Inženjerstvo znanja i stjecanje znanja. Inženjering znanja Modeli predstavljanja znanja

Inženjerska disciplina koja se bavi integracijom znanja s računalnim sustavima za rješavanje složenih problema koji obično zahtijevaju visoku razinu ljudske stručnosti:

upravljanje konfiguracijom znanja (računovodstvo);
upravljanje promjenama (evolucija);
logistika (traženje i dostava po potrebi).

Na visokoj razini, proces inženjerstva znanja sastoji se od dva:

Ekstrakcija znanja- transformacija “sirovog znanja” u organizirano znanje, proces dobivanja znanja iz njegovih izvora, koji mogu biti materijalni mediji (spisi, dokumenti, knjige) i eksperti (grupe stručnjaka). To je dio inženjerstva znanja.
Implementacija znanja- transformacija organiziranog znanja u realizirano, proces transformacije organiziranog znanja u realizirano.

Tehnologije upravljanja znanjem

Razlikuju se sljedeće tehnologije upravljanja znanjem:

rad s prešutnim znanjem(prešutno znanje) u glavama stručnjaka(najčešće se na njih misli kada govorimo o “upravljanju znanjem”). Kognitolog (uloga):
- pomaže ekspertu identificirati i strukturirati znanja potrebna za rad ekspertnog sustava, izvlači neformalna znanja iz eksperta;
- odabire intelektualni sustav koji je najprikladniji za određeno problemsko područje, te određuje način na koji je znanje predstavljeno u ovom IS-u;
- odabire i programira standardne funkcije koje će se koristiti u pravilima koje je unio stručnjak.
rad s pisanim znanjem("upravljanje znanjem" proširuje se na računala: korporativno upravljanje znanjem, upravljanje znanjem) - naglasak na "pretraživanju cijelog teksta", "semantičkom pretraživanju", "automatskom označavanju".
1. NLP kao datalogička disciplina („rad prema formi“), valna tehnika, perceptivni modaliteti, submodaliteti, prostorno označavanje, kalibracija
2. korištenje web 2.0 (blogovi i wiki)
rad s pisanim formalnim znanjem(inženjering znanja, koji je također uključen u upravljanje znanjem, ali ne tako pouzdano) - naglasak na strukturnim bazama podataka, inženjerskim modelima, integraciji podataka. Većina tehnologija u inženjerstvu znanja slijedila je put implementacije takozvane "semantičke mreže", Husserl-Wittgenstein-Bungeovog pristupa da se znanje može prikazati činjenicama (a činjenice su odnosi između koncepata). Iz skupa činjenica nastaje semantička mreža (vidi recenziju Johna F. Sowa), u kojoj rubni odnosi povezuju koncepte vrhova. Ideju pohranjivanja i korištenja znanja u semantičkom obliku implementirale su mnoge gotovo nepreklapajuće zajednice prakse, što je rezultiralo pojavom ogromnog broja implementacija i standarda u kojima niti jedna riječ nije ista, ali koji su ideološki i tehnološki kompatibilni.
1. Modeliranje podataka + integracija podataka. Koriste se kada je potrebno kombinirati podatke iz više CAD sustava različitih dobavljača tijekom izgradnje velikog industrijskog objekta. Ključne riječi: ISO 15926, Gellish, ISO 10303. Umjesto riječi "ontologija" kažu "model podataka". : praktički ništa, svi upiti za podatke. Svi se bore znanjem prsa u prsa. Nema grafike, samo XML, vlasnički formati za pohranu Sheme podataka u svakom pojedinačnom CAD sustavu. Nedavno su se pojavila druga rješenja usmjerena na integraciju heterogenih podataka, na primjer iz CYC i (na temelju standardizirane UMBEL ontologije, izražavanja u RDF-u i omogućavanja pristupa podacima putem HTTP-a, vidi). ISO 15926-7 projekti svode se na istu stvar: određena ontologija + semantički web standardi.
2. Konceptna karta() Koristi se za (često suradnju putem weba) obrazovni i kreativni rad. Formati ključeva (svi u XML-u): XCT 3.0, ali spremna za konzumaciju Tematska karta, i mnogo više za uređivanje i prikaz. Alati za upravljanje znanjem: grafički prikaz, kombiniranje mreža koje su nacrtala dva sudionika kreativnog procesa. Bliski srodnik je MindMap, gdje uopće nema grafa, već lijepo nacrtano stablo, a veze su neimenovane.
3. Konceptualni grafovi Koristi se za akademske studije umjetne inteligencije, ekspertnih sustava, agentskih sustava i drugih klasika žanra. Oslanjaju se na rad filozofa i logičara Piercea ("inteligentno indeksiranje"), ključna osoba je John F. Sowa. Ključni format za pohranu znanja: tri sintakse, od kojih je glavna CGIF (XML). Alati za upravljanje znanjem: Common Logic (ili ISO ISO/IEC IS 24707:2007, ).
4. Mapa tema Oni će se koristiti za inicijative upravljanja znanjem - a došli su od katalogizatora (bibliografa). Veliki ljubitelji standardizacije (vidi), ali su izgubili fokus (neumoljivo ih privlači opće modeliranje podataka, u čemu gube od pristupa semantičkom webu). Ključni formati za pohranu znanja: ISO 13250, XTM 2.0, HyTM. Alati za upravljanje znanjem: koristi se topic map engine (desetak opcija), jer je TMAPI 2.0 standardiziran. Osim toga, poseban standard za određivanje ograničenja za tematske karte - ISO/IEC FCD 19756 (TMCL) - stigao je do cilja, a jezik upita za tematsku mapu (projekt ISO 18048) je, čini se, zastao.

17.2. Praktične metode izvlačenja znanja

17.3. Strukturiranje znanja

Središnji problem u stvaranju inteligentnih informacijskih tehnologija je adekvatna reprezentacija znanja stručnjaka u memoriji računala. To je dovelo do razvoja novog pravca u informatici - inženjerstva znanja, gdje se utvrđuje odnos između ljudskog znanja i njegovog formaliziranog (informacijskog) prikaza u računalu. Inženjerstvo znanja proučava i razvija pitanja vezana uz stjecanje znanja, njegovu analizu i formalizaciju za daljnju implementaciju u inteligentni sustav.

Svrha poglavlja– dati pregled glavnih teorijskih aspekata inženjerstva znanja i predstaviti neke praktične metode rada inženjera znanja.

Nakon proučavanja ovog poglavlja trebali biste znati:

Pristupi stjecanju znanja pri razvoju ekspertnih sustava

Teorijski problemi koji se javljaju u pronalaženju znanja

Značajke psiholoških i jezičnih čimbenika koje treba uzeti u obzir inženjer znanja

Utjecaj filozofije znanja na rad inženjera znanja

Metode inženjera znanja pri radu s izvorom znanja

Metode ekstrakcije znanja

Suština stručnih igara

Metode izvlačenja znanja iz tekstova

Strukturiranje stečenog znanja

Formiranje pojmovne i funkcionalne strukture predmetnog područja

Kako se formalizira znanje i formira baza znanja?

17.1. Teorijski aspekti stjecanja znanja

Strategije stjecanja znanja

Psihološki aspekt

Lingvistički aspekt

Epistemološki aspekt

STRATEGIJE ZA DOBIVANJE ZNANJA

Postoji nekoliko strategija za stjecanje znanja. Najčešći:

stjecanje;

izvlačenje;

formiranje.

Pod, ispod stjecanje znanja razumije način automatizirane izgradnje baze znanja kroz dijalog između stručnjaka i posebnog programa (u ovom slučaju struktura znanja unaprijed je ugrađena u program). Ova strategija zahtijeva značajno preliminarno proučavanje predmetnog područja. Sustavi za stjecanje znanja zapravo stječu već gotove dijelove znanja u skladu sa strukturama koje su postavili tvorci sustava. Većina ovih alata je specifično usmjerena na specifične ekspertne sustave sa strogo definiranim predmetnim područjem i modelom reprezentacije znanja, tj. nisu univerzalni. Na primjer, sustav TEIRESIAS, koji je postao rodonačelnik svih alata za stjecanje znanja, namijenjen je nadopunjavanju baze znanja sustava MYCIN ili njegovih podružnica, izgrađenih na „školjci“ EMYCIN u području medicinske dijagnostike korištenjem proizvodnje model reprezentacija znanje.

Termin izvlačenje znanja tiče se izravnog živog kontakta između inženjera znanja i izvora znanja. Autori nastoje koristiti ovaj termin kao obimnije i točnije izražajno značenje postupka prijenosa kompetencije stručnjaka preko inženjera znanja u bazu znanja ekspertnog sustava.

Termin oblicimagorestjecanje znanja tradicionalno se pripisuje iznimno perspektivnom i aktivno razvijajućem području inženjerstva znanja koje se bavi razvojem modela, metoda i algoritama za analizu podataka za stjecanje znanja i učenje. Ovo područje uključuje induktivne modele za generiranje hipoteza iz uzoraka za obuku, učenje po analogiji i druge metode.

Dakle, možemo razlikovati tri strategije za provođenje faze stjecanja znanja u razvoju ekspertnih sustava (slika 17.1).

Riža. 17.1. Tri strategije za stjecanje znanja

U sadašnjoj fazi razvoja ekspertnih sustava u našoj zemlji, strategija ekstrakcije znanja je izgleda najrelevantnija, budući da na domaćem softverskom tržištu praktički ne postoje industrijski sustavi za stjecanje i oblikovanje znanja.

Ekstrakcija znanja– ovo je postupak interakcije između stručnjaka i izvora znanja, zbog čega proces razmišljanja stručnjaka prilikom donošenja odluke i struktura njihovih ideja o predmetnom području postaju jasni.

Trenutačno većina programera ekspertnih sustava primjećuje da proces ekstrakcije znanja ostaje najveće usko grlo u izgradnji industrijskih sustava.

Proces ekstrakcije znanja je dugotrajan i naporan postupak u kojem inženjer znanja, naoružan posebnim znanjima iz kognitivne psihologije, analize sustava, matematičke logike itd., treba rekreirati model predmetnog područja koji stručnjaci koriste za izradu odluke. Često početnici razvijači ekspertnih sustava, želeći izbjeći ovu bolnu proceduru, postavljaju pitanje: može li stručnjak iz sebe izvući znanje? Iz mnogo razloga to je nepoželjno.

