обработки информации должна быть в состоянии ответить на такие вопросы
как:
• Какая часть утверждения А является истиной?
1. С какой степенью уверенности эксперт согласен с заключением?
2. Какова средняя вероятность достижения цели с использованием А?
3. В какой мере следует оказать предпочтение А перед другими?
Некоторые системы, основанные на продукционных правилах, используют
процессы приближенного вывода, учитывающие эти обстоятельства. Системы,
применяющие продукционные правила, описаны выше. В следующем разделе
показано возможное различие между этими системами и подходом к решению
тех же проблем с помощью логики первого порядка, отмечены также
преимущества и недостатки подобного моделирования знаний.
2.4. Преимущества и недостатки продукционных систем
Начнем с недостатков. Выделим из них три главных, с которыми связаны
определенные ограничения, лежащие в основе используемого формализма. Они
относятся к концепции, формулировке и использованию правил.
1. Трудность составления продукционного правила, соответствующего
элементу знания. Нужно, чтобы рассматриваемая область
уже была достаточно изучена и установлены хорошие примитивы и
чтобы уровень детализации не был излишне подробным, иначе по
требовалось бы иметь по одному правилу на каждую ситуацию
и неясно, как: человек смог бы разобраться в таком обилии информации.
2. Трудность записи правила. Единый формат записи ЕСЛИТО-
приводит к громоздким выражениям в левой части и повторению
тех же посылок в схожих ситуациях; с его помощью трудно вы
разить сложные правила. Но мы видели, что жесткий синтаксис,
громоздкие записи представляют и определенные преимущества.
Во всех случаях проблема «поймать знания» остается главной при
написании экспертной системы. Трудности использования. Связаны не с
самими правилами, а с единой системой их связи. При этом база фактов
играет роль кратковременной памяти, которая реально смоделирована в
разработанной Ньюэллом (Newell, ( 1975) системе «познавательной
психологии» PSC. В ней запрещен взаимный прямой вызов одного правила
из другого, и она неудобна для выполнения алгоритмов в обычном
смысле слова. Однако именно благодаря ей система в каждый момент
времени точно знает, что она делает и что она знает
К преимуществам относится следующее.
1. Модульность. Системы устроены так, чтакаждая единица информации.
может быть удалена, изменена или добавлена независимо от всех
остальных. Знания вводятся неупорядоченно, как в словаре или
энциклопедии. Практика показывает, что это является естественным
способом пополнения своих знаний для эксперта.
Как ни странно, многочисленные американские авторы (Дэвис,
Ньюэлл, Куинлан, Стэфик) нарушают это правило, т. е. проблема
реорганизации решается у них довольно плохо.
2. Модифицируемость. Если добавляется или модифицируется какое-либо
правило, то все, что было уже сделано ранее, остается в силе и к новому
правилу не относится. Таким образом, каждое изменение обладает
свойством аддитивности и локальности.
В отличие от этого в процедурных программах подобные взаимодействия
ограниченны, любая модификация является ерундой и может привести к
непредсказуемым последствиям.
3. Доступность чтения.
1. Для нас это преимущество, безусловно, имеет место. Как уже говорилось
выше, наше собственное знание является модульным, поэтому продукционные
системы нам кажутся более близкими, более легкими для чтения.
Этим преимуществом нельзя пренебрегать, поскольку подобные системы в
первую очередь предназначены для врачей, биологов, архитекторов и т. д. Во
многих областях реально существуют добавляемые знания и соответствующие
базы правил. (Например, автоматизированные экспертные обучающие системы.)
2. Для машины. Более простой проверке поддается база знаний,
представленная в форме правил, а не в форме процедур. Противоречия или
избыточность в действительности легко определяется с помощью синтаксической
обработки:
А(В(С и А(В((С одновременно невозможны; из D(E(F(G следует E(F(G с
помощью "подпосылки";
таким образом, первое правило является лишним.
Может быть также обнаружена семантическая несогласованность: А(В(С
неприемлемо, если по определению и из свойств А и В с необходимостью
А((В.
4. Способность к самообъяснению. Это свойство связано одновременно и с
правилами, и с их структурами внешнего управления. Система легко
прослеживает цепочку правил, которую она использовала для получения вы
вода, так же как и использовавшиеся метаправила.
Однородное представление знания, определяемое установленным форма
том, разрешает создавать модели правил, которые позволяют получить ответы
на некоторые вопросы и предусмотреть большую часть изменений ,в случае
обнаружения ошибки в базе данных.
5. Эффективность. Практика доказала гибкость и компетентность таких
систем, как MYCIN, PROSPECTOR и R1. Эти системы являются уже не
лабораторными игрушками, а высокопроизводительными устройствами. Они
оказались достаточно эффективными и выдерживают сравнение с процедурными
системами во многих областях, примеры которых приведены, в частности, в
работе (Rychener, 1978).
