지식 공학 및 지식 습득. 지식공학 지식 표현 모델

일반적으로 높은 수준의 인간 전문 지식이 필요한 복잡한 문제를 해결하기 위해 지식과 컴퓨터 시스템의 통합을 다루는 엔지니어링 분야입니다.

지식 구성 관리(회계);
변경 관리(진화);
물류(필요에 따라 검색 및 배송).

높은 수준에서 지식 엔지니어링 프로세스는 두 가지로 구성됩니다.

지식 추출- "원시 지식"을 조직화된 지식으로 변환, 자료 매체(파일, 문서, 서적) 및 전문가(전문가 그룹)일 수 있는 소스로부터 지식을 얻는 프로세스입니다. 지식공학의 일부입니다.
지식의 구현- 조직화된 지식을 실현으로 전환하는 과정, 조직화된 지식을 실현으로 전환하는 과정입니다.

지식 관리 기술

다음과 같은 지식 관리 기술이 구별됩니다.

암묵적인 지식으로 일하기(암묵적 지식) 전문가들의 마음속에(대부분 "지식 관리"에 대해 이야기할 때 의미하는 바입니다.) 인지학자(역할):
- 전문가가 전문가 시스템의 운영에 필요한 지식을 식별하고 구조화하도록 돕고, 전문가로부터 비공식 지식을 추출합니다.
- 주어진 문제 영역에 가장 적합한 지적 시스템을 선택하고 이 IS에서 지식이 표현되는 방식을 결정합니다.
- 전문가가 입력한 규칙에 사용될 표준 기능을 선택하고 프로그래밍합니다.
서면 지식을 가지고 일하기("지식 관리"는 컴퓨터로 확장됩니다: 기업 지식 관리, 지식 관리) - "전체 텍스트 검색", "의미 검색", "자동 주석" 강조.
1. 데이터학적 규율로서의 NLP(“형식에 따른 작업”), 파동 기술, 지각 양식, 하위 양식, 공간 표시, 보정
2. 웹 2.0 사용(블로그 및 위키)
서면 형식 지식을 가지고 작업(지식 관리에도 포함되지만 그렇게 확신하지는 않는 지식 엔지니어링) - 구조적 데이터베이스, 엔지니어링 모델, 데이터 통합에 중점을 둡니다. 지식 공학의 대부분의 기술은 소위 "의미론적 네트워크", 즉 지식이 사실로 표현될 수 있다는 Husserl-Wittgenstein-Bunge 접근 방식을 구현하는 경로를 따랐습니다(그리고 사실은 개념 간의 관계입니다). 일련의 사실로부터 가장자리 관계가 정점 개념을 연결하는 의미론적 네트워크가 발생합니다(John F. Sowa의 리뷰 참조). 의미론적 형태로 지식을 저장하고 사용한다는 아이디어는 거의 겹치지 않는 많은 실무 커뮤니티에 의해 구현되었으며, 그 결과 단일 단어가 동일하지 않지만 다음과 같은 수많은 구현 및 표준이 출현했습니다. 이념적으로나 기술적으로 양립할 수 있다.
1. 데이터 모델링 + 데이터 통합. 대규모 산업 시설을 건설하는 동안 여러 공급업체의 여러 CAD 시스템에서 얻은 데이터를 결합해야 할 때 사용됩니다. 키워드: ISO 15926, 겔리쉬, ISO 10303. "온톨로지"라는 단어 대신 "데이터 모델"이라고 말합니다. : 거의 없음, 모든 데이터 쿼리. 모두가 지식을 가지고 싸운다. 그래픽 없음, 모두 XML, 독점 저장 형식 각 개별 CAD 시스템의 데이터 스키마. 최근에는 CYC 및 (표준화된 UMBEL 온톨로지 기반, RDF 표현 및 HTTP를 통한 데이터 액세스 제공 참조) 등 이질적인 데이터를 통합하는 것을 목표로 하는 다른 솔루션이 등장했습니다. ISO 15926-7 프로젝트는 특정 온톨로지 + 의미론적 웹 표준이라는 동일한 내용으로 귀결됩니다.
2. 컨셉 맵() 교육 및 창작 작업(주로 웹을 통한 공동 작업)에 사용됩니다. 키 형식(모두 XML 형식): XCT 3.0이지만 주제 맵을 사용할 준비가 되어 있으며 편집 및 표시를 위한 훨씬 더 많은 기능이 있습니다. 지식 관리 도구: 창작 과정에서 두 참가자가 그린 네트워크를 결합한 그래픽 디스플레이입니다. 가까운 친척은 그래프가 전혀 없지만 아름답게 그려진 나무가 있고 연결 이름이 없는 MindMap입니다.
3. 개념적 그래프인공 지능, 전문가 시스템, 에이전트 시스템 및 기타 고전 장르의 학술 연구에 사용됩니다. 그들은 철학자이자 논리학자인 Pierce("지능형 색인 생성")의 작업에 의존하고 있으며 핵심 인물은 John F. Sowa입니다. 지식 저장을 위한 주요 형식: 세 가지 구문, 주요 구문은 CGIF(XML)입니다. 지식 관리 도구: 공통 논리(또는 ISO ISO/IEC IS 24707:2007, ).
4. 주제 지도이는 지식 관리 이니셔티브에 사용될 것이며 목록 작성자(서지 작성자)가 제공한 것입니다. 표준화를 열렬히 지지하지만(참조) 초점을 잃었습니다(그들은 일반 데이터 모델링에 가차 없이 끌리고 Semantic Web 접근 방식에는 잃습니다). 지식 저장을 위한 주요 형식: ISO 13250, XTM 2.0, HyTM. 지식 관리 도구: TMAPI 2.0이 표준화되어 있으므로 주제 맵 엔진이 사용됩니다(12가지 옵션). 또한 주제 맵에 대한 제약 조건을 지정하기 위한 특수 표준인 ISO/IEC FCD 19756(TMCL)이 결승선에 도달했으며 주제 맵 쿼리 언어(ISO 18048 프로젝트)가 중단된 것으로 보입니다.

17.2. 실용적인 지식 추출 방법

17.3. 지식 구조화

지능정보기술 창출의 핵심문제는 전문가의 지식을 컴퓨터 메모리에 적절히 표현하는 것이다. 이로 인해 컴퓨터 과학, 즉 지식 공학의 새로운 방향이 개발되었습니다. 여기서 인간 지식과 컴퓨터의 공식화된(정보) 표시 사이의 관계가 결정됩니다. 지식 공학은 지능형 시스템의 추가 구현을 위한 지식 획득, 분석 및 공식화와 관련된 문제를 연구하고 개발합니다.

이 장의 목적– 지식 공학의 주요 이론적 측면에 대한 개요를 제공하고 지식 엔지니어로 일하는 몇 가지 실제적인 방법을 소개합니다.

이 장을 공부한 후에는 다음 사항을 알아야 합니다.

전문가 시스템 개발 시 지식 획득에 대한 접근 방식

지식 검색에서 발생하는 이론적 문제

지식공학자가 고려해야 할 심리적, 언어적 요인의 특징

지식 엔지니어의 작업에 대한 지식 철학의 영향

지식 소스로 작업할 때의 지식 엔지니어 방법

지식 추출 방법

전문가 게임의 본질

텍스트에서 지식을 추출하는 방법

획득한 지식의 구조화

교과영역의 개념적, 기능적 구조의 형성

지식은 어떻게 공식화되고 지식기반은 형성되는가?

17.1. 지식 습득의 이론적 측면

지식 습득 전략

심리적 측면

언어적인 측면

인식론적 측면

지식 획득 전략

지식을 습득하기 위한 몇 가지 전략이 있습니다. 가장 일반적인:

인수;

추출;

형성.

아래에 지식의 습득전문가와 특수 프로그램(이 경우 지식의 구조는 프로그램에 미리 내장되어 있음) 간의 대화를 통해 지식 기반을 자동화하는 방법을 이해합니다. 이 전략을 사용하려면 해당 주제 영역에 대한 상당한 예비 연구가 필요합니다. 지식 획득 시스템은 실제로 시스템 개발자가 정한 구조에 따라 기성 지식을 획득합니다. 이러한 도구의 대부분은 엄격하게 정의된 주제 영역과 지식 표현 모델을 갖춘 특정 전문가 시스템에 특별히 초점을 맞추고 있습니다. 보편적이지 않습니다. 예를 들어, 지식 획득을 위한 모든 도구의 조상이 된 TEIRESIAS 시스템은 생산을 사용하여 의료 진단 분야의 EMYCIN "쉘"을 기반으로 구축된 MYCIN 시스템 또는 그 자회사의 지식 기반을 보충하기 위한 것입니다. 모델 대표지식.

용어 지식 추출지식 엔지니어와 지식 소스 간의 직접적인 실시간 접촉에 관한 것입니다. 저자는 지식 엔지니어를 통해 전문가의 역량을 전문가 시스템의 지식 기반으로 이전하는 절차의 더 광범위하고 더 정확하게 표현하는 의미로 이 용어를 사용하는 경향이 있습니다.

용어 양식위로지식 습득전통적으로 지식 습득 및 학습을 위한 데이터 분석을 위한 모델, 방법 및 알고리즘을 개발하는 매우 유망하고 적극적으로 발전하는 지식 공학 분야에 배정되었습니다. 이 영역에는 훈련 샘플로부터 가설을 생성하기 위한 귀납적 모델, 유추에 의한 학습 및 기타 방법이 포함됩니다.

따라서 우리는 전문가 시스템 개발에서 지식 획득 단계를 수행하기 위한 세 가지 전략을 구분할 수 있습니다(그림 17.1).

쌀. 17.1.지식을 얻기 위한 세 가지 전략

현재 우리나라 전문가 시스템 개발 단계에서는 지식 추출 전략이 가장 관련성이 높은 것 같습니다. 왜냐하면 국내 소프트웨어 시장에는 지식을 획득하고 형성하기 위한 산업 시스템이 실질적으로 없기 때문입니다.

지식 추출– 이는 전문가와 지식 소스 간의 상호 작용 절차로, 그 결과 전문가가 결정을 내릴 때 추론 과정과 주제 영역에 대한 아이디어의 구조가 명확해집니다.

