Kapitola 4 Reprezentace znalost

Kapitola 4
Reprezentace znalostí
Malekùv zákon:
I ta nejjednodu¹¹í my¹lenka se dá vyjádøit slo¾itì.
Murphyho zákony
4.1 Pojem znalosti
Pojmy data, informace a znalost jsou mnohdy pou¾ívány jako synonyma. V¹imnìme
si jednoho pøístupu k rozli¹ení a denování tìchto pojmù.
Wiederhold [?] denuje znalosti a data z hlediska budoucích informaèních systémù jako komplementární pojmy. Vychází z rozboru rozhodovacího procesu, v nìm¾
expert vybavený znalostmi zva¾uje data relevantní pro daný problém a èiní rozhodnutí. Znalosti expert získal vzdìláním a zku¹eností. Vybraná data pøedstavují
informace o konkrétní situaci èi pøípadu.
1
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
2
Funkci znalostí a dat v procesu rozhodování znázoròuje schéma uvedená na obrázku ??.
Vzdìlání
Zku¹enost
R
@
Znalosti
Data
R
@
Informace
Rozhodování
?
Obr. 4.1: Data a znalosti
Typické je, ¾e zdroj znalostí (expert) a zdroj informací (shromá¾dìná data) jsou
odli¹né - zvlá¹tì v hospodáøských aplikacích nemá expert èas sbírat a ovìøovat data.
Rozli¹ení dat a znalostí je tedy podle nìj následující:
Jestli¾e se mù¾eme spolehnout pøi sbìru materiálu na automatický proces nebo úøedníka, hovoøíme o datech. Správnost dat vzhledem k reálnému svìtu
mù¾e být objektivnì verikována srovnáním s jeho opakovaným pozorováním.
Pøípadnì se stav svìta zmìní a musíme se spolehnout na pøedchozí pozorování.
Jestli¾e hledáme experta, který by poskytl materiál, potom hovoøíme o znalostech. Znalosti obsahují abstrakce a generalizace objemného materiálu. Typicky
jsou ménì pøesné a nemohou být objektivnì verikovány. Mnohé denice, nutné k organizaci systému, jsou také znalostmi; od expertù oèekáváme denice,
které jsou dùle¾itými stavebními kameny pro dal¹í abstrakce, kategorizace a
generalizace.
Data odrá¾ejí souèasný stav svìta na úrovni instancí, tak¾e obsahují mnoho detailù, jsou objemná a èasto se rychle mìní. Znalosti se tak èasto nemìní. Pojednávají
o generalizacích, o obecných zákonitostech. Rozdíl mezi daty a znalostmi se jeví podstatný v úvahách o aktualizaci, chybách v datech a nejistotì znalostí. Aplikace na
podporu øízení a plánování budou záviset zejména na znalostech adekvátních pro
rozhodovací postup a výjimky v datech budou spí¹e ignorovat.
Novì získaná data mohou být v rozporu s existujícími znalostmi. Ve velkých
databázích se v¾dy vyskytují chybné údaje, data, která jsou v rozporu se znalostmi,
4.1. POJEM ZNALOSTI
3
nemusí ihned vést k revizi znalostí. Jsou-li znalosti vybaveny faktory nejistoty, je
tøeba spí¹e tyto faktory za pomoci automatické uèící se procedury aktualizovat.
Nìkdy konikt mezi daty a znalostmi ukazuje na neúplnost báze znalostí a lze jej
vyøe¹it doplnìním dal¹ích znalostí, které pokrývají nové pøípady.
Jeden z problémù vztahu dat a znalostí spoèívá v tom, ¾e data na vy¹¹í úrovni
zpracování (napø. ji¾ agregovaná nebo jinak odvozená) se mohou jevit jako znalost vùèi ni¾¹í úrovni zpracování. To vede k úvahám o informaèních systémech s
mnohaúrovòovými strukturami.
