданные)
Знания в системе ИИ – это информация об объектах и текущих ситуациях, конкретной ПО, а так же способах перехода от одного описания объекта к другому и от одной текущей ситуации к другой

30

отличие от данных знания обладают следующими свойствами:
Внутренняя интерпретируемость - их

можно не только хранить, но и использовать.
Структурированность – декомпозиция сложных объектов на простые и установление связей между ними. Должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа «часть – целое», «род – вид» или «элемент – класс».
Связанность – отражаются закономерности относительно фактов, процессов и явлений ПО и причинно-следственные отношения между ними.
Активность – знания предполагают целенаправленное использование информации и способность управлять информационными процессами по решению определенных задач ПО.

31

знаний
Исследователи в области искусственного интеллекта различными способами классифицируют знания:
фактические и

стратегические знания. Фактические знания —  основные закономерности предметной области, позволяющие решать конкретные производственные, научные и другие  задачи. Стратегические знания — стратегии принятия решений в предметной области;
факты и эвристики. Факты указывают на хорошо известные в той или иной предметной области обстоятельства. Эвристики  основываются на индивидуальном опыте специалиста (эксперта) в предметной области, накопленном в результате многолетней практики. Эта категория знаний нередко играет решающую роль при построении интеллектуальных программ. К эвристикам относятся такие знания, как «способы удаления бесполезных гипотез», способы использования нечеткой информации», «способы разрешения противоречий» и т.п.;
факты и правила. Факты — это знания типа «А — это А», такие знания характерны для баз данных и сетевых моделей. Правила, или продукции, — это знания типа «ЕСЛИ А, ТО В».

32

знаний
декларативные и процедурные знания. Под декларативными знаниями подразумеваются описания фактов,

явлений (типа «A это B») и они характерны для баз данных. К процедурным знаниям относятся сведения о способах оперирования или преобразования декларативных знаний. Процедурные знания – это знания, задаваемые с помощью алгоритмов, функций, процедур;
интенсиональные и экстенсиональные знания. Интенсиональные (обобщенные) знания — это знания о связях между атрибутами (признаками) объектов данной предметной области. Они оперируют абстрактными событиями и отношениями. Экстенсиональные (детализированные) знания представляют собой данные, характеризующие конкретные объекты, их состояния, значения параметров в пространстве и времени;
глубинные и поверхностные знания. В глубинных знаниях отражается понимание структуры предметной области, назначение и взаимосвязь отдельных понятий (глубинные знания в фундаментальных науках — это законы и теоретические основания). Поверхностные знания обычно касаются внешних эмпирических ассоциаций с каким-либо феноменом предметной области;
жесткие и мягкие знания. Жесткие знания позволяют получать однозначные рекомендации при заданных начальных условиях. Мягкие знания допускают множественные, «размытые» решения и различные варианты рекомендаций.

33

знаний
По виду областей использования:
Понятийные – набор основных понятий, которые используются

при решении задачи. Этот тип знаний вырабатывается в фундаментальных науках и теоретических разделах прикладных наук.
Конструктивные – знания о наборах возможных структур объектов и взаимодействии между их частями. Получение этого типа знаний характерно для техники и большей части прикладных наук.
Декларативные - описываются фактами, правилами, списками.
Процедурные – алгоритмы, программы, методы, которые используются в конкретной ПО.
Фактографические – количественные и качественные характеристики объектов и явлений
Метазнания – знания о порядке и правилах применения знаний

35

знаний
По стадиям обработки в экспертных системах:
Z1 – знания в памяти

человека
Z2 – знания на материальных носителях
Z3 – поле знаний (условное описание основных объектов ПО, их атрибутов и законов)
Z4 – знания, описанные на языке представления знаний
Z5 – база знаний на машинных носителях информации. База знаний (БЗ) — это совокупность знаний (долгосрочных данных, а не текущих) предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю

34

ПО = понятийные знания +конструктивные знания
БЗ = модель ПО +

процедурные знания +метазнания +фактографические знания
Модели представления знаний в интеллектуальных системах традиционно делятся на логические (формальные) и эвристические (формализованные).
К логическим моделям относятся:
логика высказываний;
логика предикатов первого порядка;
логика Хорна в языке Prolog и ему подобных системах;
логика предикатов высших порядков;
трехзначная логика;
теория нечетких множеств;
нечеткая логика;
лингвинистические переменные.

34

эвристическим моделям представления знаний можно отнести:
деревья решений;
семантические сети;
фреймы и сети

фреймов;
онтологии;
объектно-ориентированное программирование;
реляционную алгебру;
правила-продукции;
матрицу весов связей обученной нейронной сети.


Наиболее распространенными моделями представления знаний  в информационных системах являются:
логические модели;
продукционные модели;
сетевые модели;
фреймовые модели.
 
 

35

Логические модели
1.1 Основные понятия логики
Основные понятия логики
Логика изучает

законы мышления.
В логике рассматриваются следующие формы мышления:
Понятия
Высказывания
Рассуждения
Понятие о предмете составляет совокупность мысленных признаков предмета.
Основными способами отображения понятий являются:
Сравнение - установление сходства/различия в понятиях.
Анализ - мыcленное расчленение целого на составные части.
Синтез - мысленное создание целого из некоторого числа составных частей.
Абстрагирование - мысленное выделение в понятии определенных признаков объекта и отвлечение от других.
Обобщение - объединение различных объектов в однородные группы на основании присущих им общих признаков.

