Kunskapsteknik och kunskapsinhämtning. Knowledge Engineering Knowledge Representation Models

En ingenjörsdisciplin som handlar om integration av kunskap med datorsystem för att lösa komplexa problem som vanligtvis kräver en hög nivå av mänsklig expertis:

kunskapskonfigurationshantering (redovisning);
förändringshantering (evolution);
logistik (sökning och leverans vid behov).

På hög nivå består den kunskapstekniska processen av två:

Kunskapsutvinning- omvandling av "rå kunskap" till organiserad kunskap, processen att erhålla kunskap från dess källor, som kan vara materiella medier (filer, dokument, böcker) och experter (grupper av experter). Det är en del av Knowledge Engineering.
Implementering av kunskap- omvandling av organiserad kunskap till realiserad, processen att omvandla organiserad kunskap till realiserad.

Knowledge Management Technologies

Följande kunskapshanteringstekniker särskiljs:

arbeta med tyst kunskap(tyst kunskap) i experternas medvetande(oftast är de vad som menas när vi pratar om ”kunskapshantering”). Kognitolog (roll):
- hjälper experten att identifiera och strukturera den kunskap som är nödvändig för driften av expertsystemet, extraherar informell kunskap från experten;
- väljer det intellektuella system som är mest lämpligt för ett givet problemområde, och bestämmer hur kunskap representeras i denna IS;
- väljer och programmerar standardfunktioner som kommer att användas i de regler som experten anger.
arbeta med skriftlig kunskap("knowledge management" sträcker sig till datorer: företags kunskapshantering, Knowledge Management) - betoning på "fulltextsökning", "semantisk sökning", "automatisk anteckning".
1. NLP som datalogisk disciplin ("arbeta efter form"), vågteknik, perceptuella modaliteter, submodaliteter, rumslig markering, kalibrering
2. användning av webb 2.0 (bloggar och wikis)
arbeta med skriftliga formella kunskaper(kunskapsteknik, som också ingår i kunskapshantering, men inte så självsäkert) - betoning på strukturella databaser, ingenjörsmodeller, dataintegration. De flesta teknologier inom kunskapsteknik har följt vägen att implementera det så kallade "semantiska nätverket", Husserl-Wittgenstein-Bunge-metoden att kunskap kan representeras av fakta (och fakta är relationer mellan begrepp). Ur en uppsättning fakta uppstår ett semantiskt nätverk (se recension av John F. Sowa), där kantrelationer förbinder vertexbegrepp. Idén om att lagra och använda kunskap i semantisk form implementerades av många nästan icke-överlappande praktikgemenskaper, vilket resulterade i uppkomsten av ett stort antal implementeringar och standarder där inte ett enda ord är detsamma, men som är ideologiskt och tekniskt kompatibla.
1. Datamodellering + Dataintegration. De används när det är nödvändigt att kombinera data från flera CAD-system från olika leverantörer under byggandet av en stor industrianläggning. Nyckelord: ISO 15926, gellish, ISO 10303. Istället för ordet "ontologi" säger de "datamodell". : praktiskt taget inga, alla datafrågor. Alla kämpar med kunskap hand-to-hand. Ingen grafik, helt XML, proprietära lagringsformat Datascheman i varje enskilt CAD-system. På senare tid har det dykt upp andra lösningar som syftar till att integrera heterogen data, till exempel från CYC och (baserat på den standardiserade UMBEL-ontologin, uttryck i RDF och ge tillgång till data via HTTP, se). ISO 15926-7-projekt kommer ner på samma sak: en viss ontologi + semantiska webbstandarder.
2. Konceptkarta() Används för (ofta samverkande via webben) pedagogiskt och kreativt arbete. Nyckelformat (alla i XML): XCT 3.0, men redo att äta Topic Map, och mycket mer för redigering och visning. Verktyg för kunskapshantering: grafisk visning, som kombinerar nätverk som ritades av två deltagare i den kreativa processen. En nära släkting är MindMap, där det inte finns någon graf alls, utan ett vackert ritat träd, och kopplingarna är namnlösa.
3. Konceptuella grafer Används för akademiska studier inom artificiell intelligens, expertsystem, agentsystem och andra klassiker inom genren. De förlitar sig på filosofen och logikern Pierces arbete ("intelligent indexering"), nyckelpersonen är John F. Sowa. Nyckelformat för att lagra kunskap: tre syntaxer, den huvudsakliga är CGIF (XML). Verktyg för kunskapshantering: Common Logic (eller ISO ISO/IEC IS 24707:2007, ).
4. Ämneskarta De kommer att användas för Knowledge Management-initiativ - och de kom från katalogiserare (bibliografer). Stora fans av standardisering (se), men har tappat fokus (de dras obönhörligen till allmän datamodellering, där de förlorar till Semantic Web-metoder). Nyckelformat för att lagra kunskap: ISO 13250, XTM 2.0, HyTM. Verktyg för kunskapshantering: topic map engine används (dussin alternativ), eftersom TMAPI 2.0 är standardiserat. Dessutom har en speciell standard för att specificera begränsningar för ämneskartor - ISO/IEC FCD 19756 (TMCL) - nått mållinjen, och Topic Map Query Language (ISO 18048-projektet) verkar ha stannat.

17.2. Praktiska kunskapsextraktionsmetoder

17.3. Strukturera kunskap

Det centrala problemet med att skapa intelligent informationsteknik är den adekvata representationen av en specialists kunskap i datorns minne. Detta ledde till utvecklingen av en ny riktning inom datavetenskap - kunskapsteknik, där förhållandet mellan mänsklig kunskap och dess formaliserade (informations)visning i en dator bestäms. Kunskapsteknik studerar och utvecklar frågeställningar relaterade till inhämtande av kunskap, dess analys och formalisering för vidare implementering i ett intelligent system.

Syftet med kapitlet– ge en översikt över de huvudsakliga teoretiska aspekterna av kunskapsteknik och introducera några praktiska metoder för att arbeta som kunskapsingenjörer.

Efter att ha studerat detta kapitel bör du veta:

Tillvägagångssätt för att skaffa kunskap vid utveckling av expertsystem

Teoretiska problem som uppstår vid kunskapsinhämtning

Funktioner av psykologiska och språkliga faktorer som måste beaktas av en kunskapsingenjör

Kunskapsfilosofins inflytande på en kunskapsingenjörs arbete

Kunskapsingenjörens metoder vid arbete med en kunskapskälla

Kunskapsutvinningsmetoder

Kärnan i expertspel

Metoder för att utvinna kunskap ur texter

Strukturera den inhämtade kunskapen

Bildande av ämnesområdets konceptuella och funktionella struktur

Hur formaliseras kunskap och en kunskapsbas?

17.1. Teoretiska aspekter av att inhämta kunskap

Strategier för att skaffa kunskap

Psykologisk aspekt

Språklig aspekt

Epistemologisk aspekt

STRATEGIER FÖR ATT SKAPA KUNSKAP

Det finns flera strategier för att skaffa kunskap. Den vanligaste:

förvärv;

extraktion;

bildning.

Under inhämtning av kunskap förstår metoden för automatiserad uppbyggnad av en kunskapsbas genom en dialog mellan en expert och ett specialprogram (i detta fall är kunskapens struktur förinbyggd i programmet). Denna strategi kräver betydande förstudier av ämnesområdet. Kunskapsinhämtningssystem skaffar sig faktiskt färdiga kunskaper i enlighet med de strukturer som systemutvecklarna fastställt. De flesta av dessa verktyg är specifikt inriktade på specifika expertsystem med ett strikt definierat ämnesområde och kunskapsrepresentationsmodell, d.v.s. är inte universella. Till exempel är TEIRESIAS-systemet, som blev stamfadern till alla verktyg för att förvärva kunskap, avsett att fylla på kunskapsbasen för MYCIN-systemet eller dess dotterbolag, byggt på EMYCIN-"skalet" inom området medicinsk diagnostik med hjälp av en produktion modell representation kunskap.

Termin kunskapsutvinning avser direkt direktkontakt mellan kunskapsingenjören och kunskapskällan. Författarna tenderar att använda denna term som en mer rymlig och mer exakt uttrycksfull betydelse av proceduren för att överföra kompetensen hos en expert genom en kunskapsingenjör till kunskapsbasen i ett expertsystem.

Termin formuläruppkunskapsinhämtning har traditionellt sett hänförts till det extremt lovande och aktivt utvecklande området kunskapsteknik, som handlar om utveckling av modeller, metoder och algoritmer för dataanalys för kunskapsinhämtning och lärande. Detta område inkluderar induktiva modeller för att generera hypoteser från träningsprover, inlärning genom analogi och andra metoder.

Således kan vi urskilja tre strategier för att genomföra kunskapsinhämtningsstadiet i utvecklingen av expertsystem (Fig. 17.1).

Ris. 17.1. Tre strategier för att få kunskap

Vid det nuvarande utvecklingsstadiet av expertsystem i vårt land är strategin för kunskapsutvinning tydligen den mest relevanta, eftersom det praktiskt taget inte finns några industriella system för att förvärva och forma kunskap på den inhemska mjukvarumarknaden.

Kunskapsutvinning– detta är ett förfarande för interaktion mellan en expert och en kunskapskälla, vilket gör att specialisternas resonemangsprocess när de fattar ett beslut och strukturen på deras idéer om ämnesområdet blir tydlig.