Prvo, najveći dio znanja stručnjaka rezultat je brojnih slojeva, faza iskustva. I često znajući da iz A trebao bi U, vještak ne shvaća da je njegov lanac rezoniranja bio mnogo dulji, na primjer S D, D  A, A U, ili A Q, Q  R, R  B.

Drugo, kao što su stari znali (sjetite se Platonovih "Dijaloga"), razmišljanje je dijaloško. Stoga je dijalog između inženjera znanja i stručnjaka najprirodniji oblik “odmotavanja” labirinata ekspertove memorije u kojima su pohranjena znanja, dijelom i neverbalne prirode, tj. izraženo ne u obliku riječi, u obliku vizualnih slika, na primjer. Upravo u procesu objašnjavanja inženjeru znanja stručnjak stavlja jasne verbalne oznake na te zamagljene asocijativne slike, tj. verbalizira znanje.

Treće, stručnjaku je puno teže izraditi model predmetnog područja zbog dubine i opsežnosti informacija koje posjeduje. Brojni uzročno-posljedični odnosi stvarnog predmetnog područja tvore složeni sustav iz kojeg je izdvajanje „kostura“, odnosno glavne strukture, ponekad pristupačnije analitičaru koji također posjeduje sustavnu metodologiju: Svaki model je pojednostavljenje, a lakše ju je pojednostaviti s manje znanja o detaljima.

Kako bismo razumjeli prirodu izvlačenja znanja, ističemo tri glavna aspekta ovog postupka (sl. 17.2): psihološki, lingvistički, epistemološki, koji su detaljno opisani u.

Riža. 17.2. Ključni aspekti pronalaženja znanja

PSIHOLOŠKI ASPEKT

Komunikacijski model za pronalaženje znanja

Od tri identificirana aspekta ekstrakcije znanja psihološki je, čini se, glavna stvar, jer određuje uspjeh i učinkovitost interakcije između inženjera znanja (analitičara) i glavnog izvora znanja - profesionalnog stručnjaka. Ističemo psihološki aspekt i zato što se ekstrakcija znanja najčešće događa u procesu izravne komunikacije između programera sustava.

Želja i sposobnost komuniciranja mogu karakterizirati stupanj profesionalnosti inženjera znanja.

Poznato je da su gubici informacija tijekom konverzacijske komunikacije veliki (sl. 17.3). U tom smislu, razmotrit ćemo problem povećanja informacijskog sadržaja komunikacije između analitičara i stručnjaka korištenjem psiholoških znanja.

Riža. 17.3. Gubitak informacija tijekom komunikacije

Možemo predložiti sljedeći strukturni model komunikacije prilikom izvlačenja znanja:

sudionici komunikacije (partneri);

komunikacijsko sredstvo (postupak);

predmet komunikacije (saznanja).

U skladu s ovom strukturom, istaknut ćemo tri “sloja” psiholoških problema koji se javljaju prilikom izvlačenja znanja (Sl. 17.4), te ih razmotriti redoslijedom.

Riža. 17.4. Struktura psihološkog aspekta ekstrakcije znanja

kontaktni sloj

Gotovo svi psiholozi primjećuju da na svaki kolektivni proces utječe atmosfera koja nastaje u skupini sudionika. Postoje eksperimenti čiji rezultati nedvojbeno pokazuju da prijateljska atmosfera u timu ima veći utjecaj na rezultat nego individualne sposobnosti pojedinih članova grupe. Posebno je važno da razvojni tim razvija kooperativne, a ne natjecateljske odnose. Suradnju karakterizira atmosfera suradnje, uzajamne pomoći, zainteresiranosti za međusobne uspjehe, tj. razina moralne komunikacije, a za natjecateljske odnose – atmosfera individualizma i međuljudskog rivalstva (niža razina komunikacije).

Nažalost, nemoguće je predvidjeti kompatibilnost u komunikaciji sa 100% jamstvom. No, moguće je identificirati niz osobina ličnosti, karaktera i drugih karakteristika sudionika u komunikaciji, koje nedvojbeno utječu na učinkovitost postupka. Poznavanje ovih psiholoških obrazaca dio je psihološke kulture koju inženjer znanja mora imati kako bi uspješno proveo fazu ekstrakcije znanja:

dobra volja i prijateljstvo;

smisao za humor;

dobro pamćenje i pozornost;

promatranje;

maštovitost i dojmljivost;

veća koncentracija i ustrajnost;

društvenost i snalažljivost;

analitičnost;

atraktivan izgled i način odijevanja;

samopouzdanje.

Proceduralni sloj

Inženjer znanja koji je uspješno savladao znanost povjerenja i odnosa sa stručnjakom (kontaktni sloj) još uvijek mora moći iskoristiti blagotvorne učinke ove atmosfere. Problemi proceduralnog sloja tiču se samog postupka ekstrakcije znanja. Malo je pronicljivosti i šarma korisnog za rješavanje problema kontakta; ovdje je potrebno stručno znanje.

Zadržimo se na općim načelima postupka.

Razgovor sa stručnjakom najbolje je voditi u maloj tête-à-tête prostoriji. Osvjetljenje, toplina, udobnost izravno utječu na vaše raspoloženje. Čaj ili kava će stvoriti prijateljsku atmosferu. Američki psiholog I. Atwater smatra da je za poslovnu komunikaciju najpovoljnija udaljenost od 1,2 do 3 m, a može se smatrati udaljenost od 0,7 do 0,8 m.

Rekonstruiranje vlastitog razmišljanja nije lak posao, stoga trajanje jedne seanse obično ne prelazi 1,5 - 2 sata. Bolje je odabrati ta dva sata u prvoj polovici dana (na primjer, od 10 do 12 sati). sat). Poznato je da se obostrani zamor partnera tijekom razgovora obično javlja nakon 20 - 25 minuta, pa su u sesiji potrebne pauze.

Svaki inženjer znanja ima svoj jedinstveni način govora. Jedni govore brzo, drugi sporo; neki su glasni, drugi tihi itd. Stil razgovora gotovo je nemoguće promijeniti – on je ukorijenjen u čovjeka u ranom djetinjstvu. No, ekstrakcija znanja je profesionalni razgovor, a na njegovu uspješnost utječe i duljina fraza koje inženjer znanja izgovara.

Tu su činjenicu utvrdili američki znanstvenici - lingvist Ingve i psiholog Miller. Pokazalo se da osoba najbolje percipira rečenice dubine (ili dužine) od 7 plus minus 2 riječi. Ovaj broj (7+2) naziva se Yngve-Millerov broj. Može se smatrati mjerom "kolokvijalnosti" govora.

Nitko ne sumnja u potrebu popravljanja postupka izvlačenja znanja. Postavlja se pitanje: u kojem obliku to treba učiniti? Postoje tri načina za bilježenje rezultata:

snimanje na papiru izravno tijekom razgovora (nedostaci - to često ometa razgovor, osim toga, teško je imati vremena zapisati sve, čak i ako imate vještine stenografije);

magnetofonsko snimanje, koje pomaže analitičaru analizirati cijeli tijek seanse i svoje pogreške (nedostatak - može ometati stručnjaka);

memoriranje nakon čega slijedi snimanje nakon razgovora (nedostatak - pogodan samo za analitičare s briljantnim pamćenjem).

Kognitivni sloj

Kognitivna psihologija (eng. cognition) proučava mehanizme pomoću kojih čovjek razumije svijet oko sebe.

Ponudimo nekoliko savjeta inženjeru znanja iz perspektive kognitivne psihologije:

ne nametati stručnjaku model reprezentacije koji je njemu (analitičaru) razumljiviji i prirodniji;

koristiti različite metode rada sa stručnjakom uz uvjet da metoda treba pristupiti stručnjaku kao „ključ u bravu“;

jasno razumjeti svrhu postupka izdvajanja ili njegovu glavnu strategiju, koja se može definirati kao identificiranje glavnih koncepata predmetnog područja i odnosa koji ih povezuju;

češće crtajte dijagrame koji odražavaju mišljenje stručnjaka. To je zbog figurativnog prikaza informacija u ljudskom pamćenju.

Gore izloženo gradivo usko je povezano s osnovama psihološke kulture koja uključuje razumijevanje i poznavanje sebe i drugih ljudi; adekvatno samopoštovanje i procjena drugih ljudi; samoregulacija mentalnog stanja. Lakše je svladati ovu kulturu uz pomoć stručnjaka - psihologa, psihoterapeuta, ali možete i sami uz pomoć knjiga, barem popularnih, na primjer. Osim toga, svladavanje osnova glume i sudjelovanje u posebnim satovima socio-psihološkog video treninga doprinosi uspješnom prevladavanju psihičkih neuspjeha.

Zaključno, evo nekoliko tradicionalnih psiholoških neuspjeha analitičara početnika:

nedostatak kontakta između stručnjaka i inženjera znanja (zbog psiholoških karakteristika jednog ili drugog; greške u proceduri; pojava efekta „fasade“, tj. želje stručnjaka da se „pokaže“);

nedostatak razumijevanja (zbog efekta "projekcije", tj. prijenosa analitičareva pogleda na stavove stručnjaka; ili efekta "reda", tj. fokusiranja pozornosti prvenstveno na ono što je prvo izraženo, itd.);

niska učinkovitost razgovora (slaba motiviranost stručnjaka, tj. nezainteresiranost; ili loš ritam razgovora; ili neprimjeren oblik pitanja; ili nezadovoljavajući odgovori stručnjaka).

JEZIČNI ASPEKT

Struktura lingvističkog aspekta

Budući da je proces komunikacije između inženjera znanja i stručnjaka jezična komunikacija, razmotrimo lingvistički aspekt inženjerstvo znanja. Istaknimo tri sloja jezičnih problema važnih za inženjersko znanje (sl. 17.5).

Riža. 17.5. Struktura lingvističkog aspekta pretraživanja znanja

Problem s dijeljenim kodom

Većina psihologa i lingvista vjeruje da je jezik glavno sredstvo mišljenja, zajedno s drugim znakovnim sustavima "unutarnje uporabe". Jezici kojima govore i razmišljaju analitičar i stručnjak mogu se značajno razlikovati.

