Representación del conocimiento de los sistemas expertos

El conocimiento es la comprensión y la experiencia acumulada por las personas en la práctica de transformar el mundo objetivo. Es la regularidad del mundo objetivo que las personas realizan a través de la práctica. Se forma mediante el procesamiento, la interpretación, la selección y. transformación de la información. Una colección de proposiciones y reglas. Consta de descripciones, relaciones y procesos en un dominio específico y puede expresarse mediante fórmulas:

Conocimiento = Hechos Creencias Experiencia

La razón por la que los humanos tienen un comportamiento inteligente es porque tienen conocimiento. . Para que una máquina sea inteligente, debe poseer y utilizar conocimientos. El conocimiento que poseen los humanos debe representarse de manera adecuada para que pueda ser adquirido y acumulado por las máquinas, y utilizado, almacenado, recuperado, eliminado y modificado de manera fácil y flexible en las computadoras.

La llamada representación del conocimiento es en realidad la descripción del conocimiento. Es el proceso de formalización y simbolización del conocimiento, es decir, el uso de algunos símbolos acordados para codificar el conocimiento en un conjunto de estructuras de datos aceptables para la computadora. Las cuestiones principales son el diseño de diversas estructuras de datos (es decir, la representación formal del conocimiento), el estudio de cuestiones de representación y control, la relación entre representación y razonamiento, etc. El objetivo principal es explorar y proporcionar métodos y tecnologías para representar el conocimiento en máquinas, de modo que el conocimiento humano pueda transmitirse y almacenarse de manera eficiente y razonable en las computadoras. Los llamados métodos de representación del conocimiento son símbolos regulares, lenguajes formales, diagramas de red, etc., que se utilizan para describir y organizar el conocimiento.

I. Criterios de evaluación de los métodos de representación del conocimiento

1) Capacidad de representación: capacidad de representar correcta y eficazmente diversos conocimientos necesarios para resolver problemas.

2) Comprensibilidad: El conocimiento expresado es simple, claro y fácil de comprender.

3) Accesibilidad: Los conocimientos expresados ​​pueden utilizarse eficazmente.

4) Escalabilidad: Capacidad de ampliar el conocimiento de forma fácil y flexible.

5) Modularidad: El sistema cuenta con módulos fáciles de entender, fáciles de modificar, aptos para procesamiento paralelo y con un alto grado de paralelismo.

2. Clasificación de la representación del conocimiento

Actualmente, existen muchos métodos de representación del conocimiento utilizados en los sistemas expertos informáticos, que generalmente se clasifican según los métodos de búsqueda, las estrategias de selección de reglas y las bases de conocimiento utilizadas. . Generalmente, se puede dividir en método de representación del conocimiento descriptivo y método de representación del conocimiento procedimental. Entre ellos, los métodos de representación descriptiva incluyen redes lógicas, redes semánticas, etc.; los métodos de representación procedimentales incluyen reglas de generación, etc., la combinación de los dos métodos incluye marcos, etc. En el orden más utilizado: reglas generativas, lógica de predicados, red semántica, marco, entre los cuales el método de reglas generativas es el más utilizado, y el famoso sistema experto en exploración geológica PROSPECTOR utiliza este método. El conocimiento del modelo de depósito mineral en la base de conocimiento del sistema también adopta este método de representación del conocimiento. Cada método se presenta brevemente a continuación, centrándose en el método de la regla generativa.

(1) Representación lógica

La representación lógica utiliza lógica de predicados de primer orden para representar el conocimiento y es un método narrativo de representación del conocimiento. Se utiliza principalmente para la demostración automática de teoremas. Tiene varios elementos básicos:

a) Constante: representa un objeto específico, como una cosa o un concepto.

b) Variable: representa un objeto no específico.

c) Predicado: Representa los atributos de los objetos o la relación entre objetos.

d) Operadores lógicos: ∧ combinación (y); ∨ descomposición (o); ~ negación (no); significado (si..., entonces...) .

e) Cuantificador: cuantificador universal (para todos); cuantificador existencial (existe uno)

f) Función: se utiliza para limitar el alcance de los objetos y expresar la relación entre objetos mapeados. .

La representación lógica tiene las ventajas de ser natural, rigurosa, flexible y modular, pero también tiene las desventajas de la monotonía y la explosión combinatoria.

(2) Representación de la red semántica

El conocimiento se representa como un conjunto de nodos y arcos en la red semántica. Los nodos representan objetos, conceptos o situaciones y los arcos representan conexiones entre objetos.

La red semántica se basa en tripletas:

(nodo A, arco, nodo B)

donde arco es un arco de dirección con un identificador, y la dirección refleja En orden de prioridad, el nodo A es primario y el nodo B es secundario.

