СТПМОЗ_Гапутин. Вопросы

• Название: Вопросы
• Дата: 17.12.2019
• Размер: 281.5 Kb.
• Имя файла: СТПМОЗ_Гапутин.docx
• Тип: Реферат; #100810
• страница: 1 из 3

Содержание

1.Анализ существующих машин обработки знаний различного рода 5

1.1.Анализ системы GPS (General Problem- Solver) 5

1.2.Анализ вопросно-ответной системы QA3 5

1.3.Анализ системы STRIPS (Stanford Research Institute Problem Solver) 6

1.4.Анализ системы ПРИЗ (Пакет прикладных инженерных задач) 6

1.5.Анализ системы ППР (Программа принятия решений) 6

1.6.Анализ программного комплекса УДАВ (Универсальный делатель алгоритмов Варламова) 7

2.Общая модель и структура машин обработки знаний, построенных на основе технологии OSTIS 9

2.1.Унифицированная модель машин обработки знаний, разрабатываемых на основе технологии OSTIS. 9

2.2.Иерархическая структуризация машин обработки знаний, разрабатываемых на основе технологии OSTIS. 10

3.Классификация агентов 15

4.Семантический унифицированный язык описания вопросов 17

5.Семантический унифицированный язык спецификации агентов машин обработки знаний 22

6.Классификация методов решения задач в интеллектуальных системах 25

7.Библиотека ip-компонентов машин обработки знаний 27

8.Автоматические средства поддержки проектирования машин обработки знаний 29

ВВЕДЕНИЕ

В настоящее время особенно актуальными становятся проблемы обработки знаний в интеллектуальных системах. Вопросы представления знаний различного вида на настоящее время рассматриваются достаточно широко, существует большое количество языков представления знаний различной мощности и сложности, а также моделей представления знаний [Гаврилова и др., 2001].

Машина обработки знаний, включающая информационно-поисковую машину, интеллектуальный решатель задач и набор служебных операций обработки знаний (операции сборки мусора, выявления противоречий в базе знаний и т.д.), является важнейшей частью любой интеллектуальной системы, т.к. именно возможностями машины обработки знаний определяется функционал системы в целом, возможность давать ответы на нетривиальные вопросы пользователя и способность решать различные задачи.

Однако большинство прикладных интеллектуальных и экспертных систем [Гаврилова и др., 2001] имеют один и тот же недостаток – они не позволяют в должной мере обеспечить обработку тех знаний, которые в них содержатся.

Те же прикладные системы, которые обладают встроенной машиной обработки знаний, предоставляют пользователю жестко ограниченный функционал, заданный разработчиком на этапе проектирования системы. Примером таких машин обработки знаний может служить машина дедуктивного вывода, представленная в ряде экспертных систем [Ефимов, 1982], или машина нечеткого вывода.

Машина обработки знаний каждой конкретной системы во многом зависит от назначения данной системы, множества решаемых задач, предметной областью и другими факторами. Например, в системе, решающей задачи по геометрии, химии и другим естественным наукам обоснованным будет использование дедуктивных методов вывода, поскольку решение задач в таких предметных областях основывается только на достоверных правилах. В системах же медицинской диагностики, к примеру, постоянно возникает ситуация, когда диагноз может быть поставлен только с некоторой долей уверенности и абсолютно достоверным ответ на поставленный вопрос быть не может. В связи с этим возникает необходимость использования различных машин обработки знаний в различных системах, при этом состав и возможности машины обработки знаний в конкретной системе определяется не только непосредственно разработчиком, а требует консультаций с экспертами в данной предметной области.

При проектировании машин обработки знаний интеллектуальных систем, как и при проектировании любых программных систем, возникает ряд трудностей, связанных с переносимостью разработанного программного обеспечения на различные платформы, обеспечению возможности его последующей доработки (в том числе и сторонними разработчиками), универсализации методов принципов решения поставленных задач.

Основная проблема, рассматриваемая в данной работе, заключается в отсутствии средств, позволяющих относительно неподготовленному разработчику в удовлетворительные сроки проектировать машины обработки знаний для прикладных интеллектуальных систем различного назначения. Под неподготовленным разработчиком здесь понимается лицо, не имеющее специальной подготовки непосредственно в области разработки машин обработки знаний, однако имеющее представление об особенностях текущей предметной области и обладающее базовыми техническими навыками в работе с современными компьютерными средствами. Примером может служить эксперт-профессионал, тесно связанный с предметной областью, для которой разрабатывается система.

В связи с этим возникает необходимость создания универсальной технологии проектирования машин обработки знаний, обладающей следующими свойствами:

• 
  Универсальность. Проектируемая технология должна обеспечивать возможности для обработки знаний и решения произвольных классов задач в различных предметных областях, не требуя при этом вмешательства пользователя данной разработки в ее внутреннее устройство.
  
• 
  Модульность и расширяемость. Проектируемая технология должна предоставлять возможность расширения функционала системы, без изменения базовой модели машины обработки знаний.
  
• 
  Кроссплатформенность. Проектируемая технология не должна зависеть от операционной системы и аппаратной архитектуры устройства, на котором предполагается работа информационной системы.
  