Dakle, zanimaju nas dva jezika - jezik analitičara, koji se sastoji od tri komponente:

pojmovi predmetnog područja koje je naučio iz stručne literature tijekom pripremnog razdoblja;

opća znanstvena terminologija iz njegove “teorijske prtljage”;

svakodnevni govorni jezik kojim se koristi analitičar;

i jezika stručnjak sastoji se od:

iz posebnog nazivlja usvojenog u predmetnom području;

opće znanstveno nazivlje; svakodnevni jezik;

neologizmi koje je stručnjak stvorio tijekom svog rada (njegov stručni žargon).

Ako pretpostavimo da se svakodnevni i općeznanstveni jezici dvaju sudionika u komunikaciji približno podudaraju, tada će se neki zajednički jezik, odnosno kod, koji partneri trebaju razviti za uspješnu interakciju, sastojati od tokova prikazanih na Sl. 17.6. Naknadno se taj opći kod transformira u određenu konceptualnu (semantičku) mrežu, koja je prototip polja znanja predmetnog područja.

Riža. 17.6. Shema za dobivanje zajedničkog koda

Razvoj zajedničkog kodeksa počinje tako što analitičar zapisuje sve pojmove koje koristi stručnjak i pojašnjava njihovo značenje. Zapravo, ovo je kompilacija rječnika predmetnog područja. Slijedi grupiranje pojmova i odabir sinonima (riječi koje znače isto). Razvoj zajedničkog koda završava sastavljanjem rječnika pojmova predmetnog područja s njihovim prethodnim grupiranjem po značenju, tj. pojmovnom blizinom (to je prvi korak u strukturiranju znanja).

Riža. 17.7 daje ideju o dvosmislenosti u tumačenju pojmova od strane dva stručnjaka. U semiotici, znanosti o znakovnim sustavima, problem interpretacije jedan je od središnjih. Tumačenje povezuje “znak” i “označeni objekt”. Tek tumačenjem znak dobiva značenje. Dakle, na Sl. 17.7 riječi "uređaj X" za stručnjaka znače neki specifični sklop koji odgovara krugu izvornog uređaja, ali u glavi analitičara početnika riječi "uređaj X" evociraju praznu sliku ili neku vrstu "crne kutije" s ručkama.

Riža. 17.7. Višeznačnost problema interpretacije

Konceptualna struktura

Većina stručnjaka za umjetnu inteligenciju i kognitivnu psihologiju smatra da je glavno obilježje prirodne inteligencije, a posebno pamćenja, povezanost svih pojmova u mrežu. Stoga, da biste razvili bazu znanja, ne trebate rječnik, već enciklopediju u kojoj su svi pojmovi objašnjeni u rječničkim natuknicama s poveznicama na druge pojmove.

Stoga je lingvistički rad inženjera znanja na danom problemskom sloju konstruirati takve povezane fragmente "spajanjem" termina. Pažljivim radom analitičara i stručnjaka počinje se stvarati hijerarhija pojmova u pojmovnim strukturama, što je općenito u skladu s rezultatima kognitivne psihologije.

Hijerarhija pojmova je globalna shema koja može biti temelj za konceptualnu analizu strukture znanja bilo kojeg predmetnog područja.

Treba naglasiti da posao sastavljanja rječnika i konceptualne strukture zahtijeva jezični “osjećaj”, lakoću rukovanja terminima i bogat vokabular inženjera znanja, budući da je analitičar često prisiljen samostalno razvijati rječnik obilježja. Što je zajednički kod bogatiji i izražajniji, baza znanja je potpunija.

Analitičar je prisiljen neprestano se prisjećati poteškoća prenošenja slika i ideja u verbalnom obliku. Inženjer znanja često mora predložiti riječi i izraze stručnjaku.

Korisnički rječnik

Lingvistički rezultati, povezani sa slojevima zajedničkog koda i konceptualne strukture, usmjereni su na stvaranje odgovarajuće baze znanja. Međutim, ne treba zaboraviti da profesionalna razina krajnjeg korisnika možda neće dopustiti da u potpunosti koristi jezik specifičan za domenu. Za razvoj korisničkog sučelja potrebna je dodatna dorada rječnika zajedničkog koda, prilagođenog pristupačnosti i „transparentnosti“ sustava.

Zaključno, navodimo karakteristične jezične neuspjehe koji čekaju inženjera znanja početnika:

govorenje različitih jezika (zbog slabe obuke inženjera znanja);

neusklađenost s kontekstom i neadekvatno tumačenje pojmova (zbog nedostatka povratne informacije, tj. previše samostalnog rada inženjera znanja);

nedostatak razlika između općeg koda i jezika korisnika (ne uzimaju se u obzir razlike u razini znanja stručnjaka i korisnika).

GNOSEOLOŠKI ASPEKT

Bit epistemološkog aspekta

Epistemologija je grana filozofije povezana s teorijom spoznaje, odnosno teorijom o odrazu stvarnosti u ljudskoj svijesti.

Inženjerstvo znanja kao znanost, da tako kažemo, dvostruko je epistemološko - stvarnost (O) se najprije reflektira u svijesti stručnjaka (M 1), a zatim se aktivnosti i iskustvo stručnjaka tumači sviješću inženjera znanja. (M 2), koja već služi kao osnova za konstrukciju trećih interpretacija (P z) – polja znanja ekspertnog sustava (sl. 17.8). Proces spoznaje je u biti usmjeren na stvaranje unutarnje reprezentacije okolnog svijeta u ljudskom umu.

Riža. 17.8. Epistemološki aspekt ekstrakcije znanja

U procesu ekstrakcije znanja analitičar je uglavnom zainteresiran za komponentu znanja koja je povezana s nekanonskim pojedinačnim znanjem stručnjaka, jer se predmetna područja s ovom vrstom znanja smatraju najpodložnijima implementaciji ekspertnih sustava. Ta se područja obično nazivaju empirijskima, jer su u njima akumulirana velika količina pojedinačnih empirijskih činjenica i zapažanja, dok je njihova teorijska generalizacija stvar budućnosti.

Znanje je uvijek povezano sa stvaranjem novih koncepata i teorija. Zanimljivo je da često stručnjak nova saznanja generira “u hodu”, upravo u kontekstu razgovora s analitičarom. Takvo generiranje znanja može biti korisno i samom stručnjaku, koji do tog trenutka možda nije bio svjestan niza odnosa i obrazaca predmetnog područja. Analitičaru, koji je “babica” pri rađanju novih spoznaja, tu mogu pomoći alati sistemske metodologije, koja omogućuje korištenje dobro poznatih principa logike znanstvenog istraživanja i pojmovne hijerarhije znanosti. Ova metodologija ga tjera da vidi opće iza posebnog, tj. izgraditi lance:

ČINJENICA  GENERALIZIRANA ČINJENICA  EMPIRIJSKI ZAKON  TEORIJSKI ZAKON

Inženjer znanja neće uvijek doći do zadnje karike u tom lancu, ali sama želja za kretanjem može biti iznimno plodna. Ovakav pristup je u potpunosti u skladu sa strukturom samog znanja koje ima dvije razine:

empirijski (zapažanja, pojave);

teorijski (zakoni, apstrakcije, generalizacije).

Kriteriji znanstvene spoznaje

Teorija nije samo koherentan sustav za generaliziranje znanstvenog znanja, ona je i određeni način proizvodnje novog znanja. Glavni metodološki kriteriji znanstvenog karaktera, koji nam omogućuju da i samo novo znanje i metodu njegovog dobivanja smatramo znanstvenim, su:

unutarnja dosljednost i dosljednost;

dosljednost;

objektivnost;

historicizma.

Unutarnja dosljednost. Na prvi pogled, ovaj kriterij jednostavno ne funkcionira u empirijskim područjima: u njima se činjenice često međusobno ne slažu, definicije su kontradiktorne, difuzne itd. Analitičar koji poznaje osobitosti empirijskog znanja, njegovu modalnost, nekonzistentnost i nedorečenost, mora izgladiti te “hrapavosti” empirije.

Modalitet znanja znači mogućnost njegovog postojanja u raznim kategorijama, tj. u konstrukcijama postojanja i obveze. Dakle, neki od uzoraka su mogući, drugi su obvezni itd. Osim toga, moramo razlikovati takve nijanse modalnosti kao što su: stručnjak zna da...; vještak smatra da...; stručnjak želi...; stručnjak smatra da...

moguće nedosljednost empirijska spoznaja prirodna je posljedica temeljnih zakona dijalektike, a te proturječnosti ne treba uvijek rješavati u polju znanja, već naprotiv, upravo proturječnosti najčešće služe kao polazište u rasuđivanju stručnjaka.

Nepotpunost znanje je povezano s nemogućnošću potpunog opisa predmetnog područja. Zadatak analitičara je ograničiti tu nepotpunost na određeni okvir "potpunosti", tj. suziti granice predmetnog područja ili uvesti niz ograničenja i pretpostavki koje pojednostavljuju problem.

Sustavnost. Sustavno-strukturalni pristup znanju (od Hegela) usmjerava analitičara da svako predmetno područje razmatra sa stajališta zakona sistemske cjeline i međudjelovanja njezinih sastavnih dijelova. Moderni strukturalizam proizlazi iz višerazinske hijerarhijske organizacije bilo kojeg objekta, tj. svi procesi i pojave mogu se smatrati mnogo manjih podskupova (značajke, detalji) i, obrnuto, bilo koji objekti se mogu (i trebaju) smatrati elementima viših klasa generalizacija.

Objektivnost. Proces spoznaje je duboko subjektivan, tj. bitno ovisi o karakteristikama samog subjekta koji spoznaje. Subjektivnost počinje s opisom činjenica i povećava se kako se produbljuje idealizacija objekata.

Shodno tome, ispravnije je govoriti o dubini razumijevanja nego o objektivnosti znanja. Razumijevanje je sustvaranje, proces tumačenja objekta sa stajališta subjekta. To je složen i višeznačan proces koji se odvija u dubinama ljudske svijesti i zahtijeva mobilizaciju svih intelektualnih i emocionalnih sposobnosti čovjeka. Analitičar treba sve svoje napore usmjeriti na razumijevanje problema. Psihologija potvrđuje činjenicu da ljudi koji brzo i uspješno rješavaju intelektualne probleme većinu vremena provode u razumijevanju istog, dok oni koji brzo krenu tražiti rješenje najčešće ga ne mogu pronaći.