현재 대부분의 전문가 시스템 개발자는 지식 추출 프로세스가 산업 시스템 구축에서 가장 큰 병목 현상으로 남아 있다고 지적합니다.

지식 추출 과정은 인지 심리학, 시스템 분석, 수리 논리 등의 전문 지식을 갖춘 지식 엔지니어가 전문가가 만드는 데 사용하는 주제 영역의 모델을 재현해야 하는 길고 노동 집약적인 절차입니다. 결정. 종종 전문가 시스템의 초보 개발자는 이러한 고통스러운 절차를 피하고 싶어 다음과 같은 질문을 합니다. 전문가가 자신에게서 지식을 추출할 수 있습니까? 여러 가지 이유로 이는 바람직하지 않습니다.

첫째, 전문가의 지식 대부분은 수많은 층위, 경험 단계의 결과입니다. 그리고 종종 그 사실을 알고 ㅏ~해야 한다 안에,전문가는 자신의 일련의 추론이 훨씬 더 길었다는 사실을 깨닫지 못합니다. 와 함께 디, 디  에이, 에이 안에,또는 ㅏ 큐, 큐  아르 자형, 아르 자형  비.

둘째, 고대인들이 알고 있듯이(플라톤의 “대화”를 기억하십시오) 사고는 대화적입니다. 따라서 지식 엔지니어와 전문가 사이의 대화는 부분적으로 비언어적 성격의 지식이 저장되어 있는 전문가 기억의 미로를 "풀어내는" 가장 자연스러운 형태입니다. 예를 들어, 단어의 형태가 아닌 시각적 이미지의 형태로 표현됩니다. 전문가가 이러한 흐릿한 연관 이미지에 명확한 언어 라벨을 붙이는 것은 지식 엔지니어에게 설명하는 과정입니다. 지식을 말로 표현합니다.

셋째, 전문가가 보유한 정보의 깊이와 방대함으로 인해 해당 주제 분야의 모델을 생성하는 것이 훨씬 더 어렵습니다. 실제 주제 영역의 수많은 인과 관계는 복잡한 시스템을 형성하며, 여기서 "골격" 또는 주요 구조를 분리하는 것은 때때로 체계적인 방법론을 소유한 분석가가 더 쉽게 접근할 수 있습니다. 모든 모델은 단순화입니다. 세부 사항에 대한 지식이 적으면 단순화하는 것이 더 쉽습니다.

지식 추출의 본질을 이해하기 위해 우리는 이 절차의 세 가지 주요 측면(그림 17.2), 즉 심리학적, 언어적, 인식론적 측면을 강조합니다. 이에 대해서는 에서 자세히 설명합니다.

쌀. 17.2.지식 검색의 주요 측면

심리적 측면

지식 검색을 위한 커뮤니케이션 모델

지식 추출의 세 가지 확인된 측면 중 심리적이는 지식 엔지니어(분석가)와 지식의 주요 원천인 전문 전문가 간의 상호 작용의 성공과 효율성을 결정하기 때문에 분명히 중요한 것입니다. 지식 추출은 시스템 개발자 간의 직접적인 의사 소통 과정에서 가장 자주 발생하기 때문에 심리적 측면을 강조합니다.

의사소통에 대한 욕구와 능력은 지식 엔지니어의 전문성 정도를 특징짓습니다.

대화 중 정보 손실이 큰 것으로 알려져 있습니다(그림 17.3). 이에 대해 심리학적 지식을 활용하여 분석가와 전문가 간 의사소통의 정보량을 늘리는 문제를 고찰해 본다.

쌀. 17.3.통신 중 정보 손실

지식을 추출할 때 다음과 같은 의사소통 구조 모델을 제안할 수 있습니다.

커뮤니케이션 참가자(파트너);

의사소통 수단(절차);

의사소통의 주제(지식).

이 구조에 따라 우리는 지식을 추출할 때 발생하는 심리적 문제의 세 가지 "계층"을 강조하고(그림 17.4) 이를 순차적으로 고려할 것입니다.

쌀. 17.4.지식 추출의 심리적 측면의 구조

접촉층

거의 모든 심리학자들은 모든 집단적 과정이 참가자 그룹에서 발생하는 분위기의 영향을 받는다는 점에 주목합니다. 그룹 구성원 개개인의 능력보다 팀의 우호적인 분위기가 결과에 더 큰 영향을 미친다는 사실이 명백히 입증된 실험이 있습니다. 개발팀이 경쟁 관계보다는 협력 관계를 발전시키는 것이 특히 중요합니다. 협력은 협력, 상호 지원, 서로의 성공에 대한 관심의 분위기가 특징입니다. 도덕적 의사소통 수준, 경쟁형 관계의 경우 개인주의와 대인 경쟁 분위기(낮은 수준의 의사소통)입니다.

불행하게도 100% 보증을 통한 통신에서 호환성을 예측하는 것은 불가능합니다. 그러나 의심할 여지없이 절차의 효율성에 영향을 미치는 의사소통 참가자의 다양한 성격 특성, 성격 및 기타 특성을 식별하는 것이 가능합니다. 이러한 심리적 패턴에 대한 지식은 지식 엔지니어가 지식 추출 단계를 성공적으로 수행하기 위해 가져야 하는 심리적 문화의 일부입니다.

선의와 친절함;

유머 감각;

좋은 기억력과 주의력;

관찰;

상상력과 감수성;

더 큰 집중력과 인내;

사교성과 수완;

분석성;

매력적인 외모와 옷차림 방식;

자신감.

절차적 레이어

신뢰의 과학과 전문가(접촉 계층)와의 관계를 성공적으로 익힌 지식 엔지니어는 여전히 이러한 분위기의 유익한 효과를 활용할 수 있어야 합니다. 절차적 계층의 문제는 지식 추출 절차 자체와 관련이 있습니다. 여기서는 접촉 문제를 해결하는 데 유용한 통찰력과 매력이 거의 없습니다.

절차의 일반적인 원칙에 대해 살펴 보겠습니다.

전문가와의 대화는 작은 회의실에서 진행하는 것이 가장 좋습니다. 조명, 따뜻함, 편안함은 기분에 직접적인 영향을 미칩니다. 차나 커피는 친근한 분위기를 조성합니다. 미국 심리학자 I. Atwater는 비즈니스 커뮤니케이션에 가장 적합한 거리는 1.2~3m라고 믿습니다. 최소 "편안한" 거리는 0.7~0.8m로 간주할 수 있습니다.

자신의 추론을 재구성하는 것은 쉬운 일이 아니므로 한 세션의 지속 시간은 일반적으로 하루 중 전반부(예: 10시에서 12시)에 2시간을 선택하는 것이 좋습니다. 시계). 대화 중 파트너의 상호 피로는 일반적으로 20~25분 후에 발생하는 것으로 알려져 있으므로 세션 중에 일시 중지가 필요합니다.

모든 지식 엔지니어는 자신만의 고유한 말하기 방식을 가지고 있습니다. 어떤 사람은 빠르게 말하고 어떤 사람은 천천히 말합니다. 일부는 시끄럽고 다른 일부는 조용합니다. 대화 스타일을 바꾸는 것은 거의 불가능합니다. 이는 어린 시절의 사람에게 뿌리 박혀 있습니다. 그러나 지식 추출은 전문적인 대화이며 지식 엔지니어가 말하는 문구의 길이에 따라 성공 여부도 영향을 받습니다.

이 사실은 미국 과학자인 언어학자 Ingve와 심리학자 Miller에 의해 확립되었습니다. 사람은 깊이(또는 길이)가 7 더하기 또는 빼기 2 단어인 문장을 가장 잘 인식하는 것으로 나타났습니다. 이 숫자(7+2)를 Yngve-Miller 수라고 합니다. 이는 말의 '구어체성'을 측정하는 척도로 간주될 수 있습니다.

지식 추출 절차를 수정할 필요성을 의심하는 사람은 아무도 없습니다. 질문이 생깁니다. 어떤 형태로 이를 수행해야 합니까? 결과를 기록하는 방법에는 세 가지가 있습니다.

대화 중에 종이에 직접 녹음합니다(단점 - 대화를 방해하는 경우가 많으며 속기 기술이 있어도 모든 것을 적을 시간을 갖기가 어렵습니다).

분석가가 세션의 전체 과정과 자신의 실수를 분석하는 데 도움이 되는 테이프 녹음(단점 - 전문가를 방해할 수 있음)

암기 후 대화 후 녹음(단점 - 뛰어난 기억력을 가진 분석가에게만 적합).

인지층

인지 심리학 (eng. 인지)은 사람이 주변 세계를 이해하는 메커니즘을 연구합니다.

인지 심리학의 관점에서 지식 엔지니어에게 몇 가지 조언을 제공하겠습니다.

전문가(분석가)에게 더 이해하기 쉽고 자연스러운 표현 모델을 전문가에게 강요하지 마십시오.

전문가와 협력하는 다양한 방법은 '자물쇠 열쇠'처럼 전문가에게 접근해야 한다는 조건을 바탕으로 한다.

주제 영역의 주요 개념과 이를 연결하는 관계를 식별하는 것으로 정의될 수 있는 추출 절차 또는 주요 전략의 목적을 명확하게 이해합니다.

전문가의 추론을 반영하는 다이어그램을 그리는 경우가 더 많습니다. 이는 인간의 기억 속에 정보가 비유적으로 표현되어 있기 때문입니다.

위에 제시된 자료는 자신과 타인에 대한 이해와 지식을 포함하는 심리 문화의 기초와 밀접한 관련이 있습니다. 다른 사람들에 대한 적절한 자존감과 평가; 정신 상태의 자기 조절. 전문가(심리학자, 심리 치료사)의 도움으로 이 문화를 익히는 것이 더 쉽지만, 예를 들어 적어도 인기 있는 책의 도움을 받아 스스로 할 수 있습니다. 또한, 연기의 기초를 익히고 사회심리적 영상교육의 특별 수업에 참여하는 것은 심리적 실패를 성공적으로 극복하는 데 도움이 됩니다.

결론적으로 초보 분석가의 전통적인 심리적 실패는 다음과 같습니다.

