В чём главное отличие баз данных и баз знаний? Различие между знанием, информацией, сведениями и данными.

Характерным признаком интеллектуальных систем является наличие знаний, необходимых для решения задач конкретной предметной области.

Введение в инженерию знаний

Введение в инженерию знаний

2. Знания как особая форма информации. Отличие знаний от данных.

5. Подразделение знаний. Декларативная и процедурная формы представления знаний

6. Свойства знаний

7. Интенсионал и экстенсионал понятия.

8. Парадигмы представления знаний. Классификация моделей представления знаний

Теоретическими и практическими вопросами представления и обработки знаний в компьютерных системах активно занимаются исследователи, работающие в области инженерии знаний. Это понятие в 1977 г. ввел Э. Фейгенбаум, который писал: «По опыту нам известно, что большая часть знаний в конкретной предметной области остается личной собственностью эксперта. И это происходит не потому, что он не хочет разглашать своих секретов, а потому, что он не в состоянии сделать этого - ведь эксперт знает гораздо больше, чем сам осознает». Инженерия знаний - направление ИИ, которое связано с развитием теоретических и прикладных аспектов приобретения и формализации знаний специалистов, с проектированием и разработкой баз знаний.

Данными называют информацию фактического характера, описывающую объекты, процессы и явления предметной области, а также их свойства. В процессах компьютерной обработки данные проходят следующие этапы преобразований:

исходная форма существования данных (результаты наблюдений и измерений, таблицы, справочники, диаграммы, графикии т.д.);

представление на специальных языках описания данных предназначенных для ввода и обработки исходных данных в ЭВМ;

базы данных на машинных носителях информации.

Знания являются более сложной категорией информации по сравнению с данными. Знания описывают не только отдельные факты, но и взаимосвязи между ними, поэтому знания иногда называют структурированными данными. Знания могут быть получены на основе обработки эмпирических данных. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

3. Способы наделения знаниями программных систем

Для того чтобы наделить ИИС знаниями, их необходимо представить в определенной форме. Существуют два основных способа наделения знаниями программных систем .

Первый - поместить знания в программу, написанную на обычном языке программирования. Такая система будет представлять собой единый программный код, в котором знания не вынесены в отдельную категорию. Несмотря на то, что основная задача будет решена, в этом случае трудно оценить роль знаний и понять, каким образом они используются в процессе решения задач. Нелегким делом являются модификация и сопровождение подобных программ, а проблема пополнения знаний может стать неразрешимой.

Второй способ базируется на концепции баз данных и заключается в вынесении знаний в отдельную категорию, т.е. знания представляются в определенном формате и помещаются в БЗ. База знаний легко пополняется и модифицируется. Она является автономной частью интеллектуальной системы, хотя механизм логического вывода, реализованный в логическом блоке, а также средства ведения диалога накладывают определенные ограничения на структуру БЗ и операции с нею. В современных ИИС принят этот способ.

Задача представления знаний в информационных системах

Для того, чтобы поместить знания в компьютер, их необходимо представить определенными структурами данных, соответствующих выбранной среде разработки интеллектуальной системы. Следовательно, при разработке ИИС сначала осуществляются накопление и представление знаний, причем на этом этапе обязательно участие человека, а затем знания представляются определенными структурами данных, удобными для хранения и обработки в ЭВМ.

Знания в ИИС существуют в следующих формах:

исходные знания (правила, выведенные на основе практического опыта, математические и эмпирические зависимости, отражающие взаимные связи между фактами; закономерности и тенденции, описывающие изменение фактов с течением времени; функции, диаграммы, графы и т. д.);

описание исходных знаний средствами выбранной модели представления знаний (множество логических формул или продукционных правил, семантическая сеть, иерархии фреймов и т. п.);

представление знаний структурами данных, которые предназначены для хранения и обработки в ЭВМ;

базы знаний на машинных носителях информации.

4. Определение понятия знание

Из толкового словаря С. И. Ожегова: 1) «Знание - постижение действительности сознанием, наука»; 2) «Знание - это совокупность сведений, познаний в какой-либо области».

Из японского толкового словаря: «Знания - это результат, полученный познанием», или, более подробно, «система суждений с принципиальной и единой организацией, основанная на объективной закономерности».

