Zināšanu inženierija un zināšanu iegūšana. Zināšanu inženierija Zināšanu reprezentācijas modeļi

Inženierzinātņu disciplīna, kas nodarbojas ar zināšanu integrāciju ar datorsistēmām, lai atrisinātu sarežģītas problēmas, kurām parasti nepieciešama augsta līmeņa cilvēku zināšanas:

zināšanu konfigurācijas vadība (grāmatvedība);
pārmaiņu vadība (evolūcija);
loģistika (meklēšana un piegāde pēc nepieciešamības).

Augstā līmenī zināšanu inženierijas process sastāv no diviem:

Zināšanu ieguve- “jēlzināšanu” transformācija organizētās zināšanās, zināšanu iegūšanas process no to avotiem, kas var būt materiālie mediji (datnes, dokumenti, grāmatas) un eksperti (ekspertu grupas). Tā ir daļa no zināšanu inženierijas.
Zināšanu īstenošana- organizēto zināšanu pārvēršana realizētās, organizēto zināšanu pārveidošanas process realizētās.

Zināšanu pārvaldības tehnoloģijas

Izšķir šādas zināšanu pārvaldības tehnoloģijas:

strādājot ar klusām zināšanām(klusējošas zināšanas) ekspertu prātos(visbiežāk tie tiek domāti, runājot par “zināšanu pārvaldību”). Kognitologs (loma):
- palīdz ekspertam identificēt un strukturēt ekspertu sistēmas darbībai nepieciešamās zināšanas, iegūst no eksperta neformālās zināšanas;
- izvēlas konkrētajai problēmzonai vispiemērotāko intelektuālo sistēmu un nosaka veidu, kādā zināšanas tiek atspoguļotas šajā IS;
- izvēlas un ieprogrammē standarta funkcijas, kas tiks izmantotas eksperta ievadītajos noteikumos.
darbs ar rakstiskām zināšanām("zināšanu pārvaldība" attiecas uz datoriem: korporatīvo zināšanu pārvaldība, zināšanu pārvaldība) - uzsvars uz "pilna teksta meklēšanu", "semantisko meklēšanu", "automātisko anotāciju".
1. NLP kā datu loģikas disciplīna (“darbs pēc formas”), viļņu tehnika, uztveres modalitātes, submodalitātes, telpiskā iezīmēšana, kalibrēšana
2. tīmekļa 2.0 izmantošana (emuāri un wiki)
darbs ar rakstiskām formālām zināšanām(zināšanu inženierija, kas ir iekļauta arī zināšanu pārvaldībā, bet ne tik pārliecinoši) - uzsvars uz strukturālajām datu bāzēm, inženieru modeļiem, datu integrāciju. Lielākā daļa tehnoloģiju zināšanu inženierijā ir sekojušas tā sauktā "semantiskā tīkla" ieviešanas ceļam, Huserla-Vitgenšteina-Bunges pieejai, ka zināšanas atspoguļo fakti (un fakti ir attiecības starp jēdzieniem). No faktu kopuma rodas semantisks tīkls (skat. Džona F. Sovas apskatu), kurā malu attiecības savieno virsotņu jēdzienus. Ideju par zināšanu glabāšanu un izmantošanu semantiskā formā īstenoja daudzas praktiski nepārklājošas prakses kopienas, kā rezultātā radās milzīgs skaits ieviešanu un standartu, kuros neviens vārds nav vienāds, bet kuri ir ideoloģiski un tehnoloģiski saderīgi.
1. Datu modelēšana + datu integrācija. Tos izmanto, ja liela rūpnieciskā objekta būvniecības laikā ir nepieciešams apvienot datus no vairākām CAD sistēmām no dažādiem piegādātājiem. Atslēgvārdi: ISO 15926, Gellish, ISO 10303. Vārda "ontoloģija" vietā viņi saka "datu modelis". : praktiski nav, visi datu vaicājumi. Visi cīnās ar zināšanām roku rokā. Nav grafikas, viss XML, patentēti uzglabāšanas formāti Datu shēmas katrā atsevišķā CAD sistēmā. Nesen ir parādījušies citi risinājumi, kuru mērķis ir integrēt neviendabīgus datus, piemēram, no CYC un (pamatojoties uz standartizēto UMBEL ontoloģiju, izteiksmi RDF un nodrošinot piekļuvi datiem, izmantojot HTTP, sk.). ISO 15926-7 projekti ir saistīti ar vienu un to pašu: noteikta ontoloģija + semantiskā tīmekļa standarti.
2. Koncepcijas karte() Izmanto (bieži sadarbojoties, izmantojot tīmekli) izglītojošam un radošam darbam. Galvenie formāti (visi XML formātā): XCT 3.0, taču gatavs lietošanai tēmu karte un daudz kas cits rediģēšanai un attēlošanai. Zināšanu pārvaldības rīki: grafisks displejs, apvienojot tīklus, kurus radošā procesā zīmējuši divi dalībnieki. Tuvs radinieks ir MindMap, kur vispār nav grafs, bet smuki uzzīmēts koks, un savienojumi ir nenosaukti.
3. Konceptuālie grafiki Izmanto akadēmiskajām studijām mākslīgajā intelektā, ekspertu sistēmās, aģentu sistēmās un citās žanra klasikās. Viņi paļaujas uz filozofa un loģiķa Pīrsa darbu ("inteliģentā indeksēšana"), galvenā persona ir Džons F. Sova. Galvenais formāts zināšanu glabāšanai: trīs sintakses, no kurām galvenā ir CGIF (XML). Zināšanu pārvaldības rīki: Common Logic (vai ISO ISO/IEC IS 24707:2007, ).
4. Tēmu karte Tie tiks izmantoti zināšanu pārvaldības iniciatīvām, un tie nākuši no kataloģistiem (bibliogrāfiem). Lieli standartizācijas cienītāji (skat.), bet ir zaudējuši uzmanību (viņus neizbēgami piesaista vispārēja datu modelēšana, kurā viņi zaudē semantiskā tīmekļa pieejām). Galvenie zināšanu glabāšanas formāti: ISO 13250, XTM 2.0, HyTM. Zināšanu pārvaldības rīki: tiek izmantots tēmu karšu dzinējs (ducis iespēju), jo TMAPI 2.0 ir standartizēts. Turklāt īpašs standarts tēmu karšu ierobežojumu noteikšanai - ISO/IEC FCD 19756 (TMCL) - ir sasniedzis finiša līniju, un šķiet, ka tēmu karšu vaicājumu valoda (projekts ISO 18048) ir apstājies.

17.2. Praktiskās zināšanu ieguves metodes

17.3. Zināšanu strukturēšana

Galvenā problēma viedo informācijas tehnoloģiju izveidē ir adekvāta speciālista zināšanu atspoguļošana datora atmiņā. Tas izraisīja jauna virziena attīstību datorzinātnē - zināšanu inženieriju, kur tiek noteiktas attiecības starp cilvēka zināšanām un to formalizēto (informācijas) attēlošanu datorā. Zināšanu inženierija studē un attīsta jautājumus, kas saistīti ar zināšanu apguvi, to analīzi un formalizēšanu tālākai ieviešanai viedā sistēmā.

Nodaļas mērķis– sniegt pārskatu par galvenajiem zināšanu inženierijas teorētiskajiem aspektiem un iepazīstināt ar dažām praktiskām zināšanu inženiera darba metodēm.

Pēc šīs nodaļas izpētes jums jāzina:

Pieejas zināšanu apguvei, izstrādājot ekspertu sistēmas

Teorētiskās problēmas, kas rodas zināšanu atgūšanā

Psiholoģisko un lingvistisko faktoru iezīmes, kas jāņem vērā zināšanu inženierim

Zināšanu filozofijas ietekme uz zināšanu inženiera darbu

Zināšanu inženiera metodes, strādājot ar zināšanu avotu

Zināšanu ieguves metodes

Ekspertu spēļu būtība

Metodes zināšanu iegūšanai no tekstiem

Iegūto zināšanu strukturēšana

Priekšmeta jomas konceptuālās un funkcionālās struktūras veidošana

Kā tiek formalizētas zināšanas un veidota zināšanu bāze?

17.1. Zināšanu apguves teorētiskie aspekti

Zināšanu apguves stratēģijas

Psiholoģiskais aspekts

Lingvistiskais aspekts

Epistemoloģiskais aspekts

ZINĀŠANU IEGŪŠANAS STRATĒĢIJAS

Ir vairākas zināšanu iegūšanas stratēģijas. Visbiežāk:

iegūšana;

ieguve;

veidošanās.

Zem zināšanu iegūšana izprot zināšanu bāzes automatizētas veidošanas metodi, izmantojot dialogu starp ekspertu un īpašu programmu (šajā gadījumā zināšanu struktūra ir iepriekš iebūvēta programmā). Šī stratēģija prasa ievērojamu priekšmeta jomas iepriekšēju izpēti. Zināšanu apguves sistēmas faktiski iegūst gatavas zināšanas saskaņā ar sistēmu izstrādātāju noteiktajām struktūrām. Lielākā daļa šo rīku ir īpaši vērsti uz konkrētām ekspertu sistēmām ar stingri noteiktu priekšmetu jomu un zināšanu reprezentācijas modeli, t.i. nav universāli. Piemēram, sistēma TEIRESIAS, kas kļuva par visu zināšanu iegūšanas rīku priekšteci, ir paredzēta, lai papildinātu MYCIN sistēmas vai tās filiāļu zināšanu bāzi, kas balstīta uz EMYCIN “čaulas” medicīniskās diagnostikas jomā, izmantojot ražošanu. modelis pārstāvība zināšanas.

Jēdziens zināšanu ieguve attiecas uz tiešu kontaktu starp zināšanu inženieri un zināšanu avotu. Autori šo terminu mēdz lietot kā ietilpīgāku un precīzāk izteiksmīgāku nozīmi procedūrai eksperta kompetences pārnesei ar zināšanu inženiera starpniecību ekspertu sistēmas zināšanu bāzē.

Jēdziens veidlapasuz augšuzināšanu iegūšana tradicionāli ir iedalīta ārkārtīgi perspektīvajā un aktīvi attīstošajā zināšanu inženierijas jomā, kas nodarbojas ar datu analīzes modeļu, metožu un algoritmu izstrādi zināšanu iegūšanai un apguvei. Šajā jomā ietilpst induktīvie modeļi hipotēžu ģenerēšanai no apmācības paraugiem, mācīšanās pēc analoģijas un citas metodes.

Tādējādi var izdalīt trīs stratēģijas zināšanu apguves posma vadīšanai ekspertu sistēmu izstrādē (17.1. att.).

Rīsi. 17.1. Trīs stratēģijas zināšanu iegūšanai

Pašreizējā ekspertu sistēmu attīstības stadijā mūsu valstī, šķiet, visaktuālākā ir zināšanu ieguves stratēģija, jo vietējā programmatūras tirgū praktiski nav industriālo sistēmu zināšanu iegūšanai un veidošanai.