• 
  Параллельность. Проектируемая технология должна обеспечивать возможность параллельного использования различных способов решения задач в рамках решения одной задачи, а также возможность параллельного решения сразу нескольких задач. При этом необходимо обеспечить согласованность и интегрируемость результатов применения различных методик решения задач.
  
• 
  Обоснованность. Машина обработки знаний, в частности интеллектуальный решатель задач, построенный на базе предлагаемой технологии должен в случае необходимости указать пользователю правила вывода, на которых базируется решение той или иной задачи, другими словами построить алгоритм решения поставленной задачи в виде, понятном пользователю.
  

В данной работе рассматриваются основные принципы построения универсальной семантической технологии проектирования машин обработки знаний интеллектуальных систем, обладающей всеми описанными выше достоинствами. Данная технология является частью открытой семантической технологии проектирования интеллектуальных систем OSTIS [OSTIS, 2012].

1. Анализ существующих машин обработки знаний различного рода

В качестве наиболее заметных представителей машин обработки знаний в интеллектуальных системах можно указать следующих:

• 
  GPS (General Problem-Solver)
  
• 
  QA3
  
• 
  STRIPS (Stanford Research Institute Problem Solver)
  
• 
  ПРИЗ (Пакет прикладных инженерных задач)
  
• 
  ППР (Программа принятия решений)
  
• 
  УДАВ (Универсальный делатель алгоритмов Варламова)
  

1. Анализ системы GPS (General Problem- Solver)

При разработке GPS авторов в основном интересовали вопросы, связанные с поисковой деятельностью человека, решающего задачи. Это привело к созданию известной эвристической стратегии поиска решений, используемой в различных дальнейших модификациях решателей. Однако, стремясь создать теорию мышления на подобной основе, авторы не уделили должного внимания другому важному аспекту теории — представлению знаний. В результате GPS не оказался универсальным решателем задач, на что надеялись его создатели. Решатель по существу имел процедурный язык низкого уровня, на котором, как показали, например, шахматы, далеко не всегда оказалось возможным эффективное описание сложных сред в терминах априори упорядоченных различий, таблиц связей, операторов и других элементов проблемной среды GPS. Поэтому, несмотря на довольно эффективную саму по себе стратегию поиска (анализ целей и средств, планирование и др.), система решала задачи медленно. Здесь сказалась нерешенность проблемы совмещения эффективной стратегии поиска с эффективным представлением знаний.

2. Анализ вопросно-ответной системы QA3

Вопросно-ответная система QA3 может быть также названа многоцелевой системой решения задач или общим решателем задач. Она рассчитана на произвольную предметную область и произвольные вопросы, ее действие основано на автоматическом доказательстве теорем с использованием принципа резолюций. Но так как в рамках формализма метода резолюций оказалось затруднительным описание эвристик, то это обстоятельство заставило отказаться в QA3 от эвристического поиска. Таким образом, попытка построить дедуктивный решатель, используя в полной степени формализм принципа резолюции, оказалась, как показала система QA3, также неуспешной.

3. Анализ системы STRIPS (Stanford Research Institute Problem Solver)

Система STRIPS (Stanford Research Institute Problem Solver), использует декларативно- процедуральное представление знаний в сочетании с эвристическим поиском. Эта особенность в сочетании с использованием макрооператоров, формируемых на основе обучения решателя STRIPS, позволила значительно повысить его эффективность. Улучшив, таким образом, стратегию поиска решений, авторы STRIPSa тем не менее не сумели решить ряд возникших па их пути проблем. Наиболее серьезной из них оказалась проблема так называемых побочных эффектов. Оказалось, что принципиально невозможно, оставаясь в рамках подобного описания действий, априори предусмотреть и описать полный эффект действий, т. е. что действительно меняется в результате применения данного оператора к конкретной ситуации. [Ефимов, 1982]

4. Анализ системы ПРИЗ (Пакет прикладных инженерных задач)

Ядром системы ПРИЗ (Пакет прикладных инженерных задач) служит организующая программа, не ориентированная априори на какую- либо предметную область. В наиболее общем режиме решатель по задаче, заданной текстом, формирует ее описание и далее составляет и исполняет решение задачи. Знания о предметной области составляют содержание пакета системы ПРИЗ и в процедурной форме представляют собой множество вычислительных моделей и программных модулей. Система ПРИЗ не планирует вычислительный процесс, составляющий решение заданной задачи, в полном объеме. Обычно в текстовом описании задачи содержится информация, по которой формируется управляющая программа, представляющая собой последовательность требуемых подзадач. Таким образом, ПРИЗ планирует решения только типовых подзадач при заданном скелете решения задачи в целом. [Ефимов, 1982], [Кахро и др., 1988]

5. Анализ системы ППР (Программа принятия решений)

В системе ППР (Программа принятия решений) знания о предметной области представлены в пространстве признаков в виде растущих пирамидальных сетей (РПС), которые строятся автоматически. С помощью таких сетей удается хранить в системе необходимую информацию в компактном виде (общие для нескольких объектов признаки соответствуют одной вершине РПС), естