У роботі проводиться аналіз сучасного стану автоматизованих систем придбання та подання знань. Показані різні класифікації систем придбання знань. Виявлено основні групи проблем, характерних для цих систем. запропоновано структурна схема систем придбання знань. Проведено аналіз моделей уявлення знань. Розглянуто питання, що виникають при вирішенні проблеми подання знань. Показані якісні і кількісні показники експертної системи, які можуть бути поліпшені за рахунок використання метазнаній, тобто знань про знання. Перераховано можливі призначення метазнаній.

Анотація наукової статті з комп'ютерних та інформаційних наук, автор наукової роботи - Курейчик В. В., Сороколетов П. В., Щеглов С. Н.


The analysis of a modern condition of the automated systems of acquisition and representation of knowledge

In work the analysis of a modern condition of the automated systems of acquisition and representation of knowledge is carried out. Various classifications of systems of acquisition of knowledge are shown. The basic groups of problems, characteristic for these systems are revealed. The block diagramme of systems of acquisition of knowledge is offered. The analysis of models of representation of knowledge is carried out. The questions arising at the decision of a problem of representation of knowledge are considered. Are shown qualitative and quantity indicators of expert system which can be improved at the expense of use of metaknowledge, i.e. knowledge of knowledge. Possible appointments of metaknowledge are listed.


Область наук:
  • Комп'ютер та інформатика
  • Рік видавництва: 2008
    Журнал: Известия Південного федерального університету. Технічні науки

    Наукова стаття на тему 'Аналіз сучасного стану автоматизованих систем придбання та подання знань'

    Текст наукової роботи на тему «Аналіз сучасного стану автоматизованих систем придбання та подання знань»

    ?УДК 519.712.2

    В.В. Курейчик, П.В. Сороколетов, С.Н. Щеглов

    АНАЛІЗ СУЧАСНОГО СТАНУ АВТОМАТИЗОВАНИХ СИСТЕМ ПРИДБАННЯ ТА ПОДАННЯ ЗНАНЬ *

    В даний час в механізмах автоматизованого придбання знань можна виділити дві основні групи. Це автоматизовані системи набуття знань від експертів з використанням безлічі напрацьованих технологій та методологій [1]. І новий напрямок - автоматизовані системи вилучення знань без участі експертів з існуючих знань і з текстів, масивів даних (Data mining, Knowledge Discovery in Databases) [2, 3]. Представники обох напрямів широко відомі програмними засобами, перше покоління яких з'явилося ще в другій половині 80-х років. Це SIMER + MIR, OPAL, TEIRESAIS, АРИАДНА [4, 5]. Друге покоління, починаючи з 90-х років [6] представлено широким застосуванням методології KADS, в основі якої лежить поняття інтерпретаційної моделі, що дозволяє розглядати процеси структурування і формалізації знань як «інтерпретацію» лінгвістичних знань в інші уявлення і структури. Представник, даної методології оболонка CommonKADS, KELLY, MEDIS [6, 7]. Третє покоління - це більш складність,, -цій, досягнення програмних засобів і CASE-технологій [8], представлено в [1].

    Існують різні класифікації систем придбання знань - по виразності і потужності інструментальних засобів, за узагальненими характери, ,

    [5-9]. , -

    дме схему систем придбання знань, представлену на рис. 1.

    Узагальнюючи сучасний стан програмних засобів придбання знань, можна виявити дві групи проблем, характерних для цих систем [6]:

    а) методологічні проблеми:

    | Слабка опрацьованість;

    | Відсутність єдиного теоретичного базису теоретичних аспектів процесів вилучення знань; процедури структурування знань;

    | Жорсткість моделей подання знань;

    | Недосконалість математичного базису моделей подання знань;

    | Емпірічни процедури вибору програмного інструментарію і про-

    ;

    ):

    | Відсутність концептуальної цілісності і узгодженості між окремими прийомами і методами інженерії знань;

    | Нестача кваліфікованих спе циалистов в галузі інженерії знань;

    | Неповнота методів структурування знань, відсутність класифікації та рекомендацій щодо вибору підходящого методу;

    | Жорсткість програмних засобів, їх низька адаптивність.

    Незважаючи на наявні недоробки в методології та технології, автоматизовані системи знань дозволяють розширювати ринок ЕС [9]. поліпшення в

    * Робота виконана за підтримки РФФД (гранти № 07-01-00174, № 08-01-00473).