Giarratano a Riley [?] uvádìjí tuto \pyramidu " pojmù (obr. ??). Nejní¾e v uvedené hierarchii je ¹um pøedstavující nezajímava a podezøelá data. O úroveò vý¹e jsou
data, pøedstavovaná potenciálnì zajímavými údaji. Zpracovaná data pak mù¾eme
chápat jako informace. Na dal¹í úrovni jsou znalosti (získané napø. zobecnìním informací) a nejvý¹e metaznalosti, které mù¾eme chápat jako \znalosti o znalostech"
neboli znalosti o tom, jak vyu¾ívat znalosti. V expertních systémech se nìkdy mluví
o rùzných typech znalostí: doménové znalosti zachycující znalosti z dané problémové
oblasti pøedstavují v této pyramidì znalosti, øídící znalosti, ukazující jak vyu¾ívat
doménové znalosti, pak pøedstavují metaznalosti.
A
A
A
A
A
A
A
metaznalosti
znalosti
informace
data
A
A
A
A
A
A
A
A
A
A
¹um
A
A
A
Obr. 4.2: Hierarchie znalostí
Pojem znalosti je vhodné chápat právì v rámci logiky usuzování a inferenèního
mechanismu, který ji prakticky realizuje. Za novou znalost pova¾ujeme tu informaci,
4
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
která není daným inferenèním mechanismem odvoditelná z ji¾ dostupných znalostí
(Ivánek [?]).
Znalosti pou¾ívané v expertních systémech mívají obvykle charakter mìlkých,
povrchových znalostí (shallow knowledge). Pozorujeme napøíklad u pacienta zvý¹enou teplotu a z ní usuzujeme na chøipku. Pøíèinná (kauzální) souvislost ale bývá
opaèná; organismus pacienta je napaden viry, to vybudí imunitní systém, zrychlí se
metabolismus a to vede ke zvý¹ené teplotì. V posledních letech se objevují tendence
takovéto pochopení jevù pou¾ít pøi tvorbì bází znalostí; pak se hovoøí o hlubokých,
kauzálních znalostech.
4.2 Predikátová logika
Predikátová logika je jedním z nejlépe prozkoumaným systémù pro reprezentaci a
zpracování znalostí. Aèkoli pùvodnì navr¾ená pro studium relace logického dùsledku,
stala se predikátová logika nebo v jiné terminologii teorie prvního øádu prototypem
schemat pro reprezentaci znalostí (viz zejména následující odstavec 4.3). Pùvodnì
byla predikátová logika zkoumána pro potøeby matematiky, ale brzy se ukázalo (zejména v souvislosti s rozvojem imformatiky), ¾e jde o velmi univerzální prostøedek,
umo¾òující analyzovat jazykové výrazy nezbytné právì pro reprezentaci znalostí v
mnoha na první pohled odli¹ných tématických oblastech. Navíc se tento prostøedek reprezentace ukázal jako výhodný pro studium odvoditelnosti (inference) mezi
tvrzeními, co¾ je patrnì ten nejvýznamnìj¹í pøíspìvek predikátové logiky pro porozumìní výpoètovým problémùm soudobé informatiky. Jistý fragment predikátové
logiky se rovnì¾ stal teoretickým základem jednoho z významných programovacích
jazykù pro umìlou inteligenci - Prologu [?].
Proto¾e predikátová logika byla po témìø celé dvacáté století pova¾ována za
minimum, které by ka¾dý matematik a informatik mìl ovládat, existuje relativní
dostatek dobrých uèebnic na rozmanitých úrovních hloubky a detailnosti výkladu.
Mù¾eme se zde tedy omezit na rekapitulaci základních pojmù a principù.
Na rozdíl od elementárního pohledu dvouhodnotové výrokové logiky (která stojí
v pozadí expertních systémù zalo¾ených na deklarativních pravidlech - viz dále), v
teoriích prvního øádu zkoumáme samotnou vnitøní strukturu výrokù, a proto musíme
zaèít specikací jazyka.
Jazyk PL obsahuje
individuové promìnné,
predikátové symboly,
4.2. PREDIKÁTOVÁ LOGIKA
popø. funkèní symboly a konstanty,
kvantikátory,
logické spojky (známé nám ji¾ z výrokové logiky).
5
Pøedpokládáme, ¾e konkrétní jazyk v¾dy obsahuje alespoò jeden predikátový
symbol (aby bylo o èem hovoøit), konstanty a funkèní symboly u¾ povinné nejsou
nebo» neroz¹iøují podstatnì vyjadøovací sílu jazykù prvního øádu - jsou ov¹em dobrou pomùckou jak pro zlep¹ení srozumitelnosti, tak pro vytvoøení \technického"
zázemí pro efektivní odvozování.