Исследователями в области ИИ даются более конкретные определения знаний.

«Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области

«Знания - это хорошо структурированные данные или данные о данных, или метаданные»

«Знания - формализованная информация, на которую ссылаются или используют в процессе логического вывода»

Знание о предметной области - это описание объектов, их окружения, необходимых явлений, фактов, а также отношений между ними.

5. Подразделение знаний

Существует множество классификаций знаний. Вместе с тем, с помощью классификаций, как правило, систематизируют знания конкретных предметных областей. На абстрактном уровне рассмотрения можно говорить о признаках, по которым подразделяются знания, а не о классификациях.

По своей природе знания можно делятся на декларативные и процедурные.

Декларативны е знания представляют собой описания фактов и явлений, фиксируют наличие или отсутствие таких фактов, а также включают описания основных связей и закономерностей, в которые эти факты и явления входят.

Процедурные знания - это описания действий, которые возможны при манипулировании фактами и явлениями для достижения намеченных целей.

По способу приобретения знания можно разделить на факты и эвристики (правила, которые позволяют сделать выбор при отсутствии точных теоретических обоснований). Первая категория знаний обычно указывает на хорошо известные в данной предметной области обстоятельства. Вторая категория знаний основана на собственном опыте эксперта, работающего в конкретной предметной области, накопленном в результате многолетней практики.

По типу представления знания делятся на факты и правила . Факты - это знания типа «А - это А», такие знания характерны для баз данных и сетевых моделей. Правила, или продукции - это знания типа «ЕСЛИ А, ТО В».

Фактические и стратегические знания . Фактические знания - основные закономерности предметной области, позволяющие решать конкретные производственные, научные и другие задачи, то есть факты, понятия, взаимосвязи, оценки, правила, эвристики. Стратегические знания - стратегии принятия решений в предметной области;

Кроме фактов и правил существуют еще метазнания - знания о знаниях. Они необходимы для управления БЗ и для эффективной организации процедур логического вывода. Классическими примерами метазнаний являются народные пословицы и поговорки, каждая из которых характеризует знания (рекомендации по деятельности) в широком классе конкретных ситуаций (например, пословица "Семь раз отмерь, один - отрежь" применима не только в среде хирургов или портных. «Не зная броду не суйся в воду»).

Глубинные и поверхностные знания . В глубинных знаниях отражается понимание структуры предметной области, назначение и взаимосвязь отдельных понятий (глубинные знания в фундаментальных науках - это законы и теоретические основания). Глубинные знания образуются как результат обобщения первичных понятий в некоторые абстрактные структуры, которые могут и не иметь вербального описания Глубинные знания обладают такими важными особенностями, как гибкость и аддитивность (лат. additio - прибавление; получаемый путем сложенияПоверхностные знания представляют собой совокупность эмпирических ассоциаций и отношений между понятиями предметной области для стандартных рассуждений и ситуаций

Жесткие и мягкие знания . Жесткие знания позволяют получать однозначные рекомендации при заданных начальных условиях. Мягкие знания допускают множественные, «размытые» решения и различные варианты рекомендаций.

В практике разработки СИИ обозначилась тенденция перехода от использования поверхностных знаний к глубинным и мягким. Использование глубинных и мягких знаний позволяет создать БЗ большой мощности.).

Данные

Информация

Операции с данными

В ходе информационного процесса данные преобразуются из одного вида в другой. По мере развития НТП и общего усложнения связей в человеческом обществе трудозатраты на обработку данных неуклонно возрастают (постоянное усложнение условий управления производством и обществом + быстрые темпы появления и внедрения новых носителей/хранителей данных – увеличение объёма данных).