För närvarande noterar de flesta utvecklare av expertsystem att processen för kunskapsutvinning fortfarande är den största flaskhalsen i konstruktionen av industriella system.

Processen för kunskapsutvinning är en lång och arbetskrävande procedur där en kunskapsingenjör, beväpnad med specialkunskaper inom kognitiv psykologi, systemanalys, matematisk logik, etc., behöver återskapa en modell av ämnesområdet som experter använder för att göra beslut. Ofta ställer nybörjarutvecklare av expertsystem, som vill undvika denna smärtsamma procedur, frågan: kan en expert utvinna kunskap från sig själv? Av många anledningar är detta oönskat.

För det första är det mesta av en experts kunskap resultatet av många lager, stadier av erfarenhet. Och ofta veta det från A skall I, experten inser inte att hans resonemangskedja var mycket längre, till exempel MED D, D  A, A I, eller A F, F  R, R  B.

För det andra, som de gamla visste (kom ihåg Platons "Dialoger"), är tänkandet dialogiskt. Och därför är dialogen mellan en kunskapsingenjör och en expert den mest naturliga formen för att "linda upp" expertens minnes labyrinter, där kunskap lagras, delvis av icke-verbal natur, d.v.s. uttryckt inte i form av ord, i form av visuella bilder, till exempel. Det är i färd med att förklara för kunskapsingenjören som experten sätter tydliga verbala etiketter på dessa suddiga associativa bilder, d.v.s. verbaliserar kunskap.

För det tredje är det mycket svårare för en expert att skapa en modell av ämnesområdet på grund av djupet och storheten hos den information han besitter. Många orsak-och-verkan-relationer för ett verkligt ämnesområde bildar ett komplext system, från vilket isolering av "skelettet", eller huvudstrukturen, ibland är mer tillgänglig för en analytiker som också äger en systematisk metodik: Vilken modell som helst är en förenkling, och det är lättare att förenkla med mindre kunskap om detaljerna.

För att förstå karaktären av kunskapsutvinning lyfter vi fram tre huvudaspekter av denna procedur (Fig. 17.2): psykologisk, språklig, epistemologisk, som beskrivs i detalj i.

Ris. 17.2. Nyckelaspekter av kunskapsinhämtning

PSYKOLOGISK ASPEKT

Kommunikationsmodell för kunskapsinhämtning

Av de tre identifierade aspekterna av kunskapsutvinning psykologiskär tydligen det viktigaste, eftersom det bestämmer framgången och effektiviteten i interaktionen mellan en kunskapsingenjör (analytiker) och huvudkällan till kunskap - en professionell expert. Vi lyfter också fram den psykologiska aspekten eftersom kunskapsutvinning oftast sker i processen för direkt kommunikation mellan systemutvecklare.

Viljan och förmågan att kommunicera kan prägla graden av professionalism hos en kunskapsingenjör.

Det är känt att informationsförlusterna vid samtalskommunikation är stora (fig. 17.3). I detta avseende kommer vi att överväga problemet med att öka informationsinnehållet i kommunikationen mellan en analytiker och en expert genom användning av psykologisk kunskap.

Ris. 17.3. Förlust av information under kommunikation

Vi kan föreslå följande strukturella kommunikationsmodell när vi utvinner kunskap:

kommunikationsdeltagare (partners);

kommunikationsmedel (förfarande);

ämne för kommunikation (kunskap).

I enlighet med denna struktur kommer vi att lyfta fram tre ”lager” av psykologiska problem som uppstår när man utvinner kunskap (Fig. 17.4), och överväga dem sekventiellt.

Ris. 17.4. Strukturen av den psykologiska aspekten av kunskapsutvinning

kontaktskikt

Nästan alla psykologer noterar att varje kollektiv process påverkas av atmosfären som uppstår i gruppen av deltagare. Det finns experiment vars resultat onekligen visar att den vänliga atmosfären i ett team har större inflytande på resultatet än de individuella förmågorna hos enskilda gruppmedlemmar. Det är särskilt viktigt att utvecklingsteamet utvecklar samarbetsrelationer snarare än konkurrenskraftiga relationer. Samarbete kännetecknas av en atmosfär av samarbete, ömsesidig hjälp, intresse för varandras framgångar, d.v.s. nivå av moralisk kommunikation, och för konkurrenskraftiga relationer – en atmosfär av individualism och interpersonell rivalitet (lägre kommunikationsnivå).

Tyvärr är det omöjligt att förutsäga kompatibilitet i kommunikation med 100% garanti. Det är dock möjligt att identifiera ett antal personlighetsdrag, karaktär och andra egenskaper hos deltagarna i kommunikationen, vilket utan tvekan påverkar effektiviteten av proceduren. Kunskap om dessa psykologiska mönster är en del av den psykologiska kultur som en kunskapsingenjör måste ha för att framgångsrikt genomföra kunskapsutvinningsstadiet:

välvilja och vänlighet;

sinne för humor;

bra minne och uppmärksamhet;

observation;

fantasi och lättpåverkan;

större koncentration och uthållighet;

sällskaplighet och påhittighet;

analyticitet;

attraktivt utseende och sätt att klä sig;

självförtroende.

Procedurlager

En kunskapsingenjör som framgångsrikt har bemästrat vetenskapen om tillit och kontakt med en expert (kontaktskiktet) måste fortfarande kunna dra fördel av de gynnsamma effekterna av denna atmosfär. Procedurlagrets problem rör själva kunskapsutvinningsförfarandet. Här krävs lite insikt och charm för att lösa problemet med kontakt.

Låt oss uppehålla oss vid de allmänna principerna för förfarandet.

Ett samtal med en expert genomförs bäst i ett litet tête-à-tête-rum. Belysning, värme, komfort påverkar ditt humör direkt. Te eller kaffe skapar en vänlig atmosfär. Den amerikanska psykologen I. Atwater anser att det mest gynnsamma avståndet för affärskommunikation är från 1,2 till 3 m. Det minsta "bekväma" avståndet kan anses vara 0,7 - 0,8 m.

Att rekonstruera ditt eget resonemang är inte lätt arbete, och därför överstiger varaktigheten av en session vanligtvis inte 1,5 - 2 timmar. Det är bättre att välja dessa två timmar under den första halvan av dagen (till exempel från 10 till 12). klocka). Det är känt att ömsesidig trötthet hos partners under ett samtal vanligtvis uppstår efter 20 - 25 minuter, så pauser behövs i sessionen.

Varje kunskapsingenjör har sitt eget unika sätt att tala. Vissa talar snabbt, andra talar långsamt; vissa är högljudda, andra är tysta osv. Det är nästan omöjligt att ändra konversationsstilen - den är ingrodd i en person i tidig barndom. Men kunskapsutvinning är ett professionellt samtal, och dess framgång påverkas också av längden på de fraser som kunskapsingenjören talar.

Detta faktum fastställdes av amerikanska forskare - lingvisten Ingve och psykologen Miller. Det visade sig att en person bäst uppfattar meningar med ett djup (eller längd) på 7 plus eller minus 2 ord. Detta nummer (7+2) kallas för Yngve-Miller-numret. Det kan betraktas som ett mått på talets "vardaglighet".

Ingen tvivlar på behovet av att fixa proceduren för att utvinna kunskap. Frågan uppstår: i vilken form ska detta göras? Det finns tre sätt att registrera resultat:

inspelning på papper direkt under samtalet (nackdelar - detta stör ofta samtalet, dessutom är det svårt att hinna skriva ner allt, även om du har stenografisk kompetens);

bandinspelning, som hjälper analytikern att analysera hela sessionens gång och hans misstag (nackdel - det kan hämma experten);

memorering följt av inspelning efter samtalet (nackdel - endast lämplig för analytiker med ett lysande minne).

Kognitivt lager

Kognitiv psykologi (eng. kognition) studerar de mekanismer genom vilka en person förstår världen omkring honom.

Låt oss ge några råd till kunskapsingenjören utifrån kognitiv psykologi:

ålägg inte experten den representationsmodell som är mer förståelig och naturlig för honom (analytikern);

använda olika metoder för att arbeta med en expert baserat på villkoret att metoden ska närma sig experten som en "nyckel till ett lås";

tydligt förstå syftet med extraktionsförfarandet eller dess huvudstrategi, vilket kan definieras som att identifiera huvudkoncepten för ämnesområdet och de relationer som förbinder dem;

ritar oftare diagram som återspeglar expertens resonemang. Detta beror på den bildliga representationen av information i mänskligt minne.

Materialet som presenteras ovan är nära besläktat med grunderna i psykologisk kultur, vilket inkluderar förståelse och kunskap om sig själv och andra människor; adekvat självkänsla och bedömning av andra människor; självreglering av mentalt tillstånd. Det är lättare att bemästra denna kultur med hjälp av specialister - psykologer, psykoterapeuter, men du kan göra det själv med hjälp av böcker, åtminstone populära, till exempel. Att behärska grunderna för att agera och delta i specialklasser i sociopsykologisk videoträning bidrar dessutom till att framgångsrikt övervinna psykologiska misslyckanden.

Sammanfattningsvis, här är ett antal traditionella psykologiska misslyckanden hos en nybörjaranalytiker:

brist på kontakt mellan experten och kunskapsingenjören (på grund av de psykologiska egenskaperna hos den ena eller den andra; fel i proceduren; förekomsten av en "fasad"-effekt, det vill säga expertens önskan att "visa upp sig");

bristande förståelse (på grund av "projektionseffekten", dvs. överföra analytikerns syn på expertens åsikter; eller "order"-effekten, d.v.s. fokusera uppmärksamheten främst på det som uttrycks först, etc.);

låg effektivitet av samtal (svag motivation hos experten, d.v.s. bristande intresse; eller dålig konversationstakt; eller olämplig form av frågor; eller otillfredsställande svar från experten).