Cuando se combinan y expresan varios grupos, se produce una red semántica.

La red semántica puede profundizar la expresión del conocimiento y tiene las características de jerarquía, naturalidad, no validez y falta de claridad.

(3) Representación de marco

Un marco es una estructura de datos que representa un estado estereotipado. Su capa superior es fija y representa un concepto, objeto o evento fijo. consta de varias ranuras. Cada espacio se puede llenar con un cierto tipo de instancia o datos (es decir, valor de espacio) según la situación. Cada valor de espacio generalmente tiene condiciones de asignación especificadas de antemano. También puede especificar las condiciones que deben cumplirse entre los valores de las ranuras para diferentes ranuras. Por lo tanto, una trama es una estructura de datos jerárquica. Las ranuras en la capa inferior de la trama pueden considerarse como una subtrama, y ​​la subtrama en sí se puede superponer en capas. Los marcos interrelacionados se conectan para formar un sistema de marcos o una red de marcos. Diferentes redes marco pueden formar sistemas más grandes a través de redes de recuperación de información, lo que representa un módulo de conocimiento completo. Un marco generalmente consta de un nombre de marco y varias ranuras. Cada ranura tiene su propio nombre y valor correspondiente. La ranura se puede dividir en varios lados. El valor de una ranura (o borde de ranura) puede ser un número o un valor lógico, o puede ser un programa, condición, valor predeterminado o subtrama.

La notación de marco proporciona una representación explícita de entidades, atributos, relaciones, valores predeterminados, etc. Son fáciles de adjuntar información del programa y tienen propiedades heredadas. Sin embargo, esto puede fácilmente hacer que la situación real sea inconsistente con el prototipo del marco y no sea fácil adaptarse a nuevas situaciones.

(4) Generar representación de reglas.

3. Representación de reglas generativas

Existe una gran cantidad de relaciones causales entre varias unidades de conocimiento en el mundo natural. Estas relaciones causales son la relación entre premisas y conclusiones. Conviene expresarlo mediante reglas. Generar representación de reglas es la forma más simple y más comúnmente utilizada de representación del conocimiento.

La forma general de una regla generativa es:

Q←p

O se escribe como:

SI[P]ENTONCES[ Q]

Donde P generalmente representa un conjunto de premisas o estados, y Q representa una serie de conclusiones o acciones, lo que significa "si se cumplen las premisas de P, entonces se puede derivar la conclusión de Q (o se debe realizar la acción de Q)". Ejecute la acción Q)". Como se muestra en la Figura 4-2, un conjunto de reglas de generación también puede representarse mediante uno (o más) de los llamados "árboles y/o". "Y/o árboles" representan el siguiente conjunto de reglas de generación:

A←B1, B2, B3←C4, C5, C5←D1, D2; A←B3, B4, B5; ←D3; B1←C1, C2; B4←C8; C8←D4, D5, D6; D4, D5, D6;

B2←C3; B5←C9, C10.

El ramal con arcos representa la relación de "y"; el ramal sin arcos representa la relación de "o".

Figura 4-2 Diagrama esquemático del árbol y/o

(1) Componentes básicos del sistema de generación

Por lo general, el sistema de generación consta de siguientes tres componentes básicos:

1. Base de reglas

La base de reglas contiene muchas reglas, y cada regla generada es una regla que comienza con "Si se cumple esta condición, esta acción debe realizarse". tomado". Cada regla de compilación es una declaración del tipo "Si se cumple esta condición, entonces se debe realizar esta acción". Hay poca interacción entre las reglas. Las reglas pueden tomar la siguiente forma:

Nuevas tecnologías y modelos de evaluación para la evaluación de recursos minerales de China

Nuevas tecnologías y modelos de evaluación para la evaluación de recursos minerales de China

Ejecución en el sistema de generación Durante el proceso, si se cumple la parte de condición de una regla, la regla se puede aplicar, es decir, el sistema controla la ejecución de la parte de operación de la regla y agrega los resultados a la sala de almacenamiento.

2. Memoria

La memoria es el centro de razonamiento de la representación de la regla generativa. El lado izquierdo de cada regla generativa representa la memoria antes de que se habilite la regla. lugar.

La ejecución de una regla de generación hace que los registros cambien de modo que se cumplan las condiciones de otras reglas de generación.

3. Controlador

La función del controlador es indicar qué regla se debe seleccionar para el siguiente paso, es decir, cómo aplicar la regla. Normalmente, el proceso desde la selección de reglas hasta su ejecución se divide en tres pasos: coincidencia, resolución de conflictos y acción (Figura 4-3).

