В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие icon

В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие




НазваВ. А. Лелюк информационные системы с базами знаний учебно-методическое пособие
Сторінка1/6
>В.А. ЛЕЛЮК<><><>ИНФОРМАЦИОННЫЕ СИСТЕМЫ<> С БАЗАМИ ЗНАНИЙ<><><>У
Дата07.06.2012
Розмір1.21 Mb.
ТипУчебно-методическое пособие
  1   2   3   4   5   6


Министерство образования и науки Украины

Харьковская национальная академия городского хозяйства


В.А. ЛЕЛЮК


ИНФОРМАЦИОННЫЕ СИСТЕМЫ
С БАЗАМИ ЗНАНИЙ


Учебно-методическое пособие для студентов последипломного обучения

по специальности 7.050201 "Менеджмент организаций" специализации "Информационные системы в менеджменте"



  • Моделирование знаний в информационных системах

  • Интеллектуальные расчетно-логические и экспертные системы

  • Математические концептуальные методологии проектирования систем

  • Базовые модели математической теории систем



  • Архитектура интегрированных информационных систем

  • Инструментальные системы для реинжиниринга бизнес-процессов
    и создания интегрированных информационных систем

  • Модели онтологий, онтологические и многоагентные системы

  • Генезис методологий информационных систем с базами знаний



Харьков – ХНАГХ - 2005


УДК 681.3:51


Лелюк В.А.

Информационные системы с базами знаний: Учебно-методическое пособие.- Харьков: ХНАГХ, 2005. – 60 с. ил.

Анализируется процесс возникновения и развития методологий и инструментария проектирования информационных систем, начиная от первых разработок по искусственному интеллекту и программ расчетов, использующих вычислительные схемы, до интегрированных информационных систем предприятий и инструментальных систем поддержки инжиниринга и реинжиниринга бизнес-процессов и автоматизации создания информационных систем. Большое внимание уделено концептуальным методологиям моделирования и проектирования систем, использующим базы знаний в виде метамоделей, в том числе математических метамоделей. Рассмотрены онтологические и многоагентные системы, извлекающие знания из текстов на естественных языках.

Предназначено для студентов специальности 7.050201 «Менеджмент организаций» специализации «Информационные системы в менеджменте» при изучении интеллектуальных систем и систем поддержки принятия решений, экспертных систем, информационных систем и их проектирования, теории систем и системного анализа.

Может быть также полезным для преподавателей и аспирантов, специалистов по информационным системам.


Рецензент: зав. кафедрой информатики и компьютерных технологий, д-р техн. наук,
проф., академик Международной академии информатизации
А.Т. Ашеров



Рекомендовано: кафедрой менеджмента и маркетинга в городском хозяйстве,
протокол № 7 от 13. 04.2005г.;

кафедрой информационных систем и технологий в городском хозяйстве.

протокол № 19 от 25. 03.2005г.


ISBN 966-695-060-Х В.А. Лелюк, ХНАГХ, 2005


Содержание
Введение…………………………………………………………………………...4
1. Развитие моделирования знаний в интеллектуальных системах……………5
1.1. Предыстория моделирования знаний……………………………………….5
1.2. Концептуальные модели в интеллектуальных системах…………………10
Контрольные вопросы……………………………………………………...14
2. Первые подходы к созданию информационных систем с базами знаний...15
2.1. Использование моделей предметной области в программировании........15
2.2. Индустриализация создания автоматизированных систем ……………..16
Контрольные вопросы…………………………………………………… 18
3. Математические концептуальные методы проектирования систем………18
3.1. Автоматизированная система проектирования систем


организационного управления (АСПСОУ)………………………………… 18
Контрольные вопросы и задания…………………………………………..23
3.2. Система концептуального проектирования автоматизированных

систем (КОПАС)…….……..………..…………………………………….…23
Контрольные вопросы и задания…………………………………………..33
4. Новые направления развития методологий проектирования систем……...33
4.1. Общая характеристика направлений совершенствования систем……….33
Контрольные вопросы и задания…………………………………………..39
4.2. Методология ARIS ………………………………………………………....39
Контрольные вопросы и задания………………………………………......45
4.3. Другие методологии………………………………………………………...45
5. Модели онтологий, онтологические и многоагентные системы…………..48
Контрольные вопросы и задания…………………………………………..51
6. Итоговый анализ проблем и перспектив развития концептуальных методологий……………..……………………………………………………….51
6.1.Проблемы универсальности………………………………………………...51
6.2.Проблемы применяемости…………………………………………………..53

Литература………………………………………………………………………..56



Введение


Системы, в которых осуществляется логическая обработка хранимых в их памяти знаний, называют интеллектуальными системами. Традиционно к знаниям в них относили закономерности предметных областей, полученные в результате практической деятельности и профессионального опыта, позволяющие ставить и решать определенные задачи. Предыстория и развитие моделирования знаний в интеллектуальных системах рассмотрены в разделе1. Использование моделей предметной области при программировании вычислительных задач описано в разделе 2.

В настоящее время при инжиниринге и реинжиниринге бизнес-процессов, а также при создании интегрированных информационных систем широко используются инструментальные информационные системы, оперирующие моделями бизнес-процессов. Эти системы рассмотрены в разделе 4. Модели бизнес-процессов хранятся в памяти систем в так называемых репозиториях и являются знаниями о процессах, осуществляемых в конкретных организациях. Для поддержки их формирования используются метамодели, описывающие классы процессов и систем. Их называют также концептуальными моделями, так как они являются понятийными знаниями.

В информационных системах могут выполняться логические операции также и над хранимыми в базе знаний математическими моделями, описывающими конкретные элементы систем или процессы. Для поддержки математического моделирования создаются и хранятся в базе знаний концептуальные модели, описывающие соответствующие математические теории. Наиболее обобщенными являются математические концептуальные модели, которые описывают классы систем с использованием абстрактных теоретических конструкций. Рассмотрению этого направления, возникшего в начале 70-х годов, посвящен раздел 3.

В данном пособии основное внимание уделено концептуальным методологиям моделирования и проектирования систем. Они основаны на использовании хранящихся в памяти проектирующих систем метамоделей, описывающих понятийные знания о проектируемых системах и о той части внешнего мира, к которой имеют отношения эти системы и их входные и выходные объекты. Особенностью этих метамоделей является то, что они описывают не отдельные конкретные системы, а теории систем для охватываемой области знаний, в рамках которых формируются модели этих систем. Ряд представительных методологий и реализующих их систем анализируется в разделах 3,4, в частности, рассматриваются проблемы обеспечения их универсальности и применяемости. Под универсальностью понимается возможный масштаб охвата проектируемых типов систем, объектов, процессов и ситуаций. Применяемость может быть охарактеризована количеством созданных с ее помощью информационных систем и количеством смоделированных и усовершенствованных с ее помощью бизнес-процессов.

Внимание к концептуальным методам усилилось также в связи с созданием рассмотренных в разделе 5 систем автоматизированного извлечения знаний из текстов, накапливаемых во всемирном хранилище информации. Для этого потребовалась разработка операционных моделей таких общих понятий, как сущность, явление и т.п., названных разработчиками этих систем онтологиями. Общепринятого понимания этого термина у них пока еще нет. Оно зависит от контекста и целей его использования. Считается, что впервые его ввел в начале 17-го века немецкий философ Р. Гоклениус, назвав термином «онтология» область знаний, в которой указанные понятия являются объектом изучения.

При анализе путей развития методологий создания информационных систем, - от методологий, использующих вычислительные схемы, до методологий, использующих модели онтологий, стояла задача ответить на такие основные вопросы:
Как соотносятся современные методологии моделирования процессов друг с другом и с ранее разработанными методологиями?
Как шел процесс их развития?
Каковы судьбы глобальных методологий проектирования систем, целостно охватывающих предметную и проблемную области, но возникающих раньше созревания условий их применения и массового осознания их необходимости?
Почему для их реализации не были созданы промышленные инструментальные системы?
Каковы возможные перспективы применения и развития математических концептуальных методов?

Для того чтобы сделать прозрачной хронологию развития методологий проектирования и создания систем, в ссылках на литературу указывается год ее публикации. Для переводной литературы указывается год издания оригинала и год публикации на русском языке.


1. Развитие моделирования знаний в интеллектуальных системах


1.1. Предыстория моделирования знаний


На первых шагах развития программирования, знания об объекте фиксировались процедурно, т.е. в виде команд машинной программы, реализующих определенный алгоритм. Здесь программа является некоторой формой хранения знаний о решаемой задаче. Если эти знания изменялись, то требовалась соответствующая корректировка программы. Одной из первых фиксаций знаний в виде структур данных, описывающих среду, и выполнение их логической обработки было осуществлено в программе GPS («Общий решатель проблем») [1:1959], которая использовала знаковые объекты, описывающие среду. После этого началась активная разработка интеллектуальных систем, использующих семантические модели окружающей среды. В библиографии [2:1963,1967] содержалось описание более тысячи подобных разработок по искусственному интеллекту.

Следующий этап развития этого направления освещен в работах [3:1972;4:1974,1979;5:1975,1978;6:1976;7:1977,1980;8:1979;9:1981;10:1984]. В них были предложены методы моделирования предметной области для систем искусственного интеллекта с применением таких видов представления знаний о предметной области, как рассмотренные ниже семантические сети, фреймы, продукционные и предикатные модели, алгебра нечетких множеств, и другие. Термин «предметная область» заимствован из логики предикатов, в которой предметную область представляют элементы множеств, подставляемые вместо переменных [11:1967,1973]. В англо-русском словаре по программированию и информатике, изданном в 1989 г. термин «предметная область» (application domain) определяется как совокупность понятий и объектов, информация о которых хранится в базе данных и обрабатывается программой. Используется также термин «проблемная область», который обозначает не только предметную область, но и решаемые в ней задачи.

Одной из первых моделей представления знаний о предметной области явились семантические сети. Их вершины (узлы) описывают объекты, а соединяющие их дуги – отношения между ними. Выделяются структурные, функциональные, количественные, пространственные, хронологические, атрибутивные, логические и лингвистические типы отношений.

Пример семантической сети, объектами которой являются интервалы времени, связанные между собой отношениями вложенности (в) и следования (с), приведен на рис.1. Эта сеть может представлять хронологическую структуру событий, описанных, например, следующим текстом [10]: «Сегодня с 14 до 16-ти часов Иванов читал лекции в университете. Вечером он беседовал с Петровым по поводу его дипломной работы. Вчера утром до 10 часов Иванов редактировал доклад. За неделю до этого, 3 апреля, выступал на конференции в Москве».

Этому тексту соответствует дополнительная семантическая сеть, показанная на рис.2. Здесь в сеть введены отношения, связывающие более двух объектов. Они изображены вершинами, представляющими действия над объектами. Используя подобные сети, программы могут формировать ответы на некоторые вопросы в данном контексте.

Например, они могут ответить, где и когда выступал Иванов на симпозиуме, когда он читал лекцию и т.д. Кроме этого, используя транзитивность отношения временного следования и симметричность отношения «беседовать», можно логически вывести ответ, что Петров беседовал с Ивановым после 3 апреля.

Над семантическими сетями можно производить действия, например, устанавливать соответствия между элементами сетей и объединять их.





Фреймы, предложенные Марвином Минским [4], описывают общую рамку (англ. frame) моделируемой стереотипной ситуации, содержащую наиболее характерные, часто повторяющиеся черты ряда близких ситуаций, принадлежащих одному классу. Фреймы содержат элементы, называемые слотами, которым присваивают значения и формируют фреймы-экземпляры. Структура фрейма может быть представлена в виде табл. 1. Фреймы-образцы создаются заранее и хранятся в базе знаний.

Таблица 1 - Структура фрейма

^ Имя фрейма

Имя слота

Значение слота

Способ получения значения

Процедура

























Если в качестве значения слота используется имя другого фрейма, то образуется сеть фреймов. Возможны следующие источники получения значений слотов во фрейме-экземпляре:
- от фрейма-образца (по умолчанию);
- по формуле, указанной в слоте;
- через присоединенную процедуру;
- явно из диалога с пользователем;
- из базы данных;
- через наследование свойств от фрейма, указанного в слоте фрейма более высокого уровня иерархии.

В слот может входить как одно, так и несколько значений. Он также может содержать компонент, называемый фасетом, задающий диапазон его возможных значений или границы диапазона. Представление фрейма в виде иерархической сети узлов, связанных дугами, приведено на рис.3.

Существуют два вида фреймов: статические и динамические (сценарии). Фрейм-сценарий описывает типовую структуру некоторого события, включающую характерные его элементы. Такой фрейм является совокупностью вопросов (терминалов фрейма), которые надо задать относительно некоторой ситуации, и способов ответа на них.

Например, для того чтобы понять наблюдаемый процесс, человек может задать такие вопросы: Какова причина процесса? Кто его осуществляет? Какова цель процесса? Каковы последствия? Кто потребитель результатов процесса? Каким образом он происходит?

Имея ответы на ограниченный круг вопросов можно понять большое количество реальных ситуаций. Отсюда следует, что с помощью фреймов можно построить относительно простые модели окружающего мира, достаточные для принятия решений в описываемых ситуациях. У фреймов-сценариев каждый терминал должен содержать рекомендации, как получить ответ на вопрос.

Сценарий описывается системой фреймов, представляющей последовательность действий, связанную причинно-следственными отношениями для часто встречающихся ситуаций. Результатом каждого действия являются условия, при которых может произойти следующее действие. Фиксируются роли исполнителей работ и их различные точки зрения на ситуацию.
Примером такого сценария является посещение ресторана, которое может быть описано с точки зрения посетителя следующими действиями [4]:
^ Сцена 1. Вход: Войти в ресторан - Посмотреть, где есть незанятые столы - Выбрать стол - Направиться к столу - Сесть.
Сцена 2. Заказ: Получить меню - Прочитать меню - Решить, что заказать - Сделать заказ официанту.
Сцена 3. Еда: Получить пищу и напитки - Съесть пищу.
Сцена 4. Уход: Попросить счет – Оплатить счет - Выйти из ресторана.

Помимо действий посетителя могут быть заданы действия (определены роли) и для других участников сценария: официанта, кассира, администратора.
В каждом сценарии могут варьироваться варианты выполнения действий, в зависимости от обстоятельств. Например, в сцене 2 заказ можно сделать письменно, устно и жестами. В сцене 4 заплатить можно деньгами официанту или кассиру либо дать указание снять деньги со своего счета.

На рис.3 данный фрейм-сценарий изображен в виде древовидного графа с выделением последовательностей сцен, действий и их вариантов.

В общем случае, сценарий это не просто последовательность событий, а причинно-следственная цепь действий. Возможны прерывания последовательности действий сценария другим сценарием. Могут возникнуть препятствия, если что-то помешает обычному действию. Действие может завершиться не так, как требуется. Поэтому при формировании фрейма должны быть предусмотрены новые действия, являющиеся реакцией на препятствия и ошибки.


Рассмотренные выше семантические сети могут являться графической формой представления фреймов, если их дополнить описанием действий и правилами выполнения. В последние годы термин фреймовый часто заменяют термином объектно-ориентированный. При этом шаблон фрейма можно рассматривать как класс, а экземпляр – как объект.

Продукционной моделью представления знаний является предложение типа «если выполняется условие А, то надо осуществить действия Б». Для таких моделей могут производиться два варианта логических выводов: прямой вывод – от фактов, хранящихся в базе фактов, к поиску цели, и обратный вывод - от цели к фактам, чтобы ее подтвердить.

Программа, осуществляющая логический вывод, называется машиной вывода. Она выполняет такие функции:
- просмотр и добавление существующих фактов (из базы данных) и правил (из базы знаний);
- определение порядка просмотра и применения правил.

Для вывода используется правило заключения, называемое modus ponens: если истинно утверждение А и имеется правило «если А, то В», то утверждение В также истинно. Полученные программой логические заключения сохраняются для пользователя. Эта программа может запрашивать у него дополнительную информацию, если будет недостаточно данных для срабатывания очередного правила.

Предикатные модели основаны на исчислении предикатов 1-го порядка, когда предметная область или задача описывается в виде набора аксиом. Эти модели предъявляют жесткие требования к логике знаний о предметной области, и поэтому их применение ограничивается лишь исследовательскими задачами.

Формальный аппарат нечеткой (fuzzy) алгебры и логики был предложен Лотфи Заде [3]. Он ввел понятие лингвистической переменной, значения которой определяются набором словесных характеристик некоторого свойства. Например, возраст человека может определяться такими характеристиками, как младенческий, детский, юный, молодой, зрелый.

Значения лингвистической переменной задаются в виде базовой шкалы и функции принадлежности. Эта функция, принимая значения на интервале [0,1], определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определенному нечеткому множеству.

Например, определение нечеткого множества «высокая цена» для лингвистической переменной «цена автомобиля в условных единицах» может быть таким: {50000/1, 25000/0,8, 10000/0,6, 5000/0,4}, а нечеткого множества «младенческий возраст» для лингвистической переменной «возраст»: {0,5/1, 1/0,9, 2/0,8,…,10/0,1}.

Для логического вывода на нечетких множествах используются специальные отношения и операции над ними. Рассмотренный метод представления знаний был применен в медицинской экспертной системе MYCIN [6], где при выводе диагноза и рекомендаций использовались коэффициенты уверенности.


^ 1.2. Концептуальные модели в системах искусственного интеллекта

Одной из первых расчетно-логических прикладных систем искусственного интеллекта, доведенных до коммерческого уровня, явилась инструментальная система программирования ПРИЗ (ПРограмма, Использующая Знания) [9,10]. В ней был осуществлен переход от предварительного формирования обычных вычислительных моделей к понятийному моделированию теорий предметных областей. Вычислительные модели представляли знания о задаче. Они удовлетворяли требованиям программ и эффективности реализации. Для их представления в памяти системы использовались семантические сети, содержащие отношения, по которым можно производить вычисления, причем, не только для явно заданных функций, но и по программам, полученным методом структурного синтеза. Над вычислительными моделями могут выполняться такие же действия, как и над семантическими сетями. Если условия задачи заданы в виде текста, то построение вычислительных моделей производится аналогично семантическим сетям. Всем операторам вычислительной модели сопоставляются отношения вычислимости. В результате формируется система аксиом, на основе которой методом структурного синтеза строятся программы для решения тех задач, которые разрешимы на вычислительной модели.

Новым в системе ПРИЗ стало то, что вычислительные модели здесь не задавались заранее, а логически формировались в режиме управляемого диалога с пользователем с помощью, представленных в памяти компьютера, метамоделей теорий предметных областей. Такой подход позволил упростить и ускорить процесс моделирования и решения вычислительных задач. Для описания моделей представления знаний о предметной области использовались специальные языки.

Сформированные вычислительные модели затем использовались для программного контроля и выявления возможной неполноты и противоречий в задании пользователя. После обеспечения и доказательства правильности вычислений (вычислимости) производилось генерирование программ решения задач.

Авторы назвали эту технологию концептуальным программированием. Ее сущность раскрыта в табл. 2, где выделены функции системы и в целом входные и выходные объекты. Выходными объектами системы ПРИЗ стали не только программы, но и математические постановки вычислительных задач, а также схемы вычислений.

^ Таблица 2 - Функциональная структура системы ПРИЗ

Функции

Выход

Вход

1.Формирование математической постановки вычислительной задачи.

2. Формирование схемы вычислений.

3. Генерирование программы решения задачи.

1.Модель математической постановки вычислительной задачи.

2. Схема вычислений.

3. Программа решения задачи.

1.Содержательная постановка вычислительной задачи.

2.Метамодель постановки задачи.

3.Формализованные теории предметной области,



Однако попытки целостного описания таких достаточно формализованных дисциплин, как теория упругости, теория автоматического управления, исследование операций, наталкивались на трудно преодолимые преграды. Это связано с тем, что каждая из перечисленных дисциплин не имеет единого теоретического описания, а представляет собой совокупность различных несистематизированных теоретических подобластей. Для построения их концептуальных моделей требуется предварительно выделить базовые понятия, отношения между ними и постулированные свойства этих отношений. После этого могут логически выводиться производные свойства.

Примером системы, в которой требовалось формировать модели не только в понятиях исходной области знаний, но и в понятиях выбираемой математической теории является система МАВР [12:1984], предназначенная для автоматизации проектирования технических энергетических систем.

В этой системе вначале разрабатывался вариант исходной технической модели, элементы которой отображали конкретные элементы проектируемой энергетической системы. Затем формировалась ее математическая модель. С ее помощью решались вычислительные задачи, а полученные результаты присваивались элементам исходной модели. Эти переходы обеспечивались программой, называемой процессором переформулирования задач, и программой-планировщиком.

Данная методология, однако, не могла быть использована для проектирования объектов, отдельные части которых или аспекты описывались в разных областях знаний. В этом случае для моделирования и последующего интегрирования проектных решений требовался уровень метазнаний, обеспечивающий контролируемое совместное использование понятий разных предметных областей знаний.

Другим видом коммерческих прикладных систем искусственного интеллекта в тот период явились экспертные системы (ЭС) [6,13,14: 1984,1987;15:1987;16:1986,1989;17:1988,1990], в которых моделируются правила выбора решений в результате изучения и анализа опыта работы ведущих специалистов, выступающих в роли экспертов соответствующей области знаний. Используя эти правила, системная программа осуществляет логический вывод решения в соответствии с заданием пользователя, в котором содержатся исходные характеристики объекта, и объясняет логику вывода.

Примерами таких решений являются диагнозы болезни пациента, возможные неисправности в технических системах, решения о возможности кредитования клиентов банка и т.п.

Экспертные системы могут также обладать способностью прогнозирования, определяя последствия наблюдаемых событий, и предсказания, позволяя пользователям оценивать возможное влияние новых фактов, стратегий и процедур на решения. Эти системы выполняют также функцию справочников наилучших методов, фиксируя и тиражируя персональный опыт специалистов, в том числе тех, кого уже нет в живых, и могут использоваться для обучения. Кроме этого, ЭС решают задачи планирования действий для достижения желаемого состояния объекта и слежения за его состоянием и отклонениями от заданных состояний.

Экспертная система включает в себя следующие компоненты:
- базу знаний, включающую в себя правила, факты и (для гибридных систем) модель предметной области;
- рабочую память (РП), содержащую базу данных;
- решатель, или интерпретатор;
- компоненты, обеспечивающие приобретение знаний, диалог с пользователем и объяснение результата.

Решатель формирует последовательность правил, которая, будучи применена к исходным данным, обеспечивает решение задачи. Данные, содержащиеся в рабочей памяти, определяют объекты, их характеристики и значения, существующие в проблемной области.

Правила определяют способы манипулирования данными, характерные для проблемной области. Эти правила «извлекаются» инженером по знаниям из специалиста (эксперта) в этой области и записываются в ЭС с помощью компонента приобретения знаний, что позволяет системе после этого самостоятельно решать задачи, которые ставит ей пользователь.

Вообще, знания специалиста можно разделить на формализованные и неформализованные знания. Первые представляют собой утверждения в виде законов, формул, моделей, алгоритмов в рамках определенных теорий. Вторые – это эмпирические и эвристические приемы и правила, являющиеся результатом обобщения опыта и интуиции специалистов и поэтому квалифицируемые как субъективные и приблизительные знания.

Соответственно этому, и задачи, решаемые на основе точных знаний, называют формализованными, а задачи, использующие неполные, неоднозначные и противоречивые знания, называют неформализованными. Они не могут быть представлены в числовой форме. У них невозможно однозначное алгоритмическое решение. Цель задачи не может быть выражена в виде четко определенной целевой функции. Система объяснений сообщает пользователю, как выбирались и использовались правила для информации, введенной пользователем. Это позволяет ему совершенствовать свою работу, учась на собственных ошибках, и улучшать работу ЭС, модифицируя старые и вводя новые знания.

Рассмотрим пример работы ЭС для варианта прямого логического вывода с использованием продукционных правил. В них условие определяет образец ситуации, при которой оно выполняется. Эти образцы сопоставляются с текущими данными в рабочей памяти, описывающими ситуацию, и по результату сопоставления выполняется или не выполняется требуемое действие.

Пусть в базе знаний имеются следующие правила: 1. «^ Если Двигатель не заводится И Фары не светят, ТО Сел аккумулятор». 2. «Если Указатель бензина находится на нуле, ТО Двигатель не заводится». Предположим, что в рабочую память (РП) от пользователя ЭС поступили факты: Фары не светят, и Указатель бензина находится на нуле.

Здесь правило 1 не может быть задействовано, а правило 2 может, так как совпадающий образец присутствует в РП. Полученное заключение этого правила – образец Двигатель не заводится, записывается в РП. Теперь, при втором цикле сопоставления фактов в РП с образцами правил, может быть реализовано правило 1, так как конъюнкция его условий (одновременность их выполнения) становится истинной. Пользователю будет выдан окончательный диагноз - Сел аккумулятор.

При обратном логическом выводе вначале выдвигается гипотеза окончательного диагноза - ^ Сел аккумулятор. Затем отыскивается правило, заключение которого соответствует этой гипотезе. Это - правило 1. Но оно не может быть выполнено из-за отсутствия в РП образца Двигатель не заводится. Теперь программе нужно найти правило, заключение которого соответствует новой цели. После того, как оно будет найдено (правило 2), исследуется возможность его применения. Оно может быть реализовано, так как в РП есть фактическая информация, совпадающая с образцом в этом правиле. Результат его применения Двигатель не заводится, записывается в РП. Так как условная часть правила 1 теперь подтверждена фактами, то оно может быть выполнено, и выдвинутая начальная гипотеза подтверждается.

Коммерческие экспертные системы содержат в своей базе знаний несколько тысяч правил. К концу 80-х годов объем продаж ЭС приблизился к 1млрд. долларов.