SPRÅKLIG ASPEK

Den språkliga aspektens struktur

Eftersom kommunikationsprocessen mellan en kunskapsingenjör och en expert är språklig kommunikation, låt oss överväga språklig aspekt kunskapsteknik. Låt oss lyfta fram tre lager av språkliga problem som är viktiga för ingenjörskunskapen (Fig. 17.5).

Ris. 17.5. Struktur för den språkliga aspekten av kunskapsinhämtning

Problem med delad kod

De flesta psykologer och lingvister tror att språket är det huvudsakliga sättet att tänka, tillsammans med andra teckensystem för "inre användning". Språken som pratas och tänker av analytikern och experten kan skilja sig avsevärt.

Så vi är intresserade av två språk - analytikerspråk, som består av tre komponenter:

termer av ämnesområdet, som han lärde sig från specialiserad litteratur under förberedelseperioden;

allmän vetenskaplig terminologi från hans "teoretiska bagage";

vardagligt talat språk som används av analytikern;

och språk expert bestående:

från särskild terminologi som antagits inom ämnesområdet;

allmän vetenskaplig terminologi; vardagligt språk;

neologismer skapade av experten under hans arbete (hans professionella jargong).

Om vi antar att de vardagliga och allmänna vetenskapliga språken för de två kommunikationsdeltagarna ungefär sammanfaller, kommer något gemensamt språk, eller kod, som partnerna behöver utveckla för framgångsrik interaktion, att bestå av flödena som presenteras i Fig. 17.6. Därefter omvandlas denna allmänna kod till ett visst konceptuellt (semantiskt) nätverk, som är en prototyp av ämnesområdets kunskapsfält.

Ris. 17.6. Schema för att få en gemensam kod

Utvecklingen av en gemensam kod börjar med att analytikern skriver ner alla termer som experten använder och klargör deras innebörd. I själva verket är detta sammanställningen av en ordbok över ämnesområdet. Detta följs av gruppering av termer och urval av synonymer (ord som betyder samma sak). Utvecklingen av en gemensam kod slutar med sammanställningen av en ordbok över ämnesområdestermer med en preliminär gruppering av dem efter betydelse, d.v.s. genom konceptuell närhet (detta är det första steget i att strukturera kunskap).

Ris. 17.7 ger en uppfattning om tvetydigheten i tolkningen av termer av två specialister. Inom semiotik, vetenskapen om teckensystem, är tolkningsproblemet ett av de centrala. Tolkning kopplar samman "tecknet" och det "betecknade objektet". Endast genom tolkning får ett tecken betydelse. Så i fig. 17.7 orden "enhet X" för en expert betyder någon specifik krets som motsvarar kretsen för den ursprungliga enheten, men i huvudet på en nybörjaranalytiker frammanar orden "enhet X" en tom bild eller någon form av "svart låda" med handtag.

Ris. 17.7. Tvetydighet i tolkningsproblemet

Konceptuell struktur

De flesta experter inom artificiell intelligens och kognitiv psykologi tror att huvuddraget i naturlig intelligens och minne i synnerhet är kopplingen av alla begrepp till ett nätverk. För att utveckla en kunskapsbas behöver du därför inte en ordbok, utan ett uppslagsverk där alla termer förklaras i ordboksposter med länkar till andra termer.

Det språkliga arbetet för en kunskapsingenjör vid ett givet problemlager är alltså att konstruera sådana relaterade fragment genom att "sy" termer. Med analytikerns och expertens noggranna arbete börjar en hierarki av begrepp uppstå i begreppsstrukturer, vilket i allmänhet överensstämmer med resultaten av kognitiv psykologi.

Begreppshierarkiär ett globalt schema som kan ligga till grund för en konceptuell analys av kunskapsstrukturen för vilket ämnesområde som helst.

Det bör betonas att arbetet med att sammanställa en ordbok och begreppsstruktur kräver språklig "känsla", enkel manipulation av termer och ett rikt ordförråd för en kunskapsingenjör, eftersom analytikern ofta tvingas att självständigt utveckla en ordbok med funktioner. Ju rikare och mer uttrycksfull den delade koden, desto mer komplett kunskapsbas.

Analytikern tvingas ständigt komma ihåg svårigheten att förmedla bilder och idéer i verbal form. Ofta måste en kunskapsingenjör föreslå ord och uttryck för en expert.

Användarordbok

Språkliga resultat, korrelerade med lager av gemensam kod och begreppsstruktur, syftar till att skapa en adekvat kunskapsbas. Vi bör dock inte glömma att slutanvändarens professionella nivå kanske inte tillåter honom att använda det domänspecifika språket fullt ut. För att utveckla ett användargränssnitt krävs ytterligare förfining av den gemensamma kodordboken, anpassad för systemets tillgänglighet och "transparens".

Sammanfattningsvis listar vi de karakteristiska språkliga misslyckanden som väntar på en nybörjare:

talar olika språk (på grund av kunskapsingenjörens dåliga utbildning);

bristande överensstämmelse med sammanhang och otillräcklig tolkning av termer (på grund av bristande feedback, dvs. kunskapsingenjörens för självständigt arbete);

brist på skillnader mellan den allmänna koden och användarens språk (skillnader i expertens och användarens kunskapsnivå tas inte med i beräkningen).

GNOSEOLOGISK ASPEKT

Kärnan i den epistemologiska aspekten

Epistemologiär en gren av filosofin förknippad med kunskapsteorin, eller teorin om reflektion av verkligheten i mänskligt medvetande.

Kunskapsteknik som vetenskap är så att säga dubbelt epistemologisk - verkligheten (O) återspeglas först i expertens medvetande (M 1), och sedan tolkas expertens aktiviteter och erfarenhet av kunskapsingenjörens medvetande (M 2), som redan ligger till grund för konstruktionen av de tredje tolkningarna (P z) – expertsystemets kunskapsfält (Fig. 17.8). Kognitionsprocessen syftar huvudsakligen till att skapa en intern representation av omvärlden i det mänskliga sinnet.

Ris. 17.8. Epistemologisk aspekt av kunskapsutvinning

I processen för kunskapsextraktion är analytikern främst intresserad av kunskapskomponenten som är förknippad med den icke-kanoniska individuella kunskapen hos experter, eftersom ämnesområden med denna typ av kunskap anses vara mest mottagliga för implementering av expertsystem. Dessa områden brukar kallas empiriska, eftersom de har samlat på sig en stor volym av individuella empiriska fakta och observationer, medan deras teoretiska generalisering är en framtidsfråga.

Kunskap är alltid förknippat med skapandet av nya koncept och teorier. Det är intressant att ofta en expert genererar ny kunskap "i farten", direkt i samband med ett samtal med en analytiker. Sådan generering av kunskap kan också vara användbar för experten själv, som fram till det ögonblicket kanske inte varit medveten om ett antal samband och mönster inom ämnesområdet. Analytikern, som är "barnmorskan" vid födelsen av ny kunskap, kan här få hjälp av systemmetodologins verktyg, som tillåter användningen av välkända principer för logiken för vetenskaplig forskning och vetenskapens begreppshierarki. Denna metodik tvingar honom att se det allmänna bakom det särskilda, d.v.s. bygga kedjor:

FAKTA  GENERALISERADE FAKTA  EMPIRISK RÄTT  TEORETISK RÄTT

Kunskapsingenjören når inte alltid den sista länken i denna kedja, men själva lusten att flytta kan vara extremt fruktbar. Detta tillvägagångssätt är helt förenligt med själva kunskapens struktur, som har två nivåer:

empiriska (observationer, fenomen);

teoretiska (lagar, abstraktioner, generaliseringar).

Kriterier för vetenskaplig kunskap

Teori är inte bara ett sammanhängande system för att generalisera vetenskaplig kunskap, det är också ett visst sätt att producera ny kunskap. De huvudsakliga metodologiska kriterierna för vetenskaplig karaktär, som tillåter oss att betrakta både ny kunskap i sig och metoden för att erhålla den vetenskaplig, är:

intern konsekvens och konsekvens;

konsistens;

objektivitet;

historicism.

Intern konsistens. Vid första anblicken fungerar detta kriterium helt enkelt inte i empiriska områden: i dem stämmer ofta inte fakta med varandra, definitioner är motsägelsefulla, diffusa, etc. En analytiker som känner till den empiriska kunskapens egenheter, dess modalitet, inkonsekvens och ofullständighet, måste jämna ut dessa "råheter" i empirin.

Kunskapens modalitet innebär möjligheten till dess existens i olika kategorier, d.v.s. i konstruktionerna av existens och skyldighet. Således är vissa av mönstren möjliga, andra är obligatoriska osv. Dessutom måste vi skilja mellan sådana nyanser av modalitet som: experten vet att...; experten tycker att...; experten vill...; experten tror att...

Möjlig inkonsekvens empirisk kunskap är en naturlig följd av dialektikens grundläggande lagar, och dessa motsättningar bör inte alltid lösas inom kunskapsområdet, utan tvärtom är det motsättningarna som oftast tjänar som utgångspunkt i experternas resonemang.

