3. ცოდნის მიღების სტრატეგიები
1. ცოდნა, ცოდნის სახეები, ცოდნის ბაზები, ცოდნის ბანკები
„ცოდნის“ ცნების სხვადასხვაგვარი განმარტება არსებობს.
ცოდნა არის საგნობრივი სფეროს ძირითადი შაბლონები, რომლებიც საშუალებას აძლევს ადამიანს გადაწყვიტოს კონკრეტული საწარმოო, სამეცნიერო და სხვა ამოცანები, ანუ ფაქტები, ცნებები, ურთიერთობები, შეფასებები, წესები, ევრისტიკა (სხვა შემთხვევაში რეალურად ცოდნა), ასევე გადაწყვეტილების მიღების სტრატეგიები. ამ სფეროში (სხვაგვარად სტრატეგიული ცოდნა).
„ცოდნაში“ იგულისხმება ფორმალიზებული ინფორმაცია, რომელსაც მიმართავენ ან იყენებენ პრობლემის გადაჭრის პროცესში.
საგნის სფეროს შესახებ ცოდნა მოიცავს ობიექტების, მათი გარემოს, აუცილებელი ფენომენების, ფაქტების აღწერას, აგრეთვე მათ შორის ურთიერთობებს. „ცოდნის“ ცნების სირთულე მდგომარეობს მისი მატარებლის მრავალფეროვნებაში და „მონაცემების“ ცნებისაგან განუყოფლობაში.
საგნობრივი სფეროს შესახებ ცოდნის ფორმალიზაციის რამდენიმე დონე არსებობს:
ცოდნა ადამიანის მეხსიერებაში;
ცოდნა საგნის არეალის ენობრივი მოდელის სახით, რომელიც გამოიყენება პირის მიერ და ჩაწერილია ფიზიკურ მედიაზე კონტექსტზე მგრძნობიარე ენების, გრაფიკული სურათების და ა.შ.
კომპიუტერში გამოყენებისას მათი წარმოდგენის ფორმალიზებული ცოდნა;
ფაქტობრივი ინფორმაცია ან მონაცემები.
ცოდნა ჩვეულებრივ იყოფა 2 ფართო კატეგორიად: ფაქტები და ევრისტიკა. პირველი კატეგორია (ფაქტები) მიუთითებს ცნობილ გარემოებებზე კონკრეტულ საგანში. ასეთ ცოდნას ასევე უწოდებენ ტექსტურს, რაც ნიშნავს მათ საკმარის გაშუქებას სპეციალიზებულ ლიტერატურასა და სახელმძღვანელოებში. მეორე კატეგორია (ევრისტიკა) ეფუძნება საგნობრივი სფეროს სპეციალისტის (ექსპერტის) ინდივიდუალურ გამოცდილებას, რომელიც დაგროვდა მრავალწლიანი პრაქტიკის შედეგად. ეს კატეგორია ხშირად გადამწყვეტ როლს თამაშობს ინტელექტუალური პროგრამების მშენებლობაში.
ცოდნის ბაზა არის მოდელების, წესებისა და ფაქტორების (მონაცემების) ერთობლიობა, რომელიც წარმოქმნის ანალიზს და დასკვნებს გარკვეული საგნობრივი სფეროს რთული პრობლემების გადაწყვეტის მოსაძებნად.
2. ცოდნის წარმოდგენის მოდელები
ცოდნის წარმოდგენის ყველაზე გავრცელებული მოდელებია:
წარმოების სისტემები;
ლოგიკური მოდელები;
სემანტიკური ქსელები.
წარმოების სისტემებშიცოდნა წარმოდგენილია, როგორც სპეციალური საინფორმაციო ერთეულების ნაკრები, რომელსაც აქვს შემდეგი სტრუქტურა. ზოგადად, წარმოების სისტემა მოიცავს შემდეგ კომპონენტებს:
მონაცემთა ბაზა, რომელიც შეიცავს ბევრ ფაქტს;
წესების ბაზა, რომელიც შეიცავს პროდუქციის კომპლექტს;
თარჯიმანი (დასკვნის ძრავა) ან პროდუქტებთან მუშაობის წესები.
წესების ბაზა და მონაცემთა ბაზა ქმნის ცოდნის ბაზას.
მონაცემთა ბაზაში არსებული ფაქტები მოკლევადიანი ინფორმაციაა და, პრინციპში, შეიძლება შეიცვალოს პროდუქტის სისტემის განმავლობაში გამოცდილების მიღებისას.
წესები უფრო გრძელვადიანი ინფორმაციაა და შექმნილია ჰიპოთეზების (ახალი ფაქტების) გენერირებისთვის, რაც უკვე ცნობილია.
პროდუქტებს ცოდნის წარმოდგენის სხვა ფორმებთან შედარებით აქვთ შემდეგი უპირატესობები:
მოდულარულობა;
სტრუქტურის ერთგვაროვნება (წარმოების სისტემის ძირითადი კომპონენტები შეიძლება გამოყენებულ იქნას ინტელექტუალური სისტემების ასაგებად სხვადასხვა პრობლემური ორიენტაციის მქონე);
ბუნებრიობა (საწარმოო სისტემაში დასკვნის დასკვნა მრავალი თვალსაზრისით ჰგავს ექსპერტის მსჯელობის პროცესს);
ცნებების ზოგადი იერარქიის მოქნილობა, რომელიც მხარდაჭერილია მხოლოდ როგორც წესებს შორის კავშირები (წესის შეცვლა გულისხმობს იერარქიის შეცვლას).
თუმცა, წარმოების სისტემები არ არის თავისუფალი ნაკლოვანებებისაგან:
დასკვნის პროცესი ნაკლებად ეფექტურია, ვიდრე სხვა სისტემებში, ვინაიდან დასკვნის დროის უმეტესი ნაწილი იხარჯება წესების გამოყენებადობის შემოწმებაზე;
ამ პროცესის მართვა რთულია;
ძნელი წარმოსადგენია ცნებების ზოგადი იერარქია.
ცოდნის წარმოდგენის ლოგიკური მოდელებიხორციელდება პრედიკატების ლოგიკის საშუალებით.
პრედიკატი არის ფუნქცია, რომელიც იღებს მხოლოდ ორ მნიშვნელობას - true და false - და მიზნად ისახავს ობიექტების თვისებების ან მათ შორის ურთიერთობების გამოხატვას.
გამოთქმას, რომელიც ამტკიცებს ან უარყოფს ობიექტის რაიმე თვისების არსებობას, წინადადება ეწოდება.
ჩარჩოყველაზე ხშირად განისაზღვრება, როგორც მონაცემთა სტრუქტურა სტერეოტიპული სიტუაციების წარმოსადგენად. ჩარჩოები (სიტყვასიტყვით - "ჩარჩო") არის ცოდნის წარმოდგენის ერთეული, რომლის დეტალები შეიძლება შეიცვალოს არსებული სიტუაციის შესაბამისად. ჩარჩოს ნებისმიერ დროს შეიძლება დაემატოს სხვადასხვა ინფორმაცია ამ ჩარჩოს გამოყენების გზებთან, ამ გამოყენების შედეგებთან და ა.შ.
სემანტიკური ქსელი აღწერს ცოდნას ქსელის სტრუქტურების სახით. ქსელის კვანძები არის ცნებები, ფაქტები, ობიექტები, მოვლენები და ა.შ., ხოლო ქსელის რკალი არის ის ურთიერთობები, რომლებითაც კვანძები ერთმანეთთან არის დაკავშირებული.
3. ცოდნის მიღების სტრატეგიები
ცოდნის მიღების რამდენიმე სტრატეგია არსებობს. ყველაზე გავრცელებული:
- ექსტრაქცია;
- შეძენა;
- აღმოჩენა (ფორმირება).
სურათი 1 - ცოდნის მიღების სამი სტრატეგია
ცოდნის მოპოვება არის ცოდნის ინჟინრის ურთიერთქმედების პროცედურა ცოდნის წყაროსთან, რის შედეგადაც ნათელი ხდება ექსპერტ-ექსპერტების მსჯელობის პროცესი გადაწყვეტილების მიღებისას და მათი იდეების სტრუქტურა საგნის მიმართულების შესახებ.
სურათი 2 - ცოდნის მოპოვების მეთოდების კლასიფიკაცია
ცოდნის მიღება გაგებულია, როგორც ცოდნის ბაზის ავტომატური აგების მეთოდი ექსპერტსა და სპეციალურ პროგრამას შორის დიალოგის გზით (ამ შემთხვევაში, ცოდნის სტრუქტურა წინასწარ არის დაპროგრამებული პროგრამაში). ეს სტრატეგია მოითხოვს საგნის არეალის მნიშვნელოვან წინასწარ განვითარებას. ცოდნის შეძენის სისტემები იძენენ მზა ცოდნის ნაწილებს სისტემის დიზაინერების მიერ დადგენილი სტრუქტურების მიხედვით. ამ ინსტრუმენტების უმეტესობა კონკრეტულად არის ორიენტირებული კონკრეტულ საექსპერტო სისტემებზე მკაცრად განსაზღვრული საგნობრივი სფეროთი და ცოდნის წარმოდგენის მოდელით, ე.ი. არ არის უნივერსალური.
ტერმინი ცოდნის აღმოჩენა (ფორმირება) ტრადიციულად ენიჭება ცოდნის ინჟინერიის უკიდურესად პერსპექტიულ და აქტიურად განვითარებად სფეროს, რომელიც ავითარებს მოდელებს, მეთოდებსა და ალგორითმებს მონაცემთა ანალიზისთვის ცოდნის შეძენისა და სწავლისთვის. ეს სფერო მოიცავს ინდუქციურ მოდელებს ტრენინგის ნიმუშებზე დაფუძნებული ჰიპოთეზების გენერირებისთვის, ანალოგიით სწავლისა და სხვა მეთოდებით.
4. ცოდნაზე დაფუძნებული სისტემების თვისებები
სურათი 3 - ცოდნაზე დაფუძნებული სისტემების თვისებები
5. ცოდნაზე დაფუძნებული სისტემების დახმარებით პრობლემების გადაჭრის მიზანშეწონილობის კრიტერიუმები
დიაგრამა 4 - ცოდნაზე დაფუძნებული სისტემების გამოყენებით პრობლემების გადაჭრის მიზანშეწონილობის კრიტერიუმები
6. ცოდნაზე დაფუძნებული სისტემების გამოყენება
ცოდნაზე დაფუძნებული სისტემების გამოყენების სფეროები ძალიან მრავალფეროვანია:
წარმოება;
სამხედრო განაცხადები;
Მედიცინა;
სოციოლოგია;
გეოლოგია;
სოფლის მეურნეობა;
კონტროლი;
იურისპრუდენცია;
7. ცოდნაზე დაფუძნებული სისტემების დახმარებით გადაჭრილი პრობლემების სახეები
ცოდნაზე დაფუძნებული სისტემების დახმარებით გადაჭრილი ამოცანების სახეები:
სიმბოლოების ან სიგნალების ინტერპრეტაცია - შეყვანის მონაცემების მიხედვით სემანტიკური აღწერილობის შედგენა;
დიაგნოსტიკა - გაუმართაობის (დაავადებების) იდენტიფიცირება სიმპტომების მიხედვით;
მონიტორინგი - ობიექტის ცვალებად მდგომარეობაზე დაკვირვება და მისი მაჩვენებლების შედარება დადგენილ ან სასურველთან;
დიზაინი - განსაზღვრული თვისებების მქონე ობიექტის შემუშავება დადგენილი შეზღუდვების დაცვით;
პროგნოზირება - შედეგების, დაკვირვებული სიტუაციების განსაზღვრა;
დაგეგმვა - ობიექტის სასურველ მდგომარეობამდე მიმავალი მოქმედებების თანმიმდევრობის განსაზღვრა;
კონტროლი - ზემოქმედება ობიექტზე სასურველი ქცევის მისაღწევად;
ტრენინგი არის ახსნა ან კონსულტაცია ცოდნის კონკრეტულ სფეროში.
ცოდნაზე დაფუძნებული სისტემები დანერგილია შემდეგი ინტელექტუალური ალგორითმების საფუძველზე:
საექსპერტო სისტემები;
Ნეირონული ქსელები;
ბუნდოვანი ლოგიკა;
გენეტიკური ალგორითმები.
რადგან ცოდნაზე დაფუძნებული სისტემები იყენებენ ინტელექტუალურ ალგორითმებს, ასეთ სისტემებს ზოგჯერ უწოდებენ ხელოვნურ ინტელექტის სისტემებს.
საექსპერტო სისტემები (ES) არის კომპიუტერული პროგრამები, რომლებიც იყენებენ ხელოვნური ინტელექტის პრინციპებს და ექსპერტის ფორმალიზებულ ცოდნას ოპერატიული ინფორმაციის დასამუშავებლად და ინფორმირებული გადაწყვეტილებების მისაღებად გაანალიზებულ საგანში.