1. Сбор – накопление данных с целью обеспечения достаточной полноты информации для принятия решения;

2. Формализация – приведение данных, поступающих из разных источников, к одинаковой форме, чтобы сделать их сопоставимыми между собой, то есть повысить их уровень доступности;

3. Фильтрация – отсеивание «лишних» данных, в которых нет необходимости для принятия решений; при этом должен уменьшаться уровень «шума», а достоверность и адекватность данных должны возрастать;

4. Сортировка – упорядочение данных по заданному признаку с целью удобства использования; повышает доступность информации;

5. Группировка – объединение данных по заданному признаку с целью повышения удобства использования; повышает доступность информации;

6. Архивация – организация хранения данных в удобной и легкодоступной форме; служит для снижения экономических затрат на хранение данных и повышает общую надежность информационного процесса в целом;

7. Защита – комплекс мер, направленных на предотвращение утраты, воспроизведение и модификации данных;

8. Транспортировка – прием и передача (доставка и поставка) данных между удаленными участниками информационного процесса; при этом источник данных в информатике принято называть сервером, а потребителя – клиентом;

9. Преобразование – перевод данных из одной формы в другую или из одной структуры в другую. Пример: изменение типа носителя; книги – бумага, электронная форма, микрофотоплёнка. Необходимость в многократном преобразовании данных возникает также при их транспортировке, особенно если она осуществляется средствами, не предназначенными для транспортировки данного вида данных.

2. Связь понятий «информация, данные, знания». Модель dikw

Универсальных опеределений нет.

Зна́ние - в теории искусственного интеллекта и экспертных систем - совокупность информации и правил вывода (у индивидуума, общества или системы ИИ) о мире, свойствах объектов, закономерностях процессов и явлений, а также правилах использования их для принятия решений. Главное отличие знаний от данных состоит в их структурности и активности, появление в базе новых фактов или установление новых связей может стать источником изменений в принятии решений.

Данные - это совокупность сведений, зафиксированных на определенном носителе в форме, пригодной для постоянного хранения, передачи и обработки. Преобразование и обработка данных позволяет получить информацию.

Информация - это результат преобразования и анализа данных. Отличие информации от данных состоит в том, что данные - это фиксированные сведения о событиях и явлениях, которые хранятся на определенных носителях, а информация появляется в результате обработки данных при решении конкретных задач. Например, в базах данных хранятся различные данные, а по определенному запросу система управления базой данных выдает требуемую информацию.

Для решения задачи данные обрабатываются на основании имеющихся знаний, информация анализируется с помощью знаний. На основе анализа предлагаются варианты решения, принимвается лучшее, пополняет знания.

Принятия решений осуществляются на основе полученной информации и имеющихся знаний. Принятие решений – это выбор наилучшего в некотором смысле варианта решения из множества допустимых на основании имеющейся информации.

DIKW (англ. data, information, knowledge, wisdom - данные, информация, знания, мудрость) - информационная иерархия, где каждый уровень добавляет определённые свойства к предыдущему уровню.

Сама модель ведет свои истоки от работ философа Мортимера Адлера, однако впервые в приложении к теории управления знаниями она была формализована Николя Анри. В качестве дополнения в 1989 г. Расселом Акоффом было предложено расширение этой модели слоем «understanding» (понимание): понимание требует анализа и предопределения, благодаря чему оно помещено между знанием и мудростью. Относительно временного распределения слоев он указывает на краткость жизненного цикла информации по сравнению с жизненным циклом знания; понимание считается непостоянным, а мудрость принимается за константу

В основании находится уровень данных.

Информация добавляет контекст.

Знание добавляет «как» (механизм использования)

Мудрость добавляет «когда» (условия использования)

Классификация знаний

Трактовки знаний

Представление знаний

Тема 1. Понятие знания

Знание – это проверенный практикой результат познания действительности, отражение в сознании человека.

Знание – закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам решать задачи в этой области.

Знания – это результат, полученный познанием.

Знания – это формализованная информация, на которую ссылаются когда делают различные заключения на основе имеющихся данных с помощью логических выводов.

Знаниями называют хранимую в ЭВМ информацию, формализованную в соответствии со структурными правилами, которую можно использовать при решении проблем.

· Психологическая : Знание – психологические образы или мысленные модели.

· Интеллектуальная : Знания – совокупность сведений о некоторой предметной области, включающих факты об объектах предметной области, о свойствах объекта, и связывающих их отношений, описаний процессов протекающих в данной предметной области и содержащих информацию о решении типовых задач.

· Формально – логическая : Знание – формализованная информация, используемая для получения или вывода новых знаний с помощью специализированных процедур.

· Информационно -технологическая : Знание – структурированная информация, хранящаяся в памяти ЭВМ и используемая при работе интеллектуальных систем.

1. В зависимости от источника:

a. априорные

b. накапливаемые

i. экспертные

ii. наблюдаемые

iii. выводимые

2. В зависимости от характера использования при решении задач:

a. декларативные

b. процедурные

c. метазнания

3. В зависимости от степени достоверности:

a. четкие знания

b. нечеткие знания

4. В зависимости от глубины:

i. поверхностные:

b. знании-копии

c. знания-знакомства

i. глубинные:

1.1. Априорные – закладываются в базу знаний до начала функционирования ИИС включающую эту базу знаний. Кроме того, при работе с базой знаний достоверность содержащихся в ней априорных знании непереоценивается.

1.2. Накапливаемые знания – формируются в процессе работы базы знаний. Источниками этих знаний могут быть эксперты (экспертные), внешние искусственные устройства наблюдатели (наблюдаемые), правила и процедуры вывода и верификация знаний действующих в рамках интеллектуальной системы (выводимые).

2.2. Процедурные знания – информация о способах решения типовых задач в некоторой предметной области.

2.3. Метазнания – знания о знаниях, которые сдержат общие сведения о принципах использования знаний. К уровню метазнаний также относят стратегию управления выбором и применением процедурных знаний.

3. В основе классификации знания в зависимости от степени их достоверности лежат т.н. нефакторы присущие знаниям: неполнота информации о рассматриваемом фрагменте предметной области – это неточность количественных и качественных оценок, неоднозначность правил вывода новых знаний, несогласованность некоторых положений в базе знаний.

4. Поверхностные – знания о видимых взаимосвязях объектов и явлений. Глубинные знания основываются на абстрактных аналогиях позволяющих объяснять суть явлений.

Представление знаний – выражение на к\л формальном языке свойств различных объектов и закономерностей существенных для решения задач.

Основные направления исследований, связанные с представлением знаний:

· разработка методологии построения проблемно-ориентированных математических моделей;

· разработка формального аппарата для описания таких моделей;

· разработка теорий вычислений в таких моделях;

· разработка технологий реализации программной поддержки таких моделей.

При разработке модели представлений знаний могут быть поставлены вопросы: «Что представлять?» и «Как представлять?».

Первый вопрос связан с организацией или выбором структуры знаний.

Второй связан с представлением знаний в выбранной структуре.

Состав знаний ИИС зависит от предметной области от требований и целей пользователя и от назначения структуры системы. При разработке практически любой ИИС требуется иметь следующий минимальный набор знаний:

· знания о процессе решения задач;

· знания о языке общения и способах организации диалога системы с пользователем;

· знания о проблемной области и знания о способах представления и модификации знаний.

Данными называют информацию фактического характера, описывающую объекты, процессы и явления предметной области, а также их свойства.

Знания являются более сложной категорией по сравнению с данными. Знания описывают не только отдельные факты, но и взаимосвязи между ними, поэтому знания иногда называют структурированными данными. Знания представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

Знания получаются в результате применения к исходным данным некоторых методов обработки, подключения внешних процедур.

ДАННЫЕ + ПРОЦЕДУРА ОБРАБОТКИ = ИНФОРМАЦИЯ

ИНФОРМАЦИЯ + ПРОЦЕДУРА ОБРАБОТКИ = ЗНАНИЯ

Характерная особенность знаний состоит в том, что они не содержаться в исходной системе. Знания возникают в результате сопоставления информационных единиц, нахождения и разрешения противоречий между ними, т.е. знания активны их появление или недостача приводит к реализации некоторых действий или появлению новых знания. Знания отличаются от данных наличием следующих свойств.

1. Внутренняя интерпретация – независимость знаний от интерпретирующей программы, возможность отвечать на вопросы, касающиеся содержимого памяти. Она позволяет соотнести данные хранящиеся в памяти с их смысловым содержанием. Ее наличие обеспечивает возможность построения процедур отвечающих от имени компьютера на вопросы человека о содержимом памяти.