Po specikaci jazyka mù¾eme pøistoupit k obvyklému pojmu termu. Termy reprezentují v¹echna univerzální i speciální jména objektù o nich¾ mù¾e být pøi pou¾ití
daného jazyka øeè - vytváøejí se z individuových promìnných, konstant a funkèních
symbolù. Právì funkèní symboly slou¾í k vytváøení jmen slo¾itì strukturovaných
objektù. Predikátové symboly a kvantikátory pak slou¾í k vytváøení formulí, co¾
jsou právì ty jazykové výrazy, které reprezentují znalosti. Mezi nimi dùle¾itou roli
zastávají sentence { formule, které mají tu vlastnost, ¾e jim lze pøiøadit pravdivostní hodnotu a de facto se chovají jako výroky. Podobnì jako ve výrokové logice lze
vytvoøit syntaktický systém, který umo¾òuje analyzovat pojem dùkazu v teoriích
prvního øádu. Znamená to pøidat k \axiomùm výrokové logiky" (teï u¾ vyjádøeným v jazyce predikátové logiky) axiomy specikace a generalizace. Pojmy dùkazu
a dokazatelnosti se pak nezmìní.
Ze sémantického hlediska nejvýznamnìj¹í roli mají pojmy splnitelnost a interpretace èi modelu, co¾ je interpretace, která je pravdivá. V predikátové logice pak
platí, ¾e co je dokazatelné je i pravdivé (korektnost) a co je pravdivé, je i dokazatelné
(úplné).
Z výpoètového hlediska je dùle¾ité, ¾e existuje rozumný fragment predikátové
logiky, v nìm¾ je mo¾né logickou dokazatelnost automatizovat, tj. pøenechat stroji.
K tomu je tøeba si uvìdomit, ¾e libovolnou formuli lze PL lze vyjádøit v tzv. klauzulární podobì [?]. Omezíme-li se na klauzule Hornovy (klauzule, které mají nejvý¹e
jeden pozitivní literál) lze zaruèit, ¾e se v¾dy najde procedura, která o dokazatelnosti rozhodne. V obecném pøípadì tomu tak bohu¾el není. Pro potøeby znalostního
in¾enýrství omezení na Hornovy klauzule v¹ak není pøíli¹ omezující, nebo» v takto
omezeném formalismu lze vyjádøit vìt¹inu \rozumných" teorií. V¹echno je to zalo¾eno na Herbrandovì vìtì, která dokazatelnost formule (klauzule) ' v teorii T , tj
otázku zda T ` ' pøevádí na nesplnitelnost teorie T [ f:'g.
Metoda dokazování je obvykle zalo¾ena na Robinsonovì rezoluèním pravidle,
které { zhruba øeèeno { øíká, ¾e z premis, z nich¾ jedna obsahuje pozitivní literál
a druhá tentý¾ literál s negací je odvoditelná klauzule, která je disjunkcí \zbytkù"
obou pùvodních klauzulí.
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
6
Pøedností schematu reprezentace znalostí v logice je pøedev¹ím
jednoduchá metoda aktualizace znalostí
Vlo¾it do báze znalostí novou polo¾ku neèiní (na rozdíl od tøeba sémantických sítí
èi rámcù - viz dále) ¾ádné potí¾e. Znalostní in¾enýr se nemusí starat o souvislosti
jednotlivých polo¾ek báze znalostí. Stejnì tak je tomu pøi ru¹ení znalostí, daná
polo¾ka se prostì jen vyma¾e.
Masivní atomizace znalostí v¹ak pøiná¹í i nevýhody. Není toti¾ patrné jak spolu
jednotlivé formule souvisejí, které formule jsou relevantní pro dokazování èi odvozování, báze znalostí zalo¾ená jen na seznamu platných formulí je málo strukturovaná.
K tomuto problému se je¹tì vrátíme v odstavci o inferenèním mechanismu.
4.3 Pravidla
Pravidla pøedstavují nejpou¾ívanìj¹í prostøedek pro reprezentaci znalostí v expertních systémech. Pravidla jako¾to IF-THEN struktury jsou dobøe známy z programovacích jazykù, sémantika pravidel vychází z implikací ve výrokové logice (tab. ??).
A
0
0
1
1
B A =) B
0
1
1
1
0
0
1
1
Tabulka 4.1: Pravdivostní hodnoty implikace
Pravidla mohou být chápána dvojím zpùsobem; procedurálnì nebo deklarativnì:
(1)
(2)
jestli¾e situace pak akce
jestli¾e pøedpoklad pak závìr
Pøijmeme-li první (procedurální) interpretaci, pak hovoøíme o produkèních pravidlech (pota¾mo systémemch); nastala-li pøíslu¹ná situace, systém provede danou
akci. Tento zpùsob chápání pravidel je bì¾ný v generativních expertních systémech.
Druhá interpretace odpovídá diagnostickým expertním systémùm; je-li splnìn pøíslu¹ný pøedpoklad, systém odvodí daný závìr. Druhá (deklarativní) interpretace je
4.3. PRAVIDLA
7
vlastnì speciálním pøípadem interpretace první, provádí se jediná standardní akce odvození závìru.
Pøíkladem první interpretace je pravidlo z generativního systému R1/Xcon
(obr. ??), pøíkladem druhé interpretace je pravidlo z diagnostického systému Mycin
(obr. ??). Nìkdy mù¾e mít pravidlo jak závìr, který se odvozuje, tak akce, které se
vykonají v pøípadì, ¾e jsou splnìny pøedpoklady pravidla. Pøíkladem systému, který
toto umo¾òuje, mù¾e být vývojové prostøedí Nexpert Object; ukázka pravidla z báze
PRINC je uvedena na obrázku ?? (závìr pravidla je zde oznaèen jako hypotéza).
IF
The current context is assigning devices to Unibus models and
There is an unassigned dual-port disk drive and
The type of controller it requires is known and
There are two such controllers, neither of which has any devices
assigned to it, and
The number of devices that these controllers can support is known
THEN
Assign the disk drive to each of the controllers,
and
Note that the two controllers have been associated and that each
supports one drive
Obr. 4.3: Pravidlo v systému R1/XCON
IF
The
The
The
The
The
site of the culture is blood, and
identity of the organism is not known with certainty, and
stain of the organism is gramneg, and
morfology of the organism is rod, and
patient has been seriously burned
THEN
There is a weakly suggestive evidence (.4) that the identity
of the organism is pseudomonas
Obr. 4.4: Pravidlo v systému MYCIN
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
8
(@RULE= r1
(@LHS=
(Is (current_adept.size_of_feet) ("small"))
(Yes (good_parents))
)
(@HYPO= adept_evaluation)
(@RHS=
(Let (current_adept.status) ("Prince"))
(Show ("princ_ye.txt") (@KEEP=FALSE;@WAIT=TRUE;))
)
)
Obr. 4.5: Pravidlo v systému Nexpert Object
IF-THEN struktura mù¾e být samozøejmì roz¹íøena do podoby IF-THEN-ELSE;
tak je tomu napø. u prázdného expertního systému Exsys. Toto roz¹íøení slou¾í
pøedev¹ím pro zvý¹ení pohodlí u¾ivatele pøi tvorbì báze. Je snadno vidìt, ¾e pravidlo
IF a
THEN b
ELSE c
lze (bez ztráty kytièky) zapsat jako dvì pravidla
IF
a
IF NOT a
THEN b
THEN c.
Na¹e pozornost bude zamìøena pøedev¹ím na \diagnostická" pravidla. V pøedpokladu takových pravidel je obvykle kombinace (typicky konjunkce)1 nìjakých tvrzení, závìr pak bývá (jedno) tvrzení, které se odvodí, pokud jsou tvrzení v pøedpokladu
splnìna (tak to alespoò myslel expert). Tvrzení (a» u¾ v pøedpokladu nebo v závìru)
mù¾e mít podobu:
výroku
napø. auto má èervenou barvu
takovouto podobu mají tvrzení napø. v expertním systému Sak
dvojce atribut, hodnota
napø. barva auta = èervená
takovouto podobu mají tvrzení napø. v expertním systému M4
Zamý¹lenou disjunkci v pøedpokladu napø. IF
pravidel IF a THEN c a IF b THEN c.