    системах ергономічних показників, використання знанні про процес вилучення та перетворення знань розширюють можливості автоматизації процесу. , Які мають банки даних, машини пошуку знань з даних.

    За типом організації

    Тип:

    придбаного

    Модель

    уявлення

    методи

    До

    За типом взаємодії

    Покоління систем придбання знань

    З зворотним зв'язком

    Без зворотного зв'язку

    мікро

    Макро

    комплексний

    Фактичні

    знання

    формуються

    фіксовані

    Орієнтація на аналітика

    Орієнтація на експерта

    кластерні

    інтерв'ю

    експертні гри

    бионические

    З використанням: методів психосемантики:

    Спостереження та інші

    гГ

    = з

    до

    Правила

    взаємозв'язку:

    продукції:

    фрейми

    мережі

    Факторний аналіз

    багатовимірне

    шкалювання

    Мережеве

    шкалювання

    репертуарні

    решітки:

    кластерний аналіз

    знання

    Мал. 1. Класифікація систем придбання знань

    Аналіз моделей уявлення знань. Існує безліч моделей . -

    лям подання знань [6, 10, 11]:

    | Продукції нна модель;

    | Логічна модель;

    | Фреймів а модель;

    | Модель семантичної мережі.

    Продукционная модель ґрунтується на безлічі правил. Схематично правила в продукционной системі можна уявити в узагальненій формі: Р1, ...., Рт-> р1, .... ри, яка читається так: якщо передумови Р1 і Рт вірні, то можна виконати дії р1 і ри. Передумови часто називають умовами, а дії - висновками. Продукционная модель найчастіше застосовується в промислових експертних системах. Вона хороша своєю наочністю, високою модульність, простотою механізму логічного висновку, легкістю внесення доповнень і змін.

    Логічні моделі ґрунтуються на класичному численні предикатів 1-го порядку, коли предметна область або завдання описується в вигляді набору аксіом. Обчислення предикатів 1-го порядку в промислових експертних системах практично не використовується [6].

    Фреймова модель визначається як структура даних для представлення стереотипних ситуацій [12]. Ця структура містить різноманітну інформацію: про об'єкти і події, які слід очікувати в тій чи іншій ситуації, про те, як використовувати інформацію, наявну у фреймі. Фрейм Б є средст-,

    суті в структуру записів, яка складається з слотів-в1 і наповнювачів-щ. Системи фреймів виявляються значущими в САПР, так як вони створюють засоби структурування евристичних знань, пов'язаних з додатком правил і класифікацією об'єктів. При використанні фреймів евристичні знання не «розмиваються» з програмного коду програми, але і не збираються воєдино у вигляді метазнаній, а розподіляються між тими видами об'єктів, до яких вони при, -

    [1].

    Семантична мережа - це орієнтований граф, вершини якого - поняття, а дуги - відносини між ними [6]. Як понять зазвичай виступають абстрактні або конкретні об'єкти, а відносини - це зв'язки. Найбільш часто в

    : «-», «-», «-». .; ; ; просторові; тимчасові; атрибутивні; логічні зв'язки; лінгвістичні. Недоліком семантичної мережі є складність процедури пошуку виведення на .

    Форма подання знань істотно впливає на характеристики і свій,, -ної з важливих проблем в галузі інтелектуалізації САПР і штучного інтелекту (ІІ).

    ,

    визначення складу знань. Ці дві проблеми взаємообумовлені. дійсно відс-

    ,

    або неефективним для вираження деяких знань. Питання подання знань можна розділити на дві незалежні завдання: як організувати (структурувати) знання і як представити знання в обраній формі. Прагнення виділити організацію знань в самостійну задачу викликано тим, що ця задача виникає для будь-якої мови уявлення і способи вирішення цього завдання є практично однаковими, незалежно від використовуваного формалізму.

    При вирішенні проблеми подання знань необхідно розглянути сле-:

    | Визначення складу подаються знань;

    | Визначення ор ганізації знань;

    | Визначення форми представлення знань.

    Зокрема, для ЕС уявлення знань, тобто визначення моделі перед,:

    | Проблем ної середовищем;

    | Архітектурою ек експертні системи;

    | Потребами і цілями користувачів;

    | Мовою спілкування.

