Методы приобретения знаний в интеллектуальных системах реферат по программированию и компьютерам , Сочинения из Программирование

Скачай Методы приобретения знаний в интеллектуальных системах реферат по программированию и компьютерам и еще Сочинения в формате PDF Программирование только на Docsity! Введение. Инженерия знаний – это область информационной технологий, цель которой – накапливать и применять знания, не как объект обработки их человеком, но как объект для обработки их на компьютере. Для этого необходимо проанализировать знания и особенности их обработки человеком и компьютером, а также разработать их машинное представление. К сожалению точного и неоспоримого определения, что собой представляют знания, до сих пор не дано. Но тем не менее цель инженерии знаний – обеспечить использование знаний в компьютерных системах на более высоком уровне, чем до сих пор – актуальна. Но следует заметить, что возможность использования знаний осуществима только тогда, когда эти знания существуют, что вполне объяснимо. Технология накопления и суммирования знаний идет бок о бок с технологией использования знаний, они взаимно дополняют друг друга и ведут к созданию одной технологии, технологии обработки знаний. В данной работе я постарался описать методы решения одной из проблем данного комплекса – это проблемы приобретения знаний, или говоря другими словами – обучения. Методы приобретения знаний. Приобретение знаний реализуется с помощью двух функций: получения информации 0 0 1 F 0 0 1 Fизвне и ее система тизации. При этом в зависимости от способности си стемы обучения к логическим выводам возможны различные формы приобретения знаний, а 0 0 1 F 0 0 1 Fтакже раз личные формы получаемой информации. Форма пред ставления знаний для их использования определяется внутри системы, поэтому форма информации, которую 0 0 1 Fона может принимать, зависит от того, какие спо собности имеет система для 0 0 1 F 0 0 1 Fформализации информа ции до уровня знаний. Если обучающаяся система со всем лишена такой способности, то человек должен заранее подготовить все, вплоть до формализации информации, т. е. чем выше способности машины к логическим выводам, 0 0 1 Fтем меньше нагрузка на че ловека. Функции, необходимые обучающейся системе для приобретения знаний, различаются в 0 0 1 Fзависимости от конфигурации системы. В дальнейшем при рассмот рении систем инженерии знаний предполагается, что Существует система с конфигурацией, показанной на рис, 1.1, которая включает базу знаний и механизм логических выводов, 0 0 1 Fиспользующий эти знания при решении задач. Если база знаний пополняется зна ниями о стандартной форме их представления, то этими знаниями также можно 0 0 1 F 0 0 1 Fвоспользоваться. Сле довательно, от функций обучения требуется преобра зование полученной извне информации в знания и пополнение ими базы знаний. Рис.1 Базовая структура систем обработки знаний Можно предложить следующую классификацию систем приобретения знаний, которая будет опираться на способность системы к восприятию знаний в разных форматах, качественно различающихся между собой и способностью к формализации (рис 2). Приобретение знаний на метауровне Выше было рассмотрено обучение на объектном уровне, а еще более сложная проблема - 0 01 Fприобре тение знаний на метауровне, т. е. знаний, основой которых 0 0 1 Fявляется информация по управлению реше нием задач с использованием знаний на 0 0 1 Fобъектном уровне. Для знаний на метауровне пока не установ лены ни формы представления и использования, ни связь со знаниями на объектном уровне, ни другая техника их систематизации. Поскольку не определена форма их представления с точки 0 0 1 Fзрения ис пользования, то трудно говорить о приобретении знаний на метауровне. 0 0 1 FТем не менее с этой пробле мой связаны многие надежды в инженерии знаний, Приобретение знаний из примеров Метод приобретение знаний из примеров отличается от предыдущего метода, тем , что здесь выполняется сбор отдельных фактов, их преобразование и обобщение, а только затем они будут использованы в качестве знаний. И соответственно от уровня сложности системы вывода в системе будут возникать разные по степени общности и сложности знания. Необходимо также упомянуть о том, что этот метод приобретения знаний почти не нашёл практического применения, это может быть связано с тем, что входная информация представляет собой не систематизированный набор данных и для их обработки требуется наличие в системе обширных знаний по конкретной области. По сравнению с предыдущим методом приобретения знаний, этот метод имеет большую степень свободы и соответственно необходимо описать общие положения этого принципа. 