1
a OR b THEN c mù¾eme vyjádøit pomocí dvou
4.3. PRAVIDLA
9
trojce objekt, atribut, hodnota
napø. auto: barva = èervená
takovouto podobu mají tvrzení napø. v expertním systému Nexpert Object
Pravidla v bázi znalostí je mo¾no znázornit v podobì AND/OR grafu. Zde uzly grafu pøedstavují výroky a orientované hrany pøedstavují pravidla. Vazba mezi
výroky v pøedpokladu pravidla se znázoròuje oblouèkem. Tedy sadì pravidel
!
!
!
!
A
D
-A
B & C
D
E
F
F
odpovídá AND/OR graf uvedený na obázku ??.
E
F
DD
D
D
D
D
D
D
D
D
D
A
B
C
Obr. 4.6: AND/OR graf
Výroky v bázi znalostí lze rozdìlit do tøí skupin: cíle jsou výroky které nejsou v
pøedpokladu ¾ádného pravidla, (tedy koøeny v AND-OR grafu), dotazy jsou výroky,
které nejsou v závìru ¾ádného pravidla (tedy listy v AND-OR grafu) a mezilehlé
výroky, které jsou jak v pøedpokladech, tak v závìrech pravidel. Mezilehlé výroky
zpùsobují zøetìzení pravidel (závìr jednoho pravidla je v pøedpokladu pravidla jiného), báze znalostí tedy mù¾e mít bohat¹í strukturu ne¾ jen vazby pøímo mezi dotazy
a cíli. Báze znalostí ale nesmí obsahovat cykly (nesmí existovat sekvence pravidel
A1 ! A2, A2 ! A3, An 1 ! An, ... ,An ! A1).
10
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
Obr. 4.7: Medvídek
4.4 Sémantické sítì
Sémantické sítì byly navr¾eny v druhé pol. 60.let v rámci prací na porozumìní
pøirozenému jazyku jako model asociativní pamìti èlovìka (Quilian). Sémantická sí»
umo¾òuje popisovat realitu jako objekty, které jsou navzájem v nìjakých vztazích
(relacích). Sémantická sí» má pøirozenou grafovou reprezentaci; objekty jsou uzly
a relace mezi nimi jsou hrany v grafu. Relace v sémantických sítích pøedstavují
základní prostøedek pro vyjadøování znalostí. Osvìdèilo se pou¾ívat nìkteré typické
relace; jsou to IS-A (ISA), A-KIND-OF (AKO) a PART-OF. IS-A (is an instance
of) umo¾òuje vyjádøit, ¾e nìjaký konkretní objekt (instance) patøí do urèité tøídy
objektù. Relace A-KIND-OF umo¾òuje vyjadøovat hierarchii tøíd, PART-OF umo¾ní
vyjádøit, ¾e objekt (tøída objektù) je tvoøen èástmi (napø. motor a kola jsou èástí
auta).
Pøíkladem mù¾e být obrázek 4.1 zachycující pøíklady a protipøíklady konceptu \brána" a pøislu¹nou sémantickou sí», která odpovídá tomuto konceptu. Tento
pøíklad byl pøevzat z [?]. Jiný pøíklad sémantické sítì je uveden na obrázku 4.1.
4.5 Rámce
Rámce byly navr¾eny v pol.60. let Marvinem Minskym jako prostøedek pro reprezentaci znalostí. Rámce v pùvodní pøedstavì mìly umo¾òovat reprezentovat stereotypní situace. Práce s rámci mìla být zalo¾ena na postupném vyplòování stránek,
do kterých se zapisují hodnoty polo¾ek (vlastnosti). Pøitom se hojnì vyu¾ívá pøeddenovaných hodnot.
4.5. RÁMCE
11
Rámce dobøe umo¾òují vyjádøit statické znalosti, tedy nìjakou hierarchii pojmù
(za pou¾ití polo¾ek ako) nebo dekompozici (za pou¾ití polo¾ek part-of). Vazba mezi
rámci se dá (podobnì jako u sémantických sítí) znázornit grafem. Pøíklad hierarchie
rámcù je na obrázku ??. Na rozdíl od semantických sítí mají uzly v grafu (rámce)
vnitøní strukturu.
Auto
ako: Vozidlo
pohon: motor
...
Osobní auto
Nákladní auto
ako: Auto
pohon: motor
úèel: pøeprava osob
...
ako: Auto
pohon: motor
úèel: pøeprava nákladu
...
