Фреймовая модель представления знаний.

Термин фрейм (от английского frame, что означает «каркас», или «рамка») был предложен в 70-е годы ХХ-го века Марвином Минским [Минский, 1979], одним из родоначальников систем искусственного интеллекта – для обозначения структуры знаний и восприятия пространственных сцен. Эта модель имеет психологическое обоснование. Фрейм – это абстрактный образ для представления некоего стереотипа восприятия. Фреймы представляют собой сложные структуры данных, описывающих какую-либо типичную ситуацию, например экзамен, лекция, раунд переговоров. Фрейм состоит из позиций для размещения объектов, характеризующих данную ситуацию. Позиция может быть передана другому фрейму. Кроме того, он содержит информацию о выполняемых действиях, о том, как следует поступать в типичных и нетипичных случаях, о влиянии соседних фреймов.

В психологии и философии известно понятие абстрактного образа. Например, произнесение вслух слова «лекция» порождает образ лекции: аудитория, лектор, слушатели. Из этого описания ничего нельзя убрать, например, убрав лектора, мы получим уже собрание студентов, а не лекцию. Но в нем есть «дырки», называемые «слотами » – это незаполненные значения некоторых атрибутов, например, количество студентов, ФИО лектора и др. В теории фреймов такой образ лекции называется фреймом лекции. Фреймом также называется и формализованная модель для отображения образа.

Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний, используя:

• фреймы-структуры, использующиеся для обозначения объектов и понятий (заем, залог, вексель);
• фреймы-роли (менеджер, кассир, клиент);
• фреймы-сценарии (банкротство, собрание акционеров, празднование именин) и др.

Различают фреймы-образцы (прототипы), хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных. Рассмотрим пример:

Фрейм-образец:

Имя: Продукты

Продукт: (Значение слота1)

Код: (Значение слота2)

Количество: (Значение слота3)

Фрейм-экземпляр:

Имя: Продукты

Продукт: (Мед-Соль)

Код: (111-222)

Количество: (10-20)

Фрейм-образец содержит набор атрибутов, называемых слотами. В фрейме-экземпляре слотам присваиваются конкретные значения. Традиционно структура фрейма может быть представлена как список свойств:

В таблице дополнительные два столбца (справа) предназначены для описания способа получения слотом его значения и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов.

Важнейшей характеристикой теории фреймов является наследование свойств, заимствование из теории семантических сетей. И во фреймах, и в семантических сетях наследование происходит по АКО-связям. Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся, значения аналогичных слотов.

Основным преимуществом фреймов как модели представления знаний является ее гибкость и наглядность, а также то, что она отражает концептуальную основу организации памяти человека.

Управление знаниями. Система баз знаний

Управление знаниями

Понятие «управление знаниями» (Knowledge Management – КМ) появилось в середине 90-х годов в крупных корпорациях, где проблемы обработки данных и знаний приобрели особую значимость. Для специалистов стало очевидным, что основным узким местом является обработка знаний, накопленных специалистами компании, так как именно знания обеспечивают преимущество перед конкурентами. Различные компании стали решать этот вопрос по-разному, но при этом каждая из них стремилась увеличить эффективность обработки знаний. Сегодня данное направление достаточно интенсивно развивается.

Управление знаниями – это совокупность процессов, которые управляют созданием, распространением, обработкой и использованием знаний. В сферу управления знаниями входят следующие основные вопросы:

• выявление знаний;
• распространение и обмен знаниями среди сотрудников;
• концентрация знаний для решения нестандартных, в том числе, и инновационных задач;
• получение новых знаний.

В теории управления знаниями определяется такое важное понятие, как «интеллектуальные активы» организации. По определению актив – это то, что приносит или принесет в будущем пользу организации. Исходя из этого, вся ценная информация и знания в компании являются ее интеллектуальными активами.

В отличие от материальных активов, которые уменьшаются (исчезают) по мере их использования, интеллектуальные активы, наоборот, увеличивается. Знания порождают новые знания, идеи порождают новые идеи, и человек, разделивший с кем-либо знания, остается с ними, приобретая при этом возможность получать другие знания в обмен. При обновлении конкретного знания мы как минимум можем его удвоить, то есть у нас появляется знание и метазнания, а значит, увеличивается интеллектуальный актив организации.

При этом часто активы знаний могут находиться в различных местах: в базах данных, базах знаний, в картотечных блоках, у специалистов и могут быть рассредоточены по всему предприятию. В этом случае одна часть предприятия повторяет работу другой части, потому что не возможно найти и использовать знания, находящиеся в других частях предприятия.

