13. Стратегии получения знаний. Теоретические аспекты извлечения знаний. Стратегии получения знаний.

Процесс получения знаний, т.е. передача знаний эксперта в БЗ экспертной системы является ключевым вопросом формирования поля знаний.

Стратегии формирования знаний:

1) Приобретение знаний (Knowledge, Aquisition). Эксперт вводит знания в БЗ ЭС с помощью специальной программы, жестко задающей структуры данных в соответствии с моделью представления знаний, заложенных в ЭС.

2) Извлечение знаний (Extraction).

3) Установление знаний (Elicitation).

В двух последних стратегиях происходит взаимодействие эксперта и инженера по знаниям.

Извлечение знаний является самым сложным вопросом в разработке ЭС.

Основные проблемы, возникающие при извлечении знаний:

1 – Упрощение представлений инженера по знаниям уровня знаний эксперта.

2 – Неудачно выбранный метод извлечения знаний, не соответствующий структуре данной предметной области.

3 – Неправильно выбранный язык представления знаний.

4 – Терминологические несоответствия.

5 – Отсутствие целостной системы знаний.

6 – Неумение наладить контакт с экспертом.

Для успешного извлечения знаний инженер по знаниям должен хорошо владеть рядом наук:

• системным анализом; математической логикой;

• когнитивной психологией; искусственным интеллектом.

Согласно Платону, мышление человека диалогично, поэтому диалог эксперта и инженера по знаниям является самой лучшей формой извлечения знаний, хотя в ряде случаев эксперт не общается с инженером по знаниям, а работает с программой ввода знаний (Tetresias – программа заполнения БЗ, MYCIN, EMYCIN, разработанные на основе продукционной модели представления знаний).

4) Формирование знаний. Эта стратегия характеризует разработку моделей, методов и алгоритмов обучения ЭС (Mashine Learning) – процесс анализа данных и выявления закономерностей предметной области.

Основные области применения Mashine Learning:

- прогнозирование, расшифровка языков;

- методы обучения распознаванию образов;

- индуктивный вывод правил и фактов.

Существует 2 основных подхода к обучению:

1 – алгебраический, основанный на дополнении исходных эвристических алгоритмов какими-либо алгебраическими операциями, характеризующими объект, и построении алгоритмов классификации новых объектов.

2 – обучение на примерах (Case-based Reasoning). Здесь знания являются описанием множества примеров из предметной области.

Существуют новые стратегии извлечения знаний:

1) Понимание знаний (Data Mining).

2) Исследование знаний (Knowledge Discovery).

10.3 Теоретические аспекты извлечения знаний.

Выделяют 3 аспекта:

1 – психологический (основной);

2 – лингвистический;

3 – гносеологический.

Лингвистический касается проблем построения языковых интерфейсов.

Гносеологический объединяет методологические проблемы получения новых знаний на основе гносеологии.

Гносеологическая цепочка выглядит следующим образом:

Фактобобщенный фактэмпирический законтеория.

14. Представление нечетких знаний информационных системах.

Для количественного описания знаний предметной области использование традиционного математического аппарата (теория множеств, булева алгебра и др.) оказалось не вполне адекватным, т.к. многие объекты и понятия характеризуются такими отношениями, для которых трудно определить численную характеристику. Эти отношения обычно размыты и не могут быть однознач­но интерпретированы, однако содержат важную информацию (например, «сильный», «красивый», «высокий», «кислый» т.п.).

Кроме того, при принятии решений некоторые высказывания не могут быть интерпретиро­ваны как полностью истинные или ложные. Су­ществуют знания, достоверность которых выражается некоторой вероятностью.

Для решения таких проблем в начале 70-х американский ма­тематик Лотфи Заде предложил формальный аппарат нечеткой алгебры и нечеткой логики (fuzzy logic). Это направление получило широкое рас­пространение в задачах искусственного интеллекта, распознавания образов, классификации реальных объектов.

Вычисления на основе нечеткой логики получили название мягкие вычисления (soft computing).

Одно из главных понятий в нечеткой логике — понятие лингвисти­ческой переменной.

Лингвистическая переменная (ЛП) — это переменная, значение которой определяется набором словесных характеристик некоторого свойства, образующих нечеткое множество (fuzzy set).

Функция принадлежности определяет субъективную степень уверенности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству. Это отличает ее от вероятности.

Например, для двух экспертов определение нечеткого множества «Высокая» для ЛП «Цена ПК» в условных единицах может существенно отличаться в зависимости от социального и финансового положения.

1 эксперт = {50/1 + 25/0.8 + 10/0.6 + 5/0.4}

2 эксперт = (25/1 + 10/0.7 + 5/0.5}