전문가와 지식 엔지니어 사이의 접촉 부족(둘 중 하나의 심리적 특성, 절차 오류, "외관" 효과 발생, 즉 "자신을 과시하려는" 전문가의 욕구로 인해)

이해 부족(“투영” 효과, 즉 분석가의 관점을 전문가의 관점으로 전환하는 것 또는 “순서” 효과, 즉 주로 먼저 표현되는 것에 주의를 집중하는 것 등으로 인해)

낮은 대화 효율성(전문가의 약한 동기, 즉 관심 부족, 느린 대화 속도, 부적절한 질문 형식, 전문가의 불만족스러운 답변)

언어적 측면

언어적 측면의 구조

지식공학자와 전문가의 의사소통 과정은 언어적 의사소통이므로, 언어적인 측면지식 공학. 공학 지식에 중요한 언어 문제의 세 가지 계층을 강조해 보겠습니다(그림 17.5).

쌀. 17.5.지식 검색의 언어적 측면의 구조

공유 코드 문제

대부분의 심리학자와 언어학자는 언어가 "내부 사용"의 다른 기호 시스템과 함께 사고의 주요 수단이라고 믿습니다. 분석가와 전문가가 말하고 생각하는 언어는 크게 다를 수 있습니다.

그래서 우리는 두 가지 언어에 관심이 있습니다. 분석가 언어,세 가지 구성 요소로 구성됩니다.

준비 기간 동안 전문 문헌에서 배운 주제 분야의 용어;

그의 "이론적 수하물"의 일반 과학 용어;

분석가가 사용하는 일상 언어;

그리고 언어 전문가구성:

해당 주제 영역에 채택된 특수 용어로부터;

일반 과학 용어; 일상언어;

전문가가 작업 중에 만든 신조어(그의 전문 용어).

의사소통에 참여하는 두 참가자의 일상 언어와 일반 과학 언어가 거의 일치한다고 가정하면 성공적인 상호 작용을 위해 파트너가 개발해야 하는 일부 공통 언어 또는 코드는 그림 1에 제시된 흐름으로 구성됩니다. 17.6. 이어서, 이 일반 코드는 해당 주제 영역의 지식 분야의 원형인 특정 개념(의미) 네트워크로 변환됩니다.

쌀. 17.6.공통 코드를 얻는 방법

공통코드의 개발은 분석가가 전문가가 사용하는 모든 용어를 기록하고 그 의미를 명확히 하는 것에서부터 시작됩니다. 실제로 이것은 해당 주제 분야의 사전을 편집한 것입니다. 그런 다음 용어를 그룹화하고 동의어(동일한 의미를 갖는 단어)를 선택합니다. 공통 코드의 개발은 의미별로 사전 그룹화하여 주제 영역 용어 사전을 편집하는 것으로 끝납니다. 개념적 근접성(지식 구조화의 첫 번째 단계)

쌀. 17.7은 두 전문가의 용어 해석의 모호성에 대한 아이디어를 제공합니다. 기호 체계의 과학인 기호학에서 해석의 문제는 핵심 문제 중 하나입니다. 해석은 '기호'와 '기의대상'을 연결한다. 해석을 통해서만 기호는 의미를 얻게 됩니다. 그래서, 그림에서. 17.7 전문가에게 "장치 X"라는 단어는 원래 장치의 회로에 해당하는 특정 회로를 의미하지만 초보 분석가의 머리에서는 "장치 X"라는 단어가 빈 이미지나 일종의 "블랙 박스"를 연상시킵니다. 손잡이가 있습니다.

쌀. 17.7.해석 문제의 모호함

개념적 구조

인공지능과 인지심리학 분야의 대부분의 전문가들은 특히 자연지능과 기억의 주요 특징은 모든 개념을 네트워크로 연결하는 것이라고 믿습니다. 따라서 지식 기반을 개발하려면 사전이 필요하지 않고 모든 용어가 다른 용어에 대한 링크와 함께 사전 항목에 설명되어 있는 백과사전이 필요합니다.

따라서 주어진 문제 계층에서 지식 엔지니어의 언어적 작업은 용어를 "연결"하여 관련 조각을 구성하는 것입니다. 분석가와 전문가의 세심한 작업을 통해 개념 구조에서 개념의 계층 구조가 나타나기 시작하며 이는 일반적으로 인지 심리학의 결과와 일치합니다.

개념의 계층 구조모든 주제 영역의 지식 구조에 대한 개념적 분석의 기초가 될 수 있는 글로벌 체계입니다.

사전 및 개념 구조를 편집하는 작업에는 언어적 "감정", 용어 조작의 용이성 및 지식 엔지니어의 풍부한 어휘가 필요하다는 점이 강조되어야 합니다. 분석가는 종종 기능 사전을 독립적으로 개발해야 하기 때문입니다. 공유 코드가 더 풍부하고 표현력이 풍부할수록 지식 기반이 더 완성됩니다.

분석가는 이미지와 아이디어를 언어 형태로 전달하는 것이 어렵다는 점을 끊임없이 기억해야 합니다. 지식 엔지니어는 전문가에게 단어와 표현을 제안해야 하는 경우가 많습니다.

사용자 사전

공통 코드 및 개념 구조의 계층과 상호 연관된 언어적 결과는 적절한 지식 기반을 생성하는 것을 목표로 합니다. 그러나 최종 사용자의 전문적인 수준으로 인해 도메인별 언어를 완전히 사용하는 것이 허용되지 않을 수도 있다는 점을 잊어서는 안 됩니다. 사용자 인터페이스를 개발하려면 시스템의 접근성과 "투명성"에 맞게 조정된 공통 코드 사전의 추가 개선이 필요합니다.

결론적으로 우리는 초보 지식 엔지니어를 기다리는 특징적인 언어적 실패를 나열합니다.

다른 언어로 말하기 (지식 엔지니어의 교육 부족으로 인해)

맥락과의 불일치 및 용어의 부적절한 해석(피드백 부족, 즉 지식 엔지니어의 너무 독립적인 작업으로 인해)

일반 코드와 사용자 언어 간의 차이가 없음(전문가와 사용자의 지식 수준 차이는 고려되지 않음)

인지학적 측면

인식론적 측면의 본질

인식론지식 이론 또는 인간 의식의 현실 반영 이론과 관련된 철학의 한 분야입니다.

말하자면 과학으로서의 지식 공학은 이중 인식론적입니다. 현실(O)은 먼저 전문가의 의식(M 1)에 반영되고, 그 다음 전문가의 활동과 경험은 지식 공학자의 의식에 의해 해석됩니다. (M 2)는 이미 세 번째 해석(P z) – 전문가 시스템의 지식 분야 구축을 위한 기초 역할을 합니다(그림 17.8). 인지 과정은 본질적으로 인간의 마음 속에 주변 세계의 내부 표현을 만드는 것을 목표로 합니다.

쌀. 17.8.지식 추출의 인식론적 측면

지식 추출 과정에서 분석가는 전문가의 비정규 개별 지식과 관련된 지식 구성 요소에 주로 관심이 있습니다. 왜냐하면 이러한 유형의 지식을 가진 주제 영역은 전문가 시스템의 구현에 가장 취약한 것으로 간주되기 때문입니다. 이러한 영역은 많은 양의 개별 경험적 사실과 관찰을 축적한 반면 이론적 일반화는 미래의 문제이기 때문에 일반적으로 경험적이라고 부릅니다.

지식은 항상 새로운 개념과 이론의 창조와 연관되어 있습니다. 전문가가 분석가와의 대화 중에 "즉시" 새로운 지식을 생성하는 경우가 많다는 것은 흥미로운 일입니다. 이러한 지식 생성은 그 순간까지 해당 주제 영역의 여러 관계와 패턴을 인식하지 못했을 수도 있는 전문가 자신에게도 유용할 수 있습니다. 새로운 지식 탄생의 '조산사'인 분석가는 과학 연구 논리와 과학의 개념적 계층 구조에 대한 잘 알려진 원리를 사용할 수 있는 시스템 방법론 도구의 도움을 받을 수 있습니다. 이 방법론은 그로 하여금 특정 뒤에 있는 일반을 보도록 강요합니다. 빌드 체인:

사실  일반화된 사실  경험법칙  이론법칙

지식 엔지니어가 항상 이 체인의 마지막 링크에 도달하는 것은 아니지만 이동하려는 욕구 자체가 매우 유익할 수 있습니다. 이 접근 방식은 두 가지 수준으로 구성된 지식 자체의 구조와 완전히 일치합니다.

경험적(관찰, 현상);

이론적 (법률, 추상화, 일반화).

과학적 지식의 기준

이론은 과학적 지식을 일반화하기 위한 일관된 체계일 뿐만 아니라 새로운 지식을 생산하는 특정한 방식이기도 합니다. 새로운 지식 자체와 이를 과학적으로 얻는 방법을 모두 고려할 수 있는 과학적 특성에 대한 주요 방법론적 기준은 다음과 같습니다.

내부 일관성과 일관성;

일관성;

객관성;

역사주의.

내적 일관성.언뜻 보면 이 기준은 경험적 영역에서는 작동하지 않습니다. 그 영역에서 사실은 종종 서로 일치하지 않고 정의가 모순되고 분산되어 있습니다. 경험적 지식의 특징, 그 양식, 불일치 및 불완전성을 아는 분석가는 이러한 경험적 지식의 "거친 부분"을 완화해야 합니다.

지식의 양식다양한 범주에 존재할 가능성을 의미합니다. 존재와 의무의 구성에서. 따라서 일부 패턴은 가능하고 다른 패턴은 필수입니다. 게다가 우리는 다음과 같은 양상의 음영을 구별해야 합니다. 전문가는 ...; 전문가는 그렇게 생각합니다...; 전문가가 원한다...; 전문가는 그렇게 생각합니다.

가능한 불일치경험적 지식은 변증법의 기본법칙의 자연스러운 결과이며, 이러한 모순은 지식 분야에서 항상 해결되어야 하는 것은 아니지만, 반대로 전문가의 추론에서 출발점이 가장 자주 사용되는 것은 모순입니다.

불완전성지식은 주제 영역에 대한 완전한 설명이 불가능하다는 것과 관련이 있습니다. 분석가의 임무는 이러한 불완전성을 특정 "완전성" 프레임워크로 제한하는 것입니다. 주제 영역의 경계를 좁히거나 문제를 단순화하는 여러 제한 사항 및 가정을 도입합니다.