Zināšanu ieguve– tā ir eksperta un zināšanu avota mijiedarbības procedūra, kuras rezultātā tiek skaidri izteikts speciālistu argumentācijas process, pieņemot lēmumu, un priekšstatu struktūra par priekšmetu.

Šobrīd lielākā daļa ekspertu sistēmu izstrādātāju atzīmē, ka zināšanu ieguves process joprojām ir lielākais vājais kakls industriālo sistēmu būvniecībā.

Zināšanu iegūšanas process ir ilgstoša un darbietilpīga procedūra, kurā zināšanu inženierim, kurš ir bruņots ar īpašām zināšanām kognitīvajā psiholoģijā, sistēmu analīzē, matemātiskajā loģikā utt., ir jāizveido priekšmeta jomas modelis, ko eksperti izmanto, lai izveidotu. lēmumus. Bieži vien iesācēji ekspertu sistēmu izstrādātāji, vēloties izvairīties no šīs sāpīgās procedūras, uzdod jautājumu: vai eksperts var iegūt zināšanas no sevis? Daudzu iemeslu dēļ tas nav vēlams.

Pirmkārt, lielākā daļa eksperta zināšanu ir daudzu slāņu, pieredzes posmu rezultāts. Un bieži vien to zinot no A vajadzētu IN, eksperts neapzinās, ka viņa argumentācijas ķēde bija daudz garāka, piemēram AR D, D  A, A IN, vai A J, J  R, R  B.

Otrkārt, kā zināja senie cilvēki (atcerieties Platona “Dialogus”), domāšana ir dialogiska. Un tāpēc dialogs starp zināšanu inženieri un ekspertu ir visdabiskākā eksperta atmiņas labirintu “atritināšanas” forma, kurā tiek glabātas zināšanas, daļēji neverbāla rakstura, t.i. izteikts nevis vārdu formā, piemēram, vizuālu attēlu veidā. Tieši zināšanu inženierim skaidrošanas procesā eksperts šiem izplūdušajiem asociatīvajiem attēliem uzliek skaidras verbālas etiķetes, t.i. verbalizē zināšanas.

Treškārt, ekspertam ir daudz grūtāk izveidot priekšmeta jomas modeli viņa rīcībā esošās informācijas dziļuma un plašuma dēļ. Daudzas reālas mācību jomas cēloņu un seku attiecības veido sarežģītu sistēmu, no kuras “skeleta” jeb galvenās struktūras izolēšana dažkārt ir pieejamāka analītiķim, kuram pieder arī sistemātiska metodoloģija: Jebkurš modelis ir vienkāršojums, un to ir vieglāk vienkāršot, ja ir mazāk zināšanu par detaļām.

Lai izprastu zināšanu ieguves būtību, mēs izceļam trīs galvenos šīs procedūras aspektus (17.2. att.): psiholoģisko, lingvistisko, epistemoloģisko, kas ir detalizēti aprakstīti.

Rīsi. 17.2. Galvenie zināšanu iegūšanas aspekti

PSIHOLOĢISKAIS ASPEKTS

Komunikācijas modelis zināšanu iegūšanai

No trim identificētajiem zināšanu ieguves aspektiem psiholoģisks acīmredzot ir galvenais, jo tas nosaka zināšanu inženiera (analītiķa) un galvenā zināšanu avota - profesionāla eksperta - mijiedarbības panākumus un efektivitāti. Psiholoģisko aspektu izceļam arī tāpēc, ka zināšanu ieguve visbiežāk notiek tiešās komunikācijas procesā starp sistēmu izstrādātājiem.

Vēlme un prasme komunicēt var raksturot zināšanu inženiera profesionalitātes pakāpi.

Zināms, ka sarunvalodas komunikācijas laikā informācijas zudumi ir lieli (17.3. att.). Šajā sakarā mēs apsvērsim problēmu, kā palielināt informācijas saturu saziņā starp analītiķi un ekspertu, izmantojot psiholoģiskās zināšanas.

Rīsi. 17.3. Informācijas zudums komunikācijas laikā

Mēs varam piedāvāt šādu komunikācijas strukturālo modeli, iegūstot zināšanas:

komunikācijas dalībnieki (partneri);

saziņas līdzekļi (procedūra);

komunikācijas priekšmets (zināšanas).

Atbilstoši šai struktūrai izcelsim trīs psiholoģisko problēmu “slāņus”, kas rodas, iegūstot zināšanas (17.4. att.), un aplūkosim tos secīgi.

Rīsi. 17.4. Zināšanu ieguves psiholoģiskā aspekta struktūra

kontakta slānis

Gandrīz visi psihologi atzīmē, ka jebkuru kolektīvo procesu ietekmē atmosfēra, kas rodas dalībnieku grupā. Ir eksperimenti, kuru rezultāti nenoliedzami liecina, ka draudzīgajai atmosfērai komandā ir lielāka ietekme uz rezultātu nekā atsevišķu grupas dalībnieku individuālajām spējām. Īpaši svarīgi, lai attīstības komanda veidotu sadarbības, nevis konkurences attiecības. Sadarbību raksturo sadarbības atmosfēra, savstarpēja palīdzība, interese par otra panākumiem, t.i. morālās komunikācijas līmenis, bet konkurences attiecībām - individuālisma un starppersonu sāncensības atmosfēra (zemāks komunikācijas līmenis).

Diemžēl nav iespējams paredzēt saderību komunikācijā ar 100% garantiju. Tomēr ir iespējams identificēt vairākas komunikācijas dalībnieku personības iezīmes, raksturu un citas īpašības, kas neapšaubāmi ietekmē procedūras efektivitāti. Zināšanas par šiem psiholoģiskajiem modeļiem ir daļa no psiholoģiskās kultūras, kas zināšanu inženierim ir jābūt, lai veiksmīgi veiktu zināšanu ieguves posmu:

laba griba un draudzīgums;

humora izjūta;

laba atmiņa un uzmanība;

novērošana;

iztēle un iespaidojamība;

lielāka koncentrēšanās spēja un neatlaidība;

sabiedriskums un atjautība;

analītiskums;

pievilcīgs izskats un ģērbšanās veids;

pašapziņa.

Procedūras slānis

Zināšanu inženierim, kurš ir veiksmīgi apguvis zinātni par uzticēšanos un saikni ar ekspertu (kontaktslāni), joprojām ir jāspēj izmantot šīs atmosfēras labvēlīgās sekas. Procesuālā slāņa problēmas attiecas uz pašu zināšanu ieguves procedūru. Šeit ir maz ieskatu un šarmu, kas noder kontakta problēmas risināšanai;

Pakavēsimies pie vispārīgajiem procedūras principiem.

Saruna ar ekspertu vislabāk notiek nelielā sarunu telpā. Apgaismojums, siltums, komforts tieši ietekmē jūsu garastāvokli. Tēja vai kafija radīs draudzīgu atmosfēru. Amerikāņu psiholoģe I. Atvotera uzskata, ka lietišķajai komunikācijai vislabvēlīgākais attālums ir no 1,2 līdz 3 m Par minimālo “ērto” attālumu var uzskatīt 0,7 – 0,8 m.

Savas argumentācijas rekonstrukcija nav viegls darbs, un tāpēc vienas nodarbības ilgums parasti nepārsniedz 1,5 - 2 stundas Šīs divas stundas labāk izvēlēties dienas pirmajā pusē (piemēram, no 10 līdz 12'). pulkstenis). Zināms, ka partneru savstarpējais nogurums sarunas laikā parasti iestājas pēc 20 - 25 minūtēm, tāpēc seansā nepieciešamas pauzes.

Katram zināšanu inženierim ir savs unikāls runas veids. Daži runā ātri, citi runā lēni; daži ir skaļi, citi ir klusi utt. Sarunas stilu mainīt ir gandrīz neiespējami – tas cilvēkā ir iesakņojies agrā bērnībā. Tomēr zināšanu ieguve ir profesionāla saruna, un tās panākumus ietekmē arī zināšanu inženiera runāto frāžu garums.

Šo faktu konstatēja amerikāņu zinātnieki – valodniece Ingve un psihologs Millers. Izrādījās, ka cilvēks vislabāk uztver teikumus, kuru dziļums (vai garums) ir 7 plus mīnus 2 vārdi. Šo skaitli (7+2) sauc par Yngve-Millera skaitli. To var uzskatīt par runas “sarunvalodas” mērauklu.

Neviens nešaubās par nepieciešamību noteikt zināšanu iegūšanas procedūru. Rodas jautājums: kādā formā tas būtu jādara? Ir trīs veidi, kā reģistrēt rezultātus:

ierakstīšana uz papīra tieši sarunas laikā (mīnusi - tas bieži traucē sarunai, turklāt ir grūti paspēt visu pierakstīt, pat ja ir stenogrāfijas prasmes);

ieraksts lentē, kas palīdz analītiķim analizēt visu sesijas gaitu un viņa kļūdas (trūkums - tas var traucēt ekspertam);

iegaumēšana, kam seko ierakstīšana pēc sarunas (mīnuss - piemērots tikai analītiķiem ar izcilu atmiņu).

Kognitīvais slānis

Kognitīvā psiholoģija (ang. cognition) pēta mehānismus, ar kuriem cilvēks saprot apkārtējo pasauli.

Piedāvāsim dažus padomus zināšanu inženierim no kognitīvās psiholoģijas viedokļa:

neuzspiest ekspertam viņam (analītiķim) saprotamāku un dabiskāku reprezentācijas modeli;

izmantot dažādas metodes darbā ar ekspertu, pamatojoties uz nosacījumu, ka metodei ir jāatbilst ekspertam kā “slēdzenes atslēgai”;

skaidri saprast ieguves procedūras mērķi vai tās galveno stratēģiju, ko var definēt kā galveno priekšmeta jomas jēdzienu un tos savienojošo attiecību identificēšanu;

biežāk zīmējiet diagrammas, kas atspoguļo eksperta argumentāciju. Tas ir saistīts ar figurālu informācijas attēlojumu cilvēka atmiņā.

Iepriekš izklāstītais materiāls ir cieši saistīts ar psiholoģiskās kultūras pamatiem, kas ietver izpratni un zināšanas par sevi un citiem cilvēkiem; adekvāta pašcieņa un citu cilvēku novērtējums; garīgā stāvokļa pašregulācija. Šo kultūru ir vieglāk apgūt ar speciālistu - psihologu, psihoterapeitu palīdzību, bet to var izdarīt pats, izmantojot grāmatas, vismaz populāras, piemēram. Turklāt aktiermeistarības pamatu apgūšana un piedalīšanās speciālajās nodarbībās sociāli psiholoģiskajā videotreniņā veicina veiksmīgu psiholoģisko neveiksmju pārvarēšanu.

Visbeidzot, šeit ir vairākas tradicionālās iesācēju analītiķa psiholoģiskās neveiksmes:

kontakta trūkums starp ekspertu un zināšanu inženieri (viena vai otra psiholoģisko īpašību dēļ; kļūdas procedūrā; "fasādes" efekta rašanās, t.i., eksperta vēlme "izrādīties");

izpratnes trūkums (sakarā ar “projekcijas” efektu, t.i., analītiķa skatījuma pārnešana uz eksperta viedokli; vai “kārtības” efekts, t.i., uzmanības koncentrēšana galvenokārt uz to, kas tiek izteikts pirmais utt.);

zema sarunu efektivitāte (vāja eksperta motivācija, t.i., intereses trūkums; vai slikts sarunas temps; vai neatbilstoša jautājumu forma; vai neapmierinošas eksperta atbildes).