Характеристика ЭС может быть выполнена по следующим признакам: тип реализуемых функций (анализ, синтез), изменяемость или неизменяемость знаний (динамика, статика), детерминированность или неопределенность знаний, использование одного или многих источников знаний. По этим признакам выделяются следующие виды ЭС:

- классифицирующие ЭС, решающие задачи распознавания ситуаций с использованием дедуктивного логического вывода;

- доопределяющие ЭС, решающие задачи интерпретации нечетких знаний и выбора направлений поиска с использованием нечеткой логики и других методов обработки неопределенных знаний;

- трансформирующие ЭС, являющиеся синтезирующими динамическими системами, так как при решении задач преобразования изменяется информация о предметной области. В них могут использоваться метазнания для устранения неопределенностей в ситуациях;

- многоагентные системы (МАС), представляющие собой множество автономных компьютерных программ (агентов), действующих в интересах определенных пользователей. Они взаимодействуют между собой в процессе решения определенных задач и используют многие разнородные источники знаний. Эти системы будут подробнее рассмотрены в разделе 5.

Для разработки этих систем был создан универсальный язык инженерии знаний, содержащий конструкты, которые применялись в разных прикладных областях и для разного типа систем [16].

Теория и практика моделирования предметной области в прикладных системах искусственного интеллекта отражена также в работах [18:1975;19:1981; 20-21:1989; 22:1990; 23:1988,1991]. Использование моделей представления знаний о предметной области стало рассматриваться как определяющий признак интеллектуальных систем. Были сформированы теории представления знаний и теории манипулирования знаниями. На пользовательском уровне при формировании моделей предметной области использовались языки представления знаний. Их элементами, задающими схемы описания понятий, являются так называемые ленемы [22]. Обработка хранимых моделей осуществлялась с использованием формальных методов.

К концу 80-х годов появились работы, в которых знания представлялись в виде логических моделей, включающих в себя множество базовых элементов, множество синтаксических правил с подмножеством аксиом и множество правил вывода, и обрабатывались средствами логического программирования, в частности, с использованием языка ПРОЛОГ [24-26:1988,1990].

Контрольные вопросы

1. Как охарактеризовать универсальность и применяемость методологий и инструментальных средств, используемых для проектирования систем? 2. В чем состоит отличительная особенность концептуальных методологий проектирования систем? 3. Что такое онтология и чем вызван интерес к ней разработчиков интеллектуальных систем?
4. Что такое предметная область, и какие типы моделей предметной области существуют?
5. Что такое семантические сети и фреймы, и чем они отличаются? 6. Что собой представляют продукционные и предикатные модели? 7. Что такое концептуальное моделирование и чем оно отличается от непосредственного моделирования предметной области? 8. Какие функции выполняет система концептуального программирования ПРИЗ? 9. Какие особенности, в отличие от системы ПРИЗ, имеет система МАВР? 10. Что является объектом моделирования в экспертных системах? 11. Какова структура экспертных систем? 12. Что такое формализованные и неформализованные знания и задачи? 13. Как функционирует решатель экспертных систем? 14. Зачем нужен уровень метазнаний в системах искусственного интеллекта?




2. Первые подходы к созданию информационных систем с базами знаний


2.1. Использование моделей предметной области в программировании

Моделировать предметную область при программировании стали значительно раньше, чем появилось соответствующее понятие. Так, в отечественной практике разработки программ описания предметной области начали применяться еще в 60-х годах. Такая технология программирования обеспечивала независимость программ от специфики конкретной предметной области. Этим она отличалась от обычного программирования, при котором программист неявно использовал свои знания о предметной области при написании текстов программ. Недостатком обычного программирования было то, что при возникновении изменений в предметной области или при переходе к другим ее конкретным вариантам требовалась переработка программного обеспечения, которая могла осуществляться, как правило, только авторами отдельных программ, что создавало дополнительные проблемы. Выходом из этой ситуации и стало формирование знаний о предметной области в явной форме, отдельно от программ, и проведение вычислений в режиме интерпретации этих описаний с поиском и подключением необходимых вычислительных подпрограмм.

Одним из примеров использования таких описаний являются программы расчета тепловых схем электростанций, разработанные в Харьковском филиале института механики Академии наук Украины [1:1965]. Описание тепловых схем формировалось в виде графа, отображающего в закодированном виде поток движения воды и водяного пара. Вершины графа представляли тепловые установки или их части и имели отсылки к программам расчета необходимых параметров. В результате стало возможным рассчитывать различные варианты тепловых схем электростанций с помощью одного и того же программного обеспечения. Требовалось только изменить элементы графа и связи между ними. После проведения расчетов выбиралась тепловая схема электростанции, обеспечивающая максимально возможный коэффициент полезного действия. Для реального внедрения этих программ в практику проектирования требовалось обеспечить автоматизированную поддержку процесса формирования проектировщиками моделей вариантов тепловых схем электростанций. Однако существовавшие тогда технические возможности вычислительных машин еще не позволяли этого сделать.