36

Логические модели
Понятия являются исходным материалом для построения высказываний.
Высказыванием называется предложение,

содержание которого можно оценить как истинное или ложное.
Примеры простых высказываний: Пять меньше трех. Дождь идет. Сегодня ясная погода. Больной не кашляет.
Курса доллара упал.
Сложные высказывания строятся из выражений, обозначающих некоторые понятия и логических связок.
Логические связки:
 не
 и - конъюнкция
 или - дизъюнкция
 если …, то … - импликация
 тогда и только тогда – эквиваленция.

37

Логические модели
Предложения без логических связок называется элементарными.
Элементарное высказывание состоит из

субъекта (логическое подлежащее – дождь…), предиката (логическое сказуемое – идет..) – того, что утверждается или отрицается об объекте.
Из простых высказываний строятся сложные.
«Если 30 делится на 2 (А) и 30 делится на 3 (В), то 30 делится на 6 (С)»
АВС
Простейшей формой рассуждения является умозаключение.
Умозаключение – это получение из одного или нескольких высказываний нового высказывания.
Принято считать, что из высказываний А1, А2,.., An получается высказывание В,
если В истинно по крайней мере тогда, когда истинны А1, А2, ..,An.
А1, А2, ..,An называются посылками.
Новое высказывание В называется заключением, выводом или следствием.

38

Логические модели
Правильные с позиции логики выводы формулируются в виде правил

логического следования (правил вывода).
Рассуждение – это процесс перехода от посылок к выводам, и далее от заключений как новых посылок к новым выводам. Выполняется этот процесс в виде элементарных актов, каждый из которых есть шаг вывода, на котором применяется соответствующее правило вывода и называется он обычно логическим выводом.
Двухпосылочные выводы называются силлогизмами Аристотеля.
Конкретные типы силлогизмов называются модусами. В модусах всегда в посылках присутствуют 3 понятия – большой, малый и средний термины.
В общем случае различают следующие виды рассуждений:
Индуктивные рассуждения - от частного к общему.
Дедуктивные рассуждения (достоверные) - от общего к частному.
Правдоподобные рассуждения - от частного к частному.

39

Логические модели
Нечеткие выводы - истинность посылок принимается с некоторой степенью

уверенности, а заключение из таких посылок выводимо с определенной степенью вероятности. Основываются нечеткие выводы на теории нечетких множеств Л.Заде.
Основные идеи, лежащие в основе дедуктивных рассуждений восходят к работам Аристотеля и состоят в следующем:
исходные посылки рассуждений являются истинными;
правильно применяемые приемы перехода от посылок к выводам, и далее от заключений как новых посылок к новым выводам должны сохранять истинность получаемых утверждений, т.е. истинные посылки порождают истинные утверждения.

40

Логические модели
1.2 Исчисление высказываний
Исчисление – набор определенных действий по заданным

правилам над какими–либо элементами.
Исчисление высказываний оперирует логическими высказываниями
Элементарным высказываниям – элементам исчисления высказывания сопоставляются латинские буквы. Логическая обработка высказываний заменяется обработкой этих букв.
Высказыванию «Автомобиль стоит у дома» сопоставим букву Р.
Если Р является формально правильным, то говорят, что оно принимает значение «истина», в противном случае – «ложь».
Если, например, шофер сидит в автомобиле, то высказывание «Шофер не сидит в автомобиле» - ложно.
Сопоставим этому высказыванию букву Q.
Сложное высказывание P и не Q или P Q означает при этом: Автомобиль стоит у дома и шофер сидит в автомобиле.

41

Логические модели
1.1 Исчисление высказываний
Дадим формальное определение синтаксически правильной построенной формулы

(ППФ) исчисления высказываний:
Каждое элементарное высказывание есть ППФ;
логические константы true и false также есть ППФ;
Если А – формула, то  А также есть ППФ;
Если А и В – формулы, то АВ, АВ, АВ, АВ тоже ППФ;
других правил образования ППФ нет.

42

Логические модели 1.1 Исчисление высказываний Таблица истинности для операций

Логические модели
1.1 Исчисление высказываний
Приписывание логических значений true или false атомарным

формулам, входящим в формулу G называется интерпретацией формулы G. Задав интерпретацию, можно вычислить логическое значение формулы.
Формула называется истинной при некоторой интерпретации, если она имеет значение true в этой интерпретации.
Если формула G содержит n разных атомарных подформул, то она имеет 2 в степени n различных интерпретаций.
Если формула истинна при всех возможных интерпретациях, она называется общезначимой или тавтологией.
Обозначение -
Если формула ложна при всех возможных интерпретациях, то она называется противоречием или невыполнимой.
Обозначение -
Формулы G и H называются эквивалентными G  H , если их логическое значение совпадает при любой интерпретации для G и H.
Путем подбора всех возможных интерпретаций может быть доказана эквивалентность двух формул

43

Логические модели
1.1 Исчисление высказываний
1. G  H  (GH)

 (GH)
2. G  H   G  H
3а. G  H  H  G
3б. G  H  H  G
4а. (G  H)  P)  G  (H  P)
4б. (G  H)  P)  G  (H  P)
5а. G  (H  P)  (G  H)  (G  P)
5б. G (H  P)  (G  H)  (G  P)
6а. G  G  G
6б. G   G
7а. G  

7б .G  
8а. G   G  закон исключенного третьего
8б. G  G  закон противоречия
9. ( G)  G закон двойного отрицания
10а.  (G  H)   G  H законы де Моргана
10б.  (G  H)   G   H

45