    При проектуванні моделі знань в САПР дуже важливо враховувати архітектуру експертної системи. І з урахуванням архітектури експертної системи знання доцільно ділити на інтерпретовані і неінтерпретіруемие. До першого типу відносяться ті знання, які сам вирішувач здатний інтерпретувати (ін-). . їх структури та змісту. Якщо ці знання використовуються будь-яким компонентом системи, то він не "усвідомлює" цих знань. Неінтерпретіруемие знання поділяються на допоміжні знання, що зберігають інформацію про лексику і граматику мови спілкування, про структуру діалогу, і підтримують знання. Допоміжні знання обробляються природно-мовної компонентою, але процес цієї обробки вирішувач не усвідомлює, так як цей етап обробки вхідних повідомлень є допоміжним для проведення експертизи. Підтримують знання використовуються при створенні системи і при виконанні пояснень. Підтримують знання виконують роль описів, як інтерпретіруе-,. -ческіе і семантичні знання. Технологічні знання містять відомості про час створення описуваних ними знань, про автора знань і т.п. Семантичні підтримують знання містять смислове опис цих знань. Вони містять інформацію про причини введення знань, про призначення знань, описують спосіб використання знань і отриманий ефект. Підтримують знання мають .

    Інтерпретуються знання можна розділити на предметні знання, керуючі знання і знання про подання. Знання про подання містять інформацію про те, яким чином (в яких структурах) в системі представлені ін-.

    Предметні знання містять дані про предметну область і способи перетворення цих даних при вирішенні поставлених завдань. Відзначимо, що по відношенню до предметних знань знання про подання і знання про управління. -ственно предметні знання. Описувачі містять певну інформацію про предметні знаннях таку, як: коефіцієнт визначеності правил і даних, заходи важливості і складності. Предметні знання розбиваються на факти і испол-. -терістік предметної області. Виконувані твердження можуть містити інформацію про,. Іншими словами, виконувані твердження - це з нания, що задають процедури обробки. Ці знання можуть бути задані не тільки в процедурній, але і в декларативної формі [13].

    Якісні та кількісні показники експертної системи можуть бути поліпшені за рахунок використання метазнаній, тобто знань про знання. Метазнанія не уявляють деяку єдину сутність, вони можуть застосовуватися для досягнення різних цілей. Перерахуємо можливі призначення метазнаній:

    1)

    ;

    2)

    правил з області експертизи;

    3) -скіх помилок в предметних правилах;

    4) метаправіла дозволяють системі адаптуватися до оточення шляхом перебудови предметних правил і функцій;

    5) метаправіла дозволяють явно вказати можливості і обмеження системи, тобто визначити, що система знає, а що не знає.

    Питання організації знань необхідно розглядати в будь-якому представ,

    (Моделі) уявлення. Виділимо наступні аспекти проблеми організації знань:

    | Організація знань за рівнями пре дставленія і за рівнями детальності;

    | Організація знан ий в робочій пам'яті;

    | Організація знань в базі знань.

    Для того щоб експертна система могла керувати процесом пошуку реше-,, повинна вміти не тільки використовувати свої знання, а й мати здатність розуміти і досліджувати знання, тобто експертна система повинна мати знання про,. середовищі назвати знаннями нульового рівня уявлення, то перший рівень уявлення містить метазнанія, тобто знання про те, як представлені у внутрішньому світі системи знання нульового рівня. Перший рівень містить знання про те, які кошти використовуються для представлення знань нульового рівня. Знання першого рівня грають істотну роль при управлінні процесом рішення, при придбанні та поясненні дій системи. У зв'язку з тим, що знання першого рівня не містять посилань на знання нульового рівня, знання першого рівня незалежні від проблемної середовища. Число рівнів подання може бути більше двох. Другий рівень представлення містить відомості про знання першого рівня, тобто знання про подання базових понять першого рівня. Поділ знань за рівнями уявлення забезпечує розширення області застосування системи [14].

    Виділення рівнів детальності дозволяє розглядати знання з різною .

    специфікою вирішуваних завдань, обсягом знань і способом їх подання. Як правило, виділяється не менш трьох рівнів детальності, що відображають соответст-,. -ких рівнів детальності забезпечує додатковий ступінь гнучкості системи, це дозволяє робити зміни на одному рівні, не зачіпаючи інші. Зміни на одному рівні детальності можуть призводити до додаткових змін на цьому ж рівні, що виявляється необхідним для забезпечення узгодженості структур даних і програм.