საექსპერტო სისტემებში სპეციალიზებული ცოდნა ფართოდ გამოიყენება ადამიანური ექსპერტის დონეზე პრობლემების გადასაჭრელად. ტერმინი „ექსპერტი“ გულისხმობს ადამიანს, რომელსაც აქვს საექსპერტო ცოდნა კონკრეტულ სფეროში. ეს ნიშნავს, რომ ექსპერტს აქვს ცოდნა ან სპეციალური უნარები, რომლებიც უცნობი ან მიუწვდომელია ადამიანების უმეტესობისთვის. ექსპერტს შეუძლია გადაჭრას პრობლემები, რომელთა გადაჭრაც ადამიანების უმეტესობას საერთოდ არ შეუძლია, ან გადაჭრას ბევრად უფრო ეფექტურად. როგორც კი საექსპერტო სისტემები პირველად შეიქმნა, ისინი შეიცავდნენ მხოლოდ საექსპერტო ცოდნას. თუმცა, დღესდღეობით ტერმინი " საექსპერტო სისტემა"ხშირად გამოიყენება ნებისმიერ სისტემაზე, რომელიც იყენებს საექსპერტო სისტემის ტექნოლოგიას. საექსპერტო სისტემის ტექნოლოგია შეიძლება შეიცავდეს სპეციალურ საექსპერტო სისტემის ენებს, ასევე პროგრამულ უზრუნველყოფას და აპარატურას, რომელიც შექმნილია ექსპერტული სისტემების განვითარებისა და მუშაობის მხარდასაჭერად.
როგორც ცოდნა საექსპერტო სისტემებში, შეიძლება გამოყენებულ იქნას ან საექსპერტო ცოდნა ან ჩვეულებრივი საჯარო ცოდნა, რომელიც შეიძლება მიიღოთ წიგნებიდან, ჟურნალებიდან და კარგად ინფორმირებული ადამიანებისგან. ამ თვალსაზრისით, ჩვეულებრივი ცოდნა განიხილება, როგორც უფრო დაბალი დონის კონცეფცია, ვიდრე იშვიათი ექსპერტის ცოდნა. Ვადები " საექსპერტო სისტემა", "ცოდნაზე დაფუძნებული სისტემა", და " ცოდნაზე დაფუძნებული საექსპერტო სისტემა"ხშირად გამოიყენება ურთიერთშენაცვლებით. მაგრამ ადამიანების უმეტესობა მხოლოდ ტერმინს იყენებს" საექსპერტო სისტემა”უბრალოდ იმიტომ, რომ ის უფრო მოკლეა, მიუხედავად იმისა საექსპერტო სისტემასაკითხში შეიძლება იყოს არა ექსპერტი, არამედ მხოლოდ ჩვეულებრივი ცოდნა.
არსებობს ES-ის ორი ფუნდამენტურად განსხვავებული კლასი: "ცოდნაზე დაფუძნებული" და "მაგალითზე დაფუძნებული". ES-ის პირველი კლასი გამოიყენება ცოდნის კარგად სისტემატიზებულ ელემენტებთან და აპრიორი ცნობილ შაბლონებთან სამუშაოდ, რომლებიც გამოხატულია სხვადასხვა მეთოდებით, ინსტრუქციებით, წესებით და ა.შ. მუშაობის პრინციპები ცოდნაზე დაფუძნებული საექსპერტო სისტემა, ილუსტრირებულია ნახ.11.15.
ბრინჯი. 11.15.
გარდა ამისა, შემუშავებულია ცოდნაზე დაფუძნებული სასარგებლო სისტემები, რომლებიც განკუთვნილია ადამიანის ექსპერტის ინტელექტუალური ასისტენტის სახით გამოსაყენებლად. ეს ინტელექტუალური ასისტენტები შექმნილია საექსპერტო სისტემების ტექნოლოგიის საფუძველზე, რადგან ასეთი ტექნოლოგია უზრუნველყოფს განვითარების მნიშვნელოვან უპირატესობებს. რაც უფრო მეტი ცოდნა შედის ინტელექტუალური ასისტენტის ცოდნის ბაზაში, მით უფრო დაემსგავსება მისი ქმედებები ექსპერტს. ინტელექტუალური ასისტენტის განვითარება შეიძლება იყოს სასარგებლო შუალედური ნაბიჯი სრულფასოვანის შექმნამდე საექსპერტო სისტემა. გარდა ამისა, ინტელექტუალური ასისტენტი საშუალებას გაძლევთ გაათავისუფლოთ მეტი სასარგებლო დრო ექსპერტისთვის, რადგან მისი გამოყენება ხელს უწყობს პრობლემების დაჩქარებულ გადაჭრას.
საექსპერტო ცოდნა ეხება მხოლოდ ერთ საგნობრივ სფეროს და ეს არის განსხვავება საექსპერტო სისტემების გამოყენებაზე დაფუძნებულ მეთოდებსა და პრობლემების გადაჭრის ზოგად მეთოდებს შორის. საგნობრივი სფერო არის სპეციალური პრობლემური სფერო, როგორიცაა მედიცინა, ფინანსები, მეცნიერება და ტექნოლოგია, რომელშიც მხოლოდ გარკვეულ ექსპერტს შეუძლია პრობლემების ძალიან კარგად გადაჭრა. საექსპერტო სისტემები, ისევე როგორც ადამიანური ექსპერტები, ძირითადად განკუთვნილია გამოიყენონ ექსპერტებად ერთ საგნობრივ სფეროში. მაგალითად, ჭადრაკის ექსპერტს, როგორც წესი, არ შეიძლება ველოდოთ, რომ ჰქონდეს მედიცინასთან დაკავშირებული საექსპერტო ცოდნა. ექსპერტიზა ერთ საგანში ავტომატურად არ გადადის სხვა სფეროში.
ექსპერტის ცოდნას კონკრეტული პრობლემების გადაჭრის შესახებ ეწოდება ექსპერტის ცოდნის სფერო. საგნობრივ სფეროსა და ცოდნის სფეროს შორის ურთიერთობა ნაჩვენებია სურათზე 11.16.
ამ ფიგურაში ცოდნის სფერო სრულად არის ჩართული საგნის არეალში. ნაწილი, რომელიც სცილდება ცოდნის სფეროს, სიმბოლოა იმ სფეროს, რომელშიც არ არის ცოდნა ამ საგნის სფეროსთან დაკავშირებული რომელიმე ამოცანის შესახებ.
ცოდნის სფეროში საექსპერტო სისტემააწარმოებს მსჯელობას ან გამოაქვს ლოგიკური დასკვნები იმავე პრინციპით, როგორც ექსპერტი - ადამიანი კამათობდა ან პრობლემის გადაწყვეტამდე მიდიოდა ლოგიკური გზით.
ბრინჯი. 11.16.
ეს ნიშნავს, რომ გარკვეული ფაქტების საფუძველზე მსჯელობით ყალიბდება ლოგიკური, დასაბუთებული დასკვნა, რაც გამომდინარეობს ამ ფაქტებიდან.
ES წარმატებით გამოიყენება იმ სფეროებში, სადაც ზუსტ გამოთვლებზე დაფუძნებული სტანდარტული ალგორითმული მეთოდების გამოყენების გარდა, არსებითად გამოიყენება კონკრეტული ექსპერტ-ანალიტიკოსების ცოდნა და გამოცდილება, ხოლო გადაწყვეტილების მიღება ყალიბდება არასრული მონაცემების პირობებში და დამოკიდებულია უფრო მეტზე. ხარისხობრივ, ვიდრე რაოდენობრივ შეფასებებზე. ეს საგნობრივი სფეროები მოიცავს, პირველ რიგში, ფინანსური საქმიანობის ანალიზის სფეროს, სადაც მიღებული გადაწყვეტილებების ეფექტურობა დამოკიდებულია მრავალი განსხვავებული ფაქტორის შედარებაზე, რთული მიზეზ-შედეგობრივი ურთიერთობების გათვალისწინებით, არა ტრივიალური ლოგიკური მსჯელობა და ა.შ.
კლასიკური საექსპერტო სისტემაგანასახიერებს დაუწერელ ცოდნას, რომელიც უნდა იქნას მიღებული ექსპერტისგან ცოდნის ინჟინრის მიერ დიდი ხნის განმავლობაში ჩატარებული ინტერვიუების მეშვეობით. შექმნის ეს პროცესი საექსპერტო სისტემადაურეკა ცოდნის ინჟინერიადა განხორციელდა ცოდნის ინჟინრის მიერ. ცოდნის ინჟინერიაგულისხმობს ცოდნის შეძენას ადამიანის ექსპერტისგან ან სხვა წყაროებიდან და ცოდნის შემდგომ წარმოდგენაში საექსპერტო სისტემა(სურ.11.17).
ბრინჯი. 11.17.
პირველი, ცოდნის ინჟინერი აყალიბებს დიალოგს ადამიანურ ექსპერტთან, რათა გამოავლინოს ექსპერტის ცოდნა. ეს ნაბიჯი მსგავსია სისტემის დიზაინერის მიერ ჩვეულებრივ პროგრამირებაში შესრულებული სამუშაო ნაბიჯისა, როდესაც განიხილავს სისტემის მოთხოვნებს კლიენტთან, ვისთვისაც იქმნება პროგრამა. ამის შემდეგ ცოდნის ინჟინერი გამოავლენს ცოდნას ცოდნის ბაზაში შესატანად. ამის შემდეგ ექსპერტი აფასებს საექსპერტო სისტემადა კრიტიკას გადასცემს ცოდნის ინჟინერს. ეს პროცესი მეორდება ისევ და ისევ, სანამ ექსპერტი არ შეაფასებს სისტემის შედეგებს, როგორც დამაკმაყოფილებელ.
ზოგადად რომ ვთქვათ, საექსპერტო სისტემების შექმნის პროცესი ბევრად განსხვავდება ჩვეულებრივი პროგრამების შემუშავებისგან. საექსპერტო სისტემებში განიხილება პრობლემები, რომლებსაც არ გააჩნიათ დამაკმაყოფილებელი ალგორითმული გადაწყვეტა, ამიტომ მისაღები ამოხსნის მისაღწევად გამოიყენება ლოგიკური დასკვნა. ვინაიდან ფუნქციონირების საფუძველი საექსპერტო სისტემალოგიკური დასკვნა დევს, ასეთ სისტემას უნდა შეეძლოს ახსნას თავისი მსჯელობა, რათა შესაძლებელი იყოს მისი ტესტირება. ამიტომ, ნებისმიერი კომპლექსის განუყოფელი ნაწილია საექსპერტო სისტემაარის ახსნის საშუალება. ფაქტობრივად, დახვეწილი ახსნა-განმარტების შემუშავება შესაძლებელია, რათა მომხმარებელს შეესწავლოს კითხვების მრავალი სტრიქონი, როგორიცაა „რა მოხდება, თუ...“, რომელსაც ჰიპოთეტური მსჯელობა ეწოდება.
შესაბამისად, ცოდნის ინჟინერია- ეს არის საინფორმაციო ტექნოლოგიების დარგი, რომლის დანიშნულებაა ცოდნის დაგროვება და გამოყენება არა როგორც პიროვნების მიერ მათი დამუშავების, არამედ როგორც კომპიუტერზე დამუშავების ობიექტი. ამისათვის აუცილებელია ადამიანისა და კომპიუტერის მიერ მათი დამუშავების ცოდნისა და თავისებურებების გაანალიზება, აგრეთვე მათი მანქანური წარმოდგენის განვითარება. სამწუხაროდ, ზუსტი და უდაო განმარტება იმისა, თუ რა არის ცოდნა, ჯერ არ არის მოცემული. თუმცა, მიზანი ცოდნის ინჟინერია– უზრუნველყოს ცოდნის გამოყენება კომპიუტერულ სისტემებში უფრო მაღალ დონეზე, ვიდრე აქამდე იყო აქტუალური. ცოდნის გამოყენების შესაძლებლობა შესაძლებელია მხოლოდ მაშინ, როცა ეს ცოდნა არსებობს, რაც სრულიად გასაგებია. ცოდნის დაგროვებისა და შეჯამების ტექნოლოგია „გვერდიგვერდ“ მიდის ცოდნის გამოყენების ტექნოლოგიასთან, სადაც ისინი ავსებენ ერთმანეთს და მივყავართ ერთი ტექნოლოგიის, ცოდნის დამუშავების ტექნოლოგიის შექმნამდე.
ES-ის მეორე კლასი გამოიყენება სიტუაციებში, როდესაც არ არსებობს აშკარა კავშირები და შაბლონები ცოდნის ელემენტებს შორის და თავად ცოდნა წარმოდგენილია მაგალითების სიების სახით, რომლებიც აღწერს გარკვეული მოვლენების განხორციელებას. თუ ES-ის პირველი კლასი მუშაობს კარგად განსაზღვრულ მონაცემებთან და ცოდნით, რომელიც ამოღებულია ექსპერტებისგან - ანალიტიკოსებისგან ცოდნის ინჟინრების მიერ, მაშინ მეორე კლასი აყალიბებს თავის ცოდნას მაგალითებით წარმოდგენილ საგნობრივ სფეროსთან ადაპტაციით, და შეიძლება დამახინჯდეს როგორც ტრენინგი, ისე გაანალიზებული ინფორმაცია. არასრული. პირველ შემთხვევაში, დასკვნის მექანიზმები, როგორც წესი, ეფუძნება მემკვიდრეობის და დასკვნის კლასიკურ სტრატეგიებს, მეორე შემთხვევაში, მაგალითებით ინდუქციური განზოგადების სხვადასხვა მეთოდებს, კერძოდ, ამისათვის გამოყენებული ხელოვნური ნერვული ქსელების თვისებებს.
წესებზე დაფუძნებულ სისტემაში დომენური ცოდნა, რომელიც საჭიროა პრობლემების გადასაჭრელად, კოდირებულია წესების სახით და შეიცავს ცოდნის ბაზას. რა თქმა უნდა, წესები ყველაზე ფართოდ გამოიყენება ცოდნის წარმოსაჩენად. ელემენტები ტიპიური საექსპერტო სისტემაწესებზე დაყრდნობით, ნაჩვენებია სურათზე 11.18.
ბრინჯი. 11.18.