В дальнейшем для усовершенствования этой технологии были использованы методы ассоциативного программирования [2:1968] и затем были разработаны программы для АСУ предприятий горной промышленности [3:1971]. В них модель предметной области формировалась, в частности, в виде древовидных графов, отображающих структуру затрат, начислений и т.п. Висячие вершины этих деревьев содержали отсылки к локальным программам расчета. Поступающим заданиям на определенный вид расчета присваивался многопозиционный семантический код, чтобы с его помощью управляющая программа отыскивала в древовидном графе требуемую подпрограмму, запускала ее и накапливала итоговые величины в соответствии с иерархией вершин дерева.

Для моделей предметной области в виде многоуровневых деревьев была поставлена и решена задача оптимизации длины их списков для условий использования запоминающих устройств с разной скоростью доступа [4-6:1970-72]. Это позволило существенно ускорить процессы поиска описаний в памяти системы, их корректировки и последующей логической обработки.

Подобные технологии программирования применялись позднее и для обеспечения универсальности средств автоматизации программирования [7:1973,1975;8:1984]. Однако при повышении универсальности программных систем усложнялась и удорожалась их эксплуатация. После появления технических и информационно-программных средств, обеспечивающих взаимодействие пользователей с компьютерами в режиме непосредственного диалога, модели предметной области стали в большей степени использоваться в компиляционном режиме с автоматизированным формированием специализированных программ [9:1986, 10:1988]. Но здесь возникли трудности обеспечения взаимной увязки моделей нескольких предметных областей, которые необходимо было одновременно охватывать в процессе проектирования указанных систем.
  1   2   3   4   5   6

Схожі:

В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconУчебно-методическое пособие для выполнения контрольной работы по дисциплине
Данное учебно-методическое пособие является частью учебных материалов по курсу «Финансы предприятий». В пособии упорядочена система...
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconУчебно-методическое пособие для врачей общей практики, урологов, гинекологов, неврологов. Челябинск 2003
Учебно-методическое пособие подготовлено сотрудниками кафедры урологии и андрологии Уральской государственной медицинской академии...
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие icon«Геоинформационные системы и технологии»
Учебно-методическое пособие предназначено для того, чтобы помочь студентам начать использовать современное программное обеспечение...
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconУчебно-методическое пособие. Донецк: Норд-Пресс, 2005. 79 с
К14 Казаков, В. Н. Дистанционное обучение в медицине : учебно-методическое пособие. Донецк: Норд-Пресс, 2005. 79 с
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconГеодезических измерений
Теория математической обработки геодезических измерений. Часть 2 Способ наименьших квадратов. Учебно-методическое пособие (для студентов...
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconМетодическое пособие / Под науч. Ред. Н. В. Кузьминой. М., 2006. С. 16 34
Аргунова Е. Р., Жуков Р. Ф., Маричев И. Г. Активные методы обучения: Учебно – методическое пособие / Под науч. Ред. Н. В. Кузьминой....
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconУчебно-методическое пособие по курсу «История еврейского народа». Киев: мсу, 1998 г. 56 с. Составитель
Учебно-методическое пособие по курсу «История еврейского народа». Киев: мсу, 1998 г. 56 с
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconХарьковская национальная академия городского хозяйства в. А. Лелюк, А. В. Лелюк, Н. П. Пан совершенствование бизнес-процессов
Лелюк В. А., Лелюк А. В., Пан Н. П. Совершенствование бизнес-процессов: Пер с укр. / Под ред. В. А. Лелюка: Учебное пособие. Харьков:...
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconІнформаційні системи в невиробничій сфері
Гаранин Н. И., Забаев Ю. В., Сеселкин А. И. Информационные технологии в туризме: Справочно-методическое пособие. –М., 1996
В. А. Лелюк информационные системы с базами знаний учебно-методическое пособие iconБбк 78. 30 3-63 Зиновьева Н. Б
Зиновьева Н. Б. Документоведение. Учебно-методическое пособие. М.: Профиздат, 2001. – 208 с
Додайте кнопку на своєму сайті:
Документи


База даних захищена авторським правом ©zavantag.com 2000-2013
При копіюванні матеріалу обов'язкове зазначення активного посилання відкритою для індексації.
звернутися до адміністрації
Документи