Ofullständighet kunskap är förknippat med omöjligheten av en fullständig beskrivning av ämnesområdet. Analytikerns uppgift är att begränsa denna ofullständighet till en viss ram av "fullständighet", dvs. begränsa ämnesområdets gränser, eller införa ett antal begränsningar och antaganden som förenklar problemet.

Systematik. Det systemstrukturella förhållningssättet till kunskap (som går tillbaka till Hegel) orienterar analytikern att betrakta vilket ämnesområde som helst utifrån den systemiska helhetens lagar och samspelet mellan dess beståndsdelar. Modern strukturalism kommer från en hierarkisk flernivåorganisation av vilket objekt som helst, dvs. alla processer och fenomen kan betraktas som många mindre delmängder (funktioner, detaljer) och omvänt kan (och bör) alla objekt betraktas som element i högre klasser av generaliseringar.

Objektivitet. Kognitionsprocessen är djupt subjektiv, d.v.s. det beror i huvudsak på egenskaperna hos det vetande subjektet självt. Subjektiviteten börjar med beskrivningen av fakta och ökar i takt med att idealiseringen av objekt fördjupas.

Följaktligen är det mer korrekt att tala om förståelsens djup än om kunskapens objektivitet. Förståelse är medskapande, processen att tolka ett objekt ur subjektets synvinkel. Detta är en komplex och tvetydig process som äger rum i djupet av mänskligt medvetande och kräver mobilisering av alla intellektuella och känslomässiga förmågor hos en person. Analytikern bör fokusera alla sina ansträngningar på att förstå problemet. Psykologi bekräftar det faktum att människor som snabbt och framgångsrikt löser intellektuella problem lägger större delen av sin tid på att förstå det, medan de som snabbt börjar leta efter en lösning oftast inte kan hitta den.

Historicism. Detta kriterium är relaterat till utveckling. Kunskap om nuet är kunskap om det förflutna som födde det. Och även om de flesta expertsystem ger en "horisontell" del av kunskap - utan att ta hänsyn till tid (i statik), måste en kunskapsingenjör alltid överväga processer som tar hänsyn till tidsförändringar - både sambandet med det förflutna och sambandet med framtiden. Exempelvis måste kunskapsfältets och kunskapsbasens struktur möjliggöra justering och korrigering både under utvecklingsperioden och under driften av expertsystemet.

Kognitionsstruktur

Efter att ha undersökt huvudkriterierna för kunskapens vetenskapliga natur, kommer vi nu att försöka beskriva dess struktur. Den metodologiska strukturen för kognition kan presenteras som en sekvens av stadier (fig. 17.9), som vi kommer att betrakta ur en kunskapsingenjörs perspektiv.

Beskrivning och syntes av fakta. Detta är som den "torra återstoden" av samtal mellan en analytiker och en expert. Noggrannhet och fullständighet i att föra register under utvinningsprocessen och punktliga "läxor" på dem är nyckeln till ett produktivt första steg av kognition.

I praktiken visar det sig vara svårt att hålla sig till de ovan beskrivna principerna om objektivitet och konsekvens. Oftast, i detta skede, samlas fakta helt enkelt och, så att säga, kastas i en "gemensam påse"; En erfaren kunskapsingenjör försöker ofta omedelbart hitta en "hylla" eller "låda" för varje fakta, och förbereder sig därmed implicit för konceptualiseringsstadiet.

Ris. 17.9. Kognitionsstruktur

Etablera kopplingar och mönster. I expertens huvud etableras kopplingar, om än ofta implicit; Ingenjörens uppgift är att identifiera ramarna för expertens slutsatser. När man rekonstruerar en experts resonemang kan en kunskapsingenjör förlita sig på de två mest populära teorierna om tänkande - logisk och associativ. Samtidigt, om den logiska teorin, tack vare sina ivriga beundrare i form av matematiker, citeras flitigt och utnyttjas på alla möjliga sätt i verk om artificiell intelligens, så är den andra, associativa teorin, mindre känd och populär, även om den har också gamla rötter. Skönheten och harmonin i logisk teori bör inte skymma det sorgliga faktum att människor sällan tänker i termer av matematisk logik.

Associativ teori representerar tänkande som en kedja av idéer kopplade till gemensamma begrepp. Huvudfunktionerna för sådant tänkande är föreningar som förvärvats på grundval av olika kopplingar; återkalla tidigare erfarenheter; försök och misstag med tillfällig framgång; vanemässiga ("automatiska") reaktioner osv.

Konstruktion av en idealiserad modell. För att bygga en modell som speglar ämnets förståelse av ämnesområdet behövs ett specialiserat språk med vilket man kan beskriva och konstruera de idealiserade modeller av världen som uppstår i tankeprocessen. Detta språk skapas gradvis med hjälp av den kategoriska apparat som antagits inom motsvarande ämnesområde, såväl som formella symboliska medel för matematik och logik. För empiriska ämnesområden är ett sådant språk ännu inte utvecklat och kunskapsområdet, som analytikern kommer att beskriva på ett semi-formaliserat sätt, kan vara första steget mot att skapa ett sådant språk.

Förklaring och förutsägelse av modeller. Detta slutskede av kunskapsstrukturen är samtidigt ett delkriterium för sanningen i den förvärvade kunskapen. Om det identifierade expertkunskapssystemet är komplett och objektivt, är det på grundval av det möjligt att göra förutsägelser och förklara vilka fenomen som helst från ett givet ämnesområde. Vanligtvis lider kunskapsbaser för expertsystem av fragmentering och modularitet (orelaterade) av komponenter. Allt detta tillåter oss inte att skapa verkligt intelligenta system som, precis som människor, kan förutsäga nya mönster och förklara fall som inte uttryckligen anges i databasen. Undantaget här är kunskapsgenereringssystem som är fokuserade på att generera ny kunskap och "förutsägelse".

Sammanfattningsvis listar vi de vanligaste misslyckandena i samband med epistemologiska problem inom kunskapsteknik (delvis från):

skraplig, fragmenterad kunskap (på grund av brott mot principen om konsekvens eller fel vid val av fokus för uppmärksamhet);

inkonsekvens av kunskap (på grund av naturens och samhällets naturliga inkonsekvens, ofullständighet i den utvunna kunskapen, inkompetens hos experten);

felklassificering (på grund av felaktig bestämning av antalet klasser eller felaktig beskrivning av klassen);

felaktig generaliseringsnivå (på grund av överdriven detalj eller generalisering av objektklasser).

Systemet är en mellanhand som sluter ett leveransavtal.

Kunskapsteknik är ett område inom datavetenskap inom vilket det bedrivs forskning om representation av kunskap i datorer, att hålla den aktuell och manipulera den.

Kunskapssystem - ett system baserat på kunskap.

SOZ SBZ DBMS ES IS SII - artificiell intelligenssystem.

Uppbyggnad av ett kunskapsbaserat system.

KB-mekanism för att få en lösning

GRÄNSSNITT

En kunskapsbas är en modell som i en dator representerar den kunskap som samlats inom ett visst ämnesområde. Denna kunskap måste formaliseras.
Kunskaper formas med hjälp av en modell och representeras sedan med ett specifikt språk.

Kunskap om specifika objekt och regler lyfts vanligtvis fram i en kunskapsbas. Dessa regler exekveras som en mekanism för att erhålla lösningar för att härleda nya från de ursprungliga fakta.

Gränssnittet ger dialog på ett språk som är bekant för användaren.

Inferensbaserade metoder används ofta inom kunskapsteknik.

Begreppet ämnesområde.

Ett objekt är något som existerar eller uppfattas som en separat enhet.

Grundläggande egenskaper: diskrethet; skillnad.

Vid kunskapspresentation används ett pragmatiskt förhållningssätt, d.v.s. de egenskaper hos objektet som är viktiga för att lösa de problem som det skapade systemet kommer att lösa markeras. Därför hanterar ett kunskapsbaserat system saker som är abstrakta enheter. Objektet fungerar som en bärare av vissa egenskaper hos objektet. Ämnesområdets tillstånd kan förändras över tiden. Vid varje ögonblick i tiden kännetecknas ämnesområdets tillstånd av en uppsättning objekt och samband. Ämnesområdets tillstånd präglas av en situation.

Konceptuella medel för att beskriva ämnesområdet.

Den konceptuella modellen speglar de mest allmänna egenskaperna. För att ge en detaljerad beskrivning behövs språk. De karaktäristiska särdragen hos konceptuella medel för att beskriva ett ämnesområde är abstraktion och universalitet. De kan användas för att beskriva vilket ämnesområde som helst.

Konceptet med en objektklass.

Begreppet objekt är begreppet uppsättningar. Objekt som liknar varandra kombineras till klasser. Vid olika tidpunkter kan olika uppsättningar objekt motsvara samma klass.

K – objektklass.

Kt – uppsättning objekt av klass K vid tidpunkten t.

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

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

(t Кt = ( … )

Lärartjänst = (professor, docent, universitetslektor, adjunkt, assistent)

1 4 Geometrisk figur, fyrkantig form, blå färg.

(К: А1 К1, А2К2, …, АnКn) namn attribut namn på klasser av objektklasser attributpar

Identifiering av objekt kan vara direkt och indirekt. I fallet med en direkt linje används namn på objekt och serienummer på objekt; indirekt baseras på användningen av objektegenskaper.

Ett attribut kan vara en komponent. Ett attribut förstås som en egenskap, egenskap eller namn på komponenter.

(Geometrisk form: form Geometrisk form färg Färg)

Attributnamn och attributvärdepar är ofta desamma.