VALODAS ASPEKTS

Lingvistiskā aspekta struktūra

Tā kā komunikācijas process starp zināšanu inženieri un ekspertu ir lingvistiska komunikācija, padomāsim lingvistiskais aspekts zināšanu inženierija. Izcelsim trīs inženierzinātnēm svarīgu lingvistisko problēmu slāņus (17.5. att.).

Rīsi. 17.5. Zināšanu iegūšanas lingvistiskā aspekta struktūra

Koplietojamā koda problēma

Lielākā daļa psihologu un valodnieku uzskata, ka valoda ir galvenais domāšanas līdzeklis kopā ar citām “iekšējās lietošanas” zīmju sistēmām. Valodas, ko runā un domā analītiķis un eksperts, var ievērojami atšķirties.

Tātad, mūs interesē divas valodas - analītiķu valoda, sastāv no trim sastāvdaļām:

priekšmeta jomas termini, kurus sagatavošanās periodā apguvis no speciālās literatūras;

vispārējā zinātniskā terminoloģija no viņa “teorētiskās bagāžas”;

analītiķa lietotā ikdienas runas valoda;

un valoda eksperts sastāv no:

no mācību priekšmeta jomā pieņemtās speciālās terminoloģijas;

vispārīgā zinātniskā terminoloģija; ikdienas valoda;

neoloģismus, ko eksperts radījis viņa darba laikā (viņa profesionālais žargons).

Ja pieņemam, ka abu saziņas dalībnieku ikdienas un vispārējās zinātniskās valodas aptuveni sakrīt, tad kāda kopīga valoda jeb kods, kas partneriem jāizstrādā veiksmīgai mijiedarbībai, sastāvēs no plūsmām, kas parādītas attēlā. 17.6. Pēc tam šis vispārīgais kods tiek pārveidots par noteiktu konceptuālo (semantisko) tīklu, kas ir priekšmeta jomas zināšanu lauka prototips.

Rīsi. 17.6. Shēma vienota koda iegūšanai

Vienota koda izstrāde sākas ar to, ka analītiķis pieraksta visus eksperta lietotos terminus un noskaidro to nozīmi. Faktiski šī ir attiecīgās jomas vārdnīcas sastādīšana. Pēc tam seko terminu grupēšana un sinonīmu atlase (vārdi, kas nozīmē vienu un to pašu). Kopējā koda izstrāde beidzas ar mācību priekšmetu jomas terminu vārdnīcas sastādīšanu ar to provizorisku grupēšanu pēc nozīmes, t.i. pēc konceptuālā tuvuma (tas ir pirmais solis zināšanu strukturēšanā).

Rīsi. 17.7. sniedz priekšstatu par neskaidrību divu speciālistu terminu interpretācijā. Semiotikā, zinātnē par zīmju sistēmām, interpretācijas problēma ir viena no centrālajām. Interpretācija savieno “zīmi” un “apzīmēto objektu”. Tikai caur interpretāciju zīme iegūst nozīmi. Tātad, attēlā. 17.7. vārdi “ierīce X” ekspertam nozīmē kādu konkrētu ķēdi, kas atbilst oriģinālās ierīces shēmai, bet iesācēju analītiķa galvā vārdi “ierīce X” izsauc tukšu attēlu vai kaut kādu “melno kasti”. ar rokturiem.

Rīsi. 17.7. Interpretācijas problēmas neskaidrība

Konceptuālā struktūra

Lielākā daļa mākslīgā intelekta un kognitīvās psiholoģijas ekspertu uzskata, ka dabiskā intelekta un īpaši atmiņas galvenā iezīme ir visu jēdzienu savienošana tīklā. Tāpēc, lai izveidotu zināšanu bāzi, ir nepieciešama nevis vārdnīca, bet enciklopēdija, kurā visi termini ir izskaidroti vārdnīcas ierakstos ar saitēm uz citiem terminiem.

Tādējādi zināšanu inženiera lingvistiskais darbs noteiktā problēmas slānī ir konstruēt šādus saistītus fragmentus, “savienojot” terminus. Ar rūpīgu analītiķa un eksperta darbu konceptuālajās struktūrās sāk veidoties jēdzienu hierarhija, kas kopumā atbilst kognitīvās psiholoģijas rezultātiem.

Jēdzienu hierarhija ir globāla shēma, kas var būt par pamatu jebkuras mācību jomas zināšanu struktūras konceptuālai analīzei.

Jāuzsver, ka vārdnīcas un konceptuālās struktūras sastādīšanas darbam ir nepieciešama lingvistiska “sajūta”, terminu manipulācijas vieglums un zināšanu inženiera bagātīgs vārdu krājums, jo analītiķis bieži ir spiests patstāvīgi izstrādāt pazīmju vārdnīcu. Jo bagātāks un izteiksmīgāks koplietotais kods, jo pilnīgāka zināšanu bāze.

Analītiķis ir spiests pastāvīgi atcerēties grūtības nodot attēlus un idejas verbālā formā. Bieži vien zināšanu inženierim ir jāiesaka speciālistam vārdi un izteicieni.

Lietotāja vārdnīca

Lingvistiskie rezultāti, kas korelē ar kopējā koda un konceptuālās struktūras slāņiem, ir vērsti uz adekvātas zināšanu bāzes izveidi. Tomēr nevajadzētu aizmirst, ka gala lietotāja profesionālais līmenis var neļaut viņam pilnībā izmantot domēna specifisko valodu. Lai izstrādātu lietotāja interfeisu, nepieciešama kopējās kodu vārdnīcas papildu pilnveidošana, kas pielāgota sistēmas pieejamībai un “caurspīdīgumam”.

Noslēgumā mēs uzskaitām raksturīgās valodas kļūmes, kas gaida iesācēju zināšanu inženieri:

runā dažādās valodās (zinību inženiera sliktās apmācības dēļ);

neatbilstība kontekstam un neadekvāta terminu interpretācija (atgriezeniskās saites trūkuma, t.i. pārāk patstāvīga zināšanu inženiera darba dēļ);

atšķirību trūkums starp vispārējo kodu un lietotāja valodu (netiek ņemtas vērā atšķirības eksperta un lietotāja zināšanu līmenī).

GNOSEOLOĢISKAIS ASPEKTS

Epistemoloģiskā aspekta būtība

Epistemoloģija ir filozofijas nozare, kas saistīta ar zināšanu teoriju jeb teoriju par realitātes atspoguļojumu cilvēka apziņā.

Zināšanu inženierija kā zinātne, ja tā var teikt, ir divtik epistemoloģiska - realitāte (O) vispirms atspoguļojas eksperta apziņā (M 1), un pēc tam eksperta darbību un pieredzi interpretē zināšanu inženiera apziņa. (M 2), kas jau kalpo par pamatu trešo interpretāciju (P z) – ekspertu sistēmas zināšanu jomu – konstruēšanai (17.8. att.). Izziņas process būtībā ir vērsts uz apkārtējās pasaules iekšējās reprezentācijas radīšanu cilvēka prātā.

Rīsi. 17.8. Zināšanu ieguves epistemoloģiskais aspekts

Zināšanu ieguves procesā analītiķi galvenokārt interesē zināšanu komponents, kas saistīts ar ekspertu nekanoniskām individuālajām zināšanām, jo priekšmetu jomas ar šāda veida zināšanām tiek uzskatītas par visjutīgākajām ekspertu sistēmu ieviešanai. Šīs jomas parasti sauc par empīriskām, jo tajās ir uzkrāts liels daudzums atsevišķu empīrisku faktu un novērojumu, savukārt to teorētiskais vispārinājums ir nākotnes jautājums.

Zināšanas vienmēr ir saistītas ar jaunu koncepciju un teoriju radīšanu. Interesanti, ka nereti eksperts jaunas zināšanas ģenerē “lidojumā”, tieši sarunas ar analītiķi kontekstā. Šāda zināšanu ģenerēšana var būt noderīga arī pašam ekspertam, kurš līdz šim brīdim, iespējams, nav apzinājies vairākas tēmas jomas attiecības un modeļus. Analītiķei, kura ir “vecmāte” jaunu zināšanu dzimšanā, šeit var palīdzēt sistēmmetodoloģijas instrumenti, kas ļauj izmantot labi zināmus zinātniskās pētniecības loģikas un zinātnes konceptuālās hierarhijas principus. Šī metodika liek viņam aiz konkrētā saskatīt vispārējo, t.i. veidot ķēdes:

FAKTS  VISPĀRĪGI FAKTS  EMPĪRISKĀS TIESĪBAS  TEORĒTISKĀS TIESĪBAS

Zināšanu inženieris ne vienmēr sasniegs šīs ķēdes pēdējo posmu, taču pati vēlme kustēties var būt ārkārtīgi auglīga. Šī pieeja pilnībā atbilst pašai zināšanu struktūrai, kurai ir divi līmeņi:

empīrisks (novērojumi, parādības);

teorētiskais (likumi, abstrakcijas, vispārinājumi).

Zinātniskās atziņas kritēriji

Teorija ir ne tikai saskaņota sistēma zinātnisko zināšanu vispārināšanai, tā ir arī noteikts veids, kā radīt jaunas zināšanas. Galvenie zinātniskā rakstura metodoloģiskie kritēriji, kas ļauj uzskatīt par zinātnisku gan pašas jaunas zināšanas, gan to iegūšanas metodi, ir:

iekšējā konsekvence un konsekvence;

konsekvence;

objektivitāte;

historisms.

Iekšējā konsekvence. No pirmā acu uzmetiena šis kritērijs vienkārši nedarbojas empīriskajās jomās: tajās fakti bieži nesaskan viens ar otru, definīcijas ir pretrunīgas, izkliedētas utt. Analītiķim, kurš zina empīrisko zināšanu iezīmes, to modalitāti, nekonsekvenci un nepabeigtību, ir jāizlīdzina šie empīrisko “nelīdzenumi”.

Zināšanu modalitāte nozīmē tās pastāvēšanas iespēju dažādās kategorijās, t.i. esamības un pienākuma konstrukcijās. Tādējādi daži modeļi ir iespējami, citi ir obligāti utt. Turklāt ir jānošķir tādas modalitātes nokrāsas kā: eksperts zina, ka...; eksperts domā, ka...; eksperts vēlas...; eksperts uzskata, ka...

Iespējams neatbilstība empīriskās zināšanas ir dialektikas pamatlikumu dabiskas sekas, un šīs pretrunas ne vienmēr ir jāatrisina zināšanu jomā, bet tieši otrādi, tieši pretrunas visbiežāk kalpo par izejas punktu ekspertu argumentācijā.