체계성.지식에 대한 시스템 구조적 접근 방식(헤겔로 돌아가는)은 분석가가 시스템 전체의 법칙과 구성 부분의 상호 작용의 관점에서 모든 주제 영역을 고려하도록 방향을 지정합니다. 현대 구조주의는 모든 대상의 다단계 계층 조직에서 비롯됩니다. 모든 프로세스와 현상은 더 작은 하위 집합(기능, 세부 사항)으로 간주될 수 있으며, 반대로 모든 객체는 더 높은 수준의 일반화 요소로 간주될 수 있고 간주되어야 합니다.

객관성.인지 과정은 매우 주관적입니다. 그것은 본질적으로 아는 주체 자체의 특성에 달려 있습니다. 주관성은 사실에 대한 묘사에서 시작되어 대상의 이상화가 깊어질수록 증가한다.

결과적으로 지식의 객관성보다 이해의 깊이를 말하는 것이 더 정확합니다. 이해는 주체의 관점에서 대상을 해석하는 과정인 공동 창작입니다. 이것은 인간 의식의 깊은 곳에서 발생하며 사람의 모든 지적, 정서적 능력의 동원이 필요한 복잡하고 모호한 과정입니다. 분석가는 문제를 이해하는 데 모든 노력을 집중해야 합니다. 심리학은 지적 문제를 신속하고 성공적으로 해결하는 사람들은 문제를 이해하는 데 대부분의 시간을 소비하는 반면, 해결책을 가장 빨리 찾기 시작하는 사람들은 문제를 찾지 못하는 경우가 많다는 사실을 확인합니다.

역사주의.이 기준은 개발과 관련이 있습니다. 현재에 대한 지식은 그것을 낳은 과거에 대한 지식입니다. 대부분의 전문가 시스템은 시간을 고려하지 않고(정적) 지식의 "수평적" 조각을 제공하지만, 지식 엔지니어는 항상 시간 변화(과거와의 연결 및 미래와의 연결)를 고려하는 프로세스를 고려해야 합니다. 예를 들어, 지식 분야와 지식 베이스의 구조는 전문가 시스템의 개발 기간과 운영 중에 조정과 수정이 가능해야 합니다.

인지의 구조

지식의 과학적 성격에 대한 주요 기준을 고려한 후 이제 그 구조를 설명하려고 노력할 것입니다. 인지의 방법론적 구조는 일련의 단계로 제시될 수 있으며(그림 17.9), 이를 지식 엔지니어의 관점에서 고려할 것입니다.

사실의 설명 및 종합.이는 분석가와 전문가 간의 대화의 "마른 잔여물"과 같습니다. 추출 과정에서 기록을 세심하고 완전하게 유지하는 것과 이에 대한 시간을 엄수하는 "숙제"는 생산적인 인지의 첫 번째 단계의 핵심입니다.

실제로 위에서 설명한 객관성과 일관성의 원칙을 고수하는 것은 어려운 것으로 드러났습니다. 대부분의 경우 이 단계에서 사실은 단순히 수집되어 "공통 가방"에 던져집니다. 숙련된 지식 엔지니어는 즉시 각 사실에 대한 "선반" 또는 "상자"를 찾으려고 시도하여 암묵적으로 개념화 단계를 준비합니다.

쌀. 17.9.인지의 구조

연결 및 패턴 설정.비록 종종 암묵적이긴 하지만 전문가의 머리 속에서 연결이 확립됩니다. 엔지니어의 임무는 전문가의 결론의 틀을 파악하는 것입니다. 전문가의 추론을 재구성할 때 지식 엔지니어는 가장 널리 사용되는 두 가지 사고 이론인 논리적 사고와 연관 사고에 의존할 수 있습니다. 동시에, 수학자들의 열렬한 추종자 덕분에 논리 이론이 인공 지능에 대한 작업에서 가능한 모든 방법으로 널리 인용되고 활용된다면 두 번째 연관 이론은 덜 알려지고 인기가 있습니다. 그것은 또한 고대의 뿌리를 가지고 있습니다. 논리 이론의 아름다움과 조화는 사람들이 수학적 논리의 관점에서 거의 생각하지 않는다는 슬픈 사실을 가려서는 안 됩니다.

연관 이론은 사고를 공통 개념으로 연결된 일련의 아이디어로 표현합니다. 그러한 사고의 주요 작업은 다양한 연결을 기반으로 획득된 연관성입니다. 과거 경험을 회상함; 가끔 성공하는 시행착오; 습관적인(“자동”) 반응 등

이상화된 모델의 구축.주제 영역에 대한 주제의 이해를 반영하는 모델을 구축하려면 사고 과정에서 발생하는 이상적인 세계 모델을 설명하고 구성할 수 있는 전문 언어가 필요합니다. 이 언어는 해당 주제 영역에서 채택된 범주 장치와 수학과 논리학의 공식적인 상징적 수단의 도움으로 점차적으로 만들어집니다. 경험적 주제 영역의 경우 이러한 언어는 아직 개발되지 않았으며 분석가가 반정형화된 방식으로 설명할 지식 분야는 그러한 언어를 만드는 첫 번째 단계일 수 있습니다.

모델의 설명 및 예측.지식 구조의 이 마지막 단계는 동시에 습득한 지식의 진실성에 대한 부분적인 기준이기도 합니다. 식별된 전문 지식 시스템이 완전하고 객관적이라면 이를 기반으로 특정 주제 영역의 모든 현상을 예측하고 설명하는 것이 가능합니다. 일반적으로 전문가 시스템의 지식 기반은 구성 요소의 단편화 및 모듈성(비관련성)으로 인해 어려움을 겪습니다. 이 모든 것은 인간처럼 새로운 패턴을 예측하고 데이터베이스에 명시적으로 명시되지 않은 사례를 설명할 수 있는 진정한 지능형 시스템을 만드는 것을 허용하지 않습니다. 여기서 예외는 새로운 지식 생성과 "예측"에 초점을 맞춘 지식 생성 시스템입니다.

결론적으로 우리는 지식 공학의 인식론적 문제와 관련된 가장 일반적인 실패를 나열합니다(부분적으로):

단편적이고 단편적인 지식(일관성 원칙 위반 또는 주의 초점 선택 오류로 인해)

지식의 불일치(자연과 사회의 자연스러운 불일치, 추출된 지식의 불완전성, 전문가의 무능력으로 인해)

잘못된 분류(클래스 수의 잘못된 결정 또는 클래스에 대한 부정확한 설명으로 인해)

잘못된 일반화 수준(객체 클래스의 과도한 세부사항 또는 일반화로 인해)

시스템은 공급 계약을 체결하는 중개자입니다.

지식공학(Knowledge Engineering)은 컴퓨터의 지식 표현에 대한 연구가 수행되는 컴퓨터 과학 분야로, 지식을 최신 상태로 유지하고 조작합니다.

지식 시스템 - 지식을 기반으로 한 시스템입니다.

SOZ SBZ DBMS ES IS SII - 인공 지능 시스템.

지식 기반 시스템의 구조.

솔루션을 얻기 위한 KB 메커니즘

상호 작용

지식베이스는 특정 주제 분야에서 축적된 지식을 컴퓨터에 표현하는 모델입니다. 이 지식은 공식화되어야 합니다.
지식은 모델을 사용하여 형성되고 특정 언어를 사용하여 표현됩니다.

특정 개체 및 규칙에 대한 지식은 일반적으로 지식 기반에서 강조 표시됩니다. 이러한 규칙은 원래 사실로부터 새로운 솔루션을 도출하기 위해 솔루션을 얻기 위한 메커니즘으로 실행됩니다.

인터페이스는 사용자에게 친숙한 언어로 대화를 제공합니다.

추론 기반 방법은 지식 공학에서 자주 사용됩니다.

주제 영역의 개념.

객체는 별도의 개체로 존재하거나 인식되는 것입니다.

기본 속성: 이산성; 차이점.

지식을 제시할 때 실용적인 접근 방식이 사용됩니다. 생성된 시스템이 해결할 문제를 해결하는 데 중요한 개체의 속성이 강조 표시됩니다. 따라서 지식기반 시스템은 추상적인 객체를 다룬다. 객체는 객체의 일부 속성을 전달하는 역할을 합니다. 주제 영역의 상태는 시간이 지남에 따라 변경될 수 있습니다. 매 순간 주제 영역의 상태는 일련의 개체와 연결로 특징 지어집니다. 주제 영역의 상태는 상황으로 특징지어집니다.

주제 영역을 설명하는 개념적 수단입니다.

개념적 모델은 가장 일반적인 속성을 반영합니다. 자세한 설명을 제공하기 위해서는 언어가 필요합니다. 주제 영역을 설명하는 개념적 수단의 특징은 추상성과 보편성입니다. 모든 주제 영역을 설명하는 데 사용할 수 있습니다.

객체 클래스의 개념.

객체의 개념은 집합의 개념입니다. 서로 유사한 객체는 클래스로 결합됩니다. 서로 다른 시점에 서로 다른 개체 집합이 동일한 클래스에 해당할 수 있습니다.

K – 객체 클래스.

Kt – 시간 t에서 클래스 K의 개체 집합입니다.

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

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

(t Кt = ( … )

교직 = (교수, 부교수, 선임강사, 강사, 조교)

1 4 기하학적 도형, 사각형 모양, 파란색.

(К: А1 К1, А2К2, …, АnКn) 이름 속성 객체 클래스의 이름 클래스 속성 쌍

객체 식별은 직접적이거나 간접적일 수 있습니다. 직통전화의 경우에는 물건명과 일련번호를 사용합니다. 간접은 객체 속성의 사용을 기반으로 합니다.

속성은 구성요소일 수 있습니다. 속성은 구성 요소의 속성, 특성 또는 이름으로 이해됩니다.

(기하학적 모양 : 모양 기하학적 모양 색상 색상)

속성 이름과 속성 값 쌍은 동일한 경우가 많습니다.

상황 예:

(강의 : 강사 강사 성, 장소 청중 수, 주제 주제 제목, 청취자 그룹 코드, 요일 요일, 시간 시작 시간)

상황 – “선생님”과 “청취자” 사이의 연관성과 이 상황의 다른 특성이 표시됩니다.