Figura 4-3 Estructura básica del sistema de generación

1) Emparejamiento. Haga coincidir el escenario con la parte de condición de la regla y, si las dos coinciden exactamente, la regla se denomina regla de activación. Cuando se ejecuta la parte de acción de una regla, la regla se denomina regla habilitada. La regla activada no siempre es la regla habilitada, ya que puede haber varias partes de la regla cuyas condiciones se cumplan al mismo tiempo, lo que nos lleva al punto (2).

2) Resolución de conflictos. Cuando la parte condicional de más de una regla coincide con el calificador actual, es necesario decidir qué regla usar primero. A esto se le llama resolución de conflictos. Una estrategia sencilla consiste en seleccionar la primera regla encontrada al escanear el conjunto de reglas.

3) Funcionamiento. La acción es la parte de la regla que realiza la operación. Una vez realizada la operación, se modificará la cuota actual. Entonces, es posible utilizar otras reglas.

(2) Proceso de resolución de problemas en sistemas generativos

La resolución de problemas en sistemas generativos es cómo mover el almacenamiento a un estado que satisfaga las condiciones de terminación de la solución. El siguiente es un ejemplo clásico del proceso de resolución de problemas de un sistema generativo (el sistema de identificación animal IDENTIFICADOR) que ilustra bien cómo utilizar la representación de reglas generativas para describir el proceso de resolución de problemas.

Ejemplo de sistema de identificación de animales IDENTIFIER

El sistema IDENTIFIER es capaz de identificar siete especies de animales, incluidos tigres, leopardos, cebras, jirafas, pingüinos, avestruces y albatros. Adquirir conocimientos sobre el mundo animal identificando sus características y apariencia relevantes, como el color, el patrón, la forma del cuerpo y el movimiento.

El siguiente es el conocimiento relevante expresado por reglas de generación:

Regla I1

Si el animal tiene pelo

Entonces el animal; es mamífero.

Regla I2

Si el animal tiene leche;

Entonces el animal es un mamífero.

Regla I3

Si el animal tiene plumas;

Entonces el animal es un pájaro.

Regla I4

Si un animal puede volar y poner huevos;

entonces el animal es un pájaro.

Regla I5

Si un animal es un mamífero y come carne

Entonces el animal es un carnívoro;

Regla I6

Si el animal es un mamífero,

el animal tiene dientes grandes,

el animal tiene garras

; p>

Entonces el animal es un carnívoro.

Regla I7

Si el animal es un mamífero,

el animal tiene pezuñas

entonces el animal es ungulado.

Regla I8

Si el animal es un mamífero,

el animal rumia;

entonces el animal es un animal con pezuñas.

Regla I9

Si el animal es carnívoro,

el animal es de color marrón amarillento,

con manchas negras

; p>

Entonces es un leopardo.

Regla I10

Si el animal es carnívoro,

es de color marrón amarillento,

con rayas negras

Entonces es un tigre.

Regla I11

Si el animal tiene pezuñas,

tiene cuello largo,

tiene patas largas,

De color leonado,

con manchas negras;

Entonces es una jirafa.

Regla 12

Si el animal tiene pezuñas,

blancas,

con rayas negras;

entonces Es una cebra.

Regla 13

Si el animal es un pájaro,

no puede volar,

tiene patas largas,

El cuello es muy largo,

y es blanco y negro,

entonces es un avestruz.

Regla 14

Si el animal es un pájaro

no puede volar,

sabe nadar,

Y

el color es blanco y negro;

Entonces es un pingüino.

Regla 15

Si el animal es un pájaro,

es muy bueno volando;

entonces es un albatros.

Podemos ver en las reglas de generación anteriores que las reglas I1 a I4 se utilizan para determinar si la clasificación biológica es de mamíferos o aves; las reglas I5 a I15 dividen aún más a los mamíferos y las aves en categorías más finas, que forman. una forma jerárquica de clasificación: entre ellos, I5 ~ I8 dividen a los mamíferos en carnívoros y ungulados; I9 ~ I10 subdividen a los carnívoros; I11 ~ I12 son las subdivisiones de aves.

Veamos cómo funciona el sistema de identificación de animales IDENTIFIER.

Supongamos que obtenemos dos hechos a través de la observación:

Nuevas tecnologías y modelos de evaluación para la evaluación de recursos minerales de China

Estas dos condiciones están incluidas en las reglas I9 y I11. pero los prerrequisitos de I9 e I11 también deben cumplir otras condiciones, por lo que es necesario realizar más observaciones sobre las características de los animales. Supongamos que los nuevos datos que obtenemos son:

¿Cuál es la circunferencia del pecho del animal? ?

Los animales amamantan a sus crías y tienen la capacidad de rumiar. Por tanto, se amplía el contenido del párrafo a:

El color del cuerpo del animal es marrón amarillento con manchas negras, produce leche y rumia.