Nepabeigtība zināšanas ir saistītas ar neiespējamību pilnībā aprakstīt priekšmeta jomu. Analītiķa uzdevums ir ierobežot šo nepabeigtību līdz noteiktam “pabeigtības” ietvaram, t.i. sašaurināt priekšmeta jomas robežas vai ieviest vairākus ierobežojumus un pieņēmumus, kas vienkāršo problēmu.

Sistemātiskums. Sistēmiski strukturālā pieeja zināšanām (atgriežoties pie Hēgeļa) orientē analītiķi aplūkot jebkuru priekšmetu no sistēmiskā veseluma likumu un tā sastāvdaļu mijiedarbības viedokļa. Mūsdienu strukturālisms nāk no jebkura objekta daudzlīmeņu hierarhiskas organizācijas, t.i. visus procesus un parādības var uzskatīt par daudzām mazākām apakškopām (iezīmēm, detaļām) un, otrādi, jebkurus objektus var (un vajadzētu) uzskatīt par augstāku vispārinājumu klašu elementiem.

Objektivitāte. Izziņas process ir dziļi subjektīvs, t.i. tas būtībā ir atkarīgs no paša zinošā subjekta īpašībām. Subjektivitāte sākas ar faktu aprakstu un palielinās, padziļinoties objektu idealizācijai.

Līdz ar to pareizāk ir runāt par izpratnes dziļumu, nevis par zināšanu objektivitāti. Izpratne ir koprade, objekta interpretācijas process no subjekta viedokļa. Tas ir sarežģīts un neviennozīmīgs process, kas notiek cilvēka apziņas dziļumos un prasa visu cilvēka intelektuālo un emocionālo spēju mobilizāciju. Analītiķim visas pūles jākoncentrē uz problēmas izpratni. Psiholoģija apstiprina faktu, ka cilvēki, kuri ātri un veiksmīgi risina intelektuālas problēmas, lielāko daļu sava laika pavada tās izpratnei, savukārt tie, kas ātri sāk meklēt risinājumu, visbiežāk to nevar atrast.

Vēsturisms.Šis kritērijs ir saistīts ar attīstību. Zināšanas par tagadni ir zināšanas par pagātni, kas tās radīja. Un, lai gan lielākā daļa ekspertu sistēmu nodrošina “horizontālu” zināšanu šķēli - neņemot vērā laiku (statikā), zināšanu inženierim vienmēr ir jāapsver procesi, ņemot vērā laika izmaiņas - gan saikne ar pagātni, gan saikne ar nākotni. Piemēram, zināšanu lauka struktūrai un zināšanu bāzei ir jāļauj pielāgot un koriģēt gan ekspertu sistēmas izstrādes periodā, gan darbības laikā.

Izziņas struktūra

Ņemot vērā galvenos zināšanu zinātniskā rakstura kritērijus, mēs tagad mēģināsim aprakstīt to struktūru. Izziņas metodisko struktūru var uzrādīt kā posmu secību (17.9. att.), ko aplūkosim no zināšanu inženiera viedokļa.

Faktu apraksts un sintēze. Tas ir kā analītiķa un eksperta sarunu “sausais atlikums”. Uzmanība un pilnīga uzskaite iegūšanas procesa laikā un precīzs “mājasdarbs” ir atslēga uz produktīvu pirmo izziņas posmu.

Praksē izrādās grūti ievērot iepriekš aprakstītos objektivitātes un konsekvences principus. Visbiežāk šajā posmā faktus vienkārši savāc un it kā iemet “kopējā maisā”; Pieredzējis zināšanu inženieris nereti katram faktam nekavējoties mēģina atrast “plauktu” vai “kastīti”, tādējādi netieši gatavojoties konceptualizācijas stadijai.

Rīsi. 17.9. Izziņas struktūra

Sakaru un modeļu nodibināšana. Eksperta galvā savienojumi tiek nodibināti, lai gan bieži vien netieši; Inženiera uzdevums ir noteikt eksperta secinājumu ietvaru. Rekonstruējot eksperta argumentāciju, zināšanu inženieris var paļauties uz divām populārākajām domāšanas teorijām – loģisko un asociatīvo. Tajā pašā laikā, ja loģiskā teorija, pateicoties tās dedzīgajiem cienītājiem matemātiķu personā, tiek plaši citēta un visādā iespējamā veidā izmantota darbos par mākslīgo intelektu, tad otrā, asociatīvā teorija, ir mazāk zināma un populāra, lai gan tai ir arī senas saknes. Loģiskās teorijas skaistumam un harmonijai nevajadzētu aizēnot bēdīgo faktu, ka cilvēki reti domā matemātiskās loģikas izteiksmē.

Asociatīvā teorija attēlo domāšanu kā ideju ķēdi, ko savieno kopīgi jēdzieni. Šādas domāšanas galvenās darbības ir asociācijas, kas iegūtas uz dažādu saistību pamata; pagātnes pieredzes atcerēšanās; izmēģinājumi un kļūdas ar reizēm panākumiem; ierastās (“automātiskās”) reakcijas utt.

Idealizēta modeļa uzbūve. Lai izveidotu modeli, kas atspoguļo subjekta izpratni par priekšmetu, ir nepieciešama specializēta valoda, ar kuru var aprakstīt un konstruēt tos idealizētos pasaules modeļus, kas rodas domāšanas procesā. Šī valoda tiek veidota pakāpeniski, izmantojot attiecīgajā mācību jomā pieņemto kategorisko aparātu, kā arī formālus simboliskus matemātikas un loģikas līdzekļus. Empīriskām priekšmetu jomām šāda valoda vēl nav izstrādāta, un zināšanu joma, kuru analītiķis aprakstīs daļēji formalizētā veidā, var būt pirmais solis šādas valodas radīšanā.

Modeļu skaidrojums un prognozēšana.Šis zināšanu struktūras pēdējais posms vienlaikus ir arī daļējs iegūto zināšanu patiesuma kritērijs. Ja identificētā ekspertu zināšanu sistēma ir pilnīga un objektīva, tad, pamatojoties uz to, ir iespējams veikt prognozes un izskaidrot jebkuras parādības no konkrētā priekšmeta jomas. Parasti ekspertu sistēmu zināšanu bāzes cieš no komponentu sadrumstalotības un modularitātes (nesaistītības). Tas viss neļauj mums izveidot patiesi inteliģentas sistēmas, kas, tāpat kā cilvēki, varētu paredzēt jaunus modeļus un izskaidrot gadījumus, kas nav skaidri norādīti datu bāzē. Izņēmums šeit ir zināšanu ģenerēšanas sistēmas, kas ir vērstas uz jaunu zināšanu radīšanu un “prognozēšanu”.

Noslēgumā mēs uzskaitām visbiežāk sastopamās kļūmes, kas saistītas ar zināšanu inženierijas epistemoloģiskām problēmām (daļēji no):

vājas, sadrumstalotas zināšanas (konsekvences principa pārkāpumu vai kļūdu dēļ uzmanības fokusa izvēlē);

zināšanu nekonsekvence (dabas un sabiedrības dabiskās neatbilstības, iegūto zināšanu nepilnīguma, eksperta nekompetences dēļ);

nepareiza klasifikācija (nepareizas klašu skaita noteikšanas vai neprecīza klases apraksta dēļ);

kļūdains vispārināšanas līmenis (pārmērīgas detalizācijas vai objektu klašu vispārināšanas dēļ).

Sistēma ir starpnieks, slēdzot piegādes līgumu.

Zināšanu inženierija ir datorzinātnes joma, kurā tiek veikti pētījumi par zināšanu attēlojumu datoros, to atjaunināšanu un manipulēšanu.

Zināšanu sistēma – sistēma, kuras pamatā ir zināšanas.

SOZ SBZ DBMS ES IS SII - mākslīgā intelekta sistēma.

Uz zināšanām balstītas sistēmas struktūra.

KB mehānisms risinājuma iegūšanai

INTERFACE

Zināšanu bāze ir modelis, kas datorā attēlo noteiktā priekšmeta jomā uzkrātās zināšanas. Šīs zināšanas ir jāformalizē.
Zināšanas tiek veidotas, izmantojot modeli, un pēc tam attēlotas, izmantojot noteiktu valodu.

Zināšanas par konkrētiem objektiem un noteikumiem parasti tiek izceltas zināšanu bāzē. Šie noteikumi tiek izpildīti kā mehānisms risinājumu iegūšanai, lai no sākotnējiem faktiem iegūtu jaunus.

Interfeiss nodrošina dialogu lietotājam pazīstamā valodā.

Zināšanu inženierijā bieži tiek izmantotas uz secinājumiem balstītas metodes.

Priekšmeta jomas jēdziens.

Objekts ir kaut kas, kas pastāv vai tiek uztverts kā atsevišķa vienība.

Pamatīpašības: diskrētums; atšķirība.

Prezentējot zināšanas, tiek izmantota pragmatiska pieeja, t.i. tiek izceltas tās objekta īpašības, kas ir svarīgas problēmu risināšanai, kuras atrisinās izveidotā sistēma. Tāpēc uz zināšanām balstīta sistēma nodarbojas ar lietām, kas ir abstrakti objekti. Objekts darbojas kā dažu objekta īpašību nesējs. Tēmas apgabala stāvoklis laika gaitā var mainīties. Katrā laika brīdī priekšmeta apgabala stāvokli raksturo objektu un savienojumu kopums. Priekšmeta jomas stāvokli raksturo situācija.

Konceptuālie līdzekļi priekšmeta jomas aprakstīšanai.

Konceptuālais modelis atspoguļo vispārīgākās īpašības. Lai sniegtu detalizētu aprakstu, ir nepieciešamas valodas. Konceptuālo līdzekļu raksturīgās iezīmes priekšmeta jomas aprakstīšanai ir abstrakcija un universālums. Tos var izmantot, lai aprakstītu jebkuru priekšmetu jomu.

Objektu klases jēdziens.

Objekta jēdziens ir kopu jēdziens. Objekti, kas ir līdzīgi viens otram, tiek apvienoti klasēs. Dažādos laika punktos vienai un tai pašai klasei var atbilst dažādas objektu kopas.

K – objektu klase.

Kt – K klases objektu kopa laikā 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 Кt = (…)

Pasniedzēja amats = (profesors, asociētais profesors, vecākais pasniedzējs, lektors, asistents)

1 4 Ģeometriska figūra, kvadrāta forma, zila krāsa.

(К: А1 К1, А2К2, …, АnКn) nosaukums atribūts objektu klašu nosaukums klašu atribūtu pāris

Objektu identifikācija var būt tieša un netieša. Tiešās līnijas gadījumā izmanto objektu nosaukumus un objektu sērijas numurus; netiešā pamatā ir objekta īpašību izmantošana.

Atribūts var būt sastāvdaļa. Atribūts tiek saprasts kā komponentu īpašība, īpašība vai nosaukums.

(Ģeometriskā forma: forma Ģeometriskās formas krāsa Krāsa)

Atribūta nosaukuma un atribūta vērtību pāri bieži ir vienādi.

Situācijas piemērs:

(Lekcija: lektors Docētāja uzvārds, vieta Auditorijas numurs, tēma Tēmas nosaukums, klausītājs Grupas kods, diena Nedēļas diena, laiks Sākuma laiks)

Situācija – tiek parādīta saikne starp “skolotāju” un “klausītāju” un citas šīs situācijas īpašības.