Внастоящее время целью исследований в области искусственного интеллекта является создание таких систем, которые, с одной стороны, могут использовать большое количество знаний, передаваемых им специалистами, а с другой – способны вступать в диалог и объяснять свои собственные выводы. Это предполагает наличие эффективного управления большой по объему и хорошо структурированной базой знаний, строгое разграничение между различными уровнями знаний, наличие множества удобных представлений для правил, схем предикатов или прототипов и четко определенный процесс обмена информацией между различными источниками.

Если попытаться провести аналогию с людьми, то подобное метазнание означает постоянное использование в течение жизни информации о каждом прожитом дне. В действительности, каждое человеческое знание требует метазнания, связанного с тем местом, которое мы отводим данному знанию в ряду другой информации, как мы к нему относимся, для каких целей оно полезно, к какому семейству принадлежит.

Традиционно проектировщики систем управления знаниями (КМ-систем) ориентировались лишь на отдельные группы потребителей – главным образом менеджеров. Современные КМ-системы спроектированы уже в расчете на всю организацию.

При разработке КМ-систем можно выделить следующие этапы:

1. Накопление. Стихийное и бессистемное накопление информации в организации.

2. Извлечение – э то один из наиболее сложных и трудоемких этапов. От его успешности зависит дальнейшая жизнеспособность системы.

3. Структурирование. На этом этапе должны быть выделены основныепонятия, выработана структура представления информации, обладающая максимальной наглядностью, простотой изменения и дополнения.

4. Формализация. Представление структурированной информации в форматах машинной обработки, то есть на языках описания данных и знаний.

5. Обслуживание. Под процессом обслуживания понимается корректировка формализованных данных и знаний (добавление, обновление); «чистка», то есть удаление устаревшей информации; фильтрация данных и знаний для поиска информации, необходимой пользователям.

Если первые четыре этапа обычны для инженерии знаний, то последний этап является специфичным для систем управления знаниями. Он распадается на три более мелких процесса:

• корректировка формализованных знаний (добавление,обновление);
• удаление устаревшей информации;
• фильтрация знаний для поиска информации, необходимой пользователю, которая выделяет компоненты данных и знаний, соответствующие требованиям конкретного пользователя. При помощи фильтрации пользователь может узнать местонахождение интересующей его информации.

Рассмотренный подход не является единственным, но он позволяет понять, что происходит в реальных системах управления знаниями.

Одним из первых инструментариев КМ-систембыли хранилища данных.Как правило, хранилища содержат многолетние версии обычной базы данных, физически размещаемые в той же самой базе. Когда все данные содержатся в едином хранилище, изучение связей между отдельными элементами более результативно.

В большинстве случаев в системе управления знаниями уделяется внимание первичной обработке корпоративной информации: электронной почте, программному обеспечению коллективной работы или гипертекстовым базам данных. Они формируют существенную часть необходимой, но не достаточной технической инфраструктуры для управления знаниями.

Одним из новых решений по управлению знаниями является понятие корпоративной памяти, которая по аналогии с человеческой памятью позволяет пользоваться предыдущим опытом и избегать повторения ошибок. Корпоративная память фиксирует информацию из различных источников и делает эту информацию доступной специалистам для решения производственных задач. Корпоративная память не позволяет исчезнуть знаниям выбывающих специалистов (уход на пенсию, увольнение и пр.). Она хранит большие объемы данных, информации и знаний из различных источников. Они представлены в различных формах, таких как базы данных, документы и базы знаний.

Система баз знаний

Аналогично системе баз данных существует понятие системы баз знаний. Близкими понятиями являются: экспертная система, то есть система, обеспечивающая создание и использование с помощью компьютера баз знаний экспертов, и система искусственного интеллекта. Правда, в последнее время предпочтение отдается терминам, подчеркивающим знания, а не интеллект. Такие системы демонстрируют шаблонное использование знания, а не интеллекта, который предполагает творческий подход, то есть не шаблонность. Это соответствует и точному переводу английского названия таких систем – Knowledge Based Systems (KBS) – система, базирующаяся на знаниях.

Структура элемента базы знаний может быть представлена в виде упорядоченной четверки: имя понятия, его статус, содержание или расшифровка понятия, список предпосылочных понятий базы знаний.

Содержимое баз знаний оформляется в систему, связываясь между собой, и представляется таким образом, чтобы на его основе можно было с помощью специальных программ рассуждать и делать выводы, получая сведения, которые в явном виде не присутствуют в базах знаний. В целом, компоненты системы базы знаний – это

• база знаний,
• механизм получения решений
• интеллектуальный интерфейс.

Знания в базе представляются в виде фактов, предположений и системы выводов, приводящей к результату. То есть база знаний – это один или несколько специальным образом организованных файлов, хранящих систематизированную совокупность понятий, фактов, правил и алгоритмов, относящихся к некоторой предметной области.

Использование знаний из базы знаний для решения задач обеспечивается механизмом получения решений (inference engine – машина вывода), называемым еще механизмом логического вывода – процедурой поиска, планирования, решения. Механизм получения решений дает возможность извлекать из базы знаний ответы на вопросы, получать решения, формулируемые в терминах понятий, хранящихся в базе. Например, найти объект, удовлетворяющий заданному условию; какие действия нужно выполнить в такой ситуации и т.д.

Механизм логического вывода (МВЛ) – это подсистема, обеспечивающая согласованную обработку данных, имеющихся в системе или полученных в результате диалога с пользователем (или полученных от некоторой технической системы) для решения поставленных пользователем задач на основе знаний, хранящихся в базе знаний. В итоге, выдвигаются и проверяются различные гипотезы; вырабатываются новые данные, а иногда и знания; формируются запросы на ввод новых данных; формируются решения, носящие рекомендательный или управляющий характер.

Так как базы знаний предназначены для обработки знаний, то механизм логического вывода существенно отличается от алгоритмов, по которым происходит решение задач в прикладных пакетах. Существуют разные способы (модели) представления знаний в базе знаний, и им соответствуют разные механизмы вывода. Но есть общие характеристики у этого механизма.

Одной из них является направление логического вывода: прямой (от посылок к цели) или обратный (от цели к данным). Прямой вывод является более общим, т.к. просматривается все пространство поиска решения и находятся все варианты, но и более длительным. Обратный вывод – это механизм проверки гипотез. Но для его эффективной работы нужны средства решения вопроса о приемлемых начальных гипотезах, потому что при большом количестве возможных гипотез обратный вывод будет работать не быстрее, чем прямой.

Интеллектуальный интерфейс обеспечивает работу с базой знаний и механизмом получения решений на языке высокого уровня, приближенном к профессиональному языку специалистов в той прикладной области, к которой относится система баз знаний.

Таким образом, база знаний – это семантическая модель, описывающая предметную область и позволяющая отвечать на такие вопросы из этой области, ответы на которые в явном виде не присутствуют в базе. Базы знаний основываются на знаниях, которыми обладают эксперты.

Другими словами, база знаний – это некий аналог обычных баз данных, но содержащий информацию не в виде таблиц или записей с полями, а в виде утверждений о чем-либо, например, "анальгин обладает болеутоляющим действием" или "зубная боль иногда сопровождается повышением температуры". Доступ к этой информации осуществляется не через команды поиска, а с помощью формулируемых на естественном языке вопросов, например "может ли анальгин помочь при зубной боли?"

Общий успех систем управления базой данных в сочетании с информационными потребностями менеджмента и исследованиями искусственного интеллекта привел к росту заинтересованности в превращении систем управления базами данных в системы управления базами знаний. Это направление может рассматриваться как тенденции развития систем управления базами данных.

Специалисты в области технологий баз данных считают началом, открывающим путь к базам знаний, технологию активных баз данных. Дело в том, что традиционные базы данных являются пассивными. Они играют организующую роль, направленную на обеспечение хранения данных. Вся процедурная логика, включая выборку и модификацию данных, координируется вне сферы управления данными.

Среда активных баз данных, наоборот, инициирует действия над данными базы и управление ими внутри среды баз данных в соответствии с предварительно установленными правилами, без необходимости получения каких-либо управляющих воздействий от приложений или от каких-либо других внешних источников. Активная база данных может быть охарактеризована как система, следующая правилам: Событие-Условие-Действия.

Ключевыми компонентами, обеспечивающими превращение базы данных в активную среду, являются триггеры. Триггер – это процедура базы данных, запускаемая в случае, если над объектом базы данных, с которым она ассоциирована, выполняется одна из заданных в спецификации операций. После операций вставки, обновления и/или удаления может быть запущен триггер, который приведет в результате к вычислению бизнес правил или к выполнению определенных действий. Триггеры в отличие от хранимых процедур нельзя вызвать из клиентского приложения