საექსპერტო სისტემაშედგება ქვემოთ აღწერილი კომპონენტებისგან.
- Მომხმარებლის ინტერფეისი. მექანიზმი, რომლითაც მომხმარებელი და საექსპერტო სისტემა.
- ახსნის საშუალება. კომპონენტი, რომელიც საშუალებას გაძლევთ აუხსნათ მომხმარებელს სისტემის მსჯელობის მიმდინარეობა.
- მუშა მეხსიერება. წესებში გამოყენებული ფაქტების გლობალური ბაზა.
- დასკვნის მანქანა. პროგრამული უზრუნველყოფის კომპონენტი, რომელიც უზრუნველყოფს დასკვნის გამომუშავებას (გადაწყვეტს, თუ რომელი წესების დაკმაყოფილება ფაქტები ან ობიექტები). ანიჭებს პრიორიტეტს გაშვებულ წესებს და ახორციელებს წესს უმაღლესი პრიორიტეტით.
- წესების სამუშაო სია. დასკვნის ძრავის მიერ გენერირებული და პრიორიტეტული წესების სია, რომელთა ნიმუშები ემთხვევა ფაქტებს ან ობიექტებს სამუშაო მეხსიერებაში.
- ცოდნის მიღების საშუალება. ავტომატიზირებული მეთოდი, რომელიც მომხმარებელს საშუალებას აძლევს შეიტანოს ცოდნა სისტემაში, ვიდრე ცოდნის ინჟინერი ჩართოს ცოდნის ცალსახად კოდირების პრობლემის გადაწყვეტაში.
ბევრ სისტემას აქვს არასავალდებულო ცოდნის შეძენის ინსტრუმენტი. ზოგიერთ ექსპერტულ სისტემაში ამ ხელსაწყოს შეუძლია ისწავლოს ინდუქციური წესების მაგალითებიდან და ავტომატურად შექმნას წესები. სხვა მეთოდები და ალგორითმები ასევე გამოყენებულია მანქანური სწავლების წესების შესაქმნელად, როგორიცაა ხელოვნური ნერვული ქსელები და გენეტიკური ალგორითმები. წესების გენერირებისთვის მანქანური სწავლების გამოყენების მთავარი პრობლემა არის ის, რომ არ არსებობს ახსნა, თუ რატომ შეიქმნა წესები. ადამიანისგან განსხვავებით, რომელსაც შეუძლია კონკრეტული წესის არჩევის მიზეზების ახსნა, მანქანათმცოდნეობის სისტემებმა არასოდეს შეძლეს თავიანთი ქმედებების ახსნა და ამან შეიძლება გამოიწვიოს არაპროგნოზირებადი შედეგები. თუმცა, ზოგადად, მარტივი ცხრილების სახით წარმოდგენილი მაგალითები საუკეთესოა გადაწყვეტილების ხეების შესაქმნელად. ცოდნის ინჟინრის მიერ მომზადებული ზოგადი წესები შეიძლება იყოს ბევრად უფრო რთული, ვიდრე მარტივი წესები, რომლებიც მიღებულია ინდუქციური წესების წარმოქმნით.
AT საექსპერტო სისტემაწესებზე დაყრდნობით, ცოდნის ბაზას ასევე უწოდებენ წარმოების მეხსიერებას. როგორც ძალიან მარტივი მაგალითი, განიხილეთ გზის გადაკვეთის გადაწყვეტილების მიღების პრობლემა. ქვემოთ მოცემულია ორი წესის დამზადება, რომლებშიც ისრები ნიშნავს, რომ სისტემა შეასრულებს მოქმედებებს ისრის მარჯვნივ, თუ ისრის მარცხნივ მდებარე პირობები შეესაბამება სიმართლეს:
წითელი შუქი ჩართულია -> გაჩერება
მწვანე შუქი -> გადაადგილება
წარმოების წესები შეიძლება გამოიხატოს ექვივალენტური IF-THEN ფსევდოკოდის ფორმატში შემდეგნაირად:
წესი: red_light
თუ წითელი შუქი ანთებულია, მაშინ დადექით
წესი: მწვანე_შუქი
თუ მწვანე შუქი ანათებს, მაშინ იმოძრავეთ
თითოეული წესი იდენტიფიცირებულია სახელით. სახელის შემდეგ არის წესის IF ნაწილი. წესის განყოფილებას შორის IF და THEN ნაწილებს შორის არის მოხსენიებული სხვადასხვა სახელებით, როგორიცაა წინამორბედი, პირობითი ნაწილი, შაბლონის ნაწილი ან მარცხენა მხარე (LHS). ერთი პირობა, როგორიცაა
"წითელ შუქს" ეწოდება პირობითი ელემენტი, ან ნიმუში.
წესებზე დაფუძნებულ სისტემაში, დასკვნის ძრავა განსაზღვრავს, რომელი წესების წინამორბედები (ასეთის არსებობის შემთხვევაში) შესრულდება ფაქტების მიხედვით. როგორც საექსპერტო სისტემებში პრობლემების გადაჭრის სტრატეგიები, ჩვეულებრივ გამოიყენება დასკვნის ორი ზოგადი მეთოდი: პირდაპირი დასკვნა და საპირისპირო დასკვნა. სხვა მეთოდები, რომლებიც გამოიყენება უფრო სპეციფიკური მეთოდების შესასრულებლად, შეიძლება მოიცავდეს მიზნებისა და საშუალებების ანალიზს, პრობლემის გამარტივებას, უკან დახევას, გეგმის სამუშაოს შემოწმებას, იერარქიულ დაგეგმვას და მცირე წვლილს, და შეზღუდვების დამუშავებას.
პირდაპირი ლოგიკური დასკვნა არის მსჯელობის ფორმირების მეთოდი ფაქტებიდან დასკვნამდე, რომელიც გამომდინარეობს ამ ფაქტებიდან. მაგალითად, თუ სახლიდან გასვლამდე აღმოაჩენთ, რომ წვიმს (ფაქტი), მაშინ უნდა წაიღოთ ქოლგა (დასკვნა).
საპირისპირო დასკვნა გულისხმობს მსჯელობის ფორმირებას საპირისპირო მიმართულებით - ჰიპოთეზიდან (პოტენციური დასკვნა, რომელიც უნდა დადასტურდეს) ჰიპოთეზის დამადასტურებელ ფაქტებამდე. მაგალითად, თუ გარეთ არ იყურებით, მაგრამ ვიღაც შემოდის სახლში სველი ჩექმებით და ქოლგით, მაშინ შეგიძლიათ მიიღოთ ჰიპოთეზა, რომ წვიმს. ამ ჰიპოთეზის დასადასტურებლად საკმარისია ამ ადამიანს ვკითხოთ წვიმს თუ არა. დადებითი პასუხის შემთხვევაში დამტკიცდება, რომ ჰიპოთეზა მართალია, ამიტომ ხდება ფაქტი. როგორც ზემოთ აღინიშნა, ჰიპოთეზა შეიძლება ჩაითვალოს ფაქტად, რომლის ჭეშმარიტება საეჭვოა და უნდა დადგინდეს. ასეთ შემთხვევაში ჰიპოთეზა შეიძლება განიმარტოს, როგორც მიზანი, რომელიც უნდა დადასტურდეს.
პროექტის მიხედვით საექსპერტო სისტემადასკვნის ძრავში შესრულებულია წინა ან საპირისპირო დასკვნა, ან დასკვნის ორივე ფორმა. მაგალითად, CLIPS შექმნილია წინა დასკვნისთვის, PROLOG უზრუნველყოფს საპირისპირო დასკვნას, ხოლო პოლ ჰეილის CLIPS-ის ვერსია, სახელწოდებით Eclipse, ახორციელებს როგორც წინა, ასევე საპირისპირო დასკვნას. დასკვნის ძრავის არჩევანი დამოკიდებულია პრობლემის ტიპზე. დიაგნოსტიკური ამოცანებისაუკეთესოდ წყდება უკან დასკვნის გამოყენებით, ხოლო პროგნოზირების ამოცანები, მიმდინარე კონტროლიდა კონტროლის ამოხსნა ყველაზე ადვილია პირდაპირი ლოგიკური დასკვნის გამოყენებით.
სამუშაო მეხსიერება შეიძლება შეიცავდეს ფაქტებს შუქნიშნის ამჟამინდელი მდგომარეობის შესახებ, როგორიცაა "მწვანე შუქი ჩართული" ან "წითელი შუქი ჩართული". ეს ან ორივე ფაქტი შეიძლება იყოს მუშა მეხსიერებაში. თუ შუქნიშანი გამართულად მუშაობს, მაშინ მხოლოდ ერთი ფაქტი იქნება მუშა მეხსიერებაში. მაგრამ ასევე შესაძლებელია, რომ ორივე ფაქტი იყოს მუშა მეხსიერებაში, თუ შუქნიშანი მწყობრიდან გამოვიდა. რა განსხვავებაა ცოდნის ბაზასა და სამუშაო მეხსიერებას შორის? ფაქტები არ ურთიერთობენ ერთმანეთთან. „მწვანე შუქის“ ფაქტი არ მოქმედებს „წითელ შუქზე“ ფაქტზე. მეორეს მხრივ, შუქნიშნების მუშაობის შესახებ ცოდნა ვარაუდობს, რომ თუ ორივე ფაქტი ერთდროულად არის, მაშინ შუქნიშანი გაუმართავია.
თუ სამუშაო მეხსიერებაში არის "მწვანე შუქის" ფაქტი, დასკვნის ძრავა აღმოაჩენს, რომ ეს ფაქტი აკმაყოფილებს green_light წესის პირობით ნაწილს და ათავსებს ამ წესს წესების სამუშაო სიაში. და თუ წესს აქვს მრავალი შაბლონი, მაშინ ყველა ეს შაბლონი ერთდროულად უნდა დაკმაყოფილდეს, რათა წესი მოთავსდეს წესების სამუშაო სიაში. გარკვეული შაბლონების დაკმაყოფილების პირობად შეიძლება დავაკონკრეტოთ გარკვეული ფაქტების არარსებობა სამუშაო მეხსიერებაში.
წესს, რომლის ყველა შაბლონი დაკმაყოფილებულია, ეწოდება გააქტიურებული ან განხორციელებული. წესების სამუშაო სიაში ერთდროულად შეიძლება იყოს რამდენიმე გააქტიურებული წესი. ამ შემთხვევაში, დასკვნის ძრავამ უნდა აირჩიოს მუშაობის წესიდან ერთ-ერთი.
წესის THEN ნაწილის შემდეგ არის მოქმედებების სია, რომლებიც უნდა შესრულდეს წესის გაშვების შემდეგ. წესის ამ ნაწილს ეწოდება თანმიმდევრული, ანუ მარჯვენა მხარე (Right-Hand Side - RHS). თუ red_light წესი გააქტიურებულია, მისი „დგომის“ მოქმედება შესრულდება. ანალოგიურად, როდესაც green_light წესის გაშვება მოხდება, მისი მოქმედება ხდება "გადაადგილება". კონკრეტული ქმედებები ჩვეულებრივ მოიცავს სამუშაო მეხსიერებიდან ფაქტების დამატებას ან ამოღებას, ან შედეგების გამოტანას. ამ მოქმედებების აღწერის ფორმატი დამოკიდებულია ენის სინტაქსზე. საექსპერტო სისტემა. მაგალითად, CLIPS-ში ქმედება სამუშაო მეხსიერებაში ახალი ფაქტის დამატების მიზნით, სახელწოდებით „stop“, იღებს ფორმას (assert stop).
დასკვნის ძრავა მუშაობს ციკლების განხორციელების რეჟიმში "აღიარება - მოქმედება". სხვა ტერმინები, როგორიცაა მოზიდვა-შესრულების ციკლი, სიტუაცია-პასუხის ციკლი და სიტუაცია-მოქმედების ციკლი ასევე გამოიყენება მოქმედების ამ რეჟიმის აღსაწერად. მაგრამ როგორიც არ უნდა იყოს ასეთი მარყუჟის სახელი, დასკვნის ძრავა ასრულებს დავალებების გარკვეულ ჯგუფს უსასრულოდ, სანამ არ მოიძებნება გარკვეული კრიტერიუმები, რომლებიც იწვევს შესრულების შეჩერებას. ეს ასრულებს ქვემოთ მოცემულ ფსევდოკოდში განსაზღვრულ ჩვეულებრივ ამოცანებს, როგორიცაა კონფლიქტის მოგვარება, მოქმედება, მოლაპარაკება და შესვენების პირობების შემოწმება.
სანამ სამუშაო არ დასრულებულა
კონფლიქტის მოგვარება. თუ გააქტიურებულია წესები, აირჩიეთ ყველაზე პრიორიტეტული წესი; წინააღმდეგ შემთხვევაში, სამუშაო დასრულებულია.
მოქმედება. თანმიმდევრულად განახორციელეთ არჩეული გააქტიურებული წესის მარჯვენა ნაწილში მითითებული მოქმედებები. ამ ციკლში ვლინდება იმ მოქმედებების პირდაპირი გავლენა, რომლებიც ცვლის სამუშაო მეხსიერების შინაარსს. წაშალეთ ახლად გაშვებული წესი წესების სამუშაო სიიდან.
Კოორდინაცია. განაახლეთ წესების სამუშაო სია შემოწმებით, შესრულებულია თუ არა რომელიმე წესის მარცხენა მხარე. თუ კი, გაააქტიურეთ შესაბამისი წესები. წაშალეთ გააქტიურებული წესები, თუ შესაბამისი წესების მარცხენა მხარე აღარ არის დაკმაყოფილებული.