상황에서 참가자의 역할:

경청자

상황의 특징:

(K: А1К1, А2К2, …, АnКn) – 일부 구조의 형태로 지식을 표현합니다.

(날짜, 요일, 일_월)

(날짜, 월, 월_이름)

(날짜, 연도, 연도)

(기하학적_도형, 모양, 기하학적_형상)

(기하학적_도형, 색상, 색상)

이러한 지식의 표현은 개별 사실의 형태로 된 지식의 표현에 해당합니다.

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

객체에 대한 지식 표현은 다음과 같이 나뉩니다.

객체 클래스(데이터 구조)

특정 객체에 대한 지식(데이터에 대한)

객체 클래스.

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

Аi – 속성 이름

Ki – 객체 클래스는 속성 값입니다.

K - 클래스 이름

(선생님:

이름 성_with_이니셜,

위치티칭_위치)

(선생님, 성명, 성_with_이니셜, 선생님, 가르치는_직위)

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

4. K(A1,A2, ..., 안)

(선생님(성_with_이니셜, 가르치는_직위), 선생님(성명, 직위))

첫 번째 형태에 대한 지식 표현:

(K: A1K1,A2K2, ..., AnKn) 키(Ki)

지식의 속성적 표현:

(선생님: - 나타냄

전체 이름 Semenov - 일부 구조

직위 조교수) - 자료

두 번째 형태에 대한 지식 표현:

(K: AiKi) k(K, 기(Ki)

개별 사실의 형태로 지식을 귀속적으로 표현:

(선생님1, 성명, Semenov) - 1, 2는 사이의 링크입니다.

(교사1, 직위, 부교수) - 사실

(선생님 2, 이름, Petrov)

(교사2, 직책, 조교)

세 번째 형태에 대한 지식 표현:

K(K1, K2, … , Kn)

(교사 (Semenov, 부교수) - 지식의 위치 표현

속성 이름이 없고 속성 자체가 특정 위치에 기록된 경우 이는 지식의 위치 표현입니다.

"삼중"(객체, 속성, 값) 형태로 지식을 표현합니다.

부정확한 값을 표현하기 위해 신뢰 계수(객체, 속성, 값, 신뢰 계수)가 사용됩니다.

0 – 불확실성에 해당합니다. 음수 값 - 속성 값의 불가능성에 대한 신뢰도입니다.

(1번 환자, 진단명, 위염, K740)

* (환자, 성명, Antonov, 진단 대장염 K760, 위염 K740)

객체 클래스에 대한 지식의 표현은 속성 중 하나가 제거될 때 나머지 속성 집합이 이 객체 클래스의 표현이 아닌 경우 최소라고 합니다.

임대(임대_객체, 임차인, 임대인, 임대_기간, 수수료).

“lease_term”을 제거하면 구매와 판매가 이루어지며, 제거하면
"rent_term"과 "fee"를 입력하면 선물을 받을 수 있습니다.

관계형 데이터베이스의 지식 표현.

관계형 데이터베이스 – 데이터가 위치 형식으로 저장됩니다.

데이터는 테이블 형식으로 저장되며, 테이블 이름은 클래스 이름입니다.
각 클래스는 테이블이나 데이터베이스 파일에 해당합니다. 클래스 이름은 해당 테이블의 이름입니다. 속성 이름 - 해당 테이블 필드
(열). 테이블 행은 데이터베이스 레코드입니다. 항목은 위치 형식의 항목에 해당합니다.
|A1 |A2 | . . .|안 |
| | |. . | |
|K1 |K2 | . . .|크n |
| | |. . | |

교사

|이름 |직위|
|세묘노프 |부교수 |
|페트로프 |보조|

위치 데이터베이스의 속성 개념은 유지됩니다.

항목 K(A1,A2, ..., An)를 속성 간의 관계라고 합니다. 이 용어는 관계형 데이터베이스에서 사용됩니다. 관계형 데이터베이스의 데이터 개념은 "키"라는 개념을 기반으로 합니다.

키는 파일의 레코드를 고유하게 식별하는 값을 갖는 관계 속성 세트입니다.

아파트

| 도시 |거리 |집 |건물|아파트|면적 |방 수|
|모스크바 |트베르스카야 |2 |1 |47 |60 |2 |
|모스크바 |트베르스카야 |2 |1 |54 |50 |1 |

이 경우 키는 여러 필드로 구성됩니다.

Ki sup Kj는 클래스 sup 하위 클래스의 하위 클래스입니다. 하위 클래스 보충 클래스.

Ki는 Kj의 하위 클래스입니다. if (t Ki t (Kj t

(언제든지 Ki 클래스가 Kj의 하위 클래스인 경우)

Npr – 네트워크 분류.

네트워크 분류는 계층 구조로 표시됩니다.

학생수업학생.

Kj의 Ki 부분 - Ki 부분 Kj의 일부입니다.

Ki 클래스의 특정 개체가 고유하게 정의된 개체 Kj의 일부인 경우 Ki는 Kj의 일부입니다.

소속감의 태도. k isa K - 요소입니다

Ki ius K - 구성 요소입니다.

클래스 K의 객체가 클래스 K1, K2, ...의 객체로 구성됨을 의미합니다.
Kn, K 클래스의 객체는 Ki 클래스의 여러 객체를 포함할 수 있습니다.

강의 번호 4.

관계의 속성.

부분 순서 관계는 전이성의 특성을 갖습니다.

기섭Kj Kj섭 Km

Ki 부분 Kj Kj 부분 Km

요소가 블록의 구성 요소이고 블록이 구성되는 경우...

멤버십 그래프에는 주기가 없습니다.

K1 ins K2, K2 ins K3,…,Kn-1 ins Kj

Kn이 K1을 가지고 있다는 것은 사실이 아니다.

모스크바 이사 시티

도시 저녁 지역

모스크바 이사 지역

객체 클래스에 대한 작업.

객체 클래스에 대한 작업을 사용하여 새 객체 클래스를 정의할 수 있습니다.

Ki 블록 세트(예: TV)

재료 객체는 세 가지 클래스로 나뉩니다.

조건(부지(장비 = 자재물체)

사람(방 = 사람(장비 = 방(
장비=?

객체 클래스 배치

사람 (성, 이름, 부칭, 생년월일, 성별)

성별=(남성, 여성)

남자, 여자 = 인간의 성별

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

KK5 – K5 클래스별로 클래스 분석.

이 모든 계급의 연합은 인간이다.

남자?여자=인간

남자?여자=?

(외국어에 대한 지식

지식이 풍부한 사람

주제 외국어_언어)

분단의 결과로 우리는 외국어를 아는 사람들의 계급을 얻게 됩니다.

주제 영역의 개념 다이어그램은 주제 영역에 정의된 객체 클래스, 관계 및 작업의 집합입니다.

주제 영역 상태에 대한 템플릿 설명:

K반은 그룹 단위로 징계 수업을 진행합니다.

이바노프 I.I. 월요일 G-301의 네 번째 쌍에서 IT-1-98 그룹의 TOE 분야 수업을 진행합니다.

(수업 : 교사 교사 규율 Discipline_name 그룹 Group_code 일 Week_day 시간 pair_number 장소 청중)

주제 영역의 개념적 모델 - 유한한 템플릿 세트에 따라 작성된 일련의 명령문과 함께 개념적 다이어그램입니다.

엔터티 및 관계 다이어그램(ER 다이어그램)

엔터티 관계 다이어그램

본질

엔터티 및 관계 속성

N명의 교사가 1개 부서에서 근무합니다. "*"는 교사의 기호입니다. 부서를 찾을 수 있습니다.

의사소통 동사 또는 목적어

속성 - 형용사, 분자, 차원, 행동 장소

로드 일정

매장에 상품을 배송하는 단일 사례를 기반으로 하는 논리 시스템(모델)입니다.

지식 표현의 논리적 모델.

술어 계산을 기반으로 하는 논리 프로그래밍 언어 중 하나로 주제 영역을 설명합니다.

1차 다중 술어 계산의 언어. 다중 1차 논리.

이 언어를 작성하려면:

정렬의 개념은 객체 클래스의 개념에 해당합니다.

S의 다양한 종류

세트에서는 기능별로 지정됩니다. f-함수 이름;

인수 유형;
B – 함수 값의 유형입니다.
Z – 서명은 논리 모델에서 지식 표현의 최고 수준입니다.

술어 -
티=(0;1)

사실이다
- 종류 B의 상수

생산 과정에서 부품 가공을 예로 들어 보겠습니다.
2턴;
1-밀링;

S=(부품, 기계, 작업, 부품_유형, 기계_유형, 시간)
1) 하위: 작업 세부정보 f A1B
2) st: 작동(기계;
3) 시작 : 동작(시간)
4) con: 동작(시간)
5) part_type : 부품(Part_type)
6) type_st: Machine(기계의 종류)
7) 0: (시간

T: (시간
8) 샤프트_샤프트: (부품_유형 샤프트_위치: (부품_유형
9) 밀링 커터: (Machine_type 현재: (Machine_type
10) Cutter_face : 작업 T current_rev : 작업 T
11) +: 시간*시간 시간
12): 시간*시간 T

특정 객체에 대한 지식
(낮은 수준의 지식 표현) 다중 술어 계산의 언어에서는 구조 통합 서명이라고 합니다.
1) 서명
2) 통합의 구조. 서명.
3) 각 품종 이름에 대해 해당 품종의 개체가 많이 생성됩니다.
파트 = (1부, 2부, 3부, 4부)
기계 = (st.1, st.2, st.3)
작업 =(oper1,oper2,oper3,oper4,oper5,oper6,oper7,oper8)
부품_유형 = (스템_샤프트, 샤프트_장소)
Machine_type = (현재, 밀링 커터)
시간 = (1,2,…,t)

모든 집합의 집합체는 우주이다.
시스템 구조의 각 기능과 술어는 여러 요소에 해당합니다.
1) 자식(작업1)=자식1 자식(작업2)=자식1 자식(작업3)=자식2