Exempel på situation:

(Föreläsning: föreläsare Föreläsarens efternamn, plats Antal publik, ämne Ämnestitel, lyssnare Gruppkod, dag Veckodag, tid Starttid)

Situation – sambandet mellan "lärare" och "lyssnare" och andra egenskaper hos denna situation visas.

Deltagarnas roller i situationen:

Lyssnare

Egenskaper för situationen:

(K: А1К1, А2К2, …, АnКn) – representation av kunskap i form av någon struktur.

(datum, dag, dag_i-månad)

(datum, månad, månadsnamn)

(datum, år, år)

(geometrisk_figur, form, geometrisk_form)

(geometrisk_figur, färg, färg)

Denna representation av kunskap motsvarar representationen av kunskap i form av individuella fakta.

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

Representationer av kunskap om objekt är indelade i:

objektklasser (datastruktur)

kunskap om specifika objekt (om data)

Objektklasser.

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

Аi – attributnamn

Ki – objektklasser, är attributvärdet

K – klassnamn

(lärare:

Fullständigt namn efternamn_med_initialer,

Position undervisningsposition)

(lärare, fullständigt namn, efternamn_med_initialer, lärare, lärartjänst)

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

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

(lärare (efternamn_med_initialer, lärarställning), lärare (fullständigt namn, tjänst))

Kunskapsrepresentation för den första formen:

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

Attributiv representation av kunskap:

(lärare: - representerar

Fullständigt namn Semenov - någon struktur

Befattning biträdande professor) - data

Kunskapsrepresentation för den andra formen:

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

Attributiv representation av kunskap i form av individuella fakta:

(lärare1, fullständigt namn, Semenov) - 1, 2 är länkar mellan

(lärare1, tjänst, docent) - fakta

(lärare2, fullständigt namn, Petrov)

(lärare2, tjänst, assistent)

Kunskapsrepresentation för den tredje formen:

K (K1, K2, … , Kn)

(lärare (Semenov, docent) - positionsrepresentation av kunskap

Om det inte finns några attributnamn och själva attributen är skrivna på vissa positioner, så är detta en positionsrepresentation av kunskap.

Representation av kunskap i form av "trippel" - (objekt, attribut, värde).

För att representera felaktiga värden används konfidenskoefficienter - (objekt, attribut, värde, konfidenskoefficient).

0 – motsvarar osäkerhet. negativt värde – graden av förtroende för attributvärdets omöjlighet.

(patient 1, diagnos, gastrit, K740)

* (patient, fullständigt namn, Antonov, diagnos kolit K760, gastrit K740)

En representation av kunskap om en objektklass kallas minimal om, när ett av attributen tas bort, den återstående uppsättningen av attribut upphör att vara en representation av denna objektklass.

Leasing (lease_objekt, hyresgäst, uthyrare, hyresperiod, avgift).

Om du tar bort "lease_term" får du ett köp och försäljning, och om du tar bort
”rent_term” och ”fee”, då får du en gåva.

Representation av kunskap i en relationsdatabas.

Relationsdatabas – data lagras i ett positionsformat.

Data lagras i form av en tabell, där tabellnamnet är namnet på klassen.
Varje klass motsvarar en tabell eller databasfil. Klassnamn är namnet på motsvarande tabell. Attributnamn – motsvarande tabellfält
(kolumn). Tabellrader är databasposter. Posten motsvarar en post i positionsformat.
|A1 |A2 | . . .|En |
| | |. . | |
|K1 |K2 | . . .|Кn |
| | |. . | |

Lärare

Konceptet med ett attribut i en positionsdatabas är bevarat.

Posten K (A1,A2, ..., An) kallas en relation mellan attribut. Denna terminologi används i en relationsdatabas. Idén med data i en relationsdatabas är baserad på begreppet en "nyckel".

En nyckel är en uppsättning relationsattribut vars värde unikt identifierar en post i en fil.

Lägenhet

| stad|gata |hus |byggnad|lägenhet|område |antal rum|
|Moskva |Tverskaya |2 |1 |47 |60 |2 |
|Moskva |Tverskaya |2 |1 |54 |50 |1 |

I det här fallet kommer nyckeln att bestå av flera fält.

Ki sup Kj är en underklass av klassen sup underklass; underklass sup klass.

Ki är en underklass till Kj if (t Ki t (Kj t

(Om klassen Ki någon gång är en underklass till Kj)

Npr – nätverksklassificering.

Nätverksklassificering presenteras som en hierarkisk struktur.

Student sup student.

Ki del av Kj - är en del av Ki del Kj

Ki är en del av Kj om ett visst objekt av klass Ki är en del av ett unikt definierat objekt Kj.

Attityd av tillhörighet. k isa K - är ett element

Ki ius K - är en komponent

Innebär att ett objekt av klass K består av objekt av klass K1, K2, ...,
Kn, och ett objekt av klass K kan innefatta flera objekt av klass Ki.

Föreläsning nr 4.

Egenskaper hos relationer.

Partiella ordningsrelationer har egenskapen transitivitet.

Ki sup Kj Kj sup Km

Ki del Kj Kj del Km

Om ett element är en komponent i ett block och blocket är sammansatt...

Det finns inga cykler i medlemsdiagrammet.

K1 ins K2, K2 ins K3,...,Kn-1 ins Kj

Det är inte sant att Kn ins K1

Moskva är en stad

Stad sup Ort

Moskva är en ort

Operationer på klasser av objekt.

Genom att använda operationer på objektklasser kan du definiera en ny objektklass

Ki uppsättning block, till exempel TV-apparater

Materialföremål är indelade i tre klasser

Skick (Lokal (Utrustning = Materialobjekt

Person (Rum = Person (Utrustning = Rum (
Utrustning =?

Placering av objektklasser

Person (efternamn, förnamn, patonymnamn, födelseår, kön)

Kön=(man, kvinna)

Man, kvinna = mänskligt kön

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

KK5 – Klassfördelning efter K5-klass.

Föreningen av alla dessa klasser är människan.

Man?Kvinna=Människa

Man?Kvinna=?

(Kunskaper i främmande språk

Kunnig person

Ämne främmande_språk)

Som ett resultat av uppdelningen får vi klasser av människor som kan ett främmande språk.

Det konceptuella diagrammet för ett ämnesområde är en uppsättning klasser av objekt, relationer och operationer definierade på det.

Mallbeskrivningar av tillståndet för ämnesområdet:

Klass K genomför disciplinklasser i grupp i on in.

Ivanov I.I. genomför klasser i TOE-disciplinen i grupp IT-1-98 på måndag på 4:e paret i G-301.

(klasser: lärare Lärare disciplin Discipline_name group Group_code day Week_day time Parnummer plats Publik)

Konceptuella modeller av ett ämnesområde - ett konceptuellt diagram tillsammans med en uppsättning påståenden byggda enligt en ändlig uppsättning mallar.

Entitets- och relationsdiagram (ER-diagram)

Entitetsrelationsdiagram

Väsen

Entitets- och relationsattribut

N lärare arbetar på 1 avdelning. "*" är lärarens tecken - du kan hitta avdelningen.

Kommunikationsverb eller objekt

Attribut – adjektiv, täljare, dimensioner, handlingsplats

Ladda schema

Logiska system (modeller), baserade på ett enda exempel på leverans av varor till en butik.

Logiska modeller för kunskapsrepresentation.

Beskrivning av ämnesområdet i ett av de logiska programmeringsspråken, baserat på predikatkalkyl.

Språk för multipel predikatkalkyl av första ordningen. Flera 1:a ordningens logik.

Så här skriver du det här språket:

Begreppet en sort motsvarar begreppet klasser av objekt.

Många varianter av S

På setet är de specificerade av funktioner. f-funktionsnamn;

typer av argument;
B – typ av funktionsvärde.
Z – signatur är den högsta nivån av kunskapsrepresentation i logiska modeller.

Predikat -
T=(0;1)

ljuga sant
- konstant av sort B

Låt oss titta på bearbetningen av delar i produktionen som exempel.
2-varv;
1-fräsning;

S=(Part, Machine, Operation, Part_type, Machine_type, Time)
1) barn: Operation Detail; f A1 B
2) st: Drift (Maskin;
3) start: Drift (Tid
4) con: Operation (Tid
5) part_type: Part (Part_type
6) typ_st: Maskin (typ av maskin
7) 0: (Tid

T: (Tid
8) shaft_shaft: (Part_type shaft_place: (Part_type
9) fräsar: (Machine_type current: (Machine_type
10) cutter_face: operation T current_rev: operation T
11) +: Tid*Tid Tid
12): Tid*Tid T

Kunskap om specifika objekt
(lägre nivå av kunskapsrepresentation) på språket för multipel predikatkalkyl kallas en struktur integrerad signatur
1) signatur
2) Integrationsstruktur. Signaturer.
3) För varje sortnamn skapas många objekt av denna sort.
Del = (del 1, del 2, del 3, del 4)
Maskin = (st.1, st.2, st.3)
Operation =(oper1,oper2,oper3,oper4,oper5,oper6,oper7,oper8)
Part_type = (skaft_skaft, skaft_plats)
Machine_type = (ström, fräsar)
Tid = (1,2,…,t)

Föreningen av alla uppsättningar är universum.
Varje funktion och predikat från strukturen i systemet motsvarar många faktorer.
1) barn(operation.1)=barn1 barn(operation2)=barn1 barn(operation3)=barn2