გაჩერების პირობების შემოწმება. თუ შეჩერებულია მოქმედება ან მოცემულია შესვენების ბრძანება, მაშინ სამუშაო დასრულებულია.
მიიღეთ ახალი მომხმარებლის ბრძანება.
ყოველი ციკლის განმავლობაში შეიძლება გააქტიურდეს მრავალი წესი და განთავსდეს წესების სამუშაო სიაში. გარდა ამისა, წინა ციკლების წესების გააქტიურების შედეგები რჩება წესების სამუშაო სიაში, თუ ეს წესები არ არის გამორთული იმის გამო, რომ მათი მარცხენა ნაწილები აღარ არის შესრულებული. ამრიგად, პროგრამის შესრულებისას იცვლება წესების სამუშაო სიაში გააქტიურებული წესების რაოდენობა. პროგრამიდან გამომდინარე, ადრე გააქტიურებული წესები შეიძლება ყოველთვის დარჩეს წესების სამუშაო სიაში, მაგრამ არასოდეს არ იყოს არჩეული გასაშვებად. ანალოგიურად, ზოგიერთი წესი შეიძლება არასოდეს გახდეს ჩართული. ასეთ შემთხვევებში, თქვენ უნდა გადაამოწმოთ ამ წესების მიზანი, რადგან ან არ არის საჭირო ასეთი წესები, ან მათი შაბლონები არ არის კარგად შემუშავებული.
დასკვნის ძრავა ახორციელებს გააქტიურებული წესის მოქმედებებს უმაღლესი პრიორიტეტით წესების სამუშაო სიიდან, შემდეგ გააქტიურებული წესის მოქმედებებს შემდეგი უმაღლესი პრიორიტეტით და ასე შემდეგ, სანამ სიაში აღარ იქნება გააქტიურებული წესები. შემუშავებულია სხვადასხვა პრიორიტეტული სისტემა ექსპერტული სისტემების ინსტრუმენტებისთვის, მაგრამ ზოგადად რომ ვთქვათ, ყველა ინსტრუმენტი საშუალებას აძლევს ცოდნის ინჟინერს პრიორიტეტულად მიიჩნიოს წესები.
წესების სამუშაო სიაში წარმოიქმნება კონფლიქტები, თუ გაშვებული სხვადასხვა წესებს აქვთ იგივე პრიორიტეტი და დასკვნის ძრავმა უნდა გადაწყვიტოს ამ წესებიდან რომელი გაუშვას. სხვადასხვა ჭურვი იყენებს სხვადასხვა მეთოდს ამ პრობლემის გადასაჭრელად. ნიუელმა და საიმონმა მიიღეს მიდგომა, რომ სისტემაში შეყვანილ წესებს ნაგულისხმევად ენიჭება უმაღლესი პრიორიტეტი. CLIPS-ში წესებს ნაგულისხმევად ერთი და იგივე პრიორიტეტი აქვს, თუ რომელიმე მათგანს ცოდნის ინჟინერი არ ანიჭებს სხვა პრიორიტეტს.
ყველა წესის შესრულების შემდეგ, კონტროლი ბრუნდება ბრძანების თარჯიმანიუმაღლესი დონის, რათა მომხმარებელმა შეძლოს ჭურვის გაცემა საექსპერტო სისტემადამატებითი ინსტრუქციები. ზედა დონის რეჟიმში გაშვება შეესაბამება ნაგულისხმევ რეჟიმს, რომლითაც მომხმარებელი ურთიერთობს საექსპერტო სისტემა, და დანიშნულია როგორც "ახალი მომხმარებლის ბრძანების მიღება". ახალი ბრძანებები მიიღება უმაღლეს დონეზე.
ზედა დონე არის მომხმარებლის ინტერფეისი გარსისთვის, სანამ აპლიკაციის შემუშავება ხდება. საექსპერტო სისტემა. მაგრამ, როგორც წესი, უფრო რთული მომხმარებლის ინტერფეისები მუშავდება, რათა გაადვილდეს მუშაობა საექსპერტო სისტემა. სინამდვილეში, მომხმარებლის ინტერფეისის დიზაინს და დანერგვას შეიძლება მეტი ძალისხმევა დასჭირდეს, ვიდრე ცოდნის ბაზის შექმნა. საექსპერტო სისტემაგანსაკუთრებით პროტოტიპის ეტაპზე. ბრძანების თარჯიმნის შესაძლებლობებიდან გამომდინარე საექსპერტო სისტემამომხმარებლის ინტერფეისი შეიძლება განხორციელდეს წესების გამოყენებით ან სხვა ენაზე მოწოდებული განცხადებების გამოყენებით საექსპერტო სისტემა.
მთავარი მახასიათებელი საექსპერტო სისტემაარის მისი ახსნა-განმარტების საშუალება, რომელიც მომხმარებელს აძლევს საშუალებას დაუსვას კითხვები იმის შესახებ, თუ როგორ მივიდა სისტემა გარკვეულ დასკვნამდე და რატომ სჭირდება მას გარკვეული ინფორმაცია. წესებზე დაფუძნებულ სისტემას შეუძლია მარტივად უპასუხოს კითხვას, თუ როგორ მიიღეს გარკვეული დასკვნა, რადგან წესების გააქტიურების ისტორია და სამუშაო მეხსიერების შინაარსი შეიძლება ინახებოდეს სტეკზე. მაგრამ ეს შესაძლებლობა არც ისე ადვილად მიიღწევა ხელოვნური ნერვული ქსელების გამოყენებისას. გენეტიკური ალგორითმებიან სხვა სისტემები, რომლებიც ჯერ კიდევ დამუშავების პროცესშია. რა თქმა უნდა, ცდილობდნენ ზოგიერთ სისტემაში ახსნა-განმარტების შესაძლებლობის უზრუნველყოფას, მაგრამ ამ შემთხვევაში შექმნილი ახსნა-განმარტების საშუალებები მათი სიცხადით ვერ შეედრება რაიმე საშუალებებს. საექსპერტო სისტემაადამიანის მიერ შექმნილი. განვითარებული ახსნა-განმარტების ინსტრუმენტები მომხმარებელს საშუალებას აძლევს დაუსვას კითხვები „რა იქნებოდა, თუ“ და გამოიკვლიოს ჰიპოთეტური მსჯელობის ფორმირების ალტერნატიული გზები.
ზოგიერთ ცოდნაზე დაფუძნებულ სისტემას უწოდებენ ექსპერტულ სისტემას, როდესაც მათი გამოყენების სტანდარტი უნდა განისაზღვროს ადამიანმა სპეციალისტმა. არსებობს მრავალი სისტემა, რომელიც ეფუძნება ექსპერტების ცოდნას. ცოდნაზე დაფუძნებული სისტემების საბოლოო მიზანი არის გადაწყვეტილების მიმღები ადამიანის ჩანაცვლება, მაგრამ სინამდვილეში ეს მიზანი აღემატება სისტემების რეალურ შესაძლებლობებს. მათ შეუძლიათ აიღონ ადამიანის სამუშაოს მხოლოდ ნაწილი, მაგრამ სრულად ვერ შეცვალონ იგი. გარკვეული დრო იქნება, სანამ ცოდნაზე დაფუძნებული სისტემები შეძლებენ მენეჯერების შეცვლას, თუ ოდესმე. ამ მხრივ, ცოდნაზე დაფუძნებული სისტემები ზოგჯერ გადაჭარბებულია.
ჩვენ მიერ განხილული ოთხი ტიპის საინფორმაციო სისტემებიდან თითოეული შესაფერისია კონკრეტული მიზნისთვის. არცერთი მათგანი არ არის შესაფერისი ყველა ტიპის ინფორმაციისთვის, რომელიც გამოიყენება მენეჯმენტის ყველა დონეზე.
მიუხედავად იმისა, რომ ტრანზაქციისა და ტრანზაქციის სისტემები არ არის ისეთი მიმზიდველი, როგორც გადაწყვეტილების მხარდაჭერა ან ცოდნაზე დაფუძნებული სისტემები, ისინი საკმაოდ მძლავრი არიან იმით, რომ ისინი აწვდიან მონაცემებს საერთო საინფორმაციო სისტემაში, ინახავენ მონაცემებს ორგანიზებულ და განახლებულს და უზრუნველყოფენ მონაცემების გადატანას იქ, სადაც საჭიროა. მაგრამ თავისთავად, ეს სისტემები შემოიფარგლება კონკრეტული მონაცემების გამოყენებით.
ამ ნაწილში განხილული მენეჯმენტის საინფორმაციო სისტემების ტიპები აფართოებს ტრანზაქციისა და ტრანზაქციის სისტემების შესაძლებლობებს. ისინი მანიპულირებენ მონაცემებს ცნობილი და განმეორებადი საკითხების შესახებ, რათა გამოიყენონ განსაკუთრებული ინფორმაციის სტიმულირებისთვის. ეს ინფორმაცია ყველაზე ხშირად გამოიყენება ოპერაციულ დონეზე, ნაკლებად ხშირად განყოფილების დონეზე და ნაკლებად ხშირად სტრატეგიულ დონეზე.
გადაწყვეტილების მხარდაჭერის სისტემები ეხმარება მენეჯერებს ნაკლებად სტრუქტურირებული პრობლემების გადაჭრაში. ისინი უფრო შესაფერისია ვიდრე UIS კონტროლის, განაწილებისა და სახელმძღვანელო ინფორმაციის წარმოებისთვის. DSS უფრო რთულია სისტემების შესაქმნელად და შესანარჩუნებლად, ვიდრე მართვის საინფორმაციო სისტემები. და მიუხედავად იმისა, რომ DSS-ს შეუძლია გადაჭრას მასტიმულირებელი და ექსკლუზიური ინფორმაციის პრობლემა, MIS საშუალებას გაძლევთ ამის გაკეთება უფრო ეკონომიურად.
გადაწყვეტილების მხარდაჭერის სისტემები უზრუნველყოფს მარტივ და მოქნილ წვდომას ბევრ კომპონენტზე. როდესაც ისინი კარგად არის შემუშავებული, უფრო ადვილი ხდება ახალი კომპონენტების შეცვლა და დამატება. სხვა მძლავრი იარაღების მსგავსად, WBS G-ის ეფექტურობა დიდწილად განისაზღვრება მათი გამოყენების უნარით.
მეორე მხრივ, ცოდნაზე დაფუძნებული სისტემები შექმნილია ოსტატობის მხარდასაჭერად. თუმცა, ახლა ამ სისტემებმა შეზღუდეს და შეამცირეს აქცენტი ხელოსნობაზე. დღესდღეობით, ცოდნაზე დაფუძნებული სისტემები არის ძლიერი, მაგრამ შეზღუდული ინსტრუმენტები გადაწყვეტილებების კონტროლის, განაწილებისა და წარმართვისთვის.
საინფორმაციო სისტემები ყოველთვის არ არის დაუყოვნებლივ გამოსაყენებელი და მენეჯერებმა ხშირად უნდა შექმნან ინდივიდუალური საინფორმაციო სისტემები.
საინფორმაციო სისტემების აგება
კომპიუტერული სისტემების გამოყენების დასაწყისში, განსაკუთრებით მარტივ ორგანიზაციებში, კომპიუტერული პროგრამების შემუშავება უსისტემო საქმე იყო. მაგალითად, ბევრმა პროგრამისტმა დაიწყო პროგრამული უზრუნველყოფის კოდირება რაც შეიძლება სწრაფად - ხშირად მანამ, სანამ გაირკვევა, თუ რა იყო შემუშავებული პროგრამა. ამის გამო პრობლემები წარმოიშვა და დიზაინერებმა ამ პროცესში გარკვეული წესრიგის აღდგენა დაიწყეს. ამან წარმოშვა მოდელი, რომელსაც ეწოდება სისტემის განვითარების სასიცოცხლო ციკლი.
A. განმსაზღვრელი ეტაპი
განმსაზღვრელი ეტაპი იძლევა საინფორმაციო სისტემის გამოკვეთის შესაძლებლობას. არგუმენტის შეთავაზების ფაზა კრიტიკულია, რადგან პრობლემის პირველი აღწერა განსაზღვრავს იმას, რისი ფორმალიზაციაც პროგრამულ უზრუნველყოფას სჭირდება. შეფასების განხორციელების ეტაპი მოიცავს ორ ძირითად ამოცანას.
პირველი არის განმარტების პრობლემა.
მეორე არის იმის გადაწყვეტა, შესაძლებელია თუ არა სისტემის აშენება საერთოდ. შეფასების განხორციელება სისტემის განვითარების სასიცოცხლო ციკლში ხდება, როგორც წესი, როდესაც არის მინიმალური ინფორმაცია. ამან შეიძლება გამოიწვიოს ისეთი პრობლემები, როგორიცაა მნიშვნელოვანი ცნებების გამოტოვება.
სისტემის ანალიზის დროს დრო იხარჯება იმის განსაზღვრაზე, თუ რა ინფორმაცია სურს მომხმარებელს სისტემიდან. შემდეგი ნაბიჯი არის იმის დადგენა, თუ რა მონაცემებია საჭირო ამ ინფორმაციის მისაღებად. ამ პროცესის განმავლობაში, პროცედურები ვითარდება, რაც საჭიროებს მონაცემთა მოპოვებას და ინფორმაციის გამოყენებას. და ბოლოს, ის იკვლევს, საიდან მოდის მონაცემები და როგორ შემოვა სისტემაში.