2, 3. Наличие внутренних и внешних структур знания . Распространение принципа деления объектов на уже выделенные компоненты целого, позволяет строить многоуровневые иерархические представления. Объекты части могут интерпретироваться независимо друг от друга, т.е. как элементы множества. Если взаимосвязь отдельных элементов частей является существенной, то ее необходимо отражать в базе знаний. На множестве объектов предметной области, как целых, так и их частей вводятся различные семантические отношения (родовидовые отношения, временные. пространственные) описывающие структуру фрагмента предметной области. Такое структурное представление предметной области является очень важным аспектом знаний, т.к. принципы декомпозиции объектов предметной области и выделения системы отношений между ними базируются на подобных механизмах человеческого мышления.

4. Шкалирование. Позволяет сопоставлять и упорядочивать качественно одинаковые, но различающиеся в количественном плане свойства и отношения объектов предметной области. В памяти человека знания об окружающем мире упорядочены, что определяются различными шкалами. Шкала представляет собой последовательность меток с каждой из которых связано значение оценки или значение некоторой величины. Выделяют следующие виды шкал: 1) Метрические, которые делятся на Абсолютные и Относительные; 2) Порядковые шкалы, которые делятся на лингвистические и оппозиционные. В метрических шкалах по расположению точек можно определить степень отличия соответствующих информационных единиц. С помощью метрических шкал можно установить количественные отношения и порядок тех или иных оценок или величин. В абсолютных метрических шкалах начало отсчета никогда не меняется. В относительных шкалах, начало отсчета меняется в каждом случае и определяется ситуацией или текущим моментом времени. В порядковых шкалах фиксируется порядок информационных единиц в лингвистических порядковых шкалах используются квантификаторы, которые служат для введения количественных или качественных мер. Такие квантификаторы как никогда, очень редко, редко, часто и т.д. В оппозиционных порядковых шкалах концы шкалы соответствуют крайним или несовместимым свойствам и отношениям объектов, которые обозначаются парами антонимов, среднее положение считается нейтральным. Примерами таких антонимов могут служить такие пары: медленный – быстрый, сильный – слабый. Шкалы задаются тремя параметрами.

При изучении интеллектуальных систем традиционно возникает вопрос - что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых ЭВМ. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.

Данные - это отдельные факты, характеризующие объекты, процессы и явления предметной области, а также их свойства.

При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:

1. данные как результат измерений и наблюдений;

2. данные на материальных носителях информации (таблицы, протоколы, справочники);

3. модели (структуры) данных в виде диаграмм, графиков, функций;

4. данные в компьютере на языке описания данных;

5. базы данных на машинных носителях информации.

Знания основаны на данных, полученных эмпирическим путем. Они представляют собой результат мыслительной деятельности человека, направленной на обобщение его опыта, полученного в результате практической деятельности.

Знания - это закономерности предметной области (принципы, связи, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в этой области.

При обработке на ЭВМ знания трансформируются аналогично данным.

1. знания в памяти человека как результат мышления;

2. материальные носители знаний (учебники, методические пособия);

3. поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

4. знания, описанные на языках представления знаний (продукционные языки, семантические сети, фреймы - см. далее);

5. база знаний на машинных носителях информации.

Часто используется такое определение знаний:

Знания - это хорошо структурированные данные, или данные о данных, или метаданные.

В базе данных идёт поиск по ключевому слову, условно говоря – это ответ на вопрос “что?”. Например, задаём поисковый запрос “нанотрубки”. База данных выдаст всё, что касается этого запроса: и синтез, и окисление, и биоразложение, и спектральные характеристики. Число ссылок перевалит за тысячи. Можно задавать поиск по двум, трём и более ключевым словам. Это сократит вал ссылок, но может отсечь нужные. В базе знаний поиск проводится по нескольким вопросам, например: “Что?”, “Чем?”, “Как?”. При этом появляется следующий момент. В настоящее время написаны миллионы статей и патентов по всем областям знания. Но решений, отвечающих принципу базы знаний, только порядка 30 – 35 тысяч. Прирост числа решений, в отличие от прироста вала статей, протекает медленно. Подавляющее большинство статей – это лишь небольшие нюансы какого-либо решения. Например: закалка металла. Решение – что: металл, чем: охлаждающий материал, как: быстро. Это решение охватывает и все металлы и сплавы, и все типы закалочных жидкостей или газов, и все способы подачи хладагента. Далее из этого запроса может быть сформирована база данных, например, по типам хладагента (вода, масло, рассолы), вторая – по способам подачи материала (насосы, окунание детали, распыление раствора), третья – по маркам сталей. Может быть сформирована дополнительная база ссылок по второстепенным процессам: окислению поверхности металла, удалению нагара после закалки, специальным методам закалки. Поиск по базе знаний отличается от поиска по базе данных, для этого используются так называемые “ресурсы”. Ресурсы в понимании баз знаний – это материалы, катализаторы, поля и воздействия, приводящие к получению решения. Базы знаний могут обрабатывать также поисковые вопросы. Например, запрос “синтезировать сложный эфир” заданный в базу данных будет истолкован только по ключевому слову “сложный эфир”. В базе знаний можно также задать термины “синтез”, “распад”, “биоразложение” и семантические алгоритмы поиска по глаголам.