    Розглянувши різні моделі і підходи до організації знань, необхідно ,

    , -

    представляється можливим описати однією моделлю. Тому при створенні експертної системи необхідно стосовно її архітектурі забезпечити ефективне використання всіх наявних в системі видів знань, що можливо при побудові її у вигляді гібридної експертної системи. Різнорідні знання доцільно класифікувати і для кожного виду використовувати певну модель .

    БІБЛІОГРАФІЧНИЙ СПИСОК

    1. Джексон П. Введення в експертні системи. - М .: Видавничий дім «Вільямс»,

    2001. - 624 с.

    2. Дюк В., Самойленко A. Data Mining: навчальний курс. - СПб .: Пітер, 2001. - 368 с.

    3. Городецький В.І., Самойлов В.В., Мале О.А. Сучасний стан технології вилучення знань з баз і сховищ даних. Ч. I // Новини штучного інтелекту. -

    2002 №3. - С. 3-12.

    4. Осипов ГС. Придбання знань інтелектуальними системами. - М .: Наука, 1997. - 112 с.

    5. Boose J. and Gaines B. Knowledge Acquisition Tools for Expert Systems. New York: Academic Press. 1988. p. 620.

    6. Гаврилова ТА. Хорошевський В.Ф. Бази знань інтелектуальні систем. - СПб: Пітер, 2000. - 384 с.

    7. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. №10.

    8.. . . -.:, 2002. -464 .

    9. . ., . ., . ., . . -

    експертної системи // Під ред. Попова Е.В. - М .: Фінанси і статистика, 1996. - 320 с.

    10.. . . // 3. . 1. -:

    , 1990. - 464 .

    11. . ., . . . -

    шений. - Рига: Зинатне, 1997. - 320 c.

    12. Мінський М. Фрейми для представлення знань / Пер. з англ. - М .: Енергія, 1979. - 152 с.

    13.. .,. . . -.: - .

    Н.е. Баумана, 2003. - 348 с.

    14. . ., . ., . . -

    ної практиці. - Таганрог: ТРТУ, 1996. - 135 с.

    УДК 518.5: 331.108.26

    С.В. Скороход

    ВІДБІР ПЕРСОНАЛУ В УМОВАХ нечітко ІНФОРМАЦІЇ НА ОСНОВІ ЕКСПЕРТНИХ ОЦІНОК

    . -

    альної для будь-якого підприємства. Від її рішення залежать якість і віддача кожного співробітника і кінцевий успіх підприємства в цілому.

    Характерними особливостями даної проблеми є суб'єктивність і невизначеність. Суб'єктивність виражається в тому, що оцінку і підбір персоналу виробляють люди зі своїми стереотипами, симпатіями, уподобаннями, які іноді можуть йти врозріз з цілями самого підприємства. Невизначеність проявляється в неточних формулюваннях вимог типу «впевнене володіння Microsoft Word», «досвідчений користувач ПК», «вміння працювати в команді», допускають трактування в дуже широких межах.

    Одним з найбільш достовірних методів професійного відбору є виконання кандидатами спеціально підготовлених завдань з подальшою оцінкою результату групою експертів [1]. Незважаючи на переваги даного ,

    .

    Завданням даної роботи є розробка математичної моделі для порівняння кандидатів за результатами тестування з використанням теорії нечітких множин і нечіткої математики [2, 3], які дозволяють формалізувати властиві цьому процесу властивості суб'єктивності і невизначеності.

    Загальна схема відбору. Загальна схема відбір а зображена на рис. 1.


    Ключові слова: ІНФОРМАЦІОННОАНАЛІТІЧЕСКАЯ СИСТЕМА / АВТОМАТИЗОВАНІ СИСТЕМИ ПРИДБАННЯ ЗНАНЬ / СХОВИЩА ДАНИХ / Інтелектуальний АНАЛІЗ ДАНИХ / ВІТРИНИ ДАНИХ / СТРУКТУРНА СХЕМА / ЕС / метазнанія / INFORMATION-ANALYTICAL SYSTEM / THE AUTOMATED SYSTEMS OF ACQUISITION OF KNOWLEDGE / STOREHOUSES OF DATA / THE INTELLECTUAL ANALYSIS OF DATA / SHOWWINDOWS OF DATA / THE BLOCK DIAGRAMME / METAKNOWLEDGE

    Завантажити оригінал статті:

    Завантажити