Historicizam. Ovaj kriterij je vezan uz razvoj. Znanje o sadašnjosti je znanje o prošlosti koja ju je rodila. I premda većina ekspertnih sustava pruža “horizontalni” isječak znanja - bez uzimanja u obzir vremena (u statici), inženjer znanja mora uvijek razmatrati procese uzimajući u obzir vremenske promjene - kako vezu s prošlošću tako i vezu s budućnošću. Na primjer, struktura polja znanja i baze znanja mora omogućiti prilagodbu i korekciju kako tijekom razvoja tako i tijekom rada ekspertnog sustava.

Struktura spoznaje

Nakon što smo ispitali glavne kriterije znanstvene prirode znanja, sada ćemo pokušati opisati njegovu strukturu. Metodološka struktura spoznaje može se prikazati kao slijed faza (slika 17.9), koje ćemo razmotriti iz perspektive inženjera znanja.

Opis i sinteza činjenica. Ovo je kao “suhi talog” razgovora između analitičara i stručnjaka. Pažljivost i cjelovitost vođenja evidencije tijekom procesa ekstrakcije i točne „domaće zadaće“ na njima ključ su produktivnog prvog stupnja spoznaje.

U praksi se pokazalo da je teško pridržavati se gore opisanih načela objektivnosti i dosljednosti. Najčešće se u ovoj fazi činjenice jednostavno prikupljaju i, takoreći, bacaju u „zajedničku vreću“; Iskusni inženjer znanja često odmah pokušava pronaći „policu“ ili „kutiju“ za svaku činjenicu, čime se implicitno priprema za fazu konceptualizacije.

Riža. 17.9. Struktura spoznaje

Uspostavljanje veza i obrazaca. U glavi stručnjaka uspostavljaju se veze, iako često implicitno; Zadatak inženjera je identificirati okvir zaključaka stručnjaka. Prilikom rekonstrukcije obrazloženja stručnjaka, inženjer znanja može se osloniti na dvije najpopularnije teorije mišljenja – logičku i asocijativnu. Istodobno, ako se logička teorija, zahvaljujući svojim gorljivim obožavateljima u liku matematičara, naširoko citira i na sve moguće načine eksploatira u radovima o umjetnoj inteligenciji, onda je druga, asocijativna teorija, manje poznata i popularna, iako također ima drevne korijene. Ljepota i sklad logičke teorije ne bi smjeli prikriti tužnu činjenicu da ljudi rijetko razmišljaju u okvirima matematičke logike.

Asocijativna teorija predstavlja mišljenje kao lanac ideja povezanih zajedničkim pojmovima. Glavne operacije takvog mišljenja su asocijacije stečene na temelju različitih veza; prisjećanje prošlih iskustava; pokušaji i pogreške s povremenim uspjehom; uobičajene (“automatske”) reakcije itd.

Konstrukcija idealiziranog modela. Da bi se izgradio model koji odražava subjektovo razumijevanje predmetnog područja, potreban je specijalizirani jezik kojim se mogu opisati i konstruirati oni idealizirani modeli svijeta koji nastaju u procesu mišljenja. Taj se jezik stvara postupno uz pomoć kategorijalnog aparata usvojenog u odgovarajućem predmetnom području, kao i formalnih simboličkih sredstava matematike i logike. Za empirijska predmetna područja takav jezik još nije razvijen, a polje znanja koje će analitičar opisati na poluformaliziran način može biti prvi korak prema stvaranju takvog jezika.

Objašnjenje i predviđanje modela. Ovaj završni stupanj strukture znanja ujedno je i djelomični kriterij istinitosti stečenog znanja. Ako je identificirani ekspertni sustav znanja cjelovit i objektivan, tada je na njegovoj osnovi moguće predviđati i objašnjavati sve pojave iz danog predmetnog područja. Tipično, baze znanja ekspertnih sustava pate od fragmentacije i modularnosti (nepovezanosti) komponenti. Sve nam to ne dopušta stvaranje istinski inteligentnih sustava koji bi, poput ljudi, mogli predvidjeti nove obrasce i objasniti slučajeve koji nisu eksplicitno navedeni u bazi podataka. Ovdje su izuzetak sustavi za generiranje znanja koji su usmjereni na generiranje novog znanja i "predviđanje".

Zaključno navodimo najčešće propuste povezane s epistemološkim problemima inženjerstva znanja (djelomično iz):

isprekidano, fragmentirano znanje (zbog kršenja načela dosljednosti ili pogrešaka u odabiru fokusa pažnje);

nekonzistentnost znanja (zbog prirodne nekonzistentnosti prirode i društva, nepotpunosti izlučenog znanja, nekompetentnosti stručnjaka);

pogrešna klasifikacija (zbog netočnog određivanja broja klasa ili netočnog opisa klase);

pogrešna razina generalizacije (zbog pretjeranih detalja ili generalizacije klasa objekata).

Sustav je posrednik, sklapa ugovor o nabavi.

Inženjerstvo znanja je područje računalne znanosti unutar kojeg se provode istraživanja o reprezentaciji znanja u računalima, njegovom ažuriranju i manipuliranju njime.

Sustav znanja – sustav temeljen na znanju.

SOZ SBZ DBMS ES IS SII - sustav umjetne inteligencije.

Struktura sustava temeljenog na znanju.

KB mehanizam za dobivanje rješenja

SUČELJE

Baza znanja je model koji u računalu predstavlja akumulirano znanje u određenom predmetnom području. Ovo znanje mora biti formalizirano.
Znanje se oblikuje pomoću modela, a zatim se predstavlja pomoću određenog jezika.

Znanje o određenim objektima i pravilima obično je istaknuto u bazi znanja. Ta se pravila provode kao mehanizam za dobivanje rješenja kako bi se iz izvornih činjenica izvela nova.

Sučelje pruža dijalog na jeziku koji je korisniku poznat.

Metode temeljene na zaključivanju često se koriste u inženjerstvu znanja.

Pojam predmetnog područja.

Objekt je nešto što postoji ili se percipira kao zaseban entitet.

Osnovna svojstva: diskretnost; razlika.

Pri prezentiranju znanja koristi se pragmatičan pristup, tj. istaknuta su ona svojstva objekta koja su važna za rješavanje problema koje će kreirani sustav rješavati. Stoga se sustav temeljen na znanju bavi stvarima koje su apstraktni entiteti. Objekt djeluje kao nositelj nekih svojstava predmeta. Stanje predmetnog područja može se promijeniti tijekom vremena. U svakom trenutku vremena stanje predmetnog područja karakterizira skup objekata i veza. Stanje predmetnog područja karakterizira situacija.

Konceptualna sredstva za opisivanje predmetnog područja.

Konceptualni model odražava najopćenitija svojstva. Za detaljan opis potrebni su jezici. Karakteristične značajke pojmovnih sredstava za opisivanje predmetnog područja su apstraktnost i univerzalnost. Mogu se koristiti za opisivanje bilo kojeg predmetnog područja.

Pojam klase objekata.

Pojam objekta je pojam skupova. Objekti koji su međusobno slični kombiniraju se u klase. U različitim vremenskim točkama, različiti skupovi objekata mogu odgovarati istoj klasi.

K – klasa objekta.

Kt – skup objekata klase K u trenutku t.

Grupa (1999) = (IA-1-99, IA-1-98, …, IA-1-94, IB-1-99,…)

Grupa (1998) = (IA-1-98, IA-1-97, …, IA-1-93, IB-1-98,…)

(t Kt = (…)

Nastavno zvanje = (profesor, izvanredni profesor, viši predavač, predavač, asistent)

1 4 Geometrijski lik kvadratnog oblika plave boje.

(K: A1 K1, A2K2, …, AnKn) naziv atributa naziv klasa objekta klase atributa par

Identifikacija predmeta može biti izravna i neizravna. U slučaju izravne linije koriste se nazivi objekata i redni brojevi objekata; posredno se temelji na korištenju svojstava objekta.

Atribut može biti komponenta. Atribut se shvaća kao svojstvo, karakteristika ili naziv komponenti.

(Geometrijski oblik: oblik Geometrijski oblik boja Boja)

Parovi naziva atributa i vrijednosti atributa često su isti.

Primjer situacije:

(Predavanje: predavač Prezime predavača, mjesto broj slušatelja, tema Naziv teme, slušatelj Šifra grupe, dan Dan u tjednu, vrijeme Vrijeme početka)

Situacija – prikazuje se veza između “učitelja” i “slušatelja” i druge karakteristike ove situacije.

Uloge sudionika u situaciji:

Slušatelj

Karakteristike situacije:

(K: A1K1, A2K2, …, AnKn) – prikaz znanja u obliku neke strukture.

(datum, dan, dan_u mjesecu)

(datum, mjesec, naziv mjeseca)

(datum, godina, godina)

(geometrijski_lik, oblik, geometrijski_oblik)

(geometrijski_lik, boja, boja)

Ovakav prikaz znanja odgovara prikazu znanja u obliku pojedinačnih činjenica.

(K: A1K1, A2K2, ..., AnKn)

Reprezentacije znanja o objektima dijele se na:

objektne klase (struktura podataka)

znanje o određenim objektima (o podacima)

Objektne klase.

1. (K: A1K1, A2K2, ..., AnKn)

Ai – ime atributa

Ki – klase objekta, su vrijednost atributa

K – naziv klase

(učitelji:

Puno ime prezime_sa_inicijalima,

Pozicija nastavnika_pozicija)

(nastavnik, puno ime, prezime s inicijalima, nastavnik, nastavno zvanje)

3. K (K1, K2, ..., Kn)

4. K (A1,A2, ..., An)

(nastavnik (prezime_sa_inicijalima, nastavno_zvanje), nastavnik (puno ime, radno mjesto))

Prikaz znanja za prvi oblik:

(K: A1K1,A2K2, ... , AnKn) ki (Ki

Atributivna reprezentacija znanja:

(učitelj: - predstavlja

Puno ime Semenov - neka struktura

Zvanje docent) – podaci

Prikaz znanja za drugi oblik:

(K: AiKi) k (K, ki (Ki

Atributivni prikaz znanja u obliku pojedinačnih činjenica:

(učitelj1, puno ime, Semenov) - 1, 2 su veze između

(nastavnik1, radno mjesto, izvanredni profesor) - činjenice

(nastavnik2, puno ime, Petrov)

(nastavnik2, radno mjesto, asistent)

Prikaz znanja za treći oblik:

K (K1, K2, … , Kn)

(nastavnik (Semenov, izvanredni profesor) - položajni prikaz znanja

Ako nema naziva atributa, a sami atributi su ispisani na određenim pozicijama, onda je to položajni prikaz znanja.