Теперь немного о минусах этой системы. Базы данных – это устоявшиеся правила формирования ключевых слов, единые (с небольшими вариациями) для всех научных изданий и унифицированные с алгоритмами поиска. Базы знаний необходимо будет создавать с нуля. Это немалая работа, ведь для того, чтобы вычленить ресурсы необходимо полное понимание процессов описанных в статье или патенте, что сильно усложняется при обработке мультидисциплинарных статей и защищённых от реинжиниринга патентов. Второй минус – базы знаний сейчас создаются “под инженеров”, то есть в основном прикладной направленности. Фундаментальные исследования, таким образом, в них не попадают.

Теперь немного о плюсах. Создание базы знаний – это великолепный процесс обучения. “Побочным продуктом” является значительное повышение уровня знаний разработчиков и получение высококлассных специалистов, умеющих решать поставленныезадачи. Второй плюс – при определённом алгоритме формирования запросов база знаний может быть источником новых решений, не описанных и ещё не созданных. Например, при запросе по закалке металла база знаний может выдать список ресурсов, которые обладают необходимыми свойствами (температура, текучесть) и подтолкнуть к созданию новых решений, таких как закалка в расплавах полимеров, закалка с одновременным окислением поверхности, точечная и неравномерная закалка. Третий плюс. Вероятно, многие даже не задумывались, что суть процессов изложенных в научной статье или патенте формулируется не более чем в сотне слов. В то же время, объём статей исчисляется минимум несколькими страницами, а патентов – до нескольких сотен страниц. Переработка материала под систему базы знаний позволит в дальнейшем не тратить время на чтение малозначащих подробностей и отличий от аналогов, непременно описываемых в исходных материалах.

Базы знаний исключительно полезны для прикладных разработок, особенно на передовых рубежах науки. Они позволяют получать готовые решения для той или иной задачи. Их создание в то же время, сильно повышает профессиональный уровень разработчиков и позволяет получать отличных специалистов.

Применение баз знаний

Простые базы знаний могут использоваться для создания экспертных систем и хранения данных об организации: документации, руководств, статей технического обеспечения. Главная цель создания таких баз - помочь менее опытным людям найти существующее описание способа решения какой-либо проблемы предметной области.

Онтология может служить для представления в базе знаний иерархии понятий и их отношений. Онтология, содержащая еще и экземпляры объектов не что иное, как база знаний.

Системы основанные на знаниях реализуются на базе следующих интеллектуальных алгоритмов:

• экспертные системы;
• нейронные сети;
• нечёткая логика;
• генетические алгоритмы.

База знаний учебного назначения представляет собой информационную систему, содержащую, во-первых, систематизированные сведения из определенной предметной области, во-вторых, модель конкретной предметной области (определенный объем учебной информации по этой дисциплине), а также данные о формируемых умениях обучаемого и способах использования этих умений.

Учебная информация в базах знаний может быть представлена в виде текста, графиков, иллюстраций, анимационных роликов, видеофрагментов. Данные о формируемых умениях обучаемого обрабатываются в системе управления базами знаний с помощью

специальных языков, что позволяет контролировать процесс обучения и управлять им. По своим возможностям базы знаний представляют собой упрощенный вариант экспертной обучающей системы или ее часть.