1. Языки представления. Обучение по примерам — это процесс сбора отдельных 0 0 1 Fфактов, их обобщение и систематизация, поэтому необходим унифицирован ный язык представления примеров и общих правил. Эти правила, будучи результатом обучения, должны стать объектами для использования знаний, поэтому и образуют язык представления знаний. И наоборот, язык представления знаний должен учитывать и определять указанные выше условия приобретения знаний. 2. Способы описания объектов. В случае обучения .по примерам из описаний 0 0 1 Fотдельных объектов созда ются еще более общие описания объектов некоторого класса, при этом возникает важная проблема: как описать данный класс объектов. В полном классе некоторых объектов следует определить меньший класс объектов, 0 0 1 Fобладающих общим свойством (объ екты только в этом классе обладают заданным 0 0 1 Fсвойством), но в действительности проще опреде лить список объектов и убедиться, 0 0 1 Fчто все объекты в нем обладают общим свойством. Для некоторо го типа задач 0 0 1 Fможно эффективно использовать лож ные примеры или контрпримеры, убедительно 0 0 1 Fпока зывающие, что данные объекты не входят в этот класс.. Иллюстрацией 0 0 1 Fприменения контр примеров может служить понятие «почти то». 3. Правила обобщения. 0 01 F Для сбора отдельных приме ров и создания общих правил 0 0 1 Fнеобходимы правила обобщения. Предложено несколько способов их опи сания: замена 0 0 1 Fпостоянных атрибутов языка на пере менные, исключение описаний с ограниченным 0 0 1 F 0 0 1 Fпри менением и т. п. Очевидно, что эти способы тесно свя заны с языком представления знаний. 4. Управление обучением. В процессе обучения по примерам можно применять различные стратегии структуризации информации и необходимо управлять этим 0 0 1 Fпроцессом в ответ на входные данные. Сущест вуют два классических метода: метод «снизу-вверх», при .котором, последовательно выбираются и 0 01 Fструкту рируются отдельные сообщения, и метод «сверху-вниз», при котором сначала выдвигается гипотеза, а затем она корректируется по мере поступления 0 01 Fинфор мации. На практике эти методы комбинируются, хотя управление обучением с максимальным эффектом не такая уж простая проблема. При изучении метода приобретения знаний по примерам можно выделить следующий ряд методов: Параметрическое обучение Обучение по аналогии Обучение по индукции. определяет правила, а его грамматика — метод представления правил, поэтому говорят о грамматическом выводе. Для показа примеров функции f 0 01 F можно использо вать последовательность пар (х,f ( 0 01 Fх)) входных и вы ходных значений так, как указано выше, последовательность действий машины Тьюринга, вычисляющей и другие данные. Задание машине выводов пары входных и выходных значений (х, f(х)) функции f соответствует заданию системе 0 0 1 F 0 0 1 Fавтоматического син теза программ входных значений х и выходных зна чений f(х), 0 0 1 Fкоторые должны быть получены програм мой вычисления f в ответ на х. В этом 0 0 1 Fсмысле авто матический синтез программ по примерам также можно считать индуктивным выводом функции f. Формальные языки — это множество слов; поэтому, например, для языка L 0 00 0можно рассматривать ва типа слов, принадлежащих и не принадлежащих этому языку. Первые назовем положительными, а вторые — 0 0 1 Fотрицательными данными. Другими слова ми, есть два способа показа примеров формального языка: с помощью положительных и отрицательных данных. Когда объектом служат сами программы, тогда то же самое можно говорить о функциях языка Лисп, но для Пролога показ примеров осуществляется в виде фактов. Например, (3>4, истина), (2<=1, ложь). В этом случае положительным данным 0 0 1 F 0 0 1 Fсоот ветствуют данные с атрибутом «истина», а отрица тельным — данные с атрибутом «ложь». Вывод реализуется благодаря неограниченному повторению основного процесса запрос входных данных -> предположение -> выходные данные. 0 0 1 FДругими словами, при выводе последовательно по лучают примеры как входные 0 0 1 Fданные, вычисляют предположение па данный момент и выдают резуль тат вычислений. Предположение в каждый момент времени основано на ограниченном числе примеров, полученных до сих пор, поэтому обычно в качестве метода вывода 0 0 1 Fиспользуют машину Тьюринга, вычис ляющую предположение по ограниченному числу 0 0 1 Fпри меров. Такую машину назовем машиной выводов. Учитывая, что индуктивный вывод, как уже было отмечено, это неограниченно 0 0 1 Fпродолжающийся про цесс, критерием правильности вывода, как правило, считают 0 0 1 Fпонятие идентификации в пределе. Это поня тие введено Голдом, оно используется почти всегда в теории индуктивных выводов. Говорят, что машина вывода М идентифицирует в пределе правило R, если при показе примеров К последовательность выходных данных, генерируемых М, сходится к некоторому представлению т, а 0 0 1 Fименно: все выходные данные, на чиная с некоторого момента времени, совпадают с т, при этом т называют правильным представлением К.. Кроме того, говорят, что 0 0 1 Fмножество правил Г позво ляет сделать индуктивный вывод, если существует 0 0 1 Fнекоторая машина выводов М, которая идентифици рует в пределе любое правило К 0 0 1 Fиз множества Г. Обратите внимание на то, что слова «позволяет сде лать 0 0 1 Fиндуктивный вывод» не имеют смысла для един ственного правила, а относятся только к множеству правил. Обучение по аналогии. 