შემდეგი ეტაპის, ლოგიკური სისტემების დიზაინის ამოცანაა სისტემის კონცეფციის შემუშავება, რომელიც მოიცავს თუ როგორ მოხდება მონაცემების შეგროვება, რა მოხდება ამ მონაცემებით და რა ანგარიშებს გამოიტანს სისტემა. ლოგიკური სისტემის პროექტის დასრულებით მთავრდება განმსაზღვრელი ეტაპიც. განმსაზღვრელი ეტაპი გადამწყვეტია სისტემის დიზაინისა და ევოლუციის წარმატებისთვის. მისი განხორციელება რთულია. სისტემის ანალიზის დროს ბევრი რამ აბსტრაქტულად გამოიყურება და ძნელი წარმოსადგენია, როგორ გამოიყურება ეს ყველაფერი მისი აღდგენის შემდეგ.
იქნებოდა. განვითარების ეტაპი
განვითარების სტადიაც გადამწყვეტია, მაგრამ შემდეგი განსხვავებით. განვითარების სუსტ საფეხურს შეუძლია გაანადგუროს კარგი სამუშაო განმსაზღვრელ ეტაპზე, მაგრამ განვითარების ეტაპზე შესრულებული გამორჩეული სამუშაოც კი ვერ გადაარჩენს ცუდ სამუშაოს განმსაზღვრელ ეტაპზე. ფიზიკური სისტემის დიზაინის ფაზაში, ლოგიკური დიზაინი ითარგმნება ქვესისტემების, პროგრამების, პროცედურების, ფაილების და მონაცემთა ბაზების სპეციფიკაციებში. ფიზიკური სისტემების დიზაინი მოითხოვს კარგად განვითარებულ ტექნიკურ უნარებს. თუ განმსაზღვრელი ეტაპის ამოცანები კარგად არის შესრულებული, მაშინ არ არის საჭირო მომხმარებლის ფართო ჩართულობა ფიზიკური სისტემის დიზაინში.
პროგრამული უზრუნველყოფის შემუშავების დროს, დიზაინის გუნდი ავითარებს პროგრამებს, რომლებიც სპეციალიზირებულია ფიზიკური სისტემის დიზაინში. ის ასევე წერს პროგრამებს და ამოწმებს მათ.
პროცედურული განვითარება მოიცავს პროცედურების დიზაინს და აღწერას, რომლითაც მომხმარებლები შეაგროვებენ და მოამზადებენ მონაცემებს ანგარიშგების სისტემაში შესაყვანად, ასევე ანგარიშების ინტერპრეტაციის პროცედურებს. პროგრამების დაწერისა და ტესტირების შემდეგ, დროა სისტემის ტესტირება. სისტემის ტესტირება შედგება ორი ნაწილისგან: დარწმუნდით, რომ ცალკეული პროგრამები მუშაობენ ერთად და შეამოწმეთ, რომ პროცედურებს იცავს კომპიუტერული სისტემა.
დაარსებისა და განხორციელების ეტაპი
ინსტალაციისა და ექსპლუატაციაში შესვლის ფაზაში პროექტი დიზაინიდან განხორციელებამდე გადადის. კონვერტაციისა და ინსტალაციის ეტაპი, როგორც წესი, ყველაზე კრიტიკული დროა. კონვერტაციის პროცესი ქმნის ახალი სისტემისთვის საჭირო ფაილებს. ეს ხშირად მოითხოვს სპეციალურ ქვესისტემას, რომელიც თარგმნის მონაცემებს ძველი სისტემის ფორმატიდან ახალ ფორმატში. დროებით მოკლებულია რაიმე კომპიუტერულ სისტემას, თანამშრომლებს შეუძლიათ ხელით ჩაწერონ დიდი რაოდენობით მონაცემები, შეძლებისდაგვარად დაადასტურონ და განათავსონ ახალი ფორმატის ფაილებში. ამ დროის განმავლობაში ასევე შესაძლებელია მომხმარებლის მომზადება ახალი სისტემის გამოყენების პროცედურებში.
ინსტალაციის პროცესი კომპიუტერულ პროგრამებს გადააქვს პროგრამისტების მიერ გამოყენებული კომპიუტერული ბიბლიოთეკებიდან კომპიუტერულ ბიბლიოთეკებში, რომლებიც გამოიყენება სისტემის ფაქტობრივი მუშაობის დროს. ეს პროცესი ასევე შეიძლება მოიცავდეს ახალი ტერმინალების ან კომპიუტერების ფიზიკურ ინსტალაციას.
თუ სისტემა წარმატებით იქნა გადაყვანილი და დაინსტალირებული, მაშინ პროექტის შემუშავება დასრულებულია და იწყება გამოყენების და მხარდაჭერის ეტაპი. სისტემის მუშაობის დროს მომხმარებლები უზრუნველყოფენ შეყვანას და იყენებენ ორიგინალურ მონაცემებს. თუმცა, სისტემის დამუშავების შემთხვევაშიც კი, სამუშაო ჯერ არ დასრულებულა. სისტემები შეიცავს შეცდომებს და საჭიროებს გამოსწორებას, ხოლო გარემოებების შეცვლა ხშირად კარნახობს სისტემის ცვლილებებს. ამრიგად, სისტემაზე მუშაობა გრძელდება და მას მხარდაჭერა ეწოდება.
ცოდნაზე დაფუძნებული სისტემები
ცოცხალ არსებებს, ევოლუციურ კიბეზე მათი პოზიციიდან გამომდინარე, აქვთ მეტი ან ნაკლები ინტელექტუალური შესაძლებლობები. ფუტკრების, ფრინველების, დელფინების და ადამიანების ინტელექტუალური შესაძლებლობები მრავალჯერ განსხვავდება. მიუხედავად ამისა, შეიძლება ითქვას, რომ თითოეულ ამ არსებას აქვს ინდივიდუალური არჩევანის გაკეთების და საკუთარი გადაწყვეტილებების მიღების უნარი. ეს არის ინტელექტის ერთ-ერთი ნიშანი.
ხელოვნური ინტელექტის საფუძველზე აგებულ აპლიკაციებში მცდელობა ხდება ცოცხალი არსებების ქცევის რეპროდუცირება კომპიუტერული სისტემების საშუალებით. ამავდროულად, ცოდნის ინჟინერი წყვეტს საკმაოდ რთულ ამოცანას: მან უნდა შეადგინოს კომპიუტერულ პროგრამებში ცოცხალი არსებების თანდაყოლილი ქცევა.
მრავალრიცხოვანი მეთოდოლოგიების გამოყენებით, რომლებიც მოიცავს ექსპერტულ სისტემებს, ნერვულ ქსელებს, შემთხვევებზე დაფუძნებულ სისტემებს, გენეტიკურ ალგორითმებს, ინტელექტუალურ აგენტებს და მონაცემთა მოპოვებას, ჩვენ შეგვიძლია ვაქცევთ კომპიუტერულ სისტემებს ცოცხალი არსებების მსგავსად იმოქმედონ ინტელექტუალური ქცევის მცირე რაოდენობის ასპექტების რეპროდუცირებით, როგორიცაა
□ გადაწყვეტილების მიღება, დიაგნოსტიკა, სისტემებისა და სიტუაციების დაგეგმვა ექსპერტული სისტემების ან ნერვული ქსელების გამოყენებით;
□ რთული სისტემების განვითარების პროგნოზირება გენეტიკური ალგორითმების გამოყენებით;
□ წინა გამოცდილების შესწავლა (ზოგჯერ ერთი მაგალითი) და მასზე დაფუძნებული გადაწყვეტილების მიღება არსებულ ვითარებაზე პრეცედენტებზე დაფუძნებული სისტემების საშუალებით;
□ ხელნაწერის ან გრაფიკული გამოსახულების ამოცნობა მოდელირებით ნერვულ ქსელებში;
□ მონაცემთა ნაკრებებს შორის მიზეზობრივი ურთიერთობების დამყარება მონაცემთა ამოღების მექანიზმების გამოყენებით (ამგვარად, მიზეზობრივი ურთიერთობების იდენტიფიცირება რეალურ სამყაროში, საიდანაც მოვიდა მონაცემები);
□ კომპიუტერული პროგრამის დამოუკიდებელი ქცევის სიმულაცია, განხორციელებული ინტელექტუალური აგენტების ტექნოლოგიის გამოყენებით.
მაგალითად, სამართლებრივ საინფორმაციო სისტემებს შეუძლიათ შესთავაზონ შესაბამისი გადაწყვეტილებები წარსული გამოცდილებიდან მიღებული მაგალითების საფუძველზე საქმის მსჯელობის გამოყენებით (ასეთი სისტემები ეფექტურად იმუშავებს საქმეზე დაფუძნებულ სამართლებრივ სისტემაში, რომელშიც გადაწყვეტილებები მიიღება წინა სასამართლო გადაწყვეტილებების საფუძველზე მსგავს საქმეებში).
ცოდნაზე დაფუძნებული სისტემები არის კომპიუტერული პროგრამები, რომლებიც შექმნილია ცოდნის მოცემულ სფეროებში ექსპერტების მუშაობის რეპროდუცირებისთვის.
არსებობს ცოდნაზე დაფუძნებული სისტემის შვიდი ძირითადი ტიპი.
1. საექსპერტო სისტემები მოდელირებენ გადაწყვეტილების მიღების პროცესს, რომელიც თან ახლავს ადამიანის ტვინს. ისინი გამოიყენება ადამიანური ექსპერტების მსგავსად მოქმედებისთვის, ეხმარებიან მენეჯერებს ან სპეციალისტებს გადაწყვეტილების მიღებაში ექსპერტული ცოდნის საფუძველზე. საექსპერტო სისტემების ტიპიური აპლიკაციებია დაგეგმვა, დაგეგმვა, დიაგნოსტიკა. მიუხედავად იმისა, რომ საექსპერტო სისტემები ემსახურება ადამიანის გადაწყვეტილების მიღების პროცესის მიბაძვას, ალგორითმები და წესები, რომლებიც ხელმძღვანელობენ გადაწყვეტილებებს, სტატიკურია. ეს ნიშნავს, რომ საექსპერტო სისტემას არ შეუძლია დამოუკიდებლად შეცვალოს თავისი მუშაობის ლოგიკა და არ არის თვითსწავლება.
2. ნერვული ქსელები ახდენს ადამიანის ტვინის მუშაობის სიმულაციას ბიოლოგიურ დონეზე (ცალკეული ტვინის უჯრედების, ნეირონების ქცევის დონეზე). ეს ნიშნავს, რომ ნერვულ ქსელებს აქვთ ჩაშენებული თვითსწავლის შესაძლებლობა: მათ შეუძლიათ ისწავლონ შაბლონების ამოცნობა და შემდეგ, შაბლონებზე დაყრდნობით, ამოიცნონ შაბლონები. თვითსწავლის უნარის გამო, ნერვული ქსელები შეიძლება გამოყენებულ იქნას გარკვეულწილად პროგნოზირების პრობლემების გადასაჭრელად წარსული გამოცდილების საფუძველზე (მაგალითად, ელექტროენერგიის ხარჯების ყოველდღიური განაწილების პროგნოზირებისთვის ენერგოსისტემაში).
3. შემთხვევებზე დაფუძნებული სისტემები მოდელირებენ ადამიანის უნარს გადაწყვეტილების მიღებისას არსებული პრეცედენტების ანალოგიით. ასეთი სისტემები ხშირად გამოიყენება ტექნიკური დახმარების სერვისებში, სადაც მსგავსი პრობლემური სიტუაციები მრავალჯერ მეორდება სხვადასხვა კლიენტებთან.
4. გენეტიკურ ალგორითმებზე დაფუძნებული სისტემები, როგორც სახელწოდება გულისხმობს, მოდელირებენ ბიოლოგიური ორგანიზმების განვითარების პროცესს უჯრედულ დონეზე. ამ ტიპის ალგორითმები შექმნილია იმისთვის, რომ იპოვონ ერთ-ერთი საუკეთესო მრავალი მისაღები გადაწყვეტილებიდან პრობლემების დიდი რაოდენობით განმსაზღვრელი პარამეტრებით. ვინაიდან ბიოლოგიური ორგანიზმი განვითარების პროცესში მუდმივად წყვეტს ყველა მისი პარამეტრის ოპტიმიზაციის და გარემოსთან წონასწორობის დამყარების პრობლემას, გენეტიკურ ალგორითმებზე დაფუძნებული სისტემები შეიძლება გამოყენებულ იქნას რთული მრავალფაქტორული სისტემების ოპტიმიზაციის პრობლემების გადასაჭრელად და მათი განვითარების ვარიანტების პროგნოზირებისთვის.
5. ინტელექტუალური აგენტები არის პროგრამები, რომელთათვისაც დასახულია საბოლოო მიზანი, მაგრამ მათ შეუძლიათ დამოუკიდებლად აირჩიონ ამ მიზნის მიღწევის გზები, მოქნილად შეცვალონ თავიანთი ქცევის ალგორითმი. ინტელექტუალური აგენტების უმეტესობა არის ფონური პროგრამები, რომლებიც ასრულებენ ბინძურ სამუშაოს და გამოდიან წინა პლანზე მხოლოდ მაშინ, როდესაც მათ სჭირდებათ შედეგის მიწოდება მომხმარებლისთვის. ინტელექტუალური აგენტების მაგალითებია ინტერნეტის საძიებო სისტემების რობოტები, რომლებიც მუდმივად ათვალიერებენ სხვადასხვა საიტების მილიონობით გვერდს, რათა განაახლონ საძიებო სისტემის მონაცემები.