Ford
ako: Osobní auto
pohon: motor
úèel: pøeprava osob
výrobce: Ford
...
Obr. 4.8: Rámce
Rámce bývají obvykle doplnìny o pravidla, která umo¾òují odvozovat v bázi
znalostí.
V souèasné dobì rámce pronikly do programovacích jazykù. Zde se pro nì pou¾ívá název objekty; pøíslu¹ný styl programování vyu¾ívající objekty se pak nazývá
objektovì orientované programování. Základní charakteristiky OOP jsou
zapouzdøení (encapsulation): spojení denice datových struktur (vlastností objektu) s procedurami (metodami), které je pou¾ívají, do jednoho datového
typu, tzv objektu
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
12
napø: type
kruh = objekt(Bod)
Polomìr: Integer
procedure Init(InitX, InitY, InitPolomìr)
procedure Zobraz
procedure Skryj
end
dìdiènost (inheritance): mo¾nost vytváøet hierarchickou strukturu objektù,
kdy objekty na ni¾¹í úrovni (dìti) dìdí denice datových typù i metod od
objektù na vy¹¹í úrovni (rodièe)
napø:
Poloha = objekt
X, Y: Integer
|
|
Bod = objekt(Poloha)
Viditelný: Boolean
procedure Zobraz
procedure Skryj
|
|---------------------|--------------------------|
Ètverec = objekt(Bod)
Kruh = objekt(Bod)
Trojúhelník = objekt(Bod)
. . .
Polomìr: Integer
. . .
procedure Zobraz
procedure Skryj
polymorsmus: metoda, která se pod tým¾ jménem dìdí v hierarchii objektù,
mù¾e mít na ka¾dé úrovni hierarchie jinou podobu,
napø:
Bod.Zobraz
Ètverec.Zobraz
Kruh.Zobraz
Trojúhelník.Zobraz
V pøípadì pou¾ití rámcù pro reprezentaci znalostí má nejvìt¹í význam dìdiènost
(lze dìdit polo¾ky i jejich hodnoty; obvyklé je dìdìní shora dolù) a zapouzdøení
(souèástí rámce jsou kromì datových struktur i procedury pro práci s nimi). Mezi
(komerènì dostupné) systémy vyu¾ívající rámce (objekty) patøí napø. Nexpert Object
4.5. RÁMCE
13
nebo PC-Kappa pro osobní poèítaèe nebo CLOS (Common Lisp Object System),
který se stal \standardem" pro pou¾ívání rámcù na pracovních stanicích.
Rámce v systému Nexpert Object umo¾òují pou¾ívat (násobné) dìdìní polo¾ek
i jejich hodnot. Slovem objekt se zde oznaèuje jak vìt¹í skupina (tøída), tak i prvek z této skupiny (instance). Tøídy umo¾òují vytváøet hierarchie pojmù, lze rovnì¾ pracovat se subobjekty, které jsou èástí jiných objektù (napø. procesor je èástí
poèítaèe). Vlastnosti (properties) slou¾í k popisu objektù, hodnoty vlastností jsou
uchovávány v polo¾kách (slots). Objekty mají kromì \bì¾ných" polo¾ek také metapolo¾ky umo¾òující popisovat vlastnosti (chování) polo¾ek. Pøíkladem je metapolo¾ka if-change urèující co se má stát, zmìní-li se hodnota pøíslu¹né polo¾ky,
nebo metapolo¾ka order-of-sources urèující, jakým zpùsobem se má získat nová hodnota polo¾ky (mo¾nosti jsou inference, dìdìní, dotaz u¾ivateli, inicializace
na zaèátku konzultace, externí procedura). Tyto metapolo¾ky umo¾òují denovat
procedury, které se mají provést. If-change metapolo¾kám se øíká démony. Nexpert
umo¾òuje pou¾ívat tøi základní typy dìdìní: (1) dìdìní vlastností, (2) dìdìní hodnot
a (3) dìdìní metapolo¾ek. Pøíklad hierarchie objektù (pro bázi PRINC) je uveden
na obrázku ??.