Заключение

Зарубежная научная стажировка в ИТМО на кафедре «Прикладного программирования и технологических инноваций» мне очень понравился. Я узнала много интересного в области интелектуальой системы и базы знаний. Выполнял реферат на тему: Переход от базы данных до базы знаний(рис.-7). Общалась с людьми, работающими в области программирования уже много лет и приобрела опыт, который поможет мне в дальнейшем изучении своей диссертационной работе. Научная зарубежная стажировка позволила мне увидеть пропуски в моих знаниях, которые следует восполнить. В ходе прохождения стажировки был ознакомлен с нормативными документами по организации учебного процесса. Ознакомилась с каталогами диссертационных исследований магистрантов, кандидатов, изучила выпускные квалификационные работы, авторефераты, диссертации на соискание ученной степени кандидатов наук по теме магистерской работы.

В ходе практики были приобретены новые знания об особенностях процессов производства на машиностроительном предприятии ОАО НКМЗ. Была разработана блок-схема для моделирования программы, реализация которой осуществляется для определения оптимального количества транспортных тележек с учетом анализа экономической целесообразности разных вариантов закрепления тележек за станками.

Задача описанной блок-схемой модели состоит в необходимости подобрать такое количество тележек, которые перевозили бы готовые узлы на склад с учетом оптимального плана загрузки.

Полученные результаты представляют большой интерес и практическую полезность в перспективе применения их в будущем.

Участвовала в экскурсии по городу. Ознакомился с достопримечательностями города, памятниками, историей города. Также посещал главный музей города «Эрмитаж».

В целом хочется сделать вывод, что зарубежная стажировка была пройдена успешно. итогом продуктивно проделанной работы стал целый блок материалов из фондов хранилищ российских библиотек(рис.-3), собраннй по теме магистерской диссертации. Данный материал активно используется в написании научной работе, конечном итогом который явится магистерская диссертация.По завершению стажировки нам вручили сертификаты об успешном прохождении зарубежной практики в ИТМО. (рис.-4,5)

Список литературы

1. http://innovatika.boom.ru/UZ.htm

На сайте выложена первая глава книги В. П. Баранчеева «Управление знаниями». В. П. Баранчеев – доктор экономических наук, профессор Государственного университета управления (Институт инноватики и логистики, кафедра инновационного менеджмента). В книге рассматриваются современные концепции управления знаниями, неформализованное и формализованное знание, а также базы знаний.

2. http://www.knowbase.ru/

Сайт, посвященный базам данных. На странице вводятся понятия знаний, информации, управление знаниями, познание и т.д. Также описаны некоторые возможности баз знаний, а также рассказывается об их практическом применении и проблемах, связанных с их использованием. Каждому понятию отведена отдельная веб-страница.

3. http://lingvoworks.org.ua/index.php?option=com_content&view=article&id=57:2009-12-09-11-34-05&catid=2:misc&Itemid=3

В статье рассматриваются вопросы построения, структурирования, описания, классификации и использования онтологических баз знаний. Приведен обзор современных исследований, посвященных различным аспектам создания и использования онтологии. Пристальное внимание в работе уделено разграничению формальных и лингвистических онтологий. Также, предложена достаточно подробная методология построения ресурсов онтологического типа.

4. http://aimatrix.nm.ru/aimatrix/SemanticNetworks.htm

Статья, повященная семантическим сетям. Описывается история создания семантических сетей, а также принципы построения и классификация.

5. http://bibl.tikva.ru/base/B1253/B1253Part12-59.php

Статья о когнитивных картах. Приводится несколько примеров использования когнитивных карт.

6. http://lsdis.cs.uga.edu/projects/glycomics/report/Report2006.html

Сайт научно-исследовательского центра. Можно найти пример визуализации биохимической и биологической онтологии.

7. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.41.1007

Приложение

рис.1- Университет ИТМО

рис.2- Первый день в университете. Ознакомление

рис.3- В очень богатой библиотеке

рис.4- Вручение сертификатов о успешном прохождении зарубежной стажировки. Наш руководитель Супрун Антон Сергеевич.

рис.5- Сертификат

рис.6-Эксурсия по городу. Эрмитаж. Зимний дворец.

рис.7- Готовим презентации для защиты

рис.8-Экскурсия. Ночной город. Развод мостов.

1. В чем отличие знаний от данных.