Predstavljanje znanja u obliku “trojki” - (objekt, atribut, vrijednost).

Za predstavljanje netočnih vrijednosti koriste se koeficijenti pouzdanosti - (objekt, atribut, vrijednost, koeficijent pouzdanosti).

0 – odgovara neizvjesnosti. negativna vrijednost – stupanj povjerenja u nemogućnost vrijednosti atributa.

(pacijent 1, dijagnoza, gastritis, K740)

* (pacijent, puno ime, Antonov, dijagnoza kolitis K760, gastritis K740)

Reprezentacija znanja o klasi objekta naziva se minimalnom ako, kada se jedan od atributa ukloni, preostali skup atributa prestaje biti reprezentacija ove klase objekta.

Zakup (predmet_zakupa, zakupac, zakupodavac, rok_zakupa, naknada).

Ako maknete “lease_term”, dobivate kupoprodaju, a ako maknete
“rent_term” i “fee”, tada dobivate poklon.

Prikaz znanja u relacijskoj bazi podataka.

Relacijska baza podataka – podaci se pohranjuju u položajnom formatu.

Podaci se pohranjuju u obliku tablice, gdje je naziv tablice naziv klase.
Svaka klasa odgovara tablici ili datoteci baze podataka. Naziv klase je naziv odgovarajuće tablice. Imena atributa – odgovarajuća polja tablice
(stupac). Redovi tablice su zapisi baze podataka. Unos odgovara unosu u pozicijskom formatu.
|A1 |A2 | . . .|An |
| | |. . | |
|K1 |K2 | . . .|Kn |
| | |. . | |

Učitelji

Koncept atributa u pozicijskoj bazi podataka je sačuvan.

Unos K (A1,A2, ..., An) naziva se odnos između atributa. Ova se terminologija koristi u relacijskim bazama podataka. Ideja podataka u relacijskoj bazi podataka temelji se na konceptu "ključa".

Ključ je skup relacijskih atributa čija vrijednost jedinstveno identificira zapis u datoteci.

Apartman

| grad |ulica |kuća |zgrada|stan|površina |broj soba|
|Moskva |Tverska |2 |1 |47 |60 |2 |
|Moskva |Tverska |2 |1 |54 |50 |1 |

U ovom slučaju, ključ će se sastojati od nekoliko polja.

Ki sup Kj je potklasa klase sup podklase; podrazred sup klasa.

Ki je podklasa od Kj if (t Ki t (Kj t

(Ako je u bilo kojem trenutku t klasa Ki podklasa Kj)

Npr – klasifikacija mreže.

Klasifikacija mreže prikazana je kao hijerarhijska struktura.

Student sup student.

Ki dio Kj - dio je Ki dijela Kj

Ki je dio Kj ako je određeni objekt klase Ki dio jedinstveno definiranog objekta Kj.

Stav pripadnosti. k isa K - je element

Ki ius K - je komponenta

Znači da se objekt klase K sastoji od objekata klase K1, K2, ...,
Kn, a objekt klase K može uključivati više objekata klase Ki.

Predavanje br.4.

Svojstva odnosa.

Odnosi parcijalnog reda imaju svojstvo tranzitivnosti.

Ki sup Kj Kj sup Km

Ki dio Kj Kj dio Km

Ako je element sastavni dio bloka, a blok je sastavljen...

U grafu članstva nema ciklusa.

K1 in K2, K2 in K3,…,Kn-1 in Kj

Nije točno da su Kn ins K1

Moskva je grad

Grad sup Lokalitet

Moskva je mjesto

Operacije na klasama objekata.

Koristeći operacije na klasama objekata, možete definirati novu klasu objekata

Ki set blokova, na primjer, TV

Materijalni objekti dijele se u tri klase

Stanje (Prostor (Oprema = Materijalni objekt

Osoba (Soba = Osoba (Oprema = Soba (
Oprema =?

Postavljanje klasa objekata

Osoba (prezime, ime, patronim, godina rođenja, spol)

Spol=(muški, ženski)

Muškarac, žena = ljudski rod

K (K1, K2, K3, K4, K5)

KK5 – Podjela razreda po K5 razredu.

Zajednica svih ovih klasa je čovjek.

Muškarac? Žena = Čovjek

Muškarac? Žena =?

(Poznavanje stranog jezika

Upućena osoba

Predmet strani_jezik)

Kao rezultat podjele dobivamo razrede ljudi koji znaju strani jezik.

Konceptualni dijagram predmetnog područja je skup klasa objekata, odnosa i operacija definiranih na njemu.

Predložak opisa stanja predmetnog područja:

Razredi K izvode nastavu discipline u grupi u na in.

Ivanov I.I. izvodi nastavu iz discipline TOE u skupini IT-1-98 u ponedjeljak na 4. paru u G-301.

(razredi: nastavnik Nastavnik Disciplina Naziv_discipline grupa Šifra grupe dan Tjedan_dan vrijeme Broj_par mjesto Publika)

Konceptualni modeli predmetnog područja - konceptualni dijagram zajedno sa skupom izjava izgrađenih prema konačnom skupu predložaka.

Dijagram entiteta i odnosa (ER dijagram)

Dijagram odnosa entiteta

Esencija

Atributi entiteta i odnosa

Na 1 odjelu radi N nastavnika. “*” je znak nastavnika - možete pronaći odjel.

Komunikacijski glagol ili objekt

Atributi – pridjev, brojnici, dimenzije, mjesto radnje

Raspored opterećenja

Logički sustavi (modeli), temeljeni na jednom primjeru isporuke robe u trgovinu.

Logički modeli reprezentacije znanja.

Opis predmetnog područja u jednom od logičkih programskih jezika, temeljen na predikatnom računu.

Jezik računa više predikata 1. reda. Višestruka logika 1. reda.

Da biste sastavili ovaj jezik:

Koncept sorte odgovara konceptu klasa objekata.

Mnoge sorte S

Na skupu su specificirane funkcijama. naziv f-funkcije;

vrste argumenata;
B – vrsta vrijednosti funkcije.
Z – potpis je najviša razina reprezentacije znanja u logičkim modelima.

Predikat -
T=(0;1)

laž istinita
- konstanta vrste B

Pogledajmo obradu dijelova u proizvodnji kao primjere.
2-okret;
1-glodanje;

S=(Dio, Stroj, Operacija, Vrsta_dijela, Vrsta_stroja, Vrijeme)
1) dijete: Detalj operacije; f A1 B
2) st: Rad (stroj;
3) početak: Operacija (vrijeme
4) con: Operacija (vrijeme
5) part_type: Dio (Part_type
6) type_st: Stroj (Tip stroja
7) 0: (Vrijeme

T: (vrijeme
8) shaft_shaft: (Part_type shaft_place: (Part_type
9) glodala: (Machine_type current: (Machine_type
10) cutter_face: operacija T current_rev: operacija T
11) +: Vrijeme*Vrijeme Vrijeme
12): Vrijeme*Vrijeme T

Znanje o određenim objektima
(niža razina reprezentacije znanja) u jeziku računa višestrukih predikata naziva se strukturno integrirani potpis
1) potpis
2) Struktura integracije. Potpisi.
3) Za svaki naziv sorte kreiraju se mnogi objekti te sorte.
Dio = (1. dio, 2. dio, 3. dio, 4. dio)
Stroj = (st.1, st.2, st.3)
Operacija =(oper1,oper2,oper3,oper4,oper5,oper6,oper7,oper8)
Vrsta_dijela = (vratilo_osovina, mjesto_osovine)
Machine_type = (trenutni, glodala)
Vrijeme = (1,2,…,t)

Unija svih skupova je svemir.
Svaka funkcija i predikat iz strukture u sustavu odgovara mnogim faktorima.
1) dijete(operacija1)=dijete1 dijete(operacija2)=dijete1 dijete(operacija3)=dijete2

…………………..
2) st.(oper.1)= st.3 st.(oper.2)= st.1 st.(oper.3)= st.3

…………………
3) start(operacija1)=0 start(operacija2)=5 start(operacija3)=5
…………………..
4) conc(oper.1)=5 conc(oper.2)=12 conc(oper.3)=0
…………………
5) type_det(part.1)=stem_shaft type_detail(detail.2)=shaft_mjesta type_detail(details3)=čelično_osovino type_detail(details4)=shaft_sjedala
………………….
6) vrsta_st. (st.1)=trenutni tip_st. (st.2)=trenutni tip_st. (st.3) = rezači
………………….
10) cutter_face (oper1) current_rev (oper2) cutter_face (oper3)
|operacija|dio |stroj |početak |kraj |mlin_end|current_arr|
|Oper1 |Det.1 |St.3 |0 |5 |1 |0 |
|Oper2 |Det.1 |St.1 |5 |12 |0 |1 |
|Opera3 |Det.2 |Čl.3 |5 |10 |1 |0 |
|Oper4 |Det.2 |Čl.2 |10 |17 |0 |1 |
|Oper.5 |Det.3 |Čl.3 |10 |16 |1 |0 |
|Oper6 |Det.3 |Čl.1 |16 |26 |0 |1 |
|Oper7 |Det.4 |Čl.3 |16 |22 |1 |0 |
|Oper8 |Det.4 |Čl.2 |22 |32 |0 |1 |

|Dio|Tip_detalja |
|Det.1 |St_osovina |
|Det.2 |St_val |
|Det.3 |Val_mjesto|
|Det.4 |Val_mjesto|

|Stroj|Tip_st |
| St.1 | Struja. |
|Čl.2 |Trenutno. |
|St.3 |Fr. |

3) Komponenta: Logičke formule

Pravila za konstruiranje formula: a) konstanta sorte A je termin sorte A b) varijabla koja uzima vrijednost iz sorte A je termin sorte A c) ako potpis sadrži funkciju - konstruirane termine sorte, tada
- postoji termin vrste B d) ako potpis sadrži predikat -
,termi izgrađenih sorti
, odnosno atom. e) ako - termini iste vrste, onda je izraz, odnosno atom e) Atom je ispravno konstruirana formula (PPF) Varijabla uključena u atom je slobodna u tom atomu. g) ako konstruirana formula slobodno uključuje varijable x tipa A, tada vrijede izrazi:

Također je PPF, varijabla "x" je vezana (u novim datotekama) h) ako su formule već konstruirane, tada je također PPF
Primjeri:
1) Predstavljanje znanja b => oper2 izvedeno na tokarilici type_st(st(oper2))=ncurrent
2) Opera 2 je završena na stanici 1 na 1. početku 5. kraju 12
3)

Predavanje 8 12.11.99.