(@CLASS=
people
(@SUBCLASSES=
adept
parents))
(@CLASS=
adept
(@PROPERTIES=
parents_status
size_of_feet
status))
(@CLASS=
parents
(@PROPERTIES=
blue_blood
property))
Obr. 4.9: Objekty v bázi PRINC
Mo¾nost násobného dìdìní hodnot polo¾ek mù¾e vést k inkonsistencím. Ve známém pøíkladu \Nixonova kosoètverce" (obr. ??) nelze dìdìním jednoznaènì zjis-
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
14
tit, jestli Nixon je nebo není pacista. Nìkteré systémy v takovém pøípadì ¾ádnou
hodnotu nepøiøadí, jiné uva¾ují obì mo¾nosti, dal¹í vy¾adují speciální znalosti pro
vyøe¹ení tohoto rozporu.
pacista
@
I
@
@
@
republikán
kvaker
@
I
@
@
@
republikán
kvaker
Obr. 4.10: Nixonùv kosoètverec
4.6 Pomocné prostøedky reprezentace znalostí
Kromì vý¹e popsaných prostøedkù pro reprezentaci znalostí mù¾eme u øady systémù
nalezt i dal¹í (pomocné) mo¾nosti jak zachytit vazby mezi prvky báze znalostí.
Uveïme napøíklad
kontexty,
implikace,
integritní omezení.
Kontexty (kontextové vazby) popisují situace, kdy to, zda se bude vyhodnocovat
nìjaké tvrzení závisí na tom, ¾e jiné tvrzení ji¾ bylo vyhodnoceno. Èasto citovaným
pøíkladem kontextové vazby je, ¾e u pacienta má smysl zji¹»ovat graviditu pouze v
pøípadì, ¾e ji¾ víme, ¾e pacient je ¾ena. Kontextovì mohou být vázány výroky (napø.
systém Fel-expert), pravidla (napø. systém Sak) nebo èásti báze znalostí (napø.
systém Nexpert Object). Kontexty samy o sobì nemají vliv na výsledek konzultace,
4.6. POMOCNÉ PROSTØEDKY REPREZENTACE ZNALOSTÍ
15
jen øídí její prùbìh. Navenek se pou¾ití kontextù jeví jako \inteligentnìj¹í" zpùsob
kladení dotazù systémem v prùbìhu konzultace.
Implikace (pou¾ité napø. v systému Vex [?]) umo¾òují vyjádøit vazby ekvivalence nebo inkluze mezi tvrzeními v bázi 2. Implikace tak doplòují pravidla o dal¹í
výrazové prostøedky. Ekvivalence A ==> B, B ==> A vyjádøená pomocí pravidel by
znamenala cyklus, který je v bázi znalostí nepøípustný. Implikace rovnì¾ umo¾òují
vyjádøit vazby mezi cíly (pacient má chøipku ==> not(pacient je zdravý)), co¾
pomocí pravidel rovnì¾ nelze 3.
Implikace (tak jak byly pou¾ity v systému Vex) vyjadøují logické vazby mezi
tvrzeními, které mají platit bez ohledu na konzultaci pro daný pøípad. Po skonèení
inference v síti pravidel byly tedy implikace pou¾ity ke korekci odvozených vah.
Integritní omezení podobnì jako implikace vyjadøují vazby mezi tvrzeními. Na
rozdíl od implikací se nepodílí na odvozování, slou¾í jen jako jakási \kontrola", ¾e
doporuèený závìr vyhovuje dal¹ím po¾adavkùm.
Studie provedená na nìkterých èeských expertních systémech ukazuje, ¾e pomocné prostøedky nemají vliv na výsledek konzultace, ovlivòují ale prùbìh konzultace
tím, ¾e \oøezávají" prohledávaný prostor [?]. U¾ivateli se toto jeví jako zmen¹ení
poètu polo¾ených dotazù.
A
expert
13
pravidla, kontexty
32
pravidla, kontexty
36
pravidla, kontexty, implikace 36
pravidla
48
konzultace
B C D
22 22 22
33 35 38
29 36 37
23 33 35
48 48 48
E
18
33
33
33
48
Tabulka 4.2: Poèty dotazù dle prostøedkù pro reprezentaci znalostí
Ve zmiòované studii byla stejná báze znalostí implementována v rùzných expertních systémech vyu¾ívajících pravidla pro reprezentaci znalostí a pracujících
komposicionálním zpùsobem s neurèitostí. Nìkteré z tìchto systémù nabízely i pomocné prostøedky (kontexty, implikace). Provedené konzultace ukázaly, ¾e systémy,
Nìco z toho, napø. inkluzi lze vyjádøit i rámci.