Situācijas dalībnieku lomas:

Klausītājs

Situācijas raksturojums:

(K: А1К1, А2К2, …, АnКn) – zināšanu attēlojums kādas struktūras formā.

(datums, diena, mēneša_diena)

(datums, mēnesis, mēneša_nosaukums)

(datums, gads, gads)

(ģeometriskā_figūra, forma, ģeometriskā_forma)

(ģeometriskā_figūra, krāsa, krāsa)

Šis zināšanu attēlojums atbilst zināšanu attēlojumam atsevišķu faktu veidā.

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

Zināšanu attēlojumi par objektiem ir sadalīti:

objektu klases (datu struktūra)

zināšanas par konkrētiem objektiem (par datiem)

Objektu klases.

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

Аi – atribūta nosaukums

Ki – objektu klases, ir atribūta vērtība

K – klases nosaukums

(skolotāji:

Pilna vārda uzvārds_ar_iniciāliem,

Pozīcija mācību_pozīcija)

(skolotājs, pilns vārds, uzvārds_ar_iniciāļiem, skolotājs, mācību_amats)

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

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

(skolotājs (uzvārds_ar_iniciāļiem, mācību_pozīcija), skolotājs (pilns vārds, amats))

Zināšanu attēlojums pirmajai formai:

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

Zināšanu atribūtīvs attēlojums:

(skolotājs: - pārstāv

Pilns vārds Semenovs - kaut kāda struktūra

Amats docents) - dati

Zināšanu attēlojums otrajai formai:

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

Zināšanu atribūtīvs attēlojums atsevišķu faktu veidā:

(skolotājs1, pilns vārds, Semenovs) - 1, 2 ir saites starp

(skolotājs1, amats, asociētais profesors) - fakti

(skolotājs2, pilns vārds, Petrovs)

(skolotājs2, amats, asistents)

Zināšanu attēlojums trešajai formai:

K (K1, K2, … , Kn)

(skolotājs (Semenovs, asociētais profesors) - zināšanu pozicionāls attēlojums

Ja nav atribūtu nosaukumu un paši atribūti ir rakstīti noteiktās pozīcijās, tad tas ir zināšanu pozicionāls attēlojums.

Zināšanu attēlojums “trīskāršu” formā - (objekts, atribūts, vērtība).

Lai attēlotu neprecīzas vērtības, tiek izmantoti ticamības koeficienti - (objekts, atribūts, vērtība, ticamības koeficients).

0 – atbilst nenoteiktībai. negatīvā vērtība – pārliecības pakāpe par atribūta vērtības neiespējamību.

(pacients 1, diagnoze, gastrīts, K740)

* (pacients, pilns vārds, Antonovs, diagnoze kolīts K760, gastrīts K740)

Zināšanu attēlojumu par objektu klasi sauc par minimālu, ja, noņemot vienu no atribūtiem, pārējā atribūtu kopa pārstāj būt šīs objektu klases reprezentācija.

Noma (nomas_objekts, īrnieks, iznomātājs, nomas_termiņš, maksa).

Ja noņemat “lease_term”, jūs saņemat pirkumu un pārdošanu, un, ja noņemat
“īres_termiņš” un “maksa”, tad jūs saņemat dāvanu.

Zināšanu attēlošana relāciju datu bāzē.

Relāciju datu bāze – dati tiek glabāti pozicionālā formātā.

Dati tiek glabāti tabulas veidā, kur tabulas nosaukums ir klases nosaukums.
Katra klase atbilst tabulai vai datu bāzes failam. Klases nosaukums ir atbilstošās tabulas nosaukums. Atribūtu nosaukumi – atbilstošie tabulas lauki
(kolonna). Tabulas rindas ir datu bāzes ieraksti. Ieraksts atbilst ierakstam pozicionālā formātā.
|A1 |A2 | . . .|An |
| | |. . | |
|K1 |K2 | . . .|Кn |
| | |. . | |

Skolotāji

Atribūta jēdziens pozicionālajā datu bāzē ir saglabāts.

Ierakstu K (A1,A2, ..., An) sauc par attiecību starp atribūtiem. Šī terminoloģija tiek izmantota relāciju datu bāzē. Ideja par datiem relāciju datu bāzē ir balstīta uz "atslēgas" jēdzienu.

Atslēga ir relāciju atribūtu kopa, kuras vērtība unikāli identificē ierakstu failā.

Dzīvoklis

| pilsēta|iela |māja |ēka|dzīvokļa|platība |istabu skaits|
|Maskava |Tverska |2 |1 |47 |60 |2 |
|Maskava |Tverska |2 |1 |54 |50 |1 |

Šajā gadījumā atslēga sastāvēs no vairākiem laukiem.

Ki sup Kj ir klases sup apakšklases apakšklase; apakšklases sup klase.

Ki ir Kj apakšklase if (t Ki t (Kj t

(Ja jebkurā brīdī t klase Ki ir Kj apakšklase)

Npr – tīkla klasifikācija.

Tīkla klasifikācija tiek parādīta kā hierarhiska struktūra.

Studentu suga students.

Ki daļa no Kj - ir daļa no Ki daļas Kj

Ki ir daļa no Kj, ja konkrēts Ki klases objekts ir daļa no unikāli definēta objekta Kj.

Piederības attieksme. k isa K - ir elements

Ki ius K - ir sastāvdaļa

Nozīmē, ka K klases objekts sastāv no K1, K2, ..., klases objektiem,
Kn, un K klases objekts var ietvert vairākus Ki klases objektus.

Lekcija Nr.4.

Attiecību īpašības.

Daļējas kārtības attiecībām piemīt tranzitivitātes īpašība.

Ki sup Kj Kj sup Km

Ki daļa Kj Kj daļa Km

Ja elements ir bloka sastāvdaļa un bloks sastāv...

Dalības diagrammā nav ciklu.

K1 iekšā K2, K2 iekšā K3,…,Kn-1 iekšā Kj

Nav taisnība, ka Kn ins K1

Maskavas pilsēta

Pilsētas sup Vieta

Maskavas apgabals

Operācijas ar objektu klasēm.

Izmantojot operācijas ar objektu klasēm, varat definēt jaunu objektu klasi

Ki bloku komplekts, piemēram, televizori

Materiālie objekti tiek iedalīti trīs klasēs

Stāvoklis (Telpas (Iekārtas = Materiāls objekts

Persona (Istaba = Persona (Aprīkojums = Numurs ()
Aprīkojums =?

Objektu klašu izvietošana

Persona (uzvārds, vārds, uzvārds, dzimšanas gads, dzimums)

Dzimums = (vīrietis, sieviete)

Vīrietis, sieviete = cilvēka dzimums

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

KK5 – klašu sadalījums pa K5 klasēm.

Visu šo šķiru savienība ir cilvēks.

Vīrietis?Sieviete=Cilvēks

Vīrietis?Sieviete=?

(Svešvalodu zināšanas

Zinošs cilvēks

Priekšmets svešvaloda)

Sadalīšanas rezultātā iegūstam svešvalodu zinošu cilvēku klases.

Priekšmeta jomas konceptuālā diagramma ir tajā definētu objektu, attiecību un darbību klašu kopums.

Tēmas apgabala stāvokļa veidņu apraksti:

K klases disciplīnas nodarbības vada grupā.

Ivanovs I.I. vada nodarbības TOE disciplīnā IT-1-98 grupā pirmdien 4. pārī G-301.

(klases: skolotājs Skolotāja disciplīna Disciplīna_nosaukums grupa Grupas_kods diena Nedēļa_diena laiks Pāra_numurs vieta Auditorija)

Priekšmeta jomas konceptuālie modeļi - konceptuāla diagramma kopā ar apgalvojumu kopu, kas veidota saskaņā ar ierobežotu veidņu kopu.

Entītiju un attiecību diagramma (ER diagramma)

Entītijas attiecību diagramma

Esence

Entītijas un attiecību atribūti

N skolotāji strādā 1 nodaļā. “*” ir skolotāja zīme - jūs varat atrast nodaļu.

Saziņas darbības vārds vai objekts

Atribūti – īpašības vārds, skaitītāji, izmēri, darbības vieta

Ielādes grafiks

Loģiskās sistēmas (modeļi), kuru pamatā ir viens piemērs preču piegādei veikalā.

Zināšanu reprezentācijas loģiskie modeļi.

Priekšmeta jomas apraksts vienā no loģiskās programmēšanas valodām, pamatojoties uz predikātu aprēķinu.

Pirmās kārtas vairāku predikātu aprēķina valoda. Vairāku 1. kārtas loģika.

Lai izveidotu šo valodu:

Šķiras jēdziens atbilst objektu klašu jēdzienam.

Daudzas S šķirnes

Komplektā ir norādītas funkcijas. f-funkcijas nosaukums;

argumentu veidi;
B – funkcijas vērtības tips.
Z – paraksts ir zināšanu reprezentācijas augstākais līmenis loģiskajos modeļos.

Predikāts -
T=(0;1)

viltus patiesība
- B veida konstante

Kā piemērus aplūkosim detaļu apstrādi ražošanā.
2-pagrieziens;
1-frēzēšana;

S=(detaļa, iekārta, darbība, daļas_tips, mašīnas_tips, laiks)
1) bērns: operācijas detaļa; f A1 B
2) st: Darbība (Machine;
3) sākums: Darbība (Laiks
4) con: Darbība (Laiks
5) daļas_veids: daļa (Daļas_veids
6) type_st: mašīna (iekārtas tips
7) 0: (Laiks

T: (Laiks
8) shaft_shaft: (Daļas_veids shaft_place: (Daļas_veids
9) frēzes: (Mašīnas_tipa strāva: (Mašīnas_tips
10) cutter_face: darbība T current_rev: darbība T
11) +: Laiks*Laiks Laiks
12): Laiks*Laiks T

Zināšanas par konkrētiem objektiem
(zemāks zināšanu reprezentācijas līmenis) vairāku predikātu aprēķinu valodā sauc par struktūrā integrētu parakstu
1) paraksts
2) Integrācijas struktūra. Paraksti.
3) Katram šķirnes nosaukumam tiek izveidoti daudzi šīs šķirnes objekti.
Daļa = (1. daļa, 2. daļa, 3. daļa, 4. daļa)
Mašīna = (st.1, st.2, st.3)
Darbība =(oper1,oper2,oper3,oper4,oper5,oper6,oper7,oper8)
Daļas_veids = (stumbra_vārpsta, vārpstas_vieta)
Machine_type = (strāva, frēzes)
Laiks = (1,2,…,t)

Visu kopu savienība ir Visums.
Katra funkcija un predikāts no sistēmas struktūras atbilst daudziem faktoriem.
1) bērns(oper.1)=bērns1 bērns(operācija2)=bērns1 bērns(operācija3)=bērns2