6. მონაცემთა მოპოვების სისტემები. ტერმინი „მონაცემთა მოპოვება“ გამოიყენება ცოდნის აღმოჩენის პროცესის აღსაწერად მონაცემებს შორის მანამდე უცნობი ურთიერთობების აღმოჩენით. მონაცემთა ბაზებში, რომლებიც ინახავს დიდი რაოდენობით მონაცემებს, შეიძლება გამოვლინდეს იმპლიციტური შაბლონები, რომლებიც პრაქტიკული გამოყენებაა. მაგალითად, სუპერმარკეტში გაყიდვების ანალიზით, შეგიძლიათ გაიგოთ, რომ ზაფხულში, ამავე დროს, ლიმონათის, ნაყინის და თესლის რეალიზაცია მკვეთრად იზრდება. ეს საქონელი უნდა განთავსდეს სავაჭრო სართულზე ახლოს და უზრუნველყოს მათი უწყვეტი მიწოდება. ასეთი ღონისძიებები მნიშვნელოვნად გაზრდის ამ პროდუქციის რეალიზაციას.
3.4.1. საექსპერტო სისტემები
საექსპერტო სისტემებს უნდა ჰქონდეს გარკვეული სპეციფიკური მახასიათებლები: საექსპერტო სისტემა თავისი მუშაობისთვის იყენებს ცოდნას, რომელიც უნდა შეძლოს ცოდნის ბაზაში შენახვა, ამოღება და დამუშავება გარკვეული გზით პრობლემის გადასაჭრელად. სხვა სიტყვებით რომ ვთქვათ, საექსპერტო სისტემამ მთლიანად უნდა ჩაანაცვლოს ადამიანური ექსპერტი საქმიანობის რომელიმე კონკრეტულ სფეროში.
საექსპერტო სისტემები იქმნება პროგრამირების ენების გამოყენებით, რომლებიც მხარს უჭერენ წესებზე დაფუძნებულ პროგრამირებას. Prolog და Lisp ჩვეულებრივ მოქმედებს როგორც ასეთი ენები.
ორი მოთხოვნა განსაკუთრებით მნიშვნელოვანია საექსპერტო სისტემებისთვის:
□ საკმაოდ ვიწრო თემის არეალი. რაც უფრო ვიწროა საგანი, რომელშიც განხორციელებულია საექსპერტო სისტემის ფუნქციები, მით უფრო ადვილია მისთვის წესების კომპლექტის შექმნა და მით უფრო ეფექტურია გამოცემული ექსპერტის დასკვნა.
□ საპირისპირო დასკვნის შესაძლებლობა (იხილეთ წარმოების მოდელის მაგალითი ადრე) საშუალებას გაძლევთ თვალყური ადევნოთ, თუ რომელ საწყის მონაცემებზე დაყრდნობით შემუშავდა ექსპერტის რეკომენდაცია.
საექსპერტო სისტემის ძირითადი ელემენტებია (ნახ. 3.5):
□ ცოდნის შენახვის მოდული (ცოდნის ბაზა), რომელშიც ცოდნა ინახება სხვადასხვა პრეზენტაციის ფორმატში;
□ დასკვნის მექანიზმი, რომელიც იყენებს ცოდნის ბაზას პრობლემების გადასაჭრელად;
□ მომხმარებლის ინტერფეისი, რომლის მეშვეობითაც მომხმარებელი იყენებს საექსპერტო სისტემას, აყალიბებს პრობლემას და იღებს მის გადაწყვეტას;
□ ცოდნის მოპოვების მექანიზმი, რომლის დახმარებითაც ყალიბდება სხვადასხვა დანიშნულების ცოდნის ბაზები (სხვადასხვა საგნობრივი სფეროსთვის).
ბრინჯი. 3.5. საექსპერტო სისტემის ელემენტები
საექსპერტო სისტემების უპირატესობებში შედის:
□ გადაწყვეტილების მიღების პროცესი მიმდინარეობს წინასწარ განსაზღვრული წესების საფუძველზე;
□ ცოდნის ბაზისა და დასკვნის ძრავის ცალკე გამოყენება საშუალებას გაძლევთ შეცვალოთ ორივე ცალკე;
□ შესაძლებლობა გაიგოთ, როგორ იქნა მიღებული გადაწყვეტილება;
□ გადაწყვეტილების მიღების სიჩქარე;
□ გატანის სტანდარტული პროცედურის არსებობა;
□ უნარი განმეორებით გადაჭრას ტიპიური პრობლემები ამ სამუშაოდან ადამიანური ექსპერტების გათავისუფლებით;
□ მომხმარებლების გაძლიერება გარკვეული დარგის გამოცდილი ექსპერტების შესაძლებლობებზე.
საექსპერტო სისტემების ნაკლოვანებები:
□ ფოკუსირება ცოდნის ვიწრო სფეროზე, შეზღუდული სპეციფიკის მქონე პრობლემების გადაჭრაზე;
□ ექსპერტების ცოდნის მიღების აუცილებლობა;
□ ექსპერტის ხშირი საჭიროება საბოლოო დასკვნისთვის;
□ ფორმალიზების მაღალი ხარისხი, მსჯელობისას „მარტივი საღი აზრის“ გამოყენების უუნარობა;
□ განვითარებისა და შენარჩუნების მაღალი ღირებულება;
□ მექანიკური დასკვნების მაღალი ხარისხი, „კრეატიულობის“ ნაკლებობა;
□ საექსპერტო სფეროს ცვლილებების შესაბამისად ცოდნის ბაზის მუდმივი შევსების აუცილებლობა;
□ ექსპერტებისგან ცოდნის მიღების სირთულე და სპეციალური მოთხოვნები ცოდნის ინჟინრისთვის (ექსპერტის ინტუიციის ფორმალური ლოგიკის სიმბოლოებად და გამონათქვამებად თარგმნის პროცესს შეიძლება დიდი დრო დასჭირდეს და ძალიან ძვირი დაჯდეს).
საექსპერტო სისტემები გამოიყენება სადაც
□ მოგვარებული პრობლემები იმდენად მნიშვნელოვანია, რომ საექსპერტო სისტემის გამოყენება დაზოგავს დროსა და ფულს, ან ორივეს ერთად;
□ შემოწმების წესები სტაბილურია და კარგად არის ცნობილი (სხვა სიტყვებით რომ ვთქვათ, არსებობენ ხელმისაწვდომი ექსპერტები, რომლებისგანაც საკმარისად მარტივია ცოდნის მიღება, რაც შესაძლებელს ხდის განმეორებითი და გრძელვადიანი გამოყენებისათვის განკუთვნილი საექსპერტო სისტემის შექმნას);
□ საექსპერტო სისტემის შექმნა და შენარჩუნება უფრო იაფია, ვიდრე ადამიანთა ექსპერტების დასაქმება;
□ არის ბევრი მომხმარებელი, ვისაც სჭირდება სწორედ ასეთი საექსპერტო სისტემა (ამ შემთხვევაში, როდესაც შეიქმნა, საექსპერტო სისტემა შეიძლება განმეორებით განმეორდეს და გამოიყენოს სხვადასხვა მომხმარებელმა);
□ უფრო ადვილი და იაფია საექსპერტო სისტემის შექმნა, ვიდრე კადრების მომზადება საქმიანობის ახალ სფეროში;
□ გადაწყვეტილება ადვილად ფორმალიზდება და მიიღება სტაბილური წესების საფუძველზე (ინტუიციის შემოღების ან ცუდად ფორმალიზებული ცოდნის გარეშე).
საექსპერტო სისტემები, რომლებიც განსხვავდება ღირებულებით, სიმძლავრით, ცოდნის ბაზის მოცულობით და ტექნიკის დანერგვით, გამოიყენება გადაწყვეტილებების მისაღებად, დამატებითი ინფორმაციის მისაღებად, საიმედოობის გაზრდის ან მეცნიერების, ტექნოლოგიების, ეკონომიკის, მედიცინის და ა.შ. პრობლემების გადაჭრის ხარჯების შესამცირებლად. ნახ. 3.6 გვიჩვენებს საექსპერტო სისტემების კლასიფიკაციას სხვადასხვა კრიტერიუმების მიხედვით.
საექსპერტო სისტემები
- განათლება - სუპერკომპიუტერი - ავტონომიური
__ პერსონაჟზე ____ ჰიბრიდი
თავი 2შესავალი ცოდნის ინჟინერიაში.
თავი 1. ცოდნაზე დაფუძნებული სისტემები.
^ 1.1. ცოდნა და მონაცემები
თუ თქვენ გაქვთ პრობლემა ან დავალება, რომლის მოგვარებაც დამოუკიდებლად შეუძლებელია, მიმართავთ მცოდნე ადამიანებს, ან ექსპერტებს, მათ, ვისაც აქვს ცოდნა. ტერმინი „ცოდნაზე დაფუძნებული სისტემები“ გაჩნდა 1976 წელს პირველ სისტემებთან ერთად, რომლებიც აგროვებენ ექსპერტების გამოცდილებას და ცოდნას. ეს იყო საექსპერტო სისტემები MYCIN და DENDRAL მედიცინისა და ქიმიისთვის. მათ დაუსვეს სისხლის ინფექციური დაავადებების დიაგნოზი და გაშიფრეს მასსპტროგრაფიული ანალიზის მონაცემები.
საექსპერტო სისტემები გამოჩნდა, როგორც ხელოვნური ინტელექტის (AI) კვლევის ნაწილი იმ დროს, როდესაც ეს მეცნიერება სერიოზულ კრიზისს განიცდიდა და მნიშვნელოვანი გარღვევა იყო საჭირო პრაქტიკული აპლიკაციების შემუშავებაში. ეს გარღვევა მოხდა მაშინ, როდესაც მკვლევარებმა შეცვალეს უნივერსალური ალგორითმის ძიება აზროვნებისა და პრობლემების გადასაჭრელად სპეციალისტ ექსპერტების კონკრეტული ცოდნის მოდელირების იდეით. ასე რომ, აშშ-ში პირველი რეკლამა ცოდნაზე დაფუძნებული სისტემები ან საექსპერტო სისტემები (ES).ეს სისტემები სამართლიანად გახდა პირველი ინტელექტუალური სისტემები და ჯერჯერობით ინტელექტუალურობის ერთადერთი კრიტერიუმია ცოდნასთან მუშაობის მექანიზმების ხელმისაწვდომობა.
ამრიგად, გამოჩნდა ახალი მიდგომა ხელოვნური ინტელექტის პრობლემების გადასაჭრელად - ცოდნის წარმოდგენა.
დამატებითი დეტალები ხელოვნური ინტელექტის ისტორიის შესახებ შეგიძლიათ იხილოთ [Pospelov, 1986; ჯექსონი, 2001; გავრილოვა და ხოროშევსკი, 2001; ანდრია, 1985 |.
ინტელექტუალური სისტემების შესწავლისას, ტრადიციულად ჩნდება კითხვა - რა არის ცოდნა და რით განსხვავდება იგი კომპიუტერზე ათწლეულების განმავლობაში დამუშავებული ჩვეულებრივი მონაცემებისგან. შეიძლება შემოგვთავაზოს რამდენიმე სამუშაო განმარტება, რომლებშიც ეს ნათელი ხდება.
განმარტება 1.1
მონაცემები- ეს არის ინფორმაცია, რომელიც მიღებულია საგნის არეალის ობიექტების, პროცესებისა და ფენომენების დამახასიათებელი ცალკეული თვისებების (ატრიბუტების) დაკვირვების ან გაზომვის შედეგად.
წინააღმდეგ შემთხვევაში, მონაცემები არის კონკრეტული ფაქტები, როგორიცაა ჰაერის ტემპერატურა, შენობის სიმაღლე, თანამშრომლის გვარი, ვებგვერდის მისამართი და ა.შ.
კომპიუტერზე დამუშავებისას მონაცემები გარდაიქმნება, პირობითად გადის შემდეგ ეტაპებს:
D1 - მონაცემები გაზომვების და დაკვირვების შედეგად;
D2 - მონაცემები მატერიალურ მედიაზე (ცხრილები, პროტოკოლები, დირექტორიები);
D3 - მონაცემთა მოდელები (სტრუქტურები) დიაგრამების, გრაფიკების, ფუნქციების სახით;
D4 - მონაცემები კომპიუტერში მონაცემთა აღწერის ენაზე;
D5 - მონაცემთა ბაზები მანქანების შენახვის მედიაზე.
ასე რომ, თუ ადამიანს შეიარაღებთ მონაცემებით, რომ მას აქვს მაღალი ტემპერატურა (დაკვირვების ან გაზომვის შედეგი), მაშინ ეს ფაქტი არ მისცემს მას გამოჯანმრთელების პრობლემის გადაჭრის საშუალებას. და თუ გამოცდილი ექიმი იზიარებს თავის ცოდნას, რომ ტემპერატურა შეიძლება შემცირდეს სიცხის დამწევი საშუალებებით და უამრავი სითხეებით, მაშინ ეს მნიშვნელოვნად დააახლოებს გამოჯანმრთელების პრობლემის გადაჭრას, თუმცა რეალურად საჭიროა დამატებითი მონაცემები და ღრმა ცოდნა.
განმარტება 1.2
ცოდნა- ეს არის პრაქტიკული საქმიანობისა და პროფესიული გამოცდილების შედეგად მიღებული საგნობრივი სფეროს კავშირები და ნიმუშები (პრინციპები, მოდელები, კანონები), რაც სპეციალისტებს საშუალებას აძლევს დააყენონ და გადაჭრას პრობლემები ამ სფეროში.