…………………..
2) st.(연산자1)= st.3 st.(연산자.2)= st.1 st.(연산자3)= st.3

…………………
3) 시작(동작1)=0 시작(동작2)=5 시작(동작3)=5
…………………..
4) 농도(연산자 1)=5 농도(연산자 2)=12 농도(연산자 3)=0
…………………
5) type_det(part.1)=stem_shaft type_detail(detail.2)=shaft_places type_detail(details3)=steel_shaft type_detail(details4)=shaft_seats
………………….
6) type_st. (st.1)=현재 유형_st. (st.2)=현재 유형_st. (st.3) = 절단기
………………….
10) 커터_페이스(oper1) current_rev(oper2) 커터_페이스(oper3)
|작업|부분 |기계 |시작 |끝 |mill_end|current_arr|
|운영1 |Det.1 |Art.3 |0 |5 |1 |0 |
|Oper2 |Det.1 |St.1 |5 |12 |0 |1 |
|운영3 |제2조 |제3조 |5 |10 |1 |0 |
|운영4 |Det.2 |Art.2 |10 |17 |0 |1 |
|운영 5 |법령 3 |제 3 |10 |16 |1 |0 |
|Oper6 |Det.3 |Art.1 |16 |26 |0 |1 |
|Oper7 |Det.4 |Art.3 |16 |22 |1 |0 |
|Oper8 |Det.4 |Art.2 |22 |32 |0 |1 |

|부품|유형_세부사항 |
|Det.1 |St_shaft |
|Det.2 |St_val |
|Det.3 |Val_place|
|Det.4 |Val_place|

|머신|Type_st |
|1부 |현재. |
|제2조 |현재. |
|3부 |Fr. |

3) 구성요소: 논리식

공식 구성 규칙: a) 정렬 A의 상수는 정렬 A의 항입니다. b) 정렬 A에서 값을 취하는 변수는 정렬 A의 항입니다. c) 시그니처에 함수가 포함된 경우 - 각각 생성된 정렬 항은 다음과 같습니다.
- 정렬 B라는 용어가 있습니다. d) 서명에 술어가 포함된 경우 -
,건축 품종의 온도
, 즉 원자입니다. e) if - 같은 종류의 항이면 표현, 즉 원자 e) 원자는 올바르게 구성된 공식(PPF)입니다. 원자에 포함된 변수는 이 원자에서 자유입니다. g) 구성된 공식에 A 유형의 변수 x가 자유롭게 포함되어 있으면 표현식은 다음과 같습니다.

또한 PPF이며, 변수 “x”가 바인딩됩니다(새 파일에서). h) 수식이 이미 구성된 경우 , 또한 PPF입니다.
예:
1) 표현 지식 b => 선반에서 수행되는 oper2 type_st(st(oper2))=ncurrent
2) 오페라 2는 1번 시작 5번 끝 12번 정류장에서 완료됩니다.
3)

강의 8 11/12/99.

해결방법

해결 방법은 실행 불가능함을 입증합니다.
이 방법을 사용하려면 원래 공식을 DNF로 변환해야 합니다.
DNF:
- 문자 pii의 분리 – 원자 또는 원자의 부정.
그런 다음 DNF는 일련의 조항으로 표시됩니다.
해결 방법에는 하나의 추론 규칙이 있습니다.
결과적으로 2개의 절에서 ruoventa라는 새로운 절을 얻습니다.
- 항상 거짓인 빈 절을 얻습니다.
집합에 빈 절이 포함되어 있으면 만족할 수 없습니다.
결과는 빈 절이며, 이는 이 집합이 만족스럽지 않음을 증명합니다.
빈 절을 얻을 때까지 해결 방법이 적용됩니다.
m,n - const
상수 변수 대신 대체 – 통합.
이 경우 대체(n/y)를 수행합니다.
(1)과 (2)로부터 => a(x)c(x,n) (5)
(3)과 (5)에서 치환 (m/n) => c(m,n) (6)을 수행합니다.
(4)와 (6)에서 대체 없이 => 0

프롤로그의 결의원칙
프롤로그는 Chordian 절을 사용합니다. 부정 없이 한 글자를 포함하는 분리형.
예를 들어
=>

부정 없는 접속사

문자를 전혀 포함하지 않는 분리어를 사용할 수 있습니다. – 이것은 프롤로그의 목표 진술입니다: ? – a a: - b,c,d. b: - e,f. 씨. 이자형. 에프.
?-a a(1) a(2) a(3)
|단계 번호 |목표 |초기 |해결|
| | 분리 | |
|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 |

그래프 형태로 프로그램 표현 a: - b;c b: - d,e c: - g,f. e: - i,h g: - h,j d. 에프. 시간.
?-ㅏ
"," - 그리고
";" - 또는
그래프의 구성은 대상 절로 시작됩니다.
그래프는 고려 중인 문제에 어떤 솔루션이 있고 얼마나 많은 솔루션이 있는지 보여줍니다.

문제에 대한 두 가지 해결책

지식 표현의 생산 모델.
이 모델의 기본은 다음과 같은 형식을 갖는 생산 규칙입니다.
- 생산 규칙 >:=
그렇다면 [CD=]

예:
규칙 5
성별=여성인 경우

그리고 추가 = 작음

그리고 체중=65세 또는 그 이상
그런 다음 상대 체중 = 변수
신뢰도는 0~100의 숫자로 결정됩니다.

규칙 27
IF 전망=우수

그리고 위험=높음
TO 계수=0 CD=10
일반적으로 전제는 논리적 표현일 수 있습니다.
전제가 참이면 결론도 참이다. 결론은 전제가 참일 경우 수행되는 일부 작업을 나타낼 수 있습니다.
::[AI...I]
::== 객체, 속성, 값, 신뢰도 요소 - 지식을 4가지 형태로 표현
::==
:==CD=
같은 대상이라도 다른 의미를 가질 수 있습니다.
다중 값 개체는 여러 개의 유효한 값을 가질 수 있는 개체입니다.
객체가 다중 값으로 선언되지 않은 경우 여러 값을 가질 수 있으므로 신뢰할 수 있을 필요는 없습니다. CD= 100

객체의 경우 사용자가 요청한 값입니다.
무슨 추가?
1. 작다
2. 평균 허용값
3. 대형

나이는 몇 살인가?
1. 25세 미만
2. 25세부터 55세까지
3. 55세 이상
소포의 신뢰도=min(Kdusl)

규칙 전망을 충족한 결과 얻은 사실 = 우수 AC = 50 위험 = 높음 AC = 70 요소 = 0

지식 표현 생산 모델의 기본 구조

초기 데이터

결과

9강(종료)
|No |충돌 |실행|파생|
|단계|많음 | | |
| |규칙 |규칙 |사실 |
|1 | | | |
|2 | | | |
|3 | | | |
|4 | | | |
|5 | | | |

목표 최고점에 도달하거나 적용 가능한 규칙이 남아 있지 않아 목표에 도달하지 못한 경우 추론이 종료됩니다.

역결론 - 위에서 아래로 수행됨(결론은 목표를 향함)

피1피2피3피4
P5

C4 C5 C6 C7 C8

|No |목표|갈등 |이행|하위 목표|사실|
|단계| |설정 | | | |
| | |규칙 |규칙 | | |
|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 |С8 | | | |F5 |
| | | | | | |

목표 - "기간" - 목표는 개체 이름으로 지정됩니다.
규칙의 결론과 비교하여 결론이 있는 규칙을 선택한다.
, 개체의 이름이 포함되어 있습니다. 대상 객체를 포함하는 규칙을 선택하고 가설을 세웁니다.

그 과정에서 가설은 확인되거나 반박됩니다. 결론은 하나가 확인되거나 가능한 모든 가설이 소진될 때까지 계속됩니다.
더 적은 수표가 사용되기 때문에 규칙에는 여러 조건과 하나의 결론이 있습니다.

양방향 출력.

첫째, 적은 양의 데이터를 바탕으로 직접적인 결론을 내리며, 그 결과 다른 결론이 내려졌음을 확인하거나 반박하는 가설이 형성됩니다.
규칙의 조건을 확인하기 위해 각 단계에서 조건이 확인되는 규칙을 선택하는 규칙 활성화 장치가 사용됩니다.
조건도 사용해야 합니다. 규칙의 경우에는 개별 규칙이 구분되고 그 다음에는 일반 규칙이 구분됩니다.
일반 규칙 – 적용 조건 규칙. 적용 범위.

생산 규칙의 일반화된 구조.
(나); 큐; 피; ㅏ; =비; N
(i) – 규칙 이름:
Q - 규칙 적용 범위
P - 규칙 적용 조건(논리적 조건)
A=>B – 핵심 규칙. 여기서 A는 전제이고 B는 결론입니다.
N – 설정된 조건에 따라 커널이 실행될 때 수행되는 작업이 결정됩니다.
P - true인 경우 규칙의 핵심이 활성화됩니다.

프레임 – 틀에 박힌 상황을 표현하기 위한 데이터 구조
(k: A1K1, A2K2, …., AnKn)
(대상: A1k1, A2k2,….,An kn)
(파일명 : 슬롯1 이름(슬롯1 값) 슬롯2 이름(슬롯2 값)

.............. 슬롯 n 이름(슬롯 n 값))
프로토프레임 – 객체 클래스에 대한 지식.
프레임(인스턴스)은 슬롯을 특정 값으로 채워 프로토프레임에서 얻습니다.
프레임 구조에는 일반적으로 시스템 슬롯이 포함됩니다. 슬롯 시스템에는 다음이 포함됩니다.
우리는 슬롯을 프레임의 직계 자식을 가리키는 슬롯인 프레임 부모로 정의합니다.

슬롯 시스템: 프로그램 작성자 및 수정에 대한 정보가 포함된 슬롯입니다.
구조에는 다음이 포함됩니다.
- 상속 표시기;
- 데이터 유형 표시자
- 악마 등

FMS 언어(FMS).
상속 포인터는 다음과 같습니다.
U – 독특함 – 독특함
S – 똑같다 – 약간
R - 범위 - 테두리 표시기
0 – 재정의 – 무시

U – 같은 이름을 가진 다른 레벨의 프레임에서는 달라집니다.
S - 동일한 이름을 가진 상위 레벨 슬롯에서 값을 상속받기 위한 슬롯

하위 방정식의 값은 상위 방정식에 정의된 범위 내에 있어야 합니다.

아르 자형
인간

값을 지정하지 않으면 상위 방정식 슬롯에서 상속되고, 지정하면 상속이 무시됩니다.