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

…………………
3) start(oper.1)=0 start(operation2)=5 start(operation3)=5
…………………..
4) konc(oper.1)=5 konc(oper.2)=12 konc(oper.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)=pašreizējais tips_st. (st.2)=pašreizējais tips_st. (st.3) = griezēji
………………….
10) cutter_face (oper1) current_rev (oper2) cutter_face (oper3)
|darbs|detaļa |mašīna |sākums |beigas |dzirnavas_beigas|pašreizējais_arr|
|Oper1 |Det.1 |St.3 |0 |5 |1 |0 |
|Oper2 |Det.1 |St.1 |5 |12 |0 |1 |
|Oper3 |Det.2 |Art.3 |5 |10 |1 |0 |
|Oper4 |Det.2 |Art.2 |10 |17 |0 |1 |
|Oper.5 |Det.3 |Art.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 |

|Mašīna|Tips_st |
|St.1 |Pašreizējais. |
|Art.2 |Pašreizējais. |
|St.3 |Fr. |

3) Komponents: Loģiskās formulas

Formulu konstruēšanas noteikumi: a) A šķiras konstante ir šķiras A vārds b) mainīgais, kas iegūst vērtību no A šķiras, ir A šķiras termins c) ja paraksts satur funkciju - attiecīgi konstruēti šķirņu vārdi, tad
- ir B veida termins d), ja paraksts satur predikātu -
,būvēto šķirņu termos
, tas ir, atoms. e) ja - viena veida termini, tad izteiksme, tas ir, atoms e) Atoms ir pareizi konstruēta formula (PPF) Atomā iekļautais mainīgais šajā atomā ir brīvs. g) ja konstruētā formula brīvi ietver A tipa mainīgos x, tad izteiksmes:

Ir arī PPF, mainīgais “x” ir saistīts (jaunos failos) h) ja formulas jau ir izveidotas, tad arī ir PPF
Piemēri:
1) Zināšanas par attēlojumu b => oper2, kas veikta uz virpas type_st(st(oper2))=ncurrent
2) Opera 2 tiek pabeigta 1. pieturā, 1. sākums 5. beigas 12
3)

8. lekcija 12.11.99.

Izšķiršanas metode

Izšķirtspējas metode ir nepraktiska.
Lai izmantotu šo metodi, sākotnējā formula ir jāpārvērš DNF.
DNF:
- burtu disjunkcija pii – atoms vai atoma noliegums.
Tad DNF tiek attēlots kā klauzulu kopa
Izšķiršanas metodē ir viens secinājumu noteikums
Rezultātā no 2 klauzulas iegūstam jaunu, ko sauc par ruoventu
- mēs iegūstam tukšu klauzulu, kas vienmēr ir nepatiesa.
Ja kopa satur tukšu klauzulu, tā nav apmierināma.
Rezultāts ir tukša klauzula, kas pierāda, ka šī kopa nav apmierināma.
Izšķiršanas metode tiek piemērota, līdz tiek iegūta tukša klauzula.
m,n – konst
aizstāšana nemainīgā mainīgā vietā – unifikācija.
Šajā gadījumā mēs veicam aizstāšanu (n/y):
No (1) un (2) => a(x)c(x,n) (5)
No (3) un (5), veicot aizstāšanu (m/n) => c(m,n) (6)
No (4) un (6) bez aizstāšanas => 0

Rezolūciju princips Prologā
Prolog izmanto Chordian klauzulas, t.i. klauzulas, kas satur vienu burtu bez nolieguma.
Piemēram
=>

savienojums bez nolieguma

Var izmantot disjunktus, kas vispār nesatur burtus. – šis ir mērķa paziņojums prologā: ? – a a: – b,c,d. b: - e,f. c. e. f.
?-a a(1) a(2) a(3)
|Soļa Nr. |Mērķis |Sākotnējā |izšķirtspēja|
| |. disjunkt | |
|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 |

Programmas attēlojums grafa veidā a: - b;c b: - d,e c: - g,f. e: - i,h g: - h,j d. f. h.
?-a
"," - Un
";" - vai
Grafika izveide sākas ar mērķa klauzulu.
Grafikā parādīts, kādi un cik risinājumi ir aplūkojamai problēmai.

Divi problēmas risinājumi

Zināšanu reprezentācijas ražošanas modelis.
Šī modeļa pamatā ir ražošanas noteikumi, kuriem ir šāda forma
- ražošanas noteikums >:=
Ja tad [CD=]

Piemēri:
5. noteikums
Ja dzimums=sieviete

Un papildinājums = mazs

Un svars = 65 gadi_vai vairāk
Tad relatīvais_svars = mainīgais
Uzticamības koeficientu nosaka skaitlis 0-100

27. noteikums
JA izredzes = izcili

Un risks = augsts
TO faktors=0 CD=10
Kopumā premisa var būt loģiska izteiksme.
Ja premisa ir patiesa, tad secinājums ir patiess, t.i. secinājums var norādīt uz kādu darbību, kas tiek veikta, ja premisa ir patiesa
::[AI...es]
::== objekts, atribūts, vērtība, pārliecības faktors - zināšanu attēlojums četrinieka formā
::==
:==CD=
Vienam un tam pašam objektam var būt dažādas nozīmes.
Vairāku vērtību objekti ir objekti, kuriem var būt vairākas derīgas vērtības.
Ja objekts nav deklarēts kā daudzvērtīgs, tad tam var būt vairākas vērtības, tad tām nav jābūt uzticamām, t.i. CD = 100

Objektiem vērtība, kas tiek pieprasīta lietotājam.
Kāds papildinājums?
1. Mazs
2. Vidējās atļautās vērtības
3. Liels

Kāds ir vecums
1. mazāk nekā 25
2. no 25 līdz 55
3. vairāk nekā 55
Pakas uzticamības koeficients=min(Kdusl)

Fakts, kas iegūts noteikuma izpildes rezultātā, izredzes = lielisks AC = 50 risks = augsts AC = 70 faktors = 0

Zināšanu reprezentācijas ražošanas modeļa pamatstruktūra

Sākotnējie dati

Rezultāts

Secinājumi beidzas, kad tiek sasniegts mērķa maksimums, vai arī nav atlikuši piemērojamie noteikumi un mērķis nav sasniegts.

Apgrieztie secinājumi - veikti no augšas uz leju (ar secinājumiem, kas vērsti uz mērķi)

P 1 P2 P3 P4
P5

C 4 C5 C6 C7 C8

|№ |Mērķis|Konflikts |Izpilde|Apakšmērķi|Fakts|
|solis| |komplekts | | | |
| | |noteikumi |noteikumi | | |
|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 |
| | | | | | |

Mērķis – “ilgums” – mērķis ir norādīts ar objekta nosaukumu.
Tas tiek salīdzināts ar noteikumu slēdzienu un tiek atlasīts noteikums ar secinājumu
, kas satur objekta nosaukumu. Mēs izvēlamies noteikumu, kas satur mērķa objektu, mēs veidojam hipotēzi

Šajā procesā hipotēze tiek apstiprināta vai atspēkota. Secinājumi turpinās, līdz tiek apstiprināts vai visas iespējamās hipotēzes ir izsmeltas.
Tiek izmantots mazāk čeku, jo noteikumam ir vairāki nosacījumi un viens secinājums.

Divvirzienu izejas.

Pirmkārt, balstoties uz nelielu datu apjomu, tiek izdarīti tiešie secinājumi, kā rezultātā tiek veidota hipotēze citu secinājumu apstiprināšanai vai atspēkošanai.
Noteikumu nosacījumu pārbaudei tiek izmantots noteikumu aktivizācijas aparāts, kas katrā solī atlasa tos noteikumus, kuros nosacījumi tiek pārbaudīti.
Jāizmanto arī nosacījumi. Noteikumu ziņā tiek izdalīti atsevišķi noteikumi un pēc tam vispārīgie.
Vispārīgie noteikumi – piemērošanas nosacījumu noteikumi. Piemērošanas joma.

Ražošanas noteikuma vispārināta struktūra.
(i); Q; P; A; =B; N
(i) — noteikuma nosaukums:
Q – noteikuma piemērošanas joma;
P – nosacījums noteikuma piemērojamībai (loģiskais nosacījums)
A=>B – pamatnoteikums, kur A ir premisa un B ir secinājums;
N – iestatītais nosacījums nosaka darbības, kas tiek veiktas, ja kodols tiek izpildīts.
P – ja patiess, tiek aktivizēts noteikuma kodols.

Rāmis – datu struktūra stereotipiskas situācijas attēlošanai
(k: A1K1, A2K2, …., AnKn)
(uz: A1k1, A2k2,….,An kn)
(faila nosaukums: slot1 nosaukums (slot1 vērtība) slot2 nosaukums (slot2 vērtība)

………………………………….. slota n nosaukums (vietas n vērtība))
Protoframe – zināšanas par objektu klasi.
Rāmis — instance — tiek iegūts no protorāma, aizpildot slotus ar konkrētām vērtībām.
Rāmja struktūrā parasti ietilpst sistēmas sloti. Slotu sistēmā ietilpst:
Slotus mēs definējam kā kadra vecāku, slotu, kas norāda uz kadra tiešajiem bērniem.

Kā slotu sistēma: sloti, kas satur informāciju par programmas veidotāju un tās modifikācijām.
Struktūra ietver:
- mantojuma rādītājs;
- datu tipa indikators;
- dēmoni utt.

FMS VALODA (FMS).
Mantojuma norādes var būt:
U – unikāls – unikāls
S – tas pats- daži
R – diapazons – robežrādītājs;
0 – ignorēt – ignorēt

U – dažādu līmeņu kadros ar vienādiem nosaukumiem būs dažādi.
S – sloti vērtību mantošanai no augstāka līmeņa slotiem ar vienādiem nosaukumiem

Apakšējā vienādojuma vērtībai jāatrodas augšējā vienādojumā definētās vērtības robežās.

R
Cilvēks

Ja vērtība nav norādīta, tā tiek mantota no augšējā vienādojuma slota, un, ja tā ir norādīta, tad mantošana tiek ignorēta.

11. lekcija 3.12.99

Tīkla un rāmja modeļu kombinācija OPS-5 zināšanu reprezentācijas sistēmā
Šai valodai ir ražošanas noteikumi un datu bāzes
::=({| }+)

()+ — var atkārtot vairākas reizes
::=((vērtība))
::= |
(Vielu klase skābe

Vārds

bezkrāsains)
(Uzdevumu secība: avots, noplūdes nožogojums)
Kādi ir noteikumi:
::=(P)
::={}+
::= | -
::= | |
::=((vērtība>)+) |

# (uzdevumu secība)

([{ }+])
# (Viela)
Modelis ne vienmēr norāda visus dotās klases atribūtus, t.i. varam pierakstīt
(Vielu klase skābe

Vārds) t.i. mainīgā skābe – lieta iegūs vērtību
::= ({ >}+)
Atmiņas darba elementa atbilstošā atribūta vērtībai ir jāatbilst vienam no šajā lapā norādītajiem elementiem, vismaz vienam.
Šīs nozīmes ir norādītas konkrētos vārdos.
# (Vielas klase skābe

Krāsa)
::= ({{{}+}}+)
Vērtību sarakstu var norādīt arī kā ierobežojumus
# (Dzinēja jauda (100 200))

(Dzinēja jauda 160)
:={}+
::=(izdarīt | noņemt | (modif
{} +)

# (P koordināte _a

(mērķa stāvoklis ir aktīvs

Vārda koordināte)
Ja mērķis spēj koordinēt un nav noteikta uzdevumu secība, tad izveidojiet

(Uzdevumu secība) –>
(padarīt mērķa stāvokli aktīvu

Nosaukt pasūtījuma uzdevumus)
(modif1 gaidīšanas stāvoklis))

Problēmu risināšanas stratēģija balstās uz nepārprotamu mērķa uzstādījumu
Performance
1. salīdzinājums ar atmiņas elementiem, kā rezultātā rodas pretrunīgs noteikumu kopums
2. Noteikumu atlase no konfliktu kopas
3. Noteikumu noslēgumā noteikto darbību veikšana
Izpilda, līdz tiek sasniegts mērķis.