Информация (данные) явл-ся неотъемлемой частью материального мира, характериз-его его упорядоченность или структуру в мире, обусловлена их способностью распознавать стр-ру окружающего мира и использовать рез-т распознавания (знаний о мире). Знания – это информация, воспринятая из внешнего мира. Знание субъективно. Знание уникально, и обмен знаниями м/у индивидами не происходит без потерь, в отличие от данных, в кот. закодирована информация и кот. м. передаваться без потерь. Знание передается посредством к-л метода представления знаний, типичным естественным языком.

Отличаются:

Знания более структурированы;

В знаниях наибольшее зн-ие имеют не атомарные эл-ты знаний, а взаимосвязи м/у ними;

Знания более самоинтерпритируемые, чем данные, т.е. в знаниях содержится информация о том, как их использовать;

Знания активны, в отличие от пассивных данных, т.е. м. порождать действия системы, использующей их.

2. Каковы два основных направления исследований в ИИ

1. Нейронные сети.

Идея. «Единственный объект, способный мыслить – это человеческий мир»; 10 21 нейронов в мозгу, кот. связаны м/у собой. Розенблед, Мак-Каллок – 1936 – 1965 модель percepton

Модель перцетона:

каж. точка предыдущего слоя связана со всеми точками данного слоя

1 слой 2 слой

Распределенная ВС. Индексирование БД. Это синтаксические системы, основанные на формальном подходе. (Модель нервных цепей).

2. Семантические модели.

Идея. Противоположная нейронной идеологии: «не имеет зн-ия, как устроено вычислительное устройство, главное чтобы на заданные входные действия оно реагировало как чел. мозг » - концепция «черного ящика».

Тезис Тьюринга, кот. определил семантический подход (ф-ии мозга).

Языки: Lisp, Fortran.

3. Приведите примеры нечетких знаний.

а)

Молодой б) Пусть S – множество людей. Пусть «высокий» - нечетное подмножество S, кот. ответит на вопрос: «какой человек X явл-ся высоким?». Каж. человеку из области наследования нужно назначить степень принадлежности к нечетному подмножеству «высокий». Для этого используем ф-ию принадлежности, основанную на росте человека:

0, если рост(х)<5 футов;

Высокий(х)= (рост(х) – 5ft)/2ft, если 5 футов<= рост(х) <=7 футов;

1, если рост(х) > 7 футов.

Графически:

4. Приведите пример, характеризующий поверхностные и глубинные знания.

Поверхностные знания:

Я знаю, что на авиазаводе в цехе собирают самолеты;

Y = a 0 x 0 + a 1 (x 0 *2) + a 2 (x 0 *3) + . . .

Глубинные знания:

Я знаю как, с помощью чего собирается самолет;

5. В чем отличие процедурных знаний от декларированных? Приведите примеры.

Процедурные знания – хранят информацию о том, как надо действовать, чтобы получить нужный результат. Декларированные знания – хранят в себе информацию о том, над чем надо выполнить эти действия.

Чтобы собрать самолет необходимо скрепить его основные части (проц. знания), для его сбора необходимы крылья, носовая часть, хвостовая и т.п. и их нужно соединить (декларир. знания).

Различие между декларативным и процедурным предпочтением в том, что последнее определяет не только логические связи между головой предложения и целями в его теле, но еще и порядок в котором эти цели обрабатываются.

6. Охарактеризуйте морфологический, синтаксический, семантический и прагматический анализы в естественных языковых интерфейсах.

a) Морфологический анализ – анализ слова в предложении.

b) Семантический анализ – распознавание смысла в составных частях предложения на основе некоторой предметно - ориентированной БЗ.

c) Синтаксический анализ – анализ распознавания структуры предложения.

d) Прагматический анализ – анализ смысла предложения в реальном контексте на основе собственной БЗ.

7. В чем разница интенсионала и экстенсионала. Пример.

Интенсионал – способствует связи с выделением закономерностей.

Экстенсионал – способ перечисления фактографических сторон (описание на уровне данных)

Пр. : объект (философия): 1. Высокий уровень

2. Примитивный

8. Построить фрейм для следующего примера: “Пингвин и синица- птицы, однако пингвин не умеет летать, о умеет плавать и живет в Антарктиде”.