강의 11 1999년 12월 3일

OPS-5 지식 표현 시스템에서 네트워크와 프레임 모델의 조합
이 언어에는 생산 규칙과 데이터베이스가 있습니다.
::=({| }+)

()+ - 여러 번 반복될 수 있음
::=((값))
::= |
(물질 종류 산

이름

색상 : 무색)
(작업순서 : 소스, 누수방지)
규칙은 무엇입니까?
::=(피)
::={}+
::= | -
::= | |
::=((값>)+) |

# (작업 순서)

([{ }+])
# (물질)
패턴이 반드시 특정 클래스의 모든 속성을 나타내는 것은 아닙니다. 우리는 적어 둘 수 있어요
(물질 종류 산

이름) 즉 가변 산성 - 값을 얻을 것입니다
::= ({ >}+)
메모리 작업 요소의 해당 속성 값은 이 시트에 지정된 요소 중 하나(적어도 하나)와 일치해야 합니다.
이러한 의미는 특정 단어로 지정됩니다.
# (물질 등급 산

색상)
::= ({{{}+}}+)
값 목록을 제한 사항으로 지정할 수도 있습니다.
# (엔진 출력 (100 200))

(엔진 출력 160)
:={}+
::=(만들기 | 제거 | (수정
{} +)

# (P 좌표 _a

(대상 상태 활성

이름 좌표)
대상이 조정이 가능하고 작업 순서가 정의되지 않은 경우 생성

(작업순서) –>
(대상 상태를 활성화

이름 순서 작업)
(modif1 대기 상태))

문제 해결 전략은 명확한 목표 설정을 기반으로 합니다.
성능
1. 기억 요소와의 비교로 인해 충돌하는 규칙 세트가 형성됩니다.
2. 충돌 세트에서 규칙 선택
3. 규칙의 결론에 명시된 조치를 수행합니다.
목표가 달성될 때까지 실행합니다.

지식 습득

소스에서 지식을 추출하여 필요한 형식으로 변환하고 이를 지능형 시스템의 지식 기반으로 전송합니다.

지식은 다음과 같이 나뉩니다.
-객관화;
- 주관적
객관적인 - 책, 잡지, 연구 작업 등 외부 소스에 제시된 지식입니다.
- 형식화됨, 즉 법칙, 공식, 모델, 알고리즘의 형태로 제시됩니다.
주관적 - 전문적이고 경험적인 지식은 외부 형식으로 제시되지 않습니다.
전문가의 지식은 비공식적이며 많은 경험적 기술과 규칙으로 구성되어 문제 해결에 대한 접근 방식을 찾고 확인하거나 반박할 수 있는 가설을 제시할 수 있습니다.
지식은 어떤 사물을 관찰하는 과정에서 얻을 수 있습니다.
지식을 습득하는 과정에서 지식 엔지니어와 컨설턴트의 운영 방식.
1. 프로토콜 분석
- 문제를 해결하는 과정에서 추론이 소리내어 녹음됩니다.
OS 프로토콜이 작성되고 분석됩니다.
2. 인터뷰 - 지식 습득을 목표로 실험과 함께 대화가 진행됩니다.
3. 전문적인 활동을 게임으로 모방합니다.

인터뷰 방법.
1. 단계를 나누어 계층적 구조를 구성할 수 있는 연결을 식별합니다.
2. 레퍼토리 그리드 3가지 개념을 제안하며, 2차 개념과 3차 개념의 차이점을 명기하도록 요구된다. 전문가에게는 몇 가지 개념이 제공되며 공통 속성의 이름 => 양식 클래스를 지정해야 합니다.

지식 분야를 형성하기 위한 conitologist의 작업 방법
2단계 포함
1. 준비
1.1. 시스템이 해결해야 할 문제에 대한 명확한 준비
2. Litova에 Konit 소개
3. 전문가 선정
4. 카피에 전문가 소개
5. 대중적인 인공지능 기술을 전문가에게 소개
6. 사본으로부터 지식 분야의 형성
2. 메인 스테이지
1. 모드에서 지식 분야 펌핑
2. 미용사의 팀워크 - 프로토콜 분석, 개념 간의 연결 식별, 전문가를 위한 질문 준비
3. 지식 분야 확대 - 전문가에게 질문하는 작업
4. 개념적 문제의 형식화.
5. 모델의 완성도 확인
모델이 불완전한 경우 두 번째 근사치가 사용됩니다.

12강 10.12. 99.

퍼지 세트
– 제품 두께 작음 중간 큼

도

10 15 40 제품 두께
- 퍼지 집합 x - 보편적 집합
x - 쌍 A 세트를 형성합니다.
- 퍼지 집합의 소속 함수를 호출합니다.
특정 요소 X에 대한 소속 함수 값을 호출합니다.

소속 정도

퍼지 집합의 캐리어
일반적인 퍼지 집합은 다음과 같은 집합입니다.

퍼지 세트
X - 범용 세트
X - 쌍 A 세트를 형성합니다.
: - 퍼지 집합의 소속 함수를 호출합니다.
특정 요소 X에 대한 소속 함수의 값을 소속 정도라고 합니다.
- 퍼지 세트의 캐리어
&
일반적인 퍼지 집합은 각각에 대한 집합입니다.

정규형으로 축소하면 => 모든 값을 다음과 같이 나누어야 합니다.
.

소속함수를 10부터 40까지의 정수로 표현하자
제품의 얇은 두께 개념을 정의합니다.

| | | | | | | | x x

10 11 12 13 14 15 16 17 18
18

퍼지 세트에 대한 연산

1. 퍼지 집합의 합집합

2. 퍼지 집합의 교차점

3. 퍼지 집합의 보완

12, 13강의 시작입니다.

(A1,(A2,….,(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. 퍼지 집합을 거듭제곱합니다.

(A2 = con((A) - 농도

(A0.5 = dil((A) – 스트레칭

멤버십 기능을 결정하는 방법.

2보다 조금 더 많습니다. 0부터 5까지입니다.
|x |0 |1 |2 |3 |4 |5 |
|n1 |- |- |- |10|8 |4 |
|n2 |10|10|10|- |2 |6 |

(A = n1 / (n1 + n2)

순위 방법.

퍼지 변수.

(- 퍼지 변수 x의 이름 – 해당 정의 영역

(A는 의미이며, 퍼지 세트는 퍼지 변수의 의미를 결정합니다.

언어변수.

(- 언어 변수 이름

T - 기본 용어 집합 - 퍼지 변수의 이름을 형성합니다.
(드물게, 가끔, 자주), 이는 언어적 변수입니다.

X – 언어적 의미의 전달자 – 정의 영역

G – 구문 절차

M – 의미적 절차

문법적 용어 형태의 구문 절차, 그 기호는 집합 용어(및 또는 아님), 유형 수식어로부터 용어를 구성합니다.
(매우, 약간, 그렇지 않음 등)

(- 빈도

T = (드물게, 가끔, 자주)

자주

이러한 용어는 원래 용어와 함께 집합 용어의 파생어를 형성합니다.

의미론적 절차를 통해 열-퍼지 의미론을 다시 작성할 수 있습니다.

M((1 또는 (2) = (A1 ((A2

((1, x1, (A1)

((2, x2, (A2)

M((1 및 (2) = (A1 ((A2

M(매우() = con((A)

M(약간() = dil((A)

대본.

이는 지식 표현을 위한 프레임 모델 클래스로, 해당 주제 영역에 일반적인 일련의 동작 및 이벤트에 대한 지식이 일반화되고 구조적인 형태로 표시됩니다. 인과 시나리오인 고정관념을 고려해 보겠습니다. 이는 목표를 달성하는 데 필요한 일련의 작업을 결정하는 프레임 모델입니다.

(kcus 이름: 슬롯1 이름(슬롯1 값); 슬롯2이름(슬롯2 값);

... 슬롯 이름 n(슬롯 값 n))

(kcus 행위자 대상 행위자 전제 키 결과 시스템 이름)

전제는 핵심 조치가 적용되기 전에 수행되어야 하는 조치를 지정합니다. 결과는 최종 조치입니다. 시스템 이름은 스크립트입니다.

(kcus “firefighting” : 배우 (S:) 배우의 목표 (C : “불을 막다”)

P11, P12 소포(cus: "소화제 검색" R1, "소화 차량")

K1 키(f: “완전한 휴전을 위한 소화제 사용”) 결과(P: “정전”) 시스템 이름(sys: cus*1))

R1 – 더 일찍

(kcus “소화수단 검색”: 행위자(S:) 행위자의 목표 (C: “소화수단 찾기”)

P121, P22 소포(cus: "소화 수단 위치 좌표 결정" R1, "소화 수단 위치로 이동")

K2 키(f: "소화제 잡기") 결과(P: "소화제 위치에 있음") 시스템 이름(sys: cus*2))

(kcus “화재 장소로 소화약품 운송”: 행위자(S:) 행위자의 목표 (C: “화재 장소로 소화약품 전달”)

P31, P32 소포(cus: "소화 수단의 가용성" R1, "화재 위치 좌표 결정")

K3 키(f: “화재 현장으로 이동”) 결과(P: “화재 현장에서 소화제 찾기”) 시스템 이름(sys: cus*3))

시나리오 기반 지식 강화.

시퀀싱:

D = 고객: P11 R1 고객: P12 R1 K1 =

P21R1P22R1K2 P31R1P32R1K3

P21R1P22R1K2 R1 P31R1P32R1K3 R1 K1

전제는 주요 조치 이전에 수행되어야 하고 해당 조치에 필요한 조치를 정의합니다. 조사는 최종 조치입니다. 시스템 이름 스크립트.

유사물리학적 논리에 기반한 지식 보충.

P1 – 비행기 착륙

P2 – 사다리 공급

P3 – 비행기에서 내리는 승객

P4 – 버스 배달

P5 – 공항 터미널 도착

언어 수준의 텍스트 구조는 다음 공식으로 표현됩니다.

TS = PR4dt&P1R3 10,(P2&P2R1P3&P4R3 2,(P5 t = 15시간 20분

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

P1R3 10,(P2 (P1R1P2

P4R3 2,(P5 (P4R1P5

TS* = P1R1P2& P1R1P3& P2R1P3& P4R1P5

지식 일반화의 모델 및 방법.