კომპიუტერზე დამუშავებისას, ცოდნა გარდაიქმნება მონაცემების მსგავსად:
Z1 - ცოდნა ადამიანის მეხსიერებაში გამოცდილების და აზროვნების ანალიზის შედეგად;
Z2 - ცოდნის მატერიალური მატარებლები (სპეციალური ლიტერატურა, სახელმძღვანელოები, სასწავლო საშუალებები);
Z3 - ცოდნის სფერო - საგნის არეალის ძირითადი ობიექტების პირობითი აღწერა, მათი დამაკავშირებელი ატრიბუტები და შაბლონები;
Z4 - ცოდნა აღწერილია ცოდნის წარმომადგენლობით ენებში (წარმოების ენები, სემანტიკური ქსელები, ჩარჩოები - იხილეთ ქვემოთ);
Z5 - ცოდნის ბაზა მანქანების შენახვის მედიაზე. ხშირად გამოიყენება ცოდნის შემდეგი განმარტება:
ცოდნასთან მუშაობის საკვანძო ეტაპია ცოდნის ველის ფორმირება (მესამე ეტაპი Z3), ეს არატრივიალური ამოცანა მოიცავს საგნის არეალის ობიექტებისა და ცნებების იდენტიფიკაციას და განსაზღვრას, მათ თვისებებსა და მათ შორის ურთიერთობებს, აგრეთვე. მათი წარმოდგენა ვიზუალური და ინტუიციური ფორმით. ეს ტერმინი პირველად დაინერგა AUTANTEST ექსპერტი სისტემის ფსიქოდიაგნოსტიკის პრაქტიკული განვითარების დროს [Gavrilova, 1984] და ახლა ფართოდ გამოიყენება ES დეველოპერების მიერ.
ცოდნის სფეროს საფუძვლიანი შესწავლის გარეშე ცოდნის ბაზის შექმნაზე საუბარი არ შეიძლება.
ცოდნის ბუნების გასაგებად აუცილებელია ცნებების განსაზღვრის გზები. ერთ-ერთი ფართოდ გამოყენებული მეთოდი ემყარება ინტენსივობისა და გაფართოების იდეას.
განმარტება 1.3
კონცეფციის განზრახვა- ეს არის მისი განმარტება აბსტრაქციის უფრო მაღალი დონის კონცეფციასთან კორელაციის გზით კონკრეტული თვისებების მითითებით.
მაგალითად, კონცეფციის "ავეჯის" ინტენსივობა: "ობიექტები, რომლებიც შექმნილია ადამიანის კომფორტული ყოფნის უზრუნველსაყოფად და სახლის არეულობაზე."
განმარტება 1.4
გაფართოება არის კონცეფციის განმარტება მისი კონკრეტული მაგალითების, ანუ აბსტრაქციის ქვედა დონის ცნებების ჩამოთვლით.
კონცეფციის გაფართოება "ავეჯი": "გარდერობი, დივანი, მაგიდა, სკამი და ა.შ."
მიზნები ქმნიან ცოდნას ობიექტების შესახებ, ხოლო გაფართოებები აერთიანებს მონაცემებს. ისინი ერთად ქმნიან კონკრეტული საგნის ცოდნის სფეროს ელემენტებს.
მონაცემთა ბაზები გამოიყენება მონაცემთა შესანახად (მათ ახასიათებთ ინფორმაციის დიდი მოცულობით და შედარებით მცირე ერთეულის ღირებულება), ცოდნის შესანახად - ცოდნის ბაზები (პატარა, მაგრამ ძალიან ძვირი ინფორმაციის მასივები).
Ცოდნის ბაზა -ნებისმიერი ინტელექტუალური სისტემის საფუძველი, სადაც ცოდნა აღწერილია ცოდნის წარმოდგენის გარკვეულ ენაზე, ბუნებრივთან ახლოს.
ცოდნა შეიძლება დაიყოს:
ღრმა;
ზედაპირული.
ღრმა- აბსტრაქციები, ანალოგიები, დიაგრამები, რომლებიც ასახავს საგნის სფეროში მიმდინარე პროცესების სტრუქტურასა და ბუნებას. ეს ცოდნა ხსნის ფენომენებს და შეიძლება გამოყენებულ იქნას ობიექტების ქცევის პროგნოზირებისთვის.
ზედაპირული ცოდნა
"სწორი პაროლის შეყვანის შემთხვევაში, დესკტოპის სურათი გამოჩნდება კომპიუტერის ეკრანზე."
ღრმა ცოდნა
„გააზრება, თუ როგორ მუშაობს ოპერაციული სისტემა და ცოდნა კვალიფიციური სისტემის ადმინისტრატორის დონეზე“.
თანამედროვე საექსპერტო სისტემები ძირითადად ზედაპირული ცოდნით მუშაობენ. ეს გამოწვეულია იმით, რომ ამ დროისთვის არ არსებობს უნივერსალური მეთოდები, რომლებიც საშუალებას მოგცემთ ამოიცნოთ ცოდნის ღრმა სტრუქტურები და იმუშაოთ მათთან.
გარდა ამისა, ხელოვნური ინტელექტის სახელმძღვანელოები ტრადიციულად ყოფს ცოდნას პროცედურულიდა დეკლარაციული.ისტორიულად, პროცედურული ცოდნა იყო პირველადი, ანუ ცოდნა „დაშლილი“ ალგორითმებში. მათ მოახერხეს მონაცემები. მათი შესაცვლელად საჭირო იყო პროგრამების ტექსტის შეცვლა. ამასთან, კომპიუტერული მეცნიერებისა და პროგრამული უზრუნველყოფის განვითარებასთან ერთად, ცოდნის მზარდი ნაწილი კონცენტრირებული იყო მონაცემთა სტრუქტურებში (ცხრილები, სიები, მონაცემთა აბსტრაქტული ტიპები), ანუ გაიზარდა დეკლარაციული ცოდნის როლი.
დღეს ცოდნამ შეიძინა წმინდა დეკლარაციული ფორმა, ანუ ცოდნა ითვლება წინადადებებად დაწერილი ცოდნის წარმომადგენლობით ენებზე, რომლებიც ახლოსაა ბუნებრივ ენასთან და გასაგებია არასპეციალისტებისთვის.
ხელოვნური ინტელექტის ერთ-ერთმა პიონერმა, ალან ნიუელმა, ილუსტრირებულია ადამიანი-კომპიუტერის კომუნიკაციის ევოლუცია, როგორც გადასასვლელი მანქანის კოდებიდან სიმბოლური პროგრამირების ენების მეშვეობით ცოდნის წარმომადგენლობით ენებზე (ნახ. 1.1).
^ 1.2. ცოდნის წარმოდგენის მოდელები
ამჟამად შემუშავებულია ცოდნის წარმოდგენის ათობით მოდელი (ან ენა) სხვადასხვა საგნობრივი სფეროსთვის. მათი უმეტესობა შეიძლება დაიყოს შემდეგ კლასებად:
წარმოების მოდელები;
სემანტიკური ქსელები;
ჩარჩოები;
ფორმალური ლოგიკური მოდელები.
მოდულარული;
ქსელი.
ქსელიენები იძლევა ამ ელემენტების ან ცოდნის ნაწილების დაკავშირების შესაძლებლობას ურთიერთობების საშუალებით სემანტიკურ ქსელებში ან ჩარჩოების ქსელებში.
მოდით უფრო დეტალურად განვიხილოთ დეველოპერებს შორის ცოდნის წარმომადგენლობის ყველაზე პოპულარული ენები (KRPs).
^ 1.2.1. წარმოების მოდელი
წესებზე დაფუძნებული RPL-ები ყველაზე გავრცელებულია და ES-ების 80%-ზე მეტი იყენებს მათ.
განმარტება 1.5
წარმოების ან წესებზე დაფუძნებული მოდელი საშუალებას იძლევა ცოდნის წარმოდგენა წინადადებების სახით, როგორიცაა "თუ (პირობა), მაშინ (მოქმედება)".
„პირობა“ (წინამორბედი) გაგებულია, როგორც გარკვეული სანიმუშო წინადადება, რომლის მიხედვითაც ძიება ხორციელდება ცოდნის ბაზაში, ხოლო „მოქმედება“ (შესაბამისად) არის მოქმედებები, რომლებიც შესრულებულია ძიების წარმატებულ შედეგზე (მათ შეუძლიათ იყოს შუალედური, რომელიც მოქმედებს როგორც პირობები, და ტერმინალი ან სამიზნე, რომელიც წყვეტს სისტემას).
ყველაზე ხშირად, დასკვნა ასეთი ცოდნის ბაზაზე არის სწორი(მონაცემებიდან სამიზნე ძიებამდე) ან უკან(მისი დადასტურების მიზნიდან - მონაცემებამდე). მონაცემები არის თავდაპირველი ფაქტები, რომლებიც ინახება ფაქტების ბაზაში, რომლის საფუძველზეც ამოქმედდება დასკვნის ძრავა ან წესების თარჯიმანი, წესების დახარისხება წარმოების ცოდნის ბაზიდან. (იხ. ნაწილი 1.3).
წარმოების მოდელი ასე ხშირად გამოიყენება ინდუსტრიულ საექსპერტო სისტემებში, რადგან ის იზიდავს დეველოპერებს თავისი სიცხადით, მაღალი მოდულარობით, დამატებებისა და ცვლილებების სიმარტივით და დასკვნის მექანიზმის სიმარტივით.
არსებობს უამრავი პროგრამული ინსტრუმენტი, რომელიც ახორციელებს წარმოების მიდგომას (მაგალითად, მაღალი დონის ენები CLIPS და OPS 5; "ჭურვი" ან "ცარიელი" ES - EXSYS Professional და Carra, ინსტრუმენტული სისტემები KEE, ARTS, PIES [ ხოროშევსკი, 1993]), ასევე მასზე დაფუძნებული ინდუსტრიული ES (მაგალითად, ES შექმნილი G2-ის საშუალებით [პოპოვი, 1996]). იხ. [Popov, Fominykh et al., 1996; ხოროშევსკი, 1993; გავრილოვა და ხოროშევსკი, 2001; დურკინი, 1998].
^ 1.2.2 სემანტიკური ქსელები
ვადა "სემანტიკური" ნიშნავს"სემანტიკა" და თავად სემანტიკა არის მეცნიერება, რომელიც ამყარებს კავშირებს სიმბოლოებსა და მათ მიერ დანიშნულ ობიექტებს შორის, ანუ მეცნიერება, რომელიც განსაზღვრავს ნიშნების მნიშვნელობას. სემანტიკური ქსელის მოდელი შემოგვთავაზა ამერიკელმა ფსიქოლოგმა ქილიანმა. მისი მთავარი უპირატესობა ის არის, რომ ის სხვებზე მეტად შეესაბამება თანამედროვე იდეებს ადამიანის გრძელვადიანი მეხსიერების ორგანიზების შესახებ [Scragg, 1983].
განმარტება 1.6
სემანტიკური ქსელიარის მიმართული გრაფიკი, რომლის წვეროები ცნებებია, ხოლო რკალი მათ შორის მიმართებაა.
ცნებები, როგორც წესი, აბსტრაქტული ან კონკრეტული ობიექტებია და ურთიერთობებიეს არის ურთიერთობები ტიპის: "ეს" ("AKO - A-Kind-Of, "არის" ან "კლასის ელემენტი"), "აქვს ნაწილი", "ეკუთვნის", "მოსწონს".
შეგვიძლია შემოგთავაზოთ სემანტიკური ქსელების რამდენიმე კლასიფიკაცია, რომლებიც დაკავშირებულია ცნებებს შორის ურთიერთობის ტიპებთან.
ურთიერთობის ტიპების რაოდენობის მიხედვით:
ჰომოგენური (ერთი ტიპის ურთიერთობით);
ჰეტეროგენული (სხვადასხვა ტიპის ურთიერთობებით).
ორობითი (რომელშიც ურთიერთობები აკავშირებს ორ ობიექტს);
შემდეგი ურთიერთობები ყველაზე ხშირად გამოიყენება სემანტიკურ ქსელებში:
კლასის ელემენტი (ვარდი ეს არისყვავილი);
ატრიბუტების ურთიერთობები / აქვს თვისება (მეხსიერება აქვს ქონება- მოცულობა);
მნიშვნელობათვისებები (ფერი აქვს მნიშვნელობა -ყვითელი);
კლასის ელემენტის მაგალითი (ვარდი, მაგალითად -ჩაის ოთახი);
კავშირის ტიპი "ნაწილი-მთელი"(ველოსიპედი მოიცავსსაჭე);
ფუნქციური კავშირები (ჩვეულებრივ, განისაზღვრება ზმნებით "აწარმოებს", "ზეგავლენას ახდენს" ...);
რაოდენობრივი (ზე მეტი, ნაკლები, ტოლი...);
სივრცითი (შორს, ახლოს, უკან, ქვეშ, ზევით ...);
დროებითი (ადრე, მოგვიანებით, დროს ...);
ლოგიკური კავშირები (და, ან, არა)და ა.შ.
კლასის ელემენტი ან ACO;
ატრიბუტიული ბმულები / აქვს საკუთრება;
ქონების ღირებულება.
ეს პრობლემა დაყვანილია არატრივიალურ ამოცანამდე, რომ იპოვოთ ქსელის ფრაგმენტი, რომელიც შეესაბამება ზოგიერთ ქვექსელს, რომელიც ასახავს მოთხოვნას მონაცემთა ბაზაში.
ნახ. 1.3 გვიჩვენებს სემანტიკური ქსელის მაგალითს. აქ მწვერვალებად გვევლინება ცნებები „კაცი“, „ამხანაგი სმირნოვი“, „აუდი A4“, „მანქანა“, „ტრანსპორტის რეჟიმი“ და „ძრავა“.