Zināšanu apgūšana

Zināšanu iegūšana no avota, pārveidošana vajadzīgajā formā un pārnese uz viedo sistēmu zināšanu bāzi.

Zināšanas ir sadalītas:
- objektivizēts;
- subjektīvs
Objektīvi - zināšanas, kas atspoguļotas ārējos avotos - grāmatās, žurnālos, pētnieciskajā darbā.
- formatēts, t.i. iesniegts likumu, formulu, modeļu, algoritmu veidā.
Subjektīvs - zināšanas, kas ir ekspertas un empīriskas, netiek pasniegtas ārējā formā.
Eksperta zināšanas ir neformālas, tās sastāv no daudziem heiristiskiem paņēmieniem un likumiem, tās ļauj atrast pieeju problēmu risināšanai un izvirzīt hipotēzes, kuras var apstiprināt vai atspēkot.
Zināšanas var iegūt jebkura objekta novērošanas procesā.
Zināšanu inženiera un konsultanta darbības veidi zināšanu apguves procesā.
1. protokola analīze
- argumentācijas tiek ierakstītas skaļi problēmu risināšanas procesā.
O.S. protokoli tiek sastādīti un analizēti
2. Intervija - ar eksperimentu tiek veikts dialogs, kura mērķis ir zināšanu iegūšana.
3. Profesionālās darbības spēļu simulācija.

Intervēšanas metodes.
1. Sadalīšana pakāpēs identificē savienojumus, kas ļauj veidot hierarhiskas struktūras
2. Repertuāra režģis ir piedāvāti 3 jēdzieni un jānosauc atšķirība starp 2.koncepciju un 3.koncepciju. Ekspertam tiek piedāvāti daži jēdzieni, un viņam ir jānosauc kopīgās īpašības => veidlapu klases.

Konitologa darba metode zināšanu lauka veidošanai
Ietver 2 posmus
1. sagatavošanās
1.1. Skaidra problēmas sagatavošana, kas sistēmai jāatrisina
2. Iepazīstinām ar Konitu ar Litovu
3. Ekspertu atlase
4. Ekspertu iepazīstināšana ar kopiju
5. Eksperta iepazīstināšana ar populāru mākslīgā intelekta tehniku
6. Zināšanu lauka veidošana no kopijas
2. Galvenā skatuve
1. zināšanu lauka sūknēšana režīmā
2. Kosmetologa komandas darbs - protokola analīze, jēdzienu sakarību noteikšana, jautājumu sagatavošana ekspertam
3. Zināšanu lauka uzsūknēšana - uzdevums uzdot jautājumus ekspertam
4. Konceptuālās problēmas formalizācija.
5. Modeļa pilnīguma pārbaude
Ja modelis ir nepilnīgs, tad izmanto 2. tuvinājumu.

12. lekcija 10.12. 99.

Izplūdušie komplekti
– produkta biezums mazs vidējs liels

grāds

10 15 40 produkta biezums
- izplūdušais komplekts x - universāls komplekts
x - veido pāru kopu A
- sauc par izplūdušās kopas dalības funkciju.
Tiek izsauktas dalības funkcijas vērtības konkrētam elementam X

Piederības pakāpe

Izplūdušā komplekta nesējs
Parasts izplūdušais komplekts ir komplekts, kuram

Izplūdis komplekts
X - universāls komplekts
X - veido pāru kopu A
: - sauc par izplūdušās kopas dalības funkciju.
Dalības funkcijas vērtību konkrētam elementam X sauc par piederības pakāpi
- izplūdušā komplekta nesējs
&
Parasts izplūdušais komplekts ir komplekts katram

Ja mēs reducējam uz normālu formu => mums visas tā vērtības jāsadala ar
.

Ļaujiet dalības funkciju norādīt ar veselu skaitli no 10 līdz 40
Definējiet produkta maza biezuma jēdzienu.

| | | | | | | | x x

10 11 12 13 14 15 16 17 18
18

Darbības ar izplūdušajām kopām

1. Izplūdušo kopu savienība

2. Izplūdušo kopu krustpunkts

3. Izplūdušas kopas papildināšana

12. un 13. lekcijas sākums.

(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. Izplūdušas kopas paaugstināšana līdz jaudai.

(A2 = con((A) - koncentrācija

(A0,5 = dil((A) – stiepšanās

Dalības funkcijas noteikšanas metodes.

Nedaudz vairāk par 2. No 0 līdz 5.
|x |0 |1 |2 |3 |4 |5 |
|n1 |- |- |- |10|8 |4 |
|n2 |10|10|10|- |2 |6 |

(A = n1 / (n1 + n2)

Ranga metode.

Izplūdušais mainīgais.

(- izplūdušā mainīgā x nosaukums - tā definīcijas apgabals

(A ir nozīme, izplūdušā kopa nosaka izplūdušā mainīgā semantiku

Lingvistiskais mainīgais.

(- lingvistiskā mainīgā nosaukums

T – pamata terminu kopa – veido izplūdušo mainīgo nosaukumus
(reti, dažreiz, bieži), kas ir lingvistiski mainīgie

X – lingvistisko nozīmju nesējs – definīcijas joma

G – sintaktiskā procedūra

M – semantiskā procedūra

Sintaktiskā procedūra gramatisko terminu formā, kuras simboli veido terminus no kopas terminiem (un, vai, ne), tipa modifikatori
(ļoti, nedaudz, nē utt.)

(- biežums

T = (reti, dažreiz, bieži)

Bieži

Šādi termini kopā ar oriģinālajiem veido kopas terminu atvasinājumu.

Semantiskās procedūras ļauj pārrakstīt termoizplūdušo semantiku.

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

((1, x1, (A1)

((2, x 2, (A2)

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

M(ļoti() = con((A)

M(nedaudz() = dil((A)

Scenārijs.

Tā ir zināšanu reprezentācijas rāmja modeļu klase, kurā zināšanas par priekšmeta jomai raksturīgo darbību un notikumu secību tiek pasniegtas vispārinātā un strukturālā formā. Apskatīsim stereotipu - cēloņsakarības scenāriju - tas nosaka mērķu sasniegšanai nepieciešamo darbību secību, tas ir rāmja modelis.

(kcus nosaukums: slot1 nosaukums(slot1 value); slot2name(slot2 value);

... slota nosaukums n (vietas vērtība n))

(kcus actor target actor premisa galvenās sekas sistēmas nosaukums)

Priekšnoteikums norāda darbības, kas jāveic pirms galvenās darbības, lai tā stātos spēkā. Sekas ir pēdējā darbība. Sistēmas nosaukums ir skripts.

(kcus “ugunsgrēka dzēšana”: aktieris (S:) aktiera mērķis (C: “uguns apturēšana”)

P11, P12 pakas (cus: "ugunsdzēšanas līdzekļu meklēšana" R1, "ugunsdzēsības transportlīdzekļi")

K1 atslēga (f: “ugunsdzēšanas līdzekļu izmantošana pilnīgam pamieram”) sekas (P: “pamiers”) sistēmas nosaukums (sys: cus*1))

R1 – esi agrāk

(kcus “dzēšanas līdzekļu meklēšana”: aktieris (S:) aktiera mērķis (C: “ugunsdzēšanas līdzekļu atrašana”)

P121, P22 pakas (cus: “ugunsdzēsības līdzekļu atrašanās vietas koordināšu noteikšana” R1, “pārvietošanās uz dzēšanas līdzekļu atrašanās vietu”)

K2 atslēga (f: “ugunsdzēsības līdzekļu satveršana”) sekas (P: “atrašanās ugunsdzēšanas līdzekļu atrašanās vietā”) sistēmas nosaukums (sys: cus*2))

(kcus “ugunsdzēsības līdzekļu nogādāšana ugunsgrēka vietā”: aktieris (S:) aktiera mērķis (C: “ugunsdzēsības līdzekļu nogādāšana ugunsgrēka vietā”)

P31, P32 pakas (cus: "ugunsdzēsības līdzekļu pieejamība" R1, "ugunsgrēka vietas koordināšu noteikšana")

K3 atslēga (f: “pārvietošanās uz ugunsgrēka vietu”) sekas (P: “ugunsdzēsības līdzekļu atrašana ugunsgrēka vietā”) sistēmas nosaukums (sys: cus*3))

Uz scenārijiem balstīta zināšanu uzlabošana.

Secība:

D = cus: P11 R1 cus: P12 R1 K1 =

P21R1P22R1K2 P31R1P32R1K3

P21R1P22R1K2 R1 P31R1P32R1K3 R1 K1

Telpas nosaka darbības, kas jāveic pirms galvenās darbības un ir nepieciešamas tās darbībai. Izmeklēšana ir pēdējā darbība. Sistēmas nosaukuma skripts.

Zināšanu papildināšana, pamatojoties uz pseidofizikālo loģiku.

P1 – lidmašīnas nolaišanās

P2 – kāpņu padeve

P3 – pasažieri, kas atstāj lidmašīnu

P4 – autobusu piegāde

P5 – ierašanās lidostas terminālī

Teksta struktūru lingvistiskā līmenī attēlo ar šādu formulu:

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

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

P1R3 10,(P2 (P1R1P2

P4R3 2,(P5 (P4R1P5

TS* = P1R1P2& P1R1P3& P2R1P3& P4R1P5

Zināšanu vispārināšanas modeļi un metodes.

Vispārināšana attiecas uz zināšanu iegūšanas procesu, kas izskaidro esošos faktus, kā arī spēju klasificēt, izskaidrot un paredzēt jaunus faktus. Sākotnējos datus attēlo apmācības paraugs. Objektus var iedalīt klasēs. Atkarībā no tā, vai objektu a priori iedalījums klasēs ir norādīts vai nē, vispārināšanas modeļi tiek sadalīti vispārināšanas modeļos pēc paraugiem un klasēm.

(+ = (01+, 02+…0nj+) – pozitīvs paraugs.

Var iestatīt negatīvu paraugu (- = (01-, 02-…0ьj-)

Ir jāatrod noteikums, kas ļauj noteikt, vai objekts pieder klasei Kj vai nē.