Metoda razlučivanja

Metoda rezolucije dokazuje neizvedivost.
Za korištenje ove metode potrebno je izvornu formulu pretvoriti u DNF.
DNF:
- disjunkcija slova pii – atom ili negacija atoma.
Tada se DNF predstavlja kao skup klauzula
U metodi rezolucije postoji jedno pravilo zaključivanja
Kao rezultat toga, iz 2 klauzule dobivamo novu, nazvanu ruoventa
- dobivamo praznu klauzulu, koja je uvijek lažna.
Ako skup sadrži praznu klauzulu, tada je nezadovoljiv.
Rezultat je prazna klauzula, što dokazuje da je ovaj skup nezadovoljiv.
Metoda rezolucije primjenjuje se dok se ne dobije prazna klauzula.
m,n – konst
supstitucija umjesto konstantne varijable – unifikacija.
U ovom slučaju vršimo zamjenu (n/y):
Iz (1) i (2) => a(x)c(x,n) (5)
Iz (3) i (5), izvodeći zamjenu (m/n) => c(m,n) (6)
Iz (4) i (6) bez zamjena => 0

Načelo rezolucija u Prologu
Prolog koristi akordske klauze, tj. rečenice koje sadrže jedno slovo bez negacije.
Na primjer
=>

veznik bez negacije

Mogu se koristiti disjunkti koji uopće ne sadrže slova. – ovo je ciljna izjava u prologu: ? – a a: - b,c,d. b: - e,f. c. e. f.
?-a a(1) a(2) a(3)
|Korak br. |Ciljna |Početna |rezolucija|
| |. disjunktan | |
|1 |?- a. |a:-b,c,d. |-b,c,d. |
|2 |?-b,c,d |b:-e,f |-e,f,c,d |
|3 |?-e,f,c,d |e |-f,c,d |
|4 |?-f,c,d |f |-c,d |
|5 |?-c,d |c |-d |
|6 |?-d |d |0 |

Prikaz programa u obliku grafikona a: - b;c b: - d,e c: - g,f. e: - i,h g: - h,j d. f. h.
?-a
"," - I
";" - ili
Konstrukcija grafa počinje s ciljnom klauzulom.
Grafikon prikazuje koja i koliko rješenja ima razmatrani problem.

Dva rješenja problema

Produkcijski model reprezentacije znanja.
Osnova za ovaj model su proizvodna pravila, koja imaju sljedeći oblik
- pravilo proizvodnje >:=
Ako tada [CD=]

Primjeri:
Pravilo 5
Ako je spol=ženski

I zbrajanje=malo

I težina=65 godina_ili_više
Zatim relativna_težina = varijabla
Faktor pouzdanosti određen je brojem 0-100

Pravilo 27
AKO izgledi=izvrsni

A rizik=visok
TO faktor=0 CD=10
Općenito, premisa može biti logički izraz.
Ako je premisa istinita, onda je zaključak istinit, tj. zaključak može ukazivati na neku radnju koja se izvodi ako je premisa istinita
::[AI...I]
::== objekt, atribut, vrijednost, faktor povjerenja - prikaz znanja u obliku četvorke
::==
:==CD=
Isti objekt može imati različita značenja.
Objekti s više vrijednosti su objekti koji mogu imati nekoliko valjanih vrijednosti.
Ako objekt nije deklariran kao viševrijedan, onda može imati više vrijednosti, tada one ne moraju biti pouzdane, tj. CD= 100

Za objekte, vrijednost koja se traži od korisnika.
Kakav dodatak?
1. Mali
2. Prosječne dopuštene vrijednosti
3. Veliki

Koja je dob
1. manje od 25
2. od 25 do 55
3. više od 55
Faktor pouzdanosti parcele=min(Kdusl)

Činjenica dobivena kao rezultat ispunjavanja pravila izgledi = odličan AC = 50 rizik = visok AC = 70 faktor = 0

Osnovna struktura produkcijskog modela reprezentacije znanja

Početni podaci

Proizlaziti

Zaključci prestaju kada se dosegne ciljani vrhunac ili kada više nema primjenjivih pravila i cilj nije postignut.

Obrnuti zaključci - izvode se od vrha prema dolje (sa zaključcima usmjerenim prema cilju)

P 1 P2 P3 P4
P5

C 4 C5 C6 C7 C8

|№ |Cilj|Sukob |Ispunjenje|Podciljevi|Činjenica|
|korak| |postaviti | | | |
| | |pravila |pravila | | |
|1 |C1 |P6,P7 |P6 |S2,C3 | |
|2 |S2 |P1,P2 |P1 |S1,S5,S| |
|3 |C3 | | |3 |F1 |
|4 |C4 | | | |F2 |
|5 |C5 |P3 |P3 | | |
|6 |C6 | | |C6,C7,C|F3 |
|7 |C7 | | |8 |F4 |
|8 |S8 | | | |F5 |
| | | | | | |

Cilj – “trajanje” - cilj je određen nazivom objekta.
Uspoređuje se sa zaključkom pravila i bira se pravilo sa zaključkom
, koji sadrže naziv objekta. Odaberemo pravilo koje sadrži ciljni objekt, formiramo hipotezu

U tom se procesu hipoteza ili potvrđuje ili opovrgava. Zaključci se nastavljaju dok se jedan ne potvrdi ili sve moguće hipoteze nisu iscrpljene.
Koristi se manje čekova jer pravilo ima nekoliko uvjeta i jedan zaključak.

Dvosmjerni izlazi.

Prvo, na temelju male količine podataka donose se izravni zaključci, nakon čega se formira hipoteza koja potvrđuje ili opovrgava druge zaključke.
Za provjeru uvjeta pravila koristi se aparat za aktivaciju pravila koji u svakom koraku odabire ona pravila u kojima se provjeravaju uvjeti.
Moraju se koristiti i uvjeti. U pogledu pravila razlikuju se pojedinačna pravila, a zatim opća.
Opća pravila – pravila uvjeta primjenjivosti. Opseg primjenjivosti.

Generalizirana struktura proizvodnog pravila.
(i); Q; P; A; =B; N
(i)– naziv pravila:
Q – područje primjene pravila;
P – uvjet primjenjivosti pravila (logički uvjet)
A=>B – temeljno pravilo, gdje je A premisa, a B zaključak;
N – postavljeni uvjet određuje akcije koje se izvode ako se kernel izvrši.
P – ako je istinito, jezgra pravila je aktivirana.

Okvir – struktura podataka za predstavljanje stereotipne situacije
(k: A1K1, A2K2, …., AnKn)
(za: A1k1, A2k2,….,An kn)
(naziv datoteke: naziv utora1 (vrijednost utora1) naziv utora2 (vrijednost utora2)

……………………………….. naziv utora n (vrijednost utora n))
Protoframe – znanje o klasi objekata.
Okvir—instanca—dobiva se iz protookvira ispunjavanjem utora određenim vrijednostima.
Struktura okvira obično uključuje sistemske utore. Sustav utora uključuje:
Slotove definiramo kao frameparent, slot koji pokazuje na izravnu djecu okvira.

Kao sustav utora: utori koji sadrže informacije o kreatoru programa i njegovoj modifikaciji.
Struktura uključuje:
- indikator nasljedstva;
- indikator vrste podataka;
- demoni itd.

FMS JEZIK (FMS).
Pokazivači nasljeđivanja mogu biti:
U – jedinstveno – jedinstveno
S – isti- neki
R – indikator raspona – granice;
0 –nadjačati – zanemariti

U – u okvirima različitih razina s istim imenima bit će različiti.
S – utori za nasljeđivanje vrijednosti od utora više razine s istim imenima

Vrijednost donje jednadžbe mora ležati unutar granica vrijednosti definirane u gornjoj jednadžbi.

R
ljudski

Ako vrijednost nije navedena, tada se nasljeđuje iz gornjeg utora jednadžbe, a ako je navedena, tada se nasljeđivanje zanemaruje.

Predavanje 11 3.12.99

Kombinacija mrežnih i okvirnih modela u OPS-5 sustavu reprezentacije znanja
Ovaj jezik ima proizvodna pravila i baze podataka
::=({| }+)

()+ - Može se ponoviti nekoliko puta
::=((vrijednost))
::= |
(Klasa tvari kiselina

Ime

Boja: bezbojna)
(Redoslijed zadataka: Izvor, Ograđivanje curenja)
Koja su pravila:
::=(P)
::={}+
::= | -
::= | |
::=((vrijednost>)+) |

# (redoslijed zadataka)

([{ }+])
# (tvar)
Uzorak ne mora nužno označavati sve atribute dane klase, tj. možemo zapisati
(Klasa tvari kiselina

ime) tj. promjenjiva kiselina -stvar će dobiti vrijednost
::= ({ >}+)
Vrijednost iz odgovarajućeg atributa radnog elementa memorije mora odgovarati jednom od elemenata navedenih na ovoj stranici, barem jednom.
Ta su značenja određena određenim riječima.
# (Klasa tvari kiselina

Boja)
::= ({{{}+}}+)
Popis vrijednosti također se može odrediti kao ograničenja
# (snaga motora (100 200))

(snaga motora 160)
:={}+
::=(napravi | ukloni | (mod
{} +)

# (P koordinata _a

(ciljno stanje aktivno

Ime koordinate)
Ako je meta sposobna koordinirati, a redoslijed zadataka nije definiran, tada kreirajte

(Redoslijed zadataka) –>
(učini ciljno stanje aktivnim

Imenuj redoslijed zadataka)
(stanje čekanja modif1))

Strategija rješavanja problema temelji se na eksplicitnom postavljanju ciljeva
Izvođenje
1. usporedba s memorijskim elementima što rezultira stvaranjem proturječnog skupa pravila
2. Izbor pravila iz skupa sukoba
3. Provođenje radnji navedenih u zaključku pravila
Izvodi se dok se cilj ne postigne.