ბრინჯი. 1.3.სემანტიკური ქსელი
სემანტიკური ქსელების განხორციელებისთვის არსებობს სპეციალური ქსელური ენები, მაგალითად, NET [Tseitin, 1985], SIMER + MIR სისტემების დანერგვის ენა [Osipov, 1997] და ა. ფართოდ ცნობილია - PROSPECTOR, CASNET, TORUS [Hayes-Roth et al., 1987; დურკინი, 1998].
1.2.3. ჩარჩოები
ვადა ჩარჩო(ინგლისურიდან. ჩარჩო -"ჩონჩხი" ან "ჩარჩო") შემოგვთავაზა მარვინ მინსკიმ [მინსკი, 1979], ხელოვნური ინტელექტის ერთ-ერთმა პიონერმა, 70-იან წლებში სივრცითი სცენების აღქმის ცოდნის სტრუქტურაზე მითითებით. ამ მოდელს სემანტიკური ქსელის მსგავსად ღრმა ფსიქოლოგიური საფუძველი აქვს.
განმარტება 1.7
ჩარჩო არის აბსტრაქტული გამოსახულება ობიექტის, კონცეფციის ან სიტუაციის სტერეოტიპისთვის.
ინტუიციურად ნათელია, რომ აბსტრაქტული გამოსახულება გაგებულია, როგორც განზოგადებული და გამარტივებული მოდელი ან სტრუქტურა. მაგალითად, სიტყვა "ოთახის" ხმამაღლა წარმოთქმა მსმენელს აძლევს ოთახის გამოსახულებას: "მისაღები ოთახი ოთხი კედლით, იატაკით, ჭერით, ფანჯრებით და კარით, 6-20 მ2 ფართობით". ამ აღწერიდან ვერაფერი ამოიღება (მაგალითად, ფანჯრების მოხსნა, კარადას მივიღებთ და არა ოთახს), მაგრამ მასში არის "ხვრელები" ან "სლოტები" -ეს არის ზოგიერთი ატრიბუტის ცარიელი მნიშვნელობები - მაგალითად, ფანჯრების რაოდენობა, კედლის ფერი, ჭერის სიმაღლე, იატაკის საფარი და ა.შ.
ჩარჩო თეორიაში, ოთახის ასეთ გამოსახულებას ოთახის ჩარჩო ეწოდება. ჩარჩოს ასევე უწოდებენ ფორმალიზებულ მოდელს გამოსახულების ჩვენებისთვის.
გამოარჩევენ ჩარჩოების ნიმუშიან პროტოტიპები,ინახება ცოდნის ბაზაში და მაგალითის ჩარჩოები,რომლებიც შექმნილია შემომავალი მონაცემების საფუძველზე რეალური ფაქტობრივი სიტუაციების საჩვენებლად. ჩარჩოს მოდელი საკმაოდ უნივერსალურია, რადგან ის საშუალებას გაძლევთ აჩვენოთ სამყაროს შესახებ ცოდნის მთელი მრავალფეროვნება:
ჩარჩო-სტრუქტურები,გამოიყენება საგნებისა და ცნებების (სესხი, გირავნობა, თამასუქი) აღსანიშნავად;
როლური ჩარჩოები(მენეჯერი, მოლარე, კლიენტი);
სკრიპტის ჩარჩოები(გაკოტრება, აქციონერთა კრება, სახელობის დღეების აღნიშვნა);
სიტუაციის ჩარჩოები(განგაში, ავარია, მოწყობილობის მუშაობის რეჟიმი) და ა.შ.
^ (FRAME NAME:
(1-ლი სლოტის სახელი: 1-ლი სლოტის ღირებულება),
(მე-2 სლოტის სახელი: მე-2 სლოტის ღირებულება),
…………….
(Nth slot name: Nth slot value)).
იგივე ჩანაწერი შეიძლება წარმოდგენილი იყოს ცხრილის სახით (იხ. ცხრილი 1.1), რომელიც ავსებს მას ორი სვეტით.
ცხრილი 1.1.ჩარჩო სტრუქტურა
| ჩარჩოს სახელი |
|||
| სლოტის სახელი | სლოტის ღირებულება | როგორ მივიღოთ ღირებულება | თანდართული პროცედურა |
ცხრილში, დამატებითი სვეტები (მე-3 და მე-4) განკუთვნილია იმის აღსაწერად, თუ როგორ იღებს სლოტი თავის მნიშვნელობას და შეიძლება დაერთოს სპეციალური პროცედურების ამა თუ იმ სლოტზე, რაც ნებადართულია ჩარჩოს თეორიაში. სლოტის მნიშვნელობა შეიძლება იყოს სხვა ფრეიმის სახელი, რითაც იქმნება ჩარჩოების ქსელები.
არსებობს რამდენიმე გზა, რომ სლოტმა მიიღოს მნიშვნელობები მაგალითის ჩარჩოში:
ნაგულისხმევად საცნობარო ჩარჩოდან (Default value);
AKO სლოტში მითითებული ჩარჩოდან თვისებების მემკვიდრეობის გზით;
სლოტში მითითებული ფორმულის მიხედვით;
თანდართული პროცედურის მეშვეობით;
ცალსახად მომხმარებელთან დიალოგიდან;
მონაცემთა ბაზიდან.
მაგალითად, ჩარჩოების ქსელში ნახ. 1.4 „სტუდენტის“ ცნება მემკვიდრეობით იღებს ჩარჩოების „ბავშვი“ და „ადამიანი“ თვისებებს, რომლებიც იერარქიის უფრო მაღალ დონეზეა. კითხვაზე "მოსწავლეებს უყვართ ტკბილეული?" პასუხი არის "დიახ", რადგან ყველა ბავშვს აქვს ეს თვისება, რომელიც მითითებულია "ბავშვის" ჩარჩოში. საკუთრების მემკვიდრეობა შეიძლება იყოს ნაწილობრივი: სტუდენტებისთვის ასაკი არ არის მემკვიდრეობით მიღებული „ბავშვის“ ჩარჩოდან, როგორც ეს პირდაპირ არის მითითებული მის ჩარჩოში.
ბრინჯი. 1.4.ჩარჩო ქსელი
ფრეიმების, როგორც ცოდნის წარმოდგენის მოდელის მთავარი უპირატესობა არის ის, რომ ის ასახავს ადამიანის მეხსიერების ორგანიზაციის კონცეპტუალურ საფუძველს [Shenk, Hunter, 1987], ისევე როგორც მის მოქნილობას და ხილვადობას.
სპეციალური ცოდნის წარმოდგენის ენები ჩარჩო ქსელებში FRL (Frame Representation Language) [Baydun, Bunin, 1990], KRL (Knowledge Representation Language) [Waterman, 1989], ჩარჩო „ჭურვი“ Kappa [Strelnikov, Borisov, 1997] და სხვა პროგრამული უზრუნველყოფა. ინსტრუმენტები საშუალებას იძლევა ეფექტურად ავაშენოთ სამრეწველო ელექტროსადგურები. ფართოდ ცნობილია ჩარჩოზე ორიენტირებული საექსპერტო სისტემები, როგორიცაა ANALYST, MODIS, TRISTAN, ALTERID [კოვრიგინი, პერფილევი, 1988; ნიკოლოვი, 1988; Sisodia, Warkentin, 1992].
^ 1.2.4. ფორმალური ლოგიკური მოდელები
ტრადიციულად, ცოდნის წარმოდგენისას არსებობს ფორმალური ლოგიკური მოდელები, რომლებიც დაფუძნებულია კლასიკურზე 1-ლი რიგის პრედიკატების გაანგარიშება, როდესაც საგნის არე ან დავალება აღწერილია, როგორც აქსიომების ერთობლიობა. სინამდვილეში, პირველი რიგის პრედიკატის გამოთვლა პრაქტიკულად არ გამოიყენება ინდუსტრიულ ექსპერტულ სისტემებში. ეს ლოგიკური მოდელი გამოიყენება ძირითადად კვლევით "სათამაშოების" სისტემებში, რადგან ის აწესებს ძალიან მაღალ მოთხოვნებს და შეზღუდვებს საგანში. სამრეწველო საექსპერტო სისტემებში გამოიყენება მისი სხვადასხვა მოდიფიკაციები და გაფართოებები, რომელთა პრეზენტაცია სცილდება ამ წიგნის ფარგლებს. იხილეთ [Adamenko, Kuchukov, 2003].
^ 1.3. დასკვნა ცოდნაზე
როგორც უკვე აღინიშნა წმ. 1.2ცოდნის წარმოდგენის ყველაზე ფართოდ გამოყენებული საწარმოო მოდელი. როდესაც ის გამოიყენება, ცოდნის ბაზა შედგება წესების ნაკრებისგან და პროგრამა, რომელიც მართავს წესების ჩამოთვლას, ე.წ. გამომავალი მანქანა.
განმარტება 1.8
გამომავალი მანქანა(წესების თარჯიმანი) არის პროგრამა, რომელიც ახდენს ექსპერტის ლოგიკური დასკვნის სიმულაციას, რომელიც იყენებს ამ წარმოების ცოდნის ბაზას სისტემაში შეყვანილი მონაცემების ინტერპრეტაციისთვის.
ის ჩვეულებრივ ასრულებს ორ ფუნქციას:
არსებული მონაცემების (ფაქტების) ნახვა სამუშაო მეხსიერებიდან (მონაცემთა ბაზა) და წესები ცოდნის ბაზიდან და ახალი ფაქტების (შეძლებისდაგვარად) დამატება სამუშაო მეხსიერებაში;
განსაზღვრეთ წესების ნახვისა და გამოყენების თანმიმდევრობა. ეს მექანიზმი აკონტროლებს კონსულტაციის პროცესს, ინახავს ინფორმაციას მომხმარებლისთვის მიღებული დასკვნების შესახებ და ითხოვს ინფორმაციას მომხმარებლისგან, როდესაც სამუშაო მეხსიერებაში არ არის საკმარისი მონაცემები შემდეგი წესის გასააქტიურებლად [Osuga, Saeki, 1990].
ცოდნაზე დაფუძნებული სისტემების აბსოლუტურ უმრავლესობაში დასკვნის მექანიზმი არის მცირე პროგრამა და მოიცავს ორ კომპონენტს - ერთი ახორციელებს რეალურ დასკვნას, მეორე აკონტროლებს ამ პროცესს.
მოქმედება გამომავალი კომპონენტიწესის გამოყენების საფუძველზე ე.წ მოდუს პონენსი:"თუ ცნობილია A დებულება ჭეშმარიტად და არსებობს IF A THEN B ფორმის წესი, მაშინ დებულება B ასევე მართალია."
ამრიგად, წესები მუშაობს მაშინ, როდესაც არსებობს ფაქტები, რომლებიც აკმაყოფილებს მათ მარცხენა მხარეს: თუ წინაპირობა მართალია, მაშინ დასკვნაც უნდა იყოს ჭეშმარიტი.
გამომავალი კომპონენტი უნდა ფუნქციონირებდეს მაშინაც კი, თუ არის ინფორმაციის ნაკლებობა. შედეგად მიღებული გამოსავალი შეიძლება არ იყოს ზუსტი, მაგრამ სისტემა არ უნდა გაჩერდეს, რადგან შეყვანის ინფორმაციის რომელიმე ნაწილი აკლია.
^ საკონტროლო კომპონენტი განსაზღვრავს წესების გამოყენების თანმიმდევრობას და ასრულებს ოთხ ფუნქციას:
შესატყვისი-ნიმუშის წესი შეესაბამება არსებულ ფაქტებს.
არჩევანი -თუ კონკრეტულ სიტუაციაში შესაძლებელია ერთდროულად რამდენიმე წესის გამოყენება, მაშინ შეირჩევა ერთ-ერთი მათგანი, რომელიც ყველაზე შესაფერისია მოცემული კრიტერიუმის მიხედვით (კონფლიქტის მოგვარება).
Ოპერაცია -თუ წესის ნიმუში, როდესაც ემთხვევა, ემთხვევა სამუშაო მეხსიერების ნებისმიერ ფაქტს, მაშინ წესი ამოქმედდება.
მოქმედება -სამუშაო მეხსიერება მოდიფიცირებულია მასში გამორთული წესის დასკვნის დამატებით. თუ წესის მარჯვენა მხარე შეიცავს რაიმე მოქმედების მითითებას, მაშინ ის შესრულებულია (როგორც, მაგალითად, ინფორმაციული უსაფრთხოების სისტემებში).
მხოლოდ ერთ წესს შეუძლია გასროლა ერთ მარყუჟში. თუ რამდენიმე წესი წარმატებით შედარებულია ფაქტებთან, მაშინ თარჯიმანი ირჩევს, გარკვეული კრიტერიუმის მიხედვით, ერთადერთ წესს, რომელიც მუშაობს ამ ციკლში. თარჯიმანის ციკლი სქემატურად არის ნაჩვენები ნახ. 1.5.
მუშა მეხსიერებიდან მიღებული ინფორმაცია თანმიმდევრულად ემთხვევა წესების წარდგენას წარმატებული შესატყვისის დასადგენად. შერჩეული წესების ნაკრები არის ე.წ კონფლიქტის ნაკრები.კონფლიქტის მოსაგვარებლად თარჯიმანს აქვს კრიტერიუმი, რომლითაც ის ირჩევს ერთ წესს, რის შემდეგაც მუშაობს. ეს გამოიხატება იმ ფაქტების შეყვანაში, რომლებიც ქმნიან წესის დასკვნას სამუშაოში