Pøedpokládáme, ¾e cíle jsou (z denice) ta tvrzení, která nejsou v pøedpokladu ¾ádného
pravidla.
2
3
KAPITOLA 4. REPREZENTACE ZNALOSTÍ
16
které pracovaly pouze s pravidly, polo¾ily v prùbìhu konzultace v¹echny dotazy (v
bázi znalostí bylo celkem 48 dotazù), systémy vyu¾ívající dal¹í prostøedky pro reprezentaci znalostí polo¾ily podstatnì ménì dotazù (i kdy¾ jich bylo v¾dy více, ne¾
kolik jich polo¾il expert (viz tab.??) 4).
4.7 Porovnání prostøedkù reprezentace znalostí
Pravidla jsou nejpou¾ívanìj¹í prostøedek pro reprezentaci znalostí. Jejich výhodou
je jednoduchost a srozumitelnost (expert se èasto vyjadøuje zpùsobem, který lze
pøímo kódovat jako pravidla) a modularita (snadno se aktualizuje báze znalostí).
Nevýhodou je, ¾e v bázi tvoøené (nestrukturovaným) souborem pravidel jsou èasto
implicitnì skryty strategické znalosti o zpùsobu øe¹ení úlohy (napø. v Saku poøadí
pravidel v bázi urèuje zpùsob vedení konzultace). Pravidla rovnì¾ neumo¾òují vyjadøovat strukturální znalosti v dané aplikaèní oblasti; typickým pøíkladem takovýchto
znalostí jsou taxonomie.
Rámce byly navr¾eny pro reprezentování stereotypních znalostí, pøedstavují napø.
vhodný prostøedek pro zachycení inherentní struktury nìjakých konceptù. Jsou rovnì¾ vhodné pro aplikace, kde se provádí porovnávání (pattern-matching) mezi daty
a hypotézami.
Rámce mají ale i své nevýhody. Vzhledem k provázanosti rámcù mù¾e pøítomnost nebo nepøítomnost jiných rámcù ovlivnit polo¾ky v daném rámci (znalosti reprezentované pomocí rámcù jsou tedy mémì modulární). Jiným problémem je, ¾e
systémy pou¾ívající rámce obvykle neumo¾òují rozli¹it mezi \základními" vlastnostmi (hodnotami polo¾ek), které musí mít ka¾dá instance daného rámce a vlastnostmi
\doplòkovými" vlastnostmi, které pøíslu¹né instance mohou, ale nemusí mít. To, ¾e
hodnota polo¾ky mù¾e být zmìnìna kdekoliv v hierarchii rámcù znamená, ¾e nelze
zaruèit, ¾e nìkteré vlastnosti jsou spoleèné [?].
Souèasné nástroje pro tvorbu aplikací mohou nabízet více ne¾ jen jeden prostøedek pro reprezentaci znalostí. Pak hovoøíme o hybridních schématech reprezentazce.
Nejèastìji se kombinují pravidla a rámce (objekty). Vhodný prostøedek pro reprezentaci znalostí souvisí i s typem a slo¾itostí aplikace. Harmon [?] uvádí následující
tabulku (Tab. ??), ze které je patrné, ¾e pro slo¾itìj¹í aplikace je zapotøebí pou¾ít i
slo¾itìj¹í nástroje (s bohatìj¹ími výrazovými prostøedky).
Nejen, ¾e systémy kladly v¾dy více dotazù ne¾ expert, vydaly rovnì¾ i více doporuèení (závìrù s
kladnou vahou) ne¾ expert. Závìr ze studie tedy byl, ¾e expert se ve srovnání s expertním systémem
snáze zamìøí na to podstatné a zú¾í svoji pozornost na men¹í poèet mo¾ných závìrù.
4
4.7. POROVNÁNÍ PROSTØEDKÙ REPREZENTACE ZNALOSTÍ
typ úlohy reprezentace znalostí nástroje
diagnostika
pravidla
malé
monitorování
pravidla
malé/støední
design
pravidla/hybridní støední/velké
plánování
hybridní
velké
Tabulka 4.3: Vhodná reprezentace znalostí pro rùzné aplikace
17