Stjecanje znanja

Izvlačenje znanja iz izvora, njegovo pretvaranje u traženi oblik i prijenos u bazu znanja inteligentnog sustava.

Znanje se dijeli na:
- objektiviziran;
- subjektivno
Objektificirano – znanje prezentirano u vanjskim izvorima – knjigama, časopisima, istraživačkom radu.
- formatiran, tj. prezentirati u obliku zakona, formula, modela, algoritama.
Subjektivno - znanje koje je stručno i empirijsko nije prikazano u vanjskom obliku.
Znanje stručnjaka je neformalno, sastoji se od mnogih heurističkih tehnika i pravila, omogućuje pronalaženje pristupa rješavanju problema i postavljanje hipoteza koje je moguće potvrditi ili opovrgnuti.
Znanje se može dobiti u procesu promatranja bilo kojeg predmeta.
Načini djelovanja inženjera znanja i konzultanta u procesu stjecanja znanja.
1. analiza protokola
- razmišljanja se snimaju naglas u procesu rješavanja problema.
O.S. sastavljaju se i analiziraju protokoli
2. Intervju - vodi se dijalog s eksperimentom, usmjeren na stjecanje znanja.
3. Igra simulacije profesionalne aktivnosti.

Metode intervjuiranja.
1. Sjeckanje na korake identificira veze koje omogućuju konstrukciju hijerarhijskih struktura
2. Repertoarna mreža Predložena su 3 pojma i potrebno je navesti razliku između 2. i 3. pojma. Stručnjaku se nudi nekoliko koncepata i od njega se traži da imenuje zajednička svojstva => klase oblika.

Metoda rada konitologa na formiranju polja znanja
Uključuje 2 faze
1. pripremni
1.1. Jasna priprema problema koji sustav mora riješiti
2. Upoznavanje Konita s Litovom
3. Odabir stručnjaka
4. Upoznavanje stručnjaka s kopijom
5. Upoznavanje stručnjaka s popularnom tehnikom umjetne inteligencije
6. Formiranje polja znanja iz kopije
2. Glavna pozornica
1. pumpanje polja znanja u načinu rada
2. timski rad kozmetologa - analiza protokola, utvrđivanje povezanosti pojmova, priprema pitanja za stručnjaka
3. Pumpanje polja znanja – zadatak postavljanja pitanja stručnjaku
4. Formalizacija konceptualnog problema.
5. Provjera potpunosti modela
Ako je model nepotpun, tada se koristi 2. aproksimacija.

Predavanje 12 10.12. 99.

Nejasni skupovi
– debljina proizvoda mala srednja velika

stupanj

10 15 40 debljina proizvoda
- neizraziti skup x - univerzalni skup
x - čine skup parova A
- zove se funkcija pripadnosti neizrazitog skupa.
Pozivaju se vrijednosti funkcije pripadnosti za određeni element X

Stupanj pripadnosti

Nositelj neizrazitog skupa
Normalni neizraziti skup je skup za koji

Nejasan set
X - univerzalni set
X - čine skup parova A
: - zove se funkcija pripadnosti neizrazitog skupa.
Vrijednost funkcije pripadnosti za određeni element X naziva se stupanj pripadnosti
- nositelj neizrazitog skupa
&
Normalni neizraziti skup je skup za svaki

Ako svedemo na normalan oblik => trebamo podijeliti sve njegove vrijednosti sa
.

Neka je funkcija pripadnosti dana cijelim brojem od 10 do 40
Definirati pojam male debljine proizvoda.

| | | | | | | | x x

10 11 12 13 14 15 16 17 18
18

Operacije na neizrazitim skupovima

1. Unija neizrazitih skupova

2. Presjek neizrazitih skupova

3. Komplementacija neizrazitog skupa

Početak predavanja 12. i 13.

(A1,(A2,….,(An x1,x2,…,xn x1(X1 x2(X2 … xn(Xn)

(A1 x(A2 x … x(An = ()

(x (x1,x2,…,xn) = min((A1 (x1), (A2 (x2)…(An (xn))

(A x(B = (,
, }
5. Podizanje neizrazitog skupa na potenciju.

(A2 = con((A) - koncentracija

(A0.5 = dil((A) – rastezanje

Metode određivanja funkcije pripadnosti.

Nešto više od 2. Od 0 do 5.
|x |0 |1 |2 |3 |4 |5 |
|n1 |- |- |- |10|8 |4 |
|n2 |10|10|10|- |2 |6 |

(A = n1 / (n1 + n2)

Metoda rangiranja.

Neizrazita varijabla.

(- ime neizrazite varijable x – područje njene definicije

(A je značenje, neizraziti skup određuje semantiku neizrazite varijable

Jezična varijabla.

(- naziv lingvističke varijable

T – osnovni skup pojmova – tvori nazive neizrazitih varijabli
(rijetko, ponekad, često), što su lingvističke varijable

X – nositelj jezičnih značenja – domena definicije

G – sintaktički postupak

M – semantički postupak

Sintaktički postupak u obliku gramatičkih pojmova, čiji simboli tvore pojmove iz postavljenih pojmova (i, ili, ne), modifikatora tipa
(vrlo, malo, ne, itd.)

(- učestalost

T = (rijetko, ponekad, često)

Često

Takvi pojmovi, zajedno s izvornim, tvore izvedenicu pojmova skupa.

Semantički postupci omogućuju ponovno pisanje termo-nejasne semantike.

M((1 ili (2) = (A1 ((A2

((1, x1, (A1)

((2, x2, (A2)

M((1 i (2) = (A1 ((A2

M(vrlo() = con((A)

M(malo() = dil((A)

Scenarij.

To je klasa okvirnih modela za reprezentaciju znanja, gdje se znanje o slijedu radnji i događaja tipičnih za predmetno područje prikazuje u općenitom i strukturnom obliku. Razmotrimo stereotip - uzročni scenarij - on određuje slijed radnji potrebnih za postizanje ciljeva; ovo je okvirni model.

(kcus ime: ime utora1 (vrijednost utora1); ime2utora (vrijednost utora2);

... naziv utora n (vrijednost utora n))

(kcus akter ciljni akter premisa ključna posljedica naziv sustava)

Premisa specificira radnje koje se moraju izvesti prije ključne radnje kako bi ona stupila na snagu. Posljedica je završna radnja. Naziv sustava je skripta.

(kcus “gašenje požara”: glumac (S:) cilj glumca (C: “zaustavljanje požara”)

P11, P12 paketi (kus: “potraga za sredstvima za gašenje” R1, “vozila za gašenje”)

K1 ključ (f: "upotreba sredstava za gašenje požara za potpuni prekid vatre") posljedica (P: "prekid vatre") naziv sustava (sys: cus*1))

R1 – biti ranije

(kcus “potraga za sredstvima za gašenje”: akter (S:) cilj aktera (C: “traženje sredstava za gašenje”)

P121, P22 parcele (cus: „određivanje koordinata lokacije sredstava za gašenje“ R1, „kretanje do lokacije sredstava za gašenje“)

K2 tipka (f: “hvatanje sredstava za gašenje”) posljedica (P: “biti na mjestu gdje se nalaze sredstva za gašenje”) naziv sustava (sys: cus*2))

(kcus “prijevoz sredstava za gašenje do mjesta požara”: akter (S:) cilj aktera (C: “dostava sredstava za gašenje do mjesta požara”)

P31, P32 parcele (cus: „raspoloživost sredstava za gašenje” R1, „određivanje koordinata mjesta požara”)

K3 tipka (f: “kretanje do mjesta požara”) posljedica (P: “pronalaženje sredstava za gašenje požara na mjestu požara”) naziv sustava (sys: cus*3))

Poboljšanje znanja na temelju scenarija.

Redoslijed:

D = kus: P11 R1 kus: P12 R1 K1 =

P21R1P22R1K2 P31R1P32R1K3

P21R1P22R1K2 R1 P31R1P32R1K3 R1 K1

Premise definiraju radnje koje se moraju izvršiti prije ključne radnje i potrebne su za njezino djelovanje. Istraga je završna radnja. Skripta naziva sustava.

Nadopunjavanje znanja na temelju pseudofizičke logike.

P1 – slijetanje zrakoplova

P2 – opskrba ljestvama

P3 – putnici koji napuštaju zrakoplov

P4 – dostava autobusom

P5 – dolazak na terminal zračne luke

Struktura teksta na jezičnoj razini predstavljena je sljedećom formulom:

TS = PR4dt&P1R3 10,(P2&P2R1P3&P4R3 2,(P5 t = 15 sati 20 minuta)

PR4dt , P1R3 10,(P2 (P2R4 dt + 10

P1R3 10, (P2 (P1R1P2

P4R3 2, (P5 (P4R1P5

TS* = P1R1P2& P1R1P3& P2R1P3& P4R1P5

Modeli i metode generalizacije znanja.

Generalizacija se odnosi na proces dobivanja znanja koje objašnjava postojeće činjenice, kao i sposobnost klasificiranja, objašnjavanja i predviđanja novih činjenica. Početni podaci predstavljeni su uzorkom za obuku. Objekti se mogu podijeliti u klase. Ovisno o tome jesu li apriorne podjele objekata na klase specificirane ili ne, modeli generalizacije se dijele na modele generalizacije po uzorcima i po klasama.

(+ = (01+, 02+…0nj+) – pozitivan uzorak.

Može se postaviti negativan uzorak (- = (01-, 02-…0ʹj-)

Potrebno je pronaći pravilo koje vam omogućuje da odredite pripada li objekt klasi Kj ili ne.

U modelima generalizacije podataka, uzorak je predstavljen skupom objekata klase. Metode generalizacije dijele se na metode generalizacije temeljene na karakteristikama i metode strukturno-logičke generalizacije.

Z = (z1, z2, …, zr)

Zi = (zi1, zi2, …, zini)

Objekt je karakteriziran skupom vrijednosti značajki Qi = (z1j1, z2j2, …, zrjr).

Strukturno-logičke metode generalizacije koriste se za predstavljanje znanja o objektima koji imaju unutarnju strukturu među strukturno-logičkim metodama. Mogu se istaknuti dva smjera: induktivne metode normalnog računa i metode generalizacije na semantičkim mrežama.

Algoritam za generalizaciju pojmova na temelju karakteristika.

