– Ограничение конфликтного набора.
– Выбор алгоритма разрешения конфликта.
– Последовательность оценки условий в условной части правила при обратном выводе. проблемы: возможны случаи, когда данные, на которые ссылаются в каждом условии, должны быть определены с помощью вывода. В этом случае выбор одного условия порождает новую ветвь поиска. В общем случае эффективным считается оценивание со ссылкой на данные, “близкие” к основным данным.
В системе продукций объем БП обостряет проблему повышения эффективности функционирования. Действительно, если мы имеем NT правил и Np образцов, то для простого сопоставления образцов при прямом выводе обращение к РП должно выполняться NT×Np раз. Если число правил и образцов превышает несколько сотен (как в реальных экспертных системах), то повторять сопоставление образцов соответствующее число раз практически невозможно и необходимо искать новые пути повышения эффективности.
Пути повышения эффективности функционирования системы продукций.
1). Повышение эффективности поиска информации в РП путем упорядочения ее содержимого в форме “объект-атрибут-значение”.
2). Использование алгоритма согласования RETE [2], по которому каждый раз при дополнении РП новым образцом проверяется правило, в котором он используется. Если образец удовлетворяет части условий правила, то он запоминается именно в этом качестве. Если добавление образца удовлетворяет всем условиям, данное правило включается в конфликтный набор.
3). Предварительная компиляция отношений между правилами и данными, а также между правилами и правилами предварительно компилируется в виде графа и при каждом пополнении основных данных отыскивается ветвь графа и помечаются связанные с ней вершины.
4). Разбиение правил на группы, за счет чего достигается ограничение размеров порожденных одновременно конфликтных наборов.
Типичный пример – модель доски объявлений.
Модель доски объявлений. Модель доски объявлений (blackboard model) впервые была использована при разработке системы распознавания речи HEARSAY-I. Суть этого подхода заключается в определении для одной РП группы правил, называемых Источниками Знаний (ИЗ). При этом вся РП разбивается на уровни. В примере с распознаванием речи это могут быть уровни фонем, слогов, морфем, слов. Причем данные хранятся в форме “объект-атрибут-значение”. Каждый ИЗ определяется как совокупность правил, выполняющих специальные функции между уровнями РП. Пример: вывод между уровнем фонем и уровнем морфем. Сама система будет делать выводы путем запуска ИЗ в соответствии с ситуацией, РП при этом будет являться “доской объявлений”, совместно используемой ИЗ (рис.6), но в то же время представлять собой средство для извлечения информации. Рис.6.
Управление данными в модели доски объявлений. В данной модели каждый ИЗ определен как узел связи между данными нижнего уровня, на основании которых делается вывод, и данными верхнего уровня, показывающими результаты вывода. Если считать, что каждый ИЗ принадлежит к объекту, показывающему результат вывода на верхнем уровне (объекту верхнего уровня), то можно сказать, что данный объект сходен с фреймом в том смысле, что он дополнен правилами механизма вывода, касающимися данных и функций управления данными.
Для перехода от модели доски объявлений к фреймовой модели необходимо ввести концептуальную иерархию объектов и основанное на ней наследование атрибутов. И наоборот, фреймовую систему с разбитыми на группы правилами можно использовать для определения стратегии вывода.
Выводы. Продукционные системы благодаря хорошей подготовленности средств разработки позволили создать большое число систем, основанных на использовании знаний. При использовании продукционной модели представления знаний, ввиду отсутствия необходимости описания функций установления высокоуровневых отношений между концептами, значительно упрощается проектирование системы по сравнению, в частности, с фреймовой моделью.
Наиболее перспективны подходы к построению интеллектуальных систем, объединяющих возможности продукционных систем в плане использования правил и фреймовых систем в плане управления данными.
Литература.
Люгер, Джордж, Ф. Искусственный интеллект: стратегии и методы решения сложных проблем, 4-е издание: Пер. с англ. - М.: Издательский дом "Вильяме", 2003
Джарратано, Джозеф, Райли, Гари. Экспертные системы: принципы разработки и программирование. — М.:«Вильямс», 2007. — 1152 с.
Дополнения
Конкретному выбору направлению поиска может помочь анализ правил:
Если узлов данных мало, а целевых узлов много, то предпочтительнее прямой логический вывод.
Если количество целевых узлов гораздо меньше по сравнению с узлами данных, то – обратный логический вывод.
Механизм вывода. Механизмом вывода – это механизм, который управляет перебором правил и позволяет формировать логические выводы. Он выполняет две функции: вывод и управление.
Функция вывода обеспечивает просмотр правил и/или существующих фактов из рабочей памяти и сопоставление этих фактов с базой правил или добавление фактов по мере необходимости. Для пользователя сохраняется информация о полученных заключениях и/или запрашивается информация, когда для срабатывания очередного правила оказывается недостаточно данных.
Функция управления обеспечивает определение порядка просмотра и применения правил и выполняет следующие функции:
1. Сопоставление. Образец правила сопоставляется с имеющимися фактами.
2. Выбор. Если в конкретной ситуации может быть применено сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию.
3. Срабатывание. Если образец правила при сопоставлении совпал с какими-либо фактами, то правило срабатывает.
4. Действие. Рабочая память подвергается изменению путём добавления в неё заключения сработавшего правила. Если в правой части правила содержится указание на какое-либо действие, то оно выполняется.
На практике обычно учитывается история работы, то есть поведение механизма вывода фиксируется в протоколе, чтобы объяснить пользователю полученное заключение.
Действие механизма вывода основано на применении правила заключения,
называемого modus ponens:
На рис. 7 показан цикл работы механизма вывода.