Их структура управления позволяет принимать в расчет многочисленные
параметры, характеризующие ситуацию. Причина эффективности продукционных
правил заключается в том, что эти правила учитывают конкретные данные в
каждом случае.
3. Метазнание
Метазнание представляет собой любое знание о знании. Оно является
фундаментальным понятием для систем, которые не только используют свою базу
знаний такой, как она есть, но и умеют на ее основе делать выводы,
структурировать ее, абстрагировать, обобщать, а также решать, в каких
случаях она может быть полезна. Ввод знаний в систему является задачей не
только специалистов в данной области но и самой системы, которая должна
управлять этим процессом.
3.1. Метазнание объектов окружающего мира
Решение проблем, охватывающих большие объемы знаний, требует умения
обращаться с очень сложными и весьма различными типами данных, как по
содержанию, так и по взаимосвязи с другими элементами системы. Требуемая
информация должна не только присутствовать в программных комментариях и в
мыслях разработчика, но и быть доступной самой системе. Таким образом, с
каждым элементарным объектом может быть связано смысловое значение —
концепт. Например, в системах МЕСНО и MYCIN каждый из концептов содержит
следующую информацию:
а) описательную часть, которая уточняет характеристики и структуру данных;
б) указатель на все известные примеры концепта;
в) связи с другими концептами;
г) указатель в иерархии схем на группу концептов того же семейства.
Когда формулируется новое правило, которое содержит слово или группу
слов, неизвестных системе, она их анализирует с помощью имеющихся
концептов, используя контекст и последовательность слов правила. Более
того, если некоторые свойства известны из других примеров того же концепта,
то система в состоянии запросить у пользователя уточнения этого свойства
для данного случая. При необходимости она также обнаруживает нарушения
связи между концептами.
Подобные системы имеют возможность фиксировать все концепты одного и того
же иерархического уровня, изменение, внесенное экспертом в, один из них, а
также оценивать важность изменений, внесенных в базу данных, если в
определенную структуру добавляется новый пример.
Кроме того, продукционные правила могут характеризоваться моделями
правил. Эти модели создаются и управляются системой и учитывают
периодичность использования правил. Они занимаются проверкой соответствия
между новым правилом и базой, кроме того, именно они указывают эксперту на
главные тенденции множества правил даже в том случае, когда самих правил
эксперт не знает. Именно они обогащаются с каждым новым примером по мере
роста множества правил. В системе МЕСНО, например, сами формулировки задач
связаны с формой метазнания. Система постоянно пытается распознать в
формулировке стандартную ситуацию. Когда ей это удается, она дополняет
множество фактов всеми физическими гипотезами, справедливыми для данного
случая.
3.2. Метазнание стратегий
В продукционных системах стратегии также представлены в форме метаправил,
поскольку они затрагивают сами правила. Они являются изолированными и
доступными для системы. Эвристические законы управления поиском решения
используют эти метаправила в качественном и декларативном виде, вместо того
чтобы использовать количественные оценки. С применением числовых оценочных
функций связан риск ошибки: они плохо читаемы, отражаемый ими частичный
порядок приводит с сложным вычислениям, любая модификация приводит к
возможности появления ошибки.
Стратегии, заданные в форме метаправил, являются более четкими и
определенными. Выводы метаправил указывают на действия, которые необходимо
предпринять в рассматриваемой ситуации. Таким образом они реализуют
полезный потенциал, заключенный в множестве правил, и дают двойной эффект:
1) исключают определенные правила, не подходящие к данной ситуации, и тем
самым уменьшают дерево поиска;
2) осуществляют частичную классификацию других правил, частично
упорядочивая ветви дерева поиска.
Конечно же, можно и дальше увеличивать число уровней знания, строя
дополнительные этажи над уже имеющимся и увеличивая это сооружение
по мере роста интеллектуальности самой системы. При этом мы добиваемся
большей общности, так как тот же интерпретатор1 получает возможность
работать в различных областях, а также большей устойчивости, так как более
развитые модели не чувствительны к изменениям базы элементарных знаний.
По этой причине система CRYSALIS (Engelmore, 1979) включает три отдельных
уровня правил. Она предназначена для анализа протеинов, и размеры ее
пространства поиска очень важны с комбинаторной точки зрения. Классический
подход в данном случае неприменим. Правила сначала группируются в
подмножества (неразобщенные). Каждое подмножество предназначено для
определенной обработки и используется при выполнении соответствующих
условий. Соответствие между конечными классами и подмножествами правил
устанавливается с помощью правил заданий, которые составляют второй уровень