Pravila za određivanje pripadnosti objekata određenoj klasi predstavljena su nizom logičkih formula čiji su elementi hij i funkcije ((((((((

Z = (z1, z2) (spol, dob)

Z1 = (z11, z12) (m, f)

Z2 = (z21, z22, z23) (mlad, srednji, star)

(j+ = (01+, 02+) (j- = (01-, 02-, 03-)

01+ = (z11, z21) 02+ = (z11, z22)

01- = (z11, z23) 02- = (z12, z21) 03- = (z12, z22)

&i hij - generalizirani konjunktivni pojam

0 = max(xij – 1/(i), gdje je 0 kriterij, xij je učestalost pojavljivanja određene vrijednosti obilježja, (i je broj obilježja.

0 = 3/5 – 1/2 = 0.1

(j+ = (01+, 02+) (j- = (01-)

(-1+ = 0 (-1- = {02-, 03-}

-----------------------

Situacija

Statički

Dinamičan

Svojstva i odnosi konstanti

Države

Održivo

Privremeni

Procesi

(pacijent 1, dijagnoza, kolitis, K760)
(pacijent 1, dijagnoza, gastritis, K740)

student

Nedefiniran objekt

Specifični objekt

Materijalni objekt

Nematerijalni objekt

situacija

prostor

soba

oprema

učenicima

Administrativno osoblje

učitelji

uslužno osoblje

postdiplomac

voditelj Odjela

Metodičar

Profesor

asistent

laborant

prostor

pokrajina

mjesto

djela

učitelj, nastavnik, profesor

Ime kafića

zamjena

disciplina

Kod grupe

Inženjerstvo znanja je tehnologija za izgradnju ekspertnih sustava. Ovaj proces zahtijeva poseban oblik interakcije između kreatora ekspertnog sustava, koji se naziva inženjer znanja, i jednog ili više stručnjaka u određenom predmetnom području. Inženjer znanja "izvlači" iz stručnjaka procedure, strategije i pravila koja koriste za rješavanje problema i ugrađuje to znanje u ekspertni sustav. Jedan od najtežih problema koji se javlja pri kreiranju ekspertnih sustava je transformacija ekspertovog znanja i opisa metoda koje koristi za pronalaženje rješenja u oblik koji im omogućuje da budu prikazani u bazi znanja sustava, a zatim učinkovito korišteni za rješavanje probleme u određenom predmetnom području.

Tipično, stručnjak ne koristi proceduralne ili kvantitativne metode. Njegova glavna sredstva su analogija, intuicija i apstrakcija. Često stručnjak ne zna ni objasniti kako je točno pronašao rješenje. Izgradnja baze znanja uključuje tri faze:
- opis predmetnog područja;
- izbor modela reprezentacije znanja;
- stjecanje znanja.

Prvi korak u izgradnji baze znanja je identificiranje predmetnog područja za koje je ekspertni sustav usmjeren na rješavanje problema. U biti, ovaj rad se svodi na ocrtavanje inženjerovog znanja o granicama opsega primjene sustava i klase problema koje rješava. U ovom slučaju potrebno je:
- odrediti prirodu zadataka koje treba riješiti;
- odabrati objekte predmetnog područja;
- uspostavljati veze među predmetima;
- odabrati model reprezentacije znanja;
- identificirati specifičnosti predmetnog područja.

Identifikacija domene je prvi korak u apstrahiranju stvarnog svijeta. Nakon što je predmetno područje identificirano, inženjer znanja ga mora formalno opisati. Da bi to učinio, mora odabrati model reprezentacije znanja. Formalno, to bi trebao biti model s kojim ćete najbolje prikazati specifičnosti predmetnog područja.

Inženjer znanja dužan je prije svega intervjuirati stručnjaka, a tek onda početi graditi sustav. U ovom slučaju potrebno je odrediti namjenu sustava. U ovom slučaju, glavni cilj je podijeljen na podciljeve.

U sljedećoj fazi potrebno je ocrtati granice izvornih podataka. Za izgradnju prostora traženja rješenja potrebno je definirati podciljeve na svakoj razini hijerarhije ciljeva općeg problema. Na vrhu hijerarhije trebao bi biti postavljen zadatak koji, u svojoj općenitosti, odražava temeljne mogućnosti i svrhu sustava.

Nakon identificiranja objekata predmetnog područja potrebno je utvrditi kakve veze postoje među njima. Trebali biste nastojati identificirati što je moguće više veza.

Rezultirajući kvalitativni opis predmetnog područja mora biti predstavljen nekim formalnim jezikom kako bi se ovaj opis doveo u oblik koji mu omogućuje da se smjesti u bazu znanja sustava. Da bi se riješio ovaj problem, odabire se odgovarajući model reprezentacije znanja, uz pomoć kojeg se informacije o predmetnom području mogu formalno izraziti.>

Sustav je posrednik, sklapa ugovor o nabavi.

Inženjerstvo znanja je područje računalne znanosti unutar kojeg se provode istraživanja o reprezentaciji znanja u računalima, njegovom ažuriranju i manipuliranju njime.

Sustav znanja – sustav temeljen na znanju.

SOZ SBZ DBMS ES IS SII - sustav umjetne inteligencije.

Struktura sustava temeljenog na znanju.

SUČELJE

Baza znanja je model koji u računalu predstavlja akumulirano znanje u određenom predmetnom području. Ovo znanje mora biti formalizirano. Znanje se oblikuje pomoću modela, a zatim se predstavlja pomoću određenog jezika.

Znanje o određenim objektima i pravilima obično je istaknuto u bazi znanja. Ta se pravila provode kao mehanizam za dobivanje rješenja kako bi se iz izvornih činjenica izvela nova.

Sučelje pruža dijalog na jeziku koji je korisniku poznat.

Metode temeljene na zaključivanju često se koriste u inženjerstvu znanja.

Pojam predmetnog područja.

Objekt je nešto što postoji ili se percipira kao zaseban entitet.

Osnovna svojstva: diskretnost; razlika.

Konceptualna sredstva za opisivanje predmetnog područja.

Pojam klase objekata.

Pojam objekta je pojam skupova. Objekti koji su međusobno slični kombiniraju se u klase. U različitim vremenskim točkama, različiti skupovi objekata mogu odgovarati istoj klasi.

K – klasa objekta.

K t – skup objekata klase K u trenutku t.

Grupa (1999) = (IA-1-99, IA-1-98, …, IA-1-94, IB-1-99,…)

Grupa (1998) = (IA-1-98, IA-1-97, …, IA-1-93, IB-1-98,…)

" t K t = (...)

Nastavno zvanje = (profesor, izvanredni profesor, viši predavač, predavač, asistent)

1 4 Geometrijski lik kvadratnog oblika plave boje.
par atributa objekata

Identifikacija predmeta može biti izravna i neizravna. U slučaju izravne linije koriste se nazivi objekata i redni brojevi objekata; posredno se temelji na korištenju svojstava objekta.

Atribut može biti komponenta. Atribut se shvaća kao svojstvo, karakteristika ili naziv komponenti.

(Geometrijski lik:

oblik Geometrijski oblik

boja boja)

Parovi naziva atributa i vrijednosti atributa često su isti.

Primjer situacije:

predavač Prezime predavača,

mjesto #_publika,

tema Naziv_teme,

slušatelj Group_code,

dan Dan u tjednu,

vrijeme Start_time)

Situacija – prikazuje se veza između “učitelja” i “slušatelja” i druge karakteristike ove situacije.

Uloge sudionika u situaciji:

Slušatelj

Karakteristike situacije:

(K: A 1 K 1, A 2 K 2, ..., A n K n) – prikaz znanja u obliku neke strukture.

(datum, dan, dan_u mjesecu)

(datum, mjesec, naziv mjeseca)

(datum, godina, godina)

(geometrijski_lik, oblik, geometrijski_oblik)

(geometrijski_lik, boja, boja)

Ovakav prikaz znanja odgovara prikazu znanja u obliku pojedinačnih činjenica.

(K: A 1 K 1, A 2 K 2, ..., A n K n)

Reprezentacije znanja o objektima dijele se na:

Klase objekata (struktura podataka)

Znanje o određenim objektima (o podacima)

Objektne klase.

1. (K: A 1 K 1, A 2 K 2, ..., A n K n)

A i je ime atributa

Za i – objektne klase, su vrijednost atributa

K – naziv klase

(učitelji:

Puno ime prezime_sa_inicijalima,

Pozicija nastavnika_pozicija)

2. (K: A i K i)

(nastavnik, puno ime, prezime s inicijalima,

nastavnik, radno mjesto nastavno_pozicija)

3. K (K 1, K 2, ..., K n)

4. K (A 1, A 2, ..., A n)

(nastavnik (prezime_sa_inicijalima, nastavno_zvanje),

učitelj (ime, radno mjesto)

Prikaz znanja za prvi oblik:

(K: A 1 K 1, A 2 K 2, …, A n K n) k i Î K i

Atributivna reprezentacija znanja:

(učitelj: - predstavlja

Puno ime Semenov - neka struktura

Zvanje docent) – podaci

Prikaz znanja za drugi oblik:

(K: A i K i) k Î K, k i Î K i

Atributivni prikaz znanja u obliku pojedinačnih činjenica:

(učitelj, nastavnik, profesor 1 , puno ime, Semenov) - 1 , 2 su poveznice između

(učitelj, nastavnik, profesor 1 , radno mjesto, izvanredni profesor) - činjenice

(učitelj, nastavnik, profesor 2 , puno ime, Petrov)

(učitelj, nastavnik, profesor 2 , položaj, asistent)

Prikaz znanja za treći oblik:

K (K 1, K 2, ..., K n)

(nastavnik (Semenov, izvanredni profesor) - položajni prikaz znanja

Ako nema naziva atributa, a sami atributi su ispisani na određenim pozicijama, onda je to položajni prikaz znanja.

Predstavljanje znanja u obliku “trojki” - (objekt, atribut, vrijednost).

Za predstavljanje netočnih vrijednosti koriste se koeficijenti pouzdanosti - (objekt, atribut, vrijednost, koeficijent pouzdanosti).

(pacijent 1, dijagnoza, kolitis, K760)

0 – odgovara neizvjesnosti.

negativna vrijednost – stupanj povjerenja u nemogućnost vrijednosti atributa.