Datu vispārināšanas modeļos paraugu attēlo klases objektu kopa. Vispārināšanas metodes iedala vispārināšanas metodēs, kuru pamatā ir raksturlielumi, un strukturāli loģiskās vispārināšanas metodēs.

Z = (z1, z2, …, zr)

Zi = (zi1, zi2, …, zini)

Objektu raksturo pazīmju vērtību kopa Qi = (z1j1, z2j2, …, zrjr).

Strukturāli loģiskās vispārināšanas metodes tiek izmantotas, lai starp strukturāli loģiskajām metodēm atspoguļotu zināšanas par objektiem, kuriem ir iekšēja struktūra. Var izvirzīt divus virzienus: normālā aprēķina induktīvās metodes un vispārināšanas metodes semantiskos tīklos.

Algoritms jēdzienu vispārināšanai, pamatojoties uz pazīmēm.

Noteikumi, lai noteiktu, vai objekti pieder noteiktai klasei, ir attēloti vairākās loģiskās formulās, kuru elementi ir hij un funkcijas ((((((()

Z = (z1, z2) (dzimums, vecums)

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

Z2 = (z21, z22, z23) (jauns, vidējs, vecs)

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

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

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

&i hij - vispārināts konjunktīvs jēdziens

0 = max(xij – 1/(i), kur 0 ir kritērijs, xij ir noteiktas pazīmes vērtības rašanās biežums, (i ir pazīmju skaits.

0 = 3/5 – 1/2 = 0.1

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

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

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

Situācija

Statisks

Dinamisks

Pastāvīgas īpašības un attiecības

valstis

Ilgtspējīgs

Pagaidu

Procesi

(pacients 1, diagnoze, kolīts, K760)
(pacients 1, diagnoze, gastrīts, K740)

students

Nedefinēts objekts

Konkrēts objekts

Materiāls objekts

Nemateriāls objekts

situāciju

telpa

iekārtas

studenti

Administratīvais personāls

skolotājiem

apkalpojošais personāls

absolvējis students

nodaļas vadītājs

Metodists

Profesors

palīgs

laborants

telpa

province

vieta

darbojas

skolotājs

Kafejnīcas nosaukums

aizstāšana

disciplīna

Grupas kods

Zināšanu inženierija ir tehnoloģija ekspertu sistēmu veidošanai. Šim procesam ir nepieciešama īpaša mijiedarbības forma starp ekspertu sistēmas izveidotāju, ko sauc par zināšanu inženieri, un vienu vai vairākiem ekspertiem noteiktā jomā. Zināšanu inženieris “izvelk” no ekspertiem procedūras, stratēģijas un īkšķa noteikumus, ko viņi izmanto problēmu risināšanai, un iekļauj šīs zināšanas ekspertu sistēmā. Viena no sarežģītākajām problēmām, kas rodas, veidojot ekspertu sistēmas, ir eksperta zināšanu un risinājumu meklēšanai izmantoto metožu aprakstu pārveidošana formā, kas ļauj tos attēlot sistēmas zināšanu bāzē un pēc tam efektīvi izmantot to risināšanai. problēmas noteiktā priekšmeta jomā.

Parasti eksperts neizmanto procesuālās vai kvantitatīvās metodes. Tās galvenie līdzekļi ir analoģija, intuīcija un abstrakcija. Bieži vien eksperts pat nevar izskaidrot, kā tieši viņš atrada risinājumu. Zināšanu bāzes veidošana ietver trīs posmus:
- priekšmeta jomas apraksts;
- zināšanu reprezentācijas modeļa izvēle;
- zināšanu apguve.

Pirmais solis zināšanu bāzes veidošanā ir noteikt priekšmetu jomu, kurai ekspertu sistēma ir vērsta uz problēmu risināšanu. Būtībā šis darbs ir saistīts ar inženiera zināšanu noteikšanu par sistēmas piemērošanas jomas robežām un tās atrisināmo problēmu klasi. Šajā gadījumā ir nepieciešams:
- noteikt risināmo uzdevumu raksturu;
- atlasīt priekšmeta apgabala objektus;
- izveidot savienojumus starp objektiem;
- izvēlēties zināšanu reprezentācijas modeli;
- identificēt konkrētās tēmas iezīmes.

Domēna identifikācija ir pirmais solis reālās pasaules abstrahēšanai. Kad mācību joma ir noteikta, zināšanu inženierim tā ir oficiāli jāapraksta. Lai to izdarītu, viņam jāizvēlas zināšanu reprezentācijas modelis. Formāli tam vajadzētu būt modelim, ar kuru jūs varat vislabāk parādīt priekšmeta jomas specifiku.

Zināšanu inženierim vispirms ir pienākums intervēt ekspertu un tikai pēc tam sākt veidot sistēmu. Šajā gadījumā ir jānosaka sistēmas paredzētais mērķis. Šajā gadījumā galvenais mērķis ir sadalīts apakšmērķos.

Nākamajā posmā ir nepieciešams iezīmēt avota datu robežas. Lai izveidotu risinājuma meklēšanas telpu, ir jādefinē apakšmērķi katrā vispārējās problēmas mērķu hierarhijas līmenī. Hierarhijas augšgalā jānovieto uzdevums, kas kopumā atspoguļo sistēmas pamatiespējas un mērķi.

Pēc priekšmetu apgabala objektu identificēšanas ir jānosaka, kādi savienojumi pastāv starp tiem. Jums jācenšas noteikt pēc iespējas vairāk savienojumu.

Rezultātā iegūtais priekšmeta jomas kvalitatīvais apraksts ir jāattēlo ar kādas formālas valodas palīdzību, lai šis apraksts būtu tādā formā, kas ļauj to ievietot sistēmas zināšanu bāzē. Šīs problēmas risināšanai tiek izvēlēts piemērots zināšanu reprezentācijas modelis, ar kura palīdzību var formāli izteikt informāciju par priekšmetu.>

Sistēma ir starpnieks, slēdzot piegādes līgumu.

Zināšanu inženierija ir datorzinātnes joma, kurā tiek veikti pētījumi par zināšanu attēlojumu datoros, to atjaunināšanu un manipulēšanu.

Zināšanu sistēma – sistēma, kuras pamatā ir zināšanas.

SOZ SBZ DBMS ES IS SII - mākslīgā intelekta sistēma.

Uz zināšanām balstītas sistēmas struktūra.

INTERFACE

Zināšanu bāze ir modelis, kas datorā attēlo noteiktā priekšmeta jomā uzkrātās zināšanas. Šīs zināšanas ir jāformalizē. Zināšanas tiek veidotas, izmantojot modeli, un pēc tam attēlotas, izmantojot noteiktu valodu.

Interfeiss nodrošina dialogu lietotājam pazīstamā valodā.

Zināšanu inženierijā bieži tiek izmantotas uz secinājumiem balstītas metodes.

Priekšmeta jomas jēdziens.

Objekts ir kaut kas, kas pastāv vai tiek uztverts kā atsevišķa vienība.

Pamatīpašības: diskrētums; atšķirība.

Konceptuālie līdzekļi priekšmeta jomas aprakstīšanai.

Objektu klases jēdziens.

Objekta jēdziens ir kopu jēdziens. Objekti, kas ir līdzīgi viens otram, tiek apvienoti klasēs. Dažādos laika punktos vienai un tai pašai klasei var atbilst dažādas objektu kopas.

K – objektu klase.

K t – K klases objektu kopa laikā 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 = (…)

Pasniedzēja amats = (profesors, asociētais profesors, vecākais pasniedzējs, lektors, asistents)

1 4 Ģeometriska figūra, kvadrāta forma, zila krāsa.
objektu atribūtu pāris

Objektu identifikācija var būt tieša un netieša. Tiešās līnijas gadījumā izmanto objektu nosaukumus un objektu sērijas numurus; netiešā pamatā ir objekta īpašību izmantošana.

Atribūts var būt sastāvdaļa. Atribūts tiek saprasts kā komponentu īpašība, īpašība vai nosaukums.

(Ģeometriskā figūra:

forma Ģeometriskā forma

krāsa Krāsa)

Atribūta nosaukuma un atribūta vērtību pāri bieži ir vienādi.

Situācijas piemērs:

pasniedzējs pasniedzēja uzvārds,

vieta #_auditorija,

tēma Tēmas_nosaukums,

klausītāja grupas_kods,

diena Nedēļas diena,

laiks Sākuma_laiks)

Situācija – tiek parādīta saikne starp “skolotāju” un “klausītāju” un citas šīs situācijas īpašības.

Situācijas dalībnieku lomas:

Klausītājs

Situācijas raksturojums:

(K: A 1 K 1, A 2 K 2, ..., A n K n) – zināšanu attēlojums kādas struktūras formā.

(datums, diena, mēneša_diena)

(datums, mēnesis, mēneša_nosaukums)

(datums, gads, gads)

(ģeometriskā_figūra, forma, ģeometriskā_forma)

(ģeometriskā_figūra, krāsa, krāsa)

Šis zināšanu attēlojums atbilst zināšanu attēlojumam atsevišķu faktu veidā.

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

Zināšanu attēlojumi par objektiem ir sadalīti:

Objektu klases (datu struktūra)

Zināšanas par konkrētiem objektiem (par datiem)

Objektu klases.

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

Un es ir atribūta nosaukums

To i – objektu klases, ir atribūta vērtība

K – klases nosaukums

(skolotāji:

Pilna vārda uzvārds_ar_iniciāliem,

Pozīcija mācību_pozīcija)

2. (K: A i K i)

(skolotājs, pilns vārds, uzvārds_ar_iniciāliem,

skolotājs, amats mācību_pozīcija)

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

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

(skolotājs (uzvārds_ar_iniciāļiem, mācību_pozīcija),

skolotājs (vārds, amats))

Zināšanu attēlojums pirmajai formai:

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

Zināšanu atribūtīvs attēlojums:

(skolotājs: - pārstāv

Pilns vārds Semenovs - kaut kāda struktūra

Amats docents) - dati

Zināšanu attēlojums otrajai formai:

(K: A i K i) k Î K, k i Î K i

Zināšanu atribūtīvs attēlojums atsevišķu faktu veidā:

(skolotājs 1 , pilns vārds, Semenovs) - 1 , 2 ir saites starp

(skolotājs 1 , amats, asociētais profesors) - fakti

(skolotājs 2 , pilns vārds, Petrovs)

(skolotājs 2 , amats, asistents)

Zināšanu attēlojums trešajai formai:

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

(skolotājs (Semenovs, asociētais profesors) - zināšanu pozicionāls attēlojums

Ja nav atribūtu nosaukumu un paši atribūti ir rakstīti noteiktās pozīcijās, tad tas ir zināšanu pozicionāls attēlojums.

Zināšanu attēlojums “trīskāršu” formā - (objekts, atribūts, vērtība).

Lai attēlotu neprecīzas vērtības, tiek izmantoti ticamības koeficienti - (objekts, atribūts, vērtība, ticamības koeficients).

(pacients 1, diagnoze, kolīts, K760)

0 – atbilst nenoteiktībai.

negatīvā vērtība – pārliecības pakāpe par atribūta vērtības neiespējamību.