Ahora haga coincidir la base de reglas con el clasificador. Puede usar I2 primero y luego actualizar el clasificador a:

El animal es un mamífero, leonado, con manchas negras y leche. , reflexionará.

El siguiente I8 vuelve a funcionar y actualiza el registro a:

El animal es ungulado, mamífero, leonado, tiene manchas negras, tiene leche y rumia.

En este punto, el sistema no ha identificado qué tipo de animal es y la clasificadora no cumple con los requisitos previos de otras reglas, por lo que aún se necesita nueva información sobre las características básicas del animal.

Supongamos que observamos que este animal tiene patas largas y cuello largo.

Súmalos al clasificador y el clasificador resultante es:

El animal tiene cuello y patas largas, es un animal con pezuñas, es un mamífero, es leonado, tiene color negro. manchas, tienen leche y son rumiantes.

En este punto, se puede utilizar la regla I11 para concluir que el animal es una jirafa. Esto concluye el proceso de resolución de problemas.

El proceso de razonamiento anterior se puede representar en la Figura 4-4. Los círculos sólidos en la figura representan hechos observados no procesados, los diamantes sólidos representan conclusiones de inferencia y las puertas representan reglas.

Figura 4-4 Proceso de razonamiento

En la Figura 4-4 podemos ver que el proceso de razonamiento comienza a partir de los hechos, intenta hacer coincidir los hechos con la parte SI de la regla, y luego habilita la regla ENTONCES parte.

Por lo tanto, los pasos que debe seguir el sistema generativo para resolver el problema se pueden resumir en los siguientes:

1) Inicialización del staging;

2) Si hay una; valor no utilizado que se puede combinar con la puesta en escena Si la premisa de la regla está presente, vaya a 3; de lo contrario, vaya a 5

3) Utilice las reglas, actualice la entrega y marque las reglas utilizadas

4) Si la entrega contiene una solución, en caso afirmativo, finalice el proceso de solución; de lo contrario, vaya a 2

5) Solicite más información sobre el problema, si no se puede proporcionar la información solicitada; , la solución falla; de lo contrario, actualice la preparación y vaya al punto 2.

(3) Explicación del razonamiento del sistema generado

Durante el proceso de razonamiento, podemos preguntar: "¿El sistema aplica una regla específica? ¿Cuándo la aplica el sistema en el razonamiento? ¿Una determinada regla? ¿Por qué el sistema demuestra una determinada conclusión? ¿Cuándo demuestra el sistema una conclusión?

Preguntas como ésta se pueden resolver observando las reglas generativas utilizadas en el proceso de razonamiento. por qué la inferencia requiere estos hechos y cómo se establecen estos hechos. La razón por la que los sistemas generativos tienen esta capacidad es principalmente porque el sistema generativo impone reglas estrictas sobre la forma de las reglas, por ejemplo, para determinar cómo obtener los hechos inferidos. El sistema generativo solo necesita considerar aquellas reglas que se utilizan, es decir, reglas que encuentran partes de sus conclusiones que coinciden con los hechos inferidos. La respuesta requerida es una lista de estas reglas generativas e información sobre las partes condicionales de estas reglas.

Por ejemplo, la explicación de la regla I6 de aplicación del sistema IDENTIFICADOR se muestra en la Figura 4-5, la cual regresará a la regla I6 durante el proceso de razonamiento si la pregunta es: "Cómo probar que un animal es un depredador". ?" "Simplemente muévase hacia la izquierda para encontrar la respuesta. Es decir: use la Regla I6 para demostrar que el animal es un mamífero y que tiene dientes afilados, garras y ojos que miran hacia adelante. Si la pregunta es "¿Por qué probar que los animales son los mamiferos? En este punto, muévete hacia la derecha, porque vamos a aplicar la regla I6 para demostrar que el animal es carnívoro.

Figura 4-5 Descripción del proceso de razonamiento del sistema generativo

(4) Características del sistema generativo

El método de representación de reglas generativas tiene lo siguiente características:

1) Modularidad: en una base de reglas compuesta por muchas reglas, cada regla se puede agregar, eliminar y modificar libremente.

2) Coherencia: Cada regla tiene el mismo formato, lo que facilita el razonamiento automático por ordenador.

3) Natural: La estructura "SI-ENTONCES" es una forma natural de pensamiento y diálogo humano.

4) Ineficiencia: dado que la resolución de problemas se logra a través de una serie de bucles de tercer orden de "operaciones coincidentes de eliminación de conflictos", la transferencia de información depende del contexto. Esto también resulta en una gran sobrecarga para resolver el problema con el fin de mantener la modularidad y la coherencia.

5) La representación de reglas no puede representar bien conceptos complejos, grandes y dinámicos porque las reglas son simplemente declaraciones condicionales simples.