일반화란 기존 사실을 설명하는 지식을 얻는 과정뿐만 아니라 새로운 사실을 분류하고 설명하고 예측하는 능력을 말한다. 초기 데이터는 훈련 샘플로 표시됩니다. 객체는 클래스로 나눌 수 있습니다. 객체를 클래스로 선험적으로 구분하는지 여부에 따라 일반화 모델은 샘플별 일반화 모델과 클래스별 일반화 모델로 구분됩니다.

(+ = (01+, 02+…0nj+) – 양성 샘플.

음수 샘플을 지정할 수 있습니다(- = (01-, 02-…0ьj-)

객체가 Kj 클래스에 속하는지 여부를 결정할 수 있는 규칙을 찾는 것이 필요합니다.

데이터 일반화 모델에서 샘플은 클래스 개체 집합으로 표현됩니다. 일반화 방법은 특성에 따른 일반화 방법과 구조적-논리적 일반화 방법으로 구분된다.

Z = (z1, z2, …, zr)

Zi = (zi1, zi2, …, zini)

객체는 특성 값 Qi = (z1j1, z2j2, …, zrjr) 집합으로 특징 지어집니다.

구조적-논리적 일반화 방법은 구조적-논리적 방법 중 내부 구조를 갖는 객체에 대한 지식을 표현하는 데 사용됩니다. 두 가지 방향이 제시될 수 있습니다: 일반 미적분학의 귀납적 방법과 의미 네트워크의 일반화 방법입니다.

특성을 기반으로 개념을 일반화하는 알고리즘입니다.

객체가 특정 클래스에 속하는지 여부를 결정하는 규칙은 요소가 hij 및 함수(((((((((((((((((((((((

Z = (z1, z2) (성별, 연령)

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

Z2 = (z21, z22, z23) (청년, 중년, 노년)

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

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

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

&i hij - 일반화된 결합 개념

0 = max(xij – 1/(i), 여기서 0은 기준이고, xij는 특징의 특정 값의 발생 빈도입니다. (i는 특징의 수입니다.

0 = 3/5 – 1/2 = 0.1

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

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

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

상황

공전

동적

상수 속성 및 관계

상태

지속 가능한

일시적인

프로세스

(1번 환자, 진단명, 대장염, K760)
(1번 환자, 진단명, 위염, K740)

학생

정의되지 않은 개체

특정 개체

재료 객체

무형물체

상황

공간

방

장비

재학생

행정 직원

교사

서비스 직원

대학원생

부서의 머리

감리교인

교수

어시스턴트

실험실 조교

공간

주

소재지

공장

선생님

카페 이름

치환

규율

그룹 코드

지식공학은 전문가 시스템을 구축하는 기술이다. 이 프로세스에는 지식 엔지니어라고 불리는 전문가 시스템 작성자와 특정 주제 분야의 한 명 이상의 전문가 간의 특별한 형태의 상호 작용이 필요합니다. 지식 엔지니어는 전문가로부터 문제 해결에 사용하는 절차, 전략 및 경험 법칙을 "추출"하고 이 지식을 전문가 시스템에 내장합니다. 전문가 시스템을 만들 때 발생하는 가장 어려운 문제 중 하나는 전문가의 지식과 솔루션을 찾는 데 사용하는 방법에 대한 설명을 시스템의 지식 기반에 표시할 수 있는 형식으로 변환한 다음 문제를 해결하는 데 효과적으로 사용하는 것입니다. 특정 주제 영역의 문제.

일반적으로 전문가는 절차적 또는 정량적 방법을 사용하지 않습니다. 주요 수단은 유추, 직관 및 추상화입니다. 종종 전문가는 자신이 해결책을 정확히 어떻게 찾았는지조차 설명하지 못합니다. 지식 기반 구축에는 세 가지 단계가 포함됩니다.
- 주제 영역에 대한 설명
- 지식 표현 모델의 선택;
- 지식 습득.

지식 기반 구축의 첫 번째 단계는 전문가 시스템이 문제 해결에 중점을 두는 주제 영역을 식별하는 것입니다. 본질적으로 이 작업은 시스템 적용 범위의 경계와 시스템이 해결하는 문제 클래스에 대한 엔지니어의 지식을 설명하는 것으로 귀결됩니다. 이 경우 다음이 필요합니다.
- 해결해야 할 작업의 성격을 결정합니다.
- 주제 영역의 개체를 선택합니다.
- 개체 간의 연결을 설정합니다.
- 지식 표현 모델을 선택합니다.
- 주제 영역의 특정 기능을 식별합니다.

도메인 식별은 현실 세계를 추상화하는 첫 번째 단계입니다. 주제 영역이 식별되면 지식 엔지니어는 이를 공식적으로 설명해야 합니다. 이를 위해서는 지식 표현 모델을 선택해야 합니다. 공식적으로 이는 주제 영역의 세부 사항을 가장 잘 표시할 수 있는 모델이어야 합니다.

지식 엔지니어는 우선 전문가와 인터뷰를 한 후 시스템 구축을 시작해야 합니다. 이 경우 시스템의 의도된 목적을 결정하는 것이 필요합니다. 이 경우 주요 목표는 하위 목표로 구분됩니다.

다음 단계에서는 소스 데이터의 경계를 개략적으로 설명해야 합니다. 해결책을 위한 검색 공간을 구축하려면 일반 문제의 목표 계층 구조의 각 수준에서 하위 목표를 정의해야 합니다. 계층 구조의 맨 위에는 일반적으로 시스템의 기본 기능과 목적을 반영하는 작업이 배치되어야 합니다.

주제 영역의 객체를 식별한 후에는 객체 사이에 어떤 연결이 존재하는지 설정해야 합니다. 가능한 한 많은 연결을 식별하도록 노력해야 합니다.

주제 영역에 대한 결과적인 질적 설명은 이 설명을 시스템의 지식 기반에 배치할 수 있는 형식으로 만들기 위해 일부 공식 언어를 통해 표현되어야 합니다. 이 문제를 해결하기 위해 주제 영역에 대한 정보를 형식적으로 표현할 수 있는 적합한 지식 표현 모델을 선택합니다.>

시스템은 공급 계약을 체결하는 중개자입니다.

지식공학(Knowledge Engineering)은 컴퓨터의 지식 표현에 대한 연구가 수행되는 컴퓨터 과학 분야로, 지식을 최신 상태로 유지하고 조작합니다.

지식 시스템 - 지식을 기반으로 한 시스템입니다.

SOZ SBZ DBMS ES IS SII - 인공 지능 시스템.

지식 기반 시스템의 구조.

상호 작용

지식베이스는 특정 주제 분야에서 축적된 지식을 컴퓨터에 표현하는 모델입니다. 이 지식은 공식화되어야 합니다. 지식은 모델을 사용하여 형성되고 특정 언어를 사용하여 표현됩니다.

인터페이스는 사용자에게 친숙한 언어로 대화를 제공합니다.

추론 기반 방법은 지식 공학에서 자주 사용됩니다.

주제 영역의 개념.

객체는 별도의 개체로 존재하거나 인식되는 것입니다.

기본 속성: 이산성; 차이점.

주제 영역을 설명하는 개념적 수단입니다.

객체 클래스의 개념.

K – 객체 클래스.

K t – 시간 t에서 클래스 K의 개체 집합입니다.

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

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

"t Kt = ( … )

교직 = (교수, 부교수, 선임강사, 강사, 조교)

1 4 기하학적 도형, 사각형 모양, 파란색.
객체 속성 쌍

속성은 구성요소일 수 있습니다. 속성은 구성 요소의 속성, 특성 또는 이름으로 이해됩니다.

(기하학적 도형:

모양 기하학적 모양

색상 색상)

속성 이름과 속성 값 쌍은 동일한 경우가 많습니다.

상황 예:

강사 강사의 성,

장소 #_관객,

주제 Topic_name,

리스너 그룹_코드,

요일,

시간 시작_시간)

상황 – “선생님”과 “청취자” 사이의 연관성과 이 상황의 다른 특성이 표시됩니다.

상황에서 참가자의 역할:

경청자

상황의 특징:

(K: A 1 K 1, A 2 K 2, ..., An K n) – 일부 구조의 형태로 지식을 표현합니다.

(날짜, 요일, 일_월)

(날짜, 월, 월_이름)

(날짜, 연도, 연도)

(기하학적_도형, 모양, 기하학적_형상)

(기하학적_도형, 색상, 색상)

이러한 지식의 표현은 개별 사실의 형태로 된 지식의 표현에 해당합니다.

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

객체에 대한 지식 표현은 다음과 같이 나뉩니다.

객체 클래스(데이터 구조)

특정 객체에 대한 지식(데이터에 관한)

객체 클래스.

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

그리고 i는 속성 이름입니다.

i – 객체 클래스에 대한 속성 값은 다음과 같습니다.

K - 클래스 이름

(선생님:

이름 성_with_이니셜,

위치티칭_위치)

2. (K: 아이키)

(선생님, 성명, 성_with_이니셜,

교사, 직위 가르치는_직위)

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

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

(선생님(성_with_이니셜, 가르치는_직위),

선생님 (이름, 직위))

첫 번째 형태에 대한 지식 표현:

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

지식의 속성적 표현:

(선생님: - 나타냄

전체 이름 Semenov - 일부 구조

직위 조교수) - 자료

두 번째 형태에 대한 지식 표현:

(K: A i K i) k Î K, k i Î K i

개별 사실의 형태로 지식을 귀속적으로 표현:

(선생님 1 , 성명, Semenov) - 1 , 2 사이의 링크입니다

(선생님 1 , 직위, 부교수) - 사실

(선생님 2 , 성명, Petrov)

(선생님 2 , 직위, 조수)

세 번째 형태에 대한 지식 표현:

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

(교사 (Semenov, 부교수) - 지식의 위치 표현

속성 이름이 없고 속성 자체가 특정 위치에 기록된 경우 이는 지식의 위치 표현입니다.

"삼중"(객체, 속성, 값) 형태로 지식을 표현합니다.

부정확한 값을 표현하기 위해 신뢰 계수(객체, 속성, 값, 신뢰 계수)가 사용됩니다.

(1번 환자, 진단명, 대장염, K760)

0 – 불확실성에 해당합니다.

음수 값 - 속성 값의 불가능성에 대한 신뢰도입니다.