ПРОЦЕДУРЫ АВТОМАТИЗАЦИИ ПРИОБРЕТЕНИЯ ЗНАНИЙ
Термин «приобретение знаний» трактуется обычно либо очень широко, включая весь процесс передачи знаний от эксперта к базе знаний экспертной системы ЭС, либо, уже, как способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (причем структура знаний заранее закладывается в программу).
Приобретение знаний для ЭС состоит из трех основных задач:
1. ввод данных или знаний в систему;
2. устранение неточных данных (знаний);
3. выверка или расширение знаний для достижения желаемого уровня работы системы.
Можно выделить три стратегии проведения этапа получения знаний при разработке ЭС:
§ с использованием программ обучения (при наличии выборки примеров принятия решения в предметной области и соответствующего пакета - формирование знаний)
§ без использования ЭВМ, путем непосредственного контакта инженера знаний и источника знаний (извлечение знаний)
§ с использованием ЭВМ (приобретение знаний)
 |
Рис.1
«Извлечение знаний» - процедура взаимодействия эксперта, в результате которой становятся явными процессы рассуждения специалистов при принятии решения и структура их представления о предметной области.
Термин «формирование знаний» закрепился за весьма перспективным направлением в искусственном интеллекте, которое представляет собой процедуру обучения пользователя на основе заложенных в систему примеров.
Под «приобретением знаний» понимают процесс взаимодействия эксперта с автоматизированными системами, которые выполняют процесс взаимодействия эксперта с автоматизированными системами, которые выполняют все три задачи приобретения знаний. При этом взаимодействие с экспертом может осуществляться без посредничества инженера знаний. Это породило тенденцию создавать «диалоговые системы извлечения знаний», когда присутствие инженера по знаниям не обязательно, хотя на самом деле он как бы присутствует явно, т. к. в этих системах уже заложена некоторая разработанная им структура знаний, которая не всегда может совпадать с тем способом, которым эксперт обычно формулирует знания.
Таким образом, мнение о том, что можно разработать ЭС, минуя ручную стадию извлечения знаний, опираясь только на компьютерную программу, можно считать мифом, т. к. ЭС всегда предполагают разработку некоторой структуры знаний, осуществляемую разработчиком системы на предварительном этапе создания базы знаний ЭС.
В оценку современного уровня инструментов приобретения знаний входит:
1. Степень интеллектуальности системы, т. е. способность прикладной программы приобретать знания различных типов, распознавать тип знания по вводу эксперта, оценивать уже приобретенные знаний - на основе этой оценки направлять эксперта на ввод нужной информации.
2. Принцип ограниченности системы приобретения знаний. Т. К. типы знаний всегда фиксируются при разработке инструмента, то эксперт вынужден все свои знания «подгонять» к существующим типам. Современные прикладные программы не являются аналогом «автоматического инженера знаний», они лишь помощники и автоматизируют лишь часть рутинной работы по приобретению знаний фиксированных типов. Часто бывает невозможно описать знания в одной из выделенных систем представления.
3. Степень расхождения в способах представления знаний экспертом и программой. Решение этой проблемы заключается в приобретении возможности общения эксперта с системой на естественном языке (ЕЯ). Важным вопросом при создании систем понимания ЕЯ является разработка развитых способов представления знаний (т. е. определены процессы, связанные с формированием, выделением и обобщением информации). Тексты на ЕЯ - наилучший способ кодирования знаний. Более удачным является когнитивный подход, основанный на моделировании основных принципов организации человеческой памяти и характерных для человека способов рассуждений.
Программные средства для приобретения знаний могут быть разделены на три категории:
A. редакторы и интерфейсы для формирования баз знаний;
B. средства для объяснения различных аспектов работы;
C. средства для модификации баз знаний.
Так, редакторы являются средством, которое облегчает ввод знаний в систему и уменьшает вероятность ошибок. Ни в одной системе, разработанной на сегодняшний день, не удалось избежать тех ошибок, которые могут встретиться при создании или модификации базы знаний.
Сейчас разрабатываются мощные редакторы, которые:
1) обеспечивают удобный для пользователя интерфейс и автоматизируют некоторые регистрационные операции при размещении информации;
2) помогают пользователю избегать орфографических и синтаксических ошибок;
3) выявляют семантические противоречия между только что введенными данными и текущей информацией в базе знаний.
Интерфейсы и редакторы влияют на отношение эксперта к создаваемой системе.
При создании систем автоматизированного формирования знаний следует делать упор на тех типах знаний, которые трудно получить ручным путем.
Рассмотрим некоторые примеры:
Система BEAGIE (Biological Algorithm Generation Logical Expressing)
Это пакет машинных программ для построения правил классификации методом индукции на базе данных. Работает по принципу «естественного отбора», когда правило, которое плохо соответствует данным, отбрасывается с заменой новыми правилами, возникающими в результате объединения подходящих правил. Сами правила являются булевыми выражениями, представленными посредством деревьев. Эта система использовалась в медицине и спорте; работает лучше, чем структурный анализ на основе линейных функций.
По литературе:
1., “Извлечение и структурирование знаний для ЭС” , 1992
2. “ЭС и инструментальные методы формализации знаний”, под ред. , 1989