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

…………………
3) start(operation.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) typ_st. (st.1)=nuvarande typ_st. (st.2)=aktuell typ_st. (st.3) = fräsar
………………….
10) cutter_face (oper1) current_rev (oper2) cutter_face (oper3)
|drift|del |maskin |början |slut |kvarn_slut|aktuell_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 |

|Del|Typ_detalj |
|Det.1 |St_shaft |
|Det.2 |St_val |
|Det.3 |Val_place|
|Det.4 |Val_place|

|Maskin|Typ_st |
|St.1 |Aktuellt. |
|Art.2 |Aktuellt. |
|St.3 |Fr. |

3) Komponent: Logiska formler

Regler för att konstruera formler: a) en konstant av sort A är en term av sort A b) en variabel som tar ett värde från sort A är en term av sort A c) om signaturen innehåller en funktion - konstruerade slags termer respektive, då
- det finns en term av sort B d) om signaturen innehåller ett predikat -
,termer av byggda sorter
, det vill säga en atom. e) om - termer av samma slag, då uttrycket, det vill säga en atom e) En atom är en korrekt konstruerad formel (PPF) En variabel som ingår i en atom är fri i denna atom. g) om den konstruerade formeln fritt inkluderar variabler x av typ A, då uttrycken:

Det är också en PPF, variabeln "x" är bunden (i nya filer) h) om formler redan har konstruerats, är , också en PPF
Exempel:
1) Representation Kunskap b => oper2 utförd på en svarv type_st(st(oper2))=ncurrent
2) Opera 2 är klar på stopp 1 på st 1 start 5 slut 12
3)

Föreläsning 8 11/12/99.

Upplösningsmetod

Upplösningsmetoden bevisar ogenomförbarhet.
För att använda denna metod är det nödvändigt att konvertera den ursprungliga formeln till DNF.
DNF:
- disjunktion av bokstäverna pii - atom eller negation av en atom.
Då representeras DNF som en uppsättning klausuler
I upplösningsmetoden finns en slutledningsregel
Som ett resultat får vi från 2 satser en ny, kallad ruoventa
– vi får en tom klausul, som alltid är falsk.
Om en uppsättning innehåller en tom sats är den otillfredsställande.
Resultatet är en tom klausul, som bevisar att denna uppsättning är otillfredsställande.
Upplösningsmetoden tillämpas tills en tom klausul erhålls.
m,n – konst
substitution istället för en konstant variabel – enande.
I det här fallet utför vi substitutionen (n/y):
Från (1) och (2) => a(x)c(x,n) (5)
Från (3) och (5), utför substitutionen (m/n) => c(m,n) (6)
Från (4) och (6) utan substitutioner => 0

Principen för resolutioner i Prolog
Prolog använder chordiska satser, d.v.s. satser som innehåller en bokstav utan negation.
Till exempel
=>

konjunktion utan negation

Disjunkter som inte innehåller bokstäver alls kan användas. – detta är målsatsen i prologen: ? – a a: - b,c,d. b: - e,f. c. e. f.
?-a a(1) a(2) a(3)
|Steg nr. |Mål |Initial |upplösning|
| |. disjunct | |
|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 |

Representation av programmet i form av en graf a: - b;c b: - d,e c: - g,f. e: - i,h g: - h,j d. f. h.
?-a
"," - Och
";" - eller
Konstruktionen av grafen börjar med målsatsen.
Grafen visar vilka och hur många lösningar det aktuella problemet har.

Två lösningar på problemet

Produktionsmodell för kunskapsrepresentation.
Grunden för denna modell är produktionsregler, som har följande form
- produktionsregel >:=
Om då [CD=]

Exempel:
Regel 5
Om kön=kvinna

Och tillägg=liten

Och vikt=65 år_eller_mer
Då relativ_vikt = variabel
Konfidensfaktorn bestäms av siffran 0-100

Regel 27
IF prospekt=utmärkt

Och risk=hög
TO faktor=0 CD=10
Generellt sett kan premissen vara ett logiskt uttryck.
Om premissen är sann, så är slutsatsen sann, d.v.s. slutsatsen kan indikera någon handling som utförs om premissen är sann
::[AI...I]
::== objekt, attribut, värde, konfidensfaktor - representation av kunskap i form av en fyra
::==
:==CD=
Samma föremål kan ha olika betydelser.
Objekt med flera värden är objekt som kan ha flera giltiga värden.
Om ett objekt inte deklareras som flervärdigt så kan det ha flera värden, då behöver de inte vara tillförlitliga, d.v.s. CD = 100

För objekt, värdet som begärs från användaren.
Vilket tillägg?
1. Liten
2. Genomsnittliga tillåtna värden
3. Stor

Vad är åldern
1. mindre än 25
2. från 25 till 55
3. fler än 55
Konfidensfaktor för paketet=min(Kdusl)

Fakta erhållet som ett resultat av att uppfylla regeln prospekt = utmärkt AC = 50 risk = hög AC = 70 faktor = 0

Grundläggande struktur för produktionsmodellen för kunskapsrepresentation

Inledande data

Resultat

Slutsatser slutar när måltoppen har nåtts, eller det finns inga tillämpliga regler kvar och målet inte uppnås.

Omvända slutsatser - utförs från topp till botten (med slutsatser orienterade mot målet)

P 1 P2 P3 P4
P5

C 4 C5 C6 C7 C8

|№ |Mål|Konflikt |Uppfyllelse|Delmål|Fakta|
|steg| |set | | | |
| | |regler |regler | | |
|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 |
| | | | | | |

Mål – “duration” – målet specificeras av objektets namn.
Den jämförs med reglernas slutsats och regeln med slutsatsen väljs
, som innehåller namnet på objektet. Vi väljer en regel som innehåller målobjektet, vi bildar en hypotes

I processen bekräftas eller vederläggs hypotesen. Slutsatser fortsätter tills man antingen är bekräftad eller alla möjliga hypoteser har uttömts.
Färre kontroller används pga en regel har flera villkor och en slutsats.

Dubbelriktade utgångar.

Först görs direkta slutsatser baserat på en liten mängd data, som ett resultat bildas en hypotes för att bekräfta eller motbevisa andra slutsatser.
För att kontrollera reglernas villkor används en regelaktiveringsapparat, som vid varje steg väljer de regler där villkoren kontrolleras.
Villkor ska också användas. Regelmässigt urskiljs enskilda regler och sedan generella.
Allmänna regler – regler för tillämplighetsvillkor. Tillämpningsomfång.

Generaliserad struktur för en produktionsregel.
(i); Q; P; A; =B; N
(i)– regelnamn:
Q – Regelns tillämpningsområde;
P – villkor för regelns tillämplighet (logiskt villkor)
A=>B – kärnregel, där A är premissen och B är slutsatsen;
N – uppsättningsvillkoret bestämmer de åtgärder som utförs om kärnan exekveras.
P – om sant är kärnan i regeln aktiverad.

Ram – en datastruktur för att representera en stereotyp situation
(k: A1K1, A2K2, …., AnKn)
(till: A1k1, A2k2,….,An kn)
(filnamn: plats1 namn (plats1 värde) plats2 namn (plats2 värde)

……………………………….. plats n namn (plats n värde))
Protoframe – kunskap om en klass av objekt.
En ram – en instans – erhålls från en protoram genom att fylla luckorna med specifika värden.
Ramstrukturen inkluderar vanligtvis systemluckor. Slotssystemet inkluderar:
Vi definierar luckor som en frameparent, en lucka som pekar på de direkta barnen till en ram.

Som ett system av slots: slots som innehåller information om skaparen av programmet och dess modifiering.
Strukturen inkluderar:
- arvsindikator;
- Datatypindikator;
- demoner osv.

FMS-SPRÅK (FMS).
Arvspekare kan vara:
U – unik – unik
S – samma- några
R – område – gränsindikator;
0 – åsidosätt – ignorera

U – i ramar på olika nivåer med samma namn kommer att vara olika.
S – platser för att ärva värden från slots på högre nivå med samma namn

Värdet på den nedre ekvationen måste ligga inom gränserna för det värde som definieras i den övre ekvationen.

R
Mänsklig

Om värdet inte anges ärvs det från den översta ekvationsluckan, och om det anges ignoreras arvet.

Föreläsning 11 12/3/99

Kombination av nätverks- och rammodeller i OPS-5 kunskapsrepresentationssystem
Detta språk har produktionsregler och databaser
::=({| }+)

()+ - Kan upprepas flera gånger
::=((värde))
::= |
(Ämnesklass syra

namn

Färg: färglös)
(Ordning av uppgifter: Källa, Läckor Stängsel)
Vad är reglerna:
::=(P)
::={}+
::= | -
::= | |
::=((värde>)+) |

# (Uppgiftsordning)

([{ }+])
# (Ämne)
Mönstret indikerar inte nödvändigtvis alla attribut för en given klass, dvs. vi kan skriva ner
(Ämnesklass syra

Namn) dvs. variabel syra -sak kommer att få värde
::= ({ >}+)
Värdet från motsvarande attribut för minnesarbetselementet måste matcha ett av elementen som anges i detta ark, minst ett.
Dessa betydelser anges i specifika ord.
# (Ämnesklass syra

Färg)
::= ({{{}+}}+)
Värdelistan kan också anges som begränsningar
# (Motorkraft (100 200))

(Motorkraft 160)
:={}+
::=(gör | ta bort | (modif
{} +)

# (P-koordinat _a

(måltillstånd aktivt

namnkoordinat)
Om målet kan koordinera och ordningen på uppgifterna inte är definierad, skapa

(Ordning av uppgifter) –>
(gör måltillståndet aktivt

Namnbeställningsuppgifter)
(modif1 vänteläge))

Strategin för att lösa problem bygger på en tydlig målsättning
Prestanda
1. jämförelse med minneselement som resulterar i bildandet av en motstridig uppsättning regler
2. Val av regler från konfliktuppsättningen
3. Utföra de åtgärder som anges i avslutningen av reglerna
Verkställer tills målet är uppnått.