0 0 1 F 0 0 1 FПриобре тение новых понятий возможно путем преобразова ния существующих знаний, похожих на те, которые собираются получить. Это важная функция, которую называют обучением на основе выводов по аналогии или просто обучением по аналогии. 0 0 1 FВ нашей жизни много примеров, когда новые понятия или техни ческие приемы приобретаются с помощью аналогии Выводы по аналогии - один из важных объектов исследования искусственного интеллекта, наиболее интересные результаты здесь получены П. Уинстоном. Он использует выводы по аналогии, основываясь на следующей гипотезе: «Если две ситуации подобны по нескольким признакам, то они подобны и еще По одному признаку». Подобие двух ситуаций распознается путем обнаружения наилучших совпадений по наиболее важным признакам. 0 0 1 FАналогия—это метод выводов, при которых обнару живается подобие между несколькими заданными объектами; благодаря переносу фактов и знаний, справедливых для одних объектов, на основе этого подобия на совсем другие объекты либо 0 0 1 Fопределяется. способ решения задач, либо предсказываются неиз вестные факты и 0 0 1 Fзнания. Следовательно, когда чело век сталкивается с неизвестной задачей, он на первых порах использует этот естественный метод вывода. Направления исследования аналогии Одна из важнейших проблем инженерии знаний— приобретение знаний. Под 0 0 1 Fприобретением здесь по нимается получение знаний в виде, пригодном для их использования компьютерами, поэтому многие исследователи указывают, что ключом к знаниям является теория и методология машинного обучения. В общем случае машинное обучение включает приобретение новых декларативных знаний, 0 0 1 Fсистематизацию и хра нение новых знаний, а также обнаружение новых фактов. Среди указанных форм обучения аналогия, о которой будет идти далее речь, связана, и частности, с проблемой машинного обнаружения новых фактов. Под новыми фактами мы будем понимать факты, которые дедуктивно не выводятся из некоторых существующих знаний. Получение новых знаний также рассматривалось выше в отношении к индуктивному выводу . В общем случае при 0 0 1 F 0 0 1 Fиндук тивных выводах по заданным данным создается ги потеза, их объясняющая, а 0 0 1 Fс помощью дедукции из этой гипотезы можно вывести новые факты. С дру гой 0 0 1 Fстороны, при аналогии новые факты предсказы ваются путем использования 0 0 1 Fнекоторых преобразова ний уже известных знаний. 0 0 1 FИндукция и аналогия крайне необходимы при об работке интеллектуальной 0 0 1 Fинформации, и поэтому желательно изложить основы их совместного приме нения. 0 0 1 F 0 0 1 FШапиро ввел стро гую формализацию индуктивных выводов в части вы вода моделей с использованием логики предикатов первого порядка; в теории индуктивных выводов есть заметные успехи. 0 0 1 FС целью обзора исследований аналогии, проведен ных до настоящего времени, выделим 0 0 1 Fдва типа ана логии: для решения задач и для предсказаний 0 0 1 F. Ана логия первого типа применяется главным образом для повышения эффективности решения задач, 0 0 1 Fкото рые, вообще говоря, можно решить и без аналогии. Например, благодаря 0 0 1 Fиспользованию решений ана логичных задач в областях программирования и 0 0 1 F 0 0 1 Fдо казательства теорем можно прийти к выводам о про граммах или доказательствах. С другой стороны, используя аналогию для предсказаний, благодаря преобразованию знаний на основе подобия между объектами можно сделать заключение о том, что, возможно, справедливы новые факты. Например, если объектами аналогии является некая система аксиом, то знаниями могут быть теоремы, справедливые в этой системе. При этом, используя схожесть между системами аксиом, можно преобразовать теорему в одной из систем в логическую формулу для другой системы и сделать вывод о том, что эта формула есть теорема. Другими словами, аналогия используется и для решения некоторых строго сформулированных задач и для предсказаний, а также для приобретения не заданной ранее информации. Примером использования метода приобретений знаний по аналогии может служить система доказательства теорем. При этом общая схема вывода выглядит следующим образом. Рис. 3 Стратегия абстрагирования. Человек Механизмы выводов обучающей системы Механизмы выводов пользовательской системы База знаний Методы приобретения знаний Обучение на примерах Обучение на метауровне Обучение без выводов Получение данных представленных в виде знаний (Категория Б) Простое запоминание данных (Категория А)