Inhämtning av kunskap

Extrahera kunskap från en källa, omvandla den till den form som krävs och överföra den till kunskapsbasen i ett intelligent system.

Kunskapen är uppdelad i:
- objektifierad;
- subjektivt
Objektifierad - kunskap presenterad i externa källor - böcker, tidskrifter, forskningsarbete.
- formaterad, dvs. presenteras i form av lagar, formler, modeller, algoritmer.
Subjektiv - kunskap som är expert och empirisk presenteras inte i extern form.
En experts kunskap är informell, den består av många heuristiska tekniker och regler, den tillåter en att hitta metoder för att lösa problem och lägga fram hypoteser som kan bekräftas eller vederläggas.
Kunskap kan erhållas i processen att observera vilket objekt som helst.
Arbetssätt för en kunskapsingenjör och konsult i färd med att förvärva kunskap.
1. protokollanalys
- resonemang spelas in högt i processen att lösa problem.
O.S. protokoll upprättas och analyseras
2. Intervju - en dialog förs med experimentet, som syftar till att skaffa kunskap.
3. Spelsimulering av professionell aktivitet.

Intervjumetoder.
1. Hacka i steg identifierar samband som tillåter konstruktion av hierarkiska strukturer
2. Repertoarnät 3-koncept föreslås och det krävs att man nämner skillnaden mellan det 2:a begreppet och det 3:e. Experten erbjuds ett par koncept och är skyldig att namnge gemensamma egenskaper => bilda klasser.

En konitologs arbetsmetod för att bilda ett kunskapsfält
Inkluderar 2 steg
1. förberedande
1.1. Tydlig förberedelse av problemet som systemet ska lösa
2. Vi presenterar Konit för Litova
3. Urval av experter
4. Presentera experter till kopian
5. Att introducera experten till en populär teknik för artificiell intelligens
6. Bildande av ett kunskapsfält från en kopia
2. Huvudscenen
1. pumpa kunskapsfältet i läget
2. lagarbete av kosmetologen - analys av protokollet, identifiering av samband mellan begrepp, förberedelse av frågor till experten
3. Pumpa upp kunskapsfältet - uppgiften att ställa frågor till en expert
4. Formalisering av det konceptuella problemet.
5. Kontroll av modellens fullständighet
Om modellen är ofullständig används den andra approximationen.

Föreläsning 12 10.12. 99.

Luddiga uppsättningar
– produkttjocklek liten medelstor

grad

10 15 40 produkttjocklek
- fuzzy set x - universal set
x - bildar en uppsättning par A
- kallas medlemskapsfunktionen för ett fuzzy set.
Medlemskapsfunktionsvärdena för ett specifikt element X kallas

Grad av tillhörighet

Bärare av ett suddigt set
Ett normalt fuzzy set är ett set för vilket

Luddigt set
X - universalsats
X - bildar en uppsättning av par A
: - kallas medlemskapsfunktionen för ett fuzzy set.
Värdet på medlemskapsfunktionen för ett visst element X kallas graden av medlemskap
- bärare av ett fuzzy set
&
Ett normalt fuzzy set är ett set för varje

Om vi reducerar till normal form => måste vi dividera alla dess värden med
.

Låt medlemskapsfunktionen ges av ett heltal från 10 till 40
Definiera begreppet liten tjocklek på en produkt.

| | | | | | | | x x

10 11 12 13 14 15 16 17 18
18

Operationer på fuzzy set

1. Union av fuzzy set

2. Skärning mellan luddiga uppsättningar

3. Komplettering av en luddig uppsättning

Början av föreläsningarna 12 och 13.

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

(A1 x(A2 x … x(An = ()

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

(A x(B = (,
, }
5. Att höja ett fuzzy set till en makt.

(A2 = kon((A) - koncentration

(A0.5 = dil((A) – stretching

Metoder för att bestämma medlemsfunktionen.

Lite mer än 2. Från 0 till 5.
|x |0 |1 |2 |3 |4 |5 |
|n1 |- |- |- |10|8 |4 |
|n2 |10|10|10|- |2 |6 |

(A = n1 / (n1 + n2)

Rankningsmetod.

Luddig variabel.

(- namnet på den suddiga variabeln x – området för dess definition

(A är betydelsen, den fuzzy uppsättningen bestämmer semantiken för den fuzzy variabeln

Språklig variabel.

(- namnet på den språkliga variabeln

T – grundläggande termuppsättning – bildar namnen på fuzzy variabler
(sällan, ibland, ofta), som är språkliga variabler

X – bärare av språkliga betydelser – definitionsdomän

G – syntaktisk procedur

M – semantisk procedur

Syntaktisk procedur i form av grammatiska termer, vars symboler utgör termer från fastställda termer (och, eller, inte), typmodifierare
(mycket, lite, inte, etc.)

(- frekvens

T = (sällan, ibland, ofta)

Ofta

Sådana termer, tillsammans med de ursprungliga, bildar en derivata av termerna för uppsättningen.

Semantiska procedurer gör det möjligt att skriva om termo-fuzzy semantik.

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

((1, x1, (A1)

((2, x2, (A2)

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

M(mycket() = con((A)

M(lätt() = dil((A)

Scenario.

Det är en klass av rammodeller för kunskapsrepresentation, där kunskap om sekvensen av handlingar och händelser som är typiska för ämnesområdet presenteras i en generaliserad och strukturell form. Låt oss överväga en stereotyp - ett orsaksscenario - det bestämmer sekvensen av åtgärder som är nödvändiga för att uppnå mål detta är en rammodell.

(kcus namn: plats1 namn(plats1 värde); slot2namn(plats2 värde);

... platsnamn n(platsvärde n))

(kcus aktör mål aktör premiss nyckelkonsekvens systemnamn)

Premissen anger vilka åtgärder som måste utföras innan nyckelåtgärden för att den ska få effekt. Konsekvensen är den sista åtgärden. Systemnamnet är skript.

(kcus "brandbekämpning": skådespelare (S:) skådespelarens mål (C: "stoppa elden")

P11, P12 paket (cus: "sök efter släckmedel" R1, "släckningsfordon")

K1-nyckel (f: "användning av släckmedel för en fullständig vapenvila") konsekvens (P: "vapenvila") systemnamn (sys: cus*1))

R1 – var tidigare

(kcus "sök efter släckmedel": aktör (S:) skådespelarens mål (C: "hitta släckmedel")

P121, P22 paket (cus: "bestämma koordinaterna för platsen för släckmedel" R1, "flytta till platsen för släckningsmedlet")

K2-nyckel (f: "gripa tag i släckmedlen") konsekvens (P: "befinna sig på platsen för släckmedlen") systemnamn (sys: cus*2))

(kcus "transport av släckmedel till brandplatsen": aktör (S:) mål för aktören (C: "leverans av släckmedel till brandplatsen")

P31, P32 paket (cus: "tillgänglighet av släckmedel" R1, "bestämma koordinaterna för brandplatsen")

K3-nyckel (f: "förflyttning till brandplatsen") konsekvens (P: "hitta släckmedel på brandplatsen") systemnamn (sys: cus*3))

Scenariobaserad kunskapsförbättring.

Sekvensering:

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

P21R1P22R1K2 P31R1P32R1K3

P21R1P22R1K2 R1 P31R1P32R1K3 R1 K1

Premisser definierar de åtgärder som måste utföras före nyckelåtgärden och som är nödvändiga för dess åtgärd. Utredningen är den sista åtgärden. Systemnamnskript.

Påfyllning av kunskap baserad på pseudofysiska logiker.

P1 – flygplanslandning

P2 – stegtillförsel

P3 – passagerare som lämnar planet

P4 – bussleverans

P5 – ankomst till flygplatsterminalen

Textens struktur på språklig nivå representeras av följande formel:

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

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

P1R3 10,(P2 (P1R1P2

P4R3 2,(P5 (P4R1P5

TS* = P1R1P2& P1R1P3& P2R1P3& P4R1P5

Modeller och metoder för kunskapsgeneralisering.

Generalisering avser processen att erhålla kunskap som förklarar befintliga fakta, samt förmågan att klassificera, förklara och förutsäga nya fakta. De initiala uppgifterna representeras av ett träningsprov. Objekt kan delas in i klasser. Beroende på om a priori uppdelningar av objekt i klasser är specificerade eller inte, delas generaliseringsmodeller in i generaliseringsmodeller genom stickprov och klasser.

(+ = (01+, 02+…0nj+) – positivt prov.

Ett negativt prov kan ställas in (- = (01-, 02-…0ьj-)

Det krävs att man hittar en regel som låter dig avgöra om ett objekt tillhör klassen Kj eller inte.

I datageneraliseringsmodeller representeras ett urval av en uppsättning klassobjekt. Generaliseringsmetoder är indelade i generaliseringsmetoder baserade på egenskaper och strukturell-logiska generaliseringsmetoder.

Z = (z1, z2, …, zr)

Zi = (zi1, zi2, …, zini)

Ett objekt kännetecknas av en uppsättning funktionsvärden Qi = (z1j1, z2j2, …, zrjr).

Strukturell-logiska generaliseringsmetoder används för att representera kunskap om objekt som har en intern struktur bland strukturell-logiska metoder. Två riktningar kan anföras: induktiva metoder för normalkalkyl och generaliseringsmetoder på semantiska nätverk.

Algoritm för att generalisera begrepp utifrån egenskaper.

Reglerna för att avgöra om objekt tillhör en viss klass representeras i ett antal logiska formler vars element är hij och funktioner ((((((((

Z = (z1, z2) (kön, ålder)

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

Z2 = (z21, z22, z23) (ung, medel, gammal)

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

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

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

&i hij - generaliserat konjunktivbegrepp

0 = max(xij – 1/(i), där 0 är ett kriterium, xij är frekvensen av förekomsten av ett visst värde av en egenskap, (i är antalet funktioner.

0 = 3/5 – 1/2 = 0.1

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

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

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

Situation

Statisk

Dynamisk

Konstanta egenskaper och relationer

stater

Hållbar

Temporär

Processer

(patient 1, diagnos, kolit, K760)
(patient 1, diagnos, gastrit, K740)

studerande

Odefinierat objekt

Specifikt objekt

Materiellt föremål

Immateriella föremål

situation

Plats

rum

Utrustning

studenter

administrativ personal

lärare

servicepersonal

doktorand

avdelningschef

Metodist

Professor

assistent

laboratorieassistent

Plats

provins

lokalitet

Arbetar

lärare

Kafénamn

utbyte

disciplin

Gruppkod

Kunskapsteknik är en teknik för att bygga expertsystem. Denna process kräver en speciell form av interaktion mellan skaparen av expertsystemet, kallad kunskapsingenjör, och en eller flera experter inom ett visst ämnesområde. En kunskapsingenjör "extrakterar" från experter de procedurer, strategier och tumregler de använder för att lösa problem och bäddar in denna kunskap i ett expertsystem. Ett av de svåraste problemen som uppstår när man skapar expertsystem är omvandlingen av expertens kunskap och beskrivningar av de metoder han använder för att hitta lösningar till en form som gör att de kan presenteras i systemets kunskapsbas, och sedan effektivt användas för att lösa problem inom ett visst ämnesområde.

Vanligtvis använder experten inte förfaranden eller kvantitativa metoder. Dess huvudsakliga medel är analogi, intuition och abstraktion. Ofta kan experten inte ens förklara hur exakt han hittade lösningen. Att bygga en kunskapsbas omfattar tre steg:
- beskrivning av ämnesområdet;
- val av modell för kunskapsrepresentation;
- inhämtning av kunskap.

Det första steget i att bygga en kunskapsbas är att identifiera det ämnesområde för vilket expertsystemet är inriktat på att lösa problem. I huvudsak handlar detta arbete om att avgränsa ingenjörens kunskap om gränserna för systemets tillämpningsområde och den klass av problem som det löser. I det här fallet är det nödvändigt:
- bestämma arten av de uppgifter som ska lösas;
- välj objekt i ämnesområdet;
- upprätta kopplingar mellan objekt;
- Välj en modell för kunskapsrepresentation;
- identifiera särdrag i ämnesområdet.

Domänidentifiering är det första steget i att abstrahera den verkliga världen. När ett ämnesområde har identifierats ska kunskapsingenjören formellt beskriva det. För att göra detta måste han välja en kunskapsrepresentationsmodell. Formellt bör detta vara en modell med vilken du bäst kan visa detaljerna i ämnesområdet.

Kunskapsingenjören är först och främst skyldig att intervjua experten och först därefter börja bygga systemet. I det här fallet är det nödvändigt att bestämma det avsedda syftet med systemet. I det här fallet är huvudmålet uppdelat i delmål.

I nästa steg är det nödvändigt att beskriva gränserna för källdata. För att bygga ett sökutrymme för en lösning är det nödvändigt att definiera delmål på varje nivå i hierarkin av mål för det allmänna problemet. Överst i hierarkin bör placeras en uppgift som i sin generella karaktär återspeglar systemets grundläggande förmågor och syfte.

Efter att ha identifierat föremålen i ämnesområdet är det nödvändigt att fastställa vilka kopplingar som finns mellan dem. Du bör sträva efter att identifiera så många samband som möjligt.

Den resulterande kvalitativa beskrivningen av ämnesområdet måste representeras med hjälp av något formellt språk för att få denna beskrivning till en form som gör att den kan placeras i systemets kunskapsbas. För att lösa detta problem väljs en lämplig kunskapsrepresentationsmodell, med hjälp av vilken information om ämnesområdet kan uttryckas formellt.>

Systemet är en mellanhand som sluter ett leveransavtal.

Kunskapsteknik är ett område inom datavetenskap inom vilket det bedrivs forskning om representation av kunskap i datorer, att hålla den aktuell och manipulera den.

Kunskapssystem - ett system baserat på kunskap.

SOZ SBZ DBMS ES IS SII - artificiell intelligenssystem.

Uppbyggnad av ett kunskapsbaserat system.

GRÄNSSNITT

En kunskapsbas är en modell som i en dator representerar den kunskap som samlats inom ett visst ämnesområde. Denna kunskap måste formaliseras. Kunskaper formas med hjälp av en modell och representeras sedan med ett specifikt språk.

Kunskap om specifika objekt och regler lyfts vanligtvis fram i en kunskapsbas. Dessa regler exekveras som en mekanism för att erhålla lösningar för att härleda nya från de ursprungliga fakta.

Gränssnittet ger dialog på ett språk som är bekant för användaren.

Inferensbaserade metoder används ofta inom kunskapsteknik.

Begreppet ämnesområde.

Ett objekt är något som existerar eller uppfattas som en separat enhet.

Grundläggande egenskaper: diskrethet; skillnad.

Konceptuella medel för att beskriva ämnesområdet.

Konceptet med en objektklass.

Begreppet objekt är begreppet uppsättningar. Objekt som liknar varandra kombineras till klasser. Vid olika tidpunkter kan olika uppsättningar objekt motsvara samma klass.

K – objektklass.

K t – uppsättning objekt av klass K vid tidpunkten t.

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

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

" t K t = ( … )

Lärartjänst = (professor, docent, universitetslektor, adjunkt, assistent)

1 4 Geometrisk figur, fyrkantig form, blå färg.
objekts attributpar

Identifiering av objekt kan vara direkt och indirekt. I fallet med en direkt linje används namn på objekt och serienummer på objekt; indirekt baseras på användningen av objektegenskaper.

Ett attribut kan vara en komponent. Ett attribut förstås som en egenskap, egenskap eller namn på komponenter.

(Geometrisk figur:

form Geometrisk form

färg Färg)

Attributnamn och attributvärdepar är ofta desamma.

Exempel på situation:

föreläsarens efternamn på föreläsaren,

plats #_publik,

ämne Ämnesnamn,

lyssnargrupp_kod,

dag Veckodag,

tid Start_tid)

Situation – sambandet mellan "lärare" och "lyssnare" och andra egenskaper hos denna situation visas.

Deltagarnas roller i situationen:

Lyssnare

Egenskaper för situationen:

(K: A 1 K 1, A 2 K 2, ..., A n K n) – representation av kunskap i form av någon struktur.

(datum, dag, dag_i-månad)

(datum, månad, månadsnamn)

(datum, år, år)

(geometrisk_figur, form, geometrisk_form)

(geometrisk_figur, färg, färg)

Denna representation av kunskap motsvarar representationen av kunskap i form av individuella fakta.

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

Representationer av kunskap om objekt är indelade i:

Objektklasser (datastruktur)

Kunskap om specifika objekt (om data)

Objektklasser.

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

Och i är attributnamnet

Till i – objektklasser, är attributvärdet

K – klassnamn

(lärare:

Fullständigt namn efternamn_med_initialer,

Position undervisningsposition)

2. (K: A i K i)

(lärare, fullständigt namn, efternamn_med_initialer,

lärare, position lärarposition)

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

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

(lärare (efternamn_med_initialer, lärarställning),

lärare (namn, befattning))

Kunskapsrepresentation för den första formen:

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

Attributiv representation av kunskap:

(lärare: - representerar

Fullständigt namn Semenov - någon struktur

Befattning biträdande professor) - data

Kunskapsrepresentation för den andra formen:

(K: A i K i) k Î K, k i Î K i

Attributiv representation av kunskap i form av individuella fakta:

(lärare 1 , fullständigt namn, Semenov) - 1 , 2 är länkar mellan

(lärare 1 , tjänst, docent) - fakta

(lärare 2 , fullständigt namn, Petrov)

(lärare 2 , befattning, assistent)

Kunskapsrepresentation för den tredje formen:

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

(lärare (Semenov, docent) - positionsrepresentation av kunskap

Om det inte finns några attributnamn och själva attributen är skrivna på vissa positioner, så är detta en positionsrepresentation av kunskap.

Representation av kunskap i form av "trippel" - (objekt, attribut, värde).

För att representera felaktiga värden används konfidenskoefficienter - (objekt, attribut, värde, konfidenskoefficient).

(patient 1, diagnos, kolit, K760)

0 – motsvarar osäkerhet.

negativt värde – graden av förtroende för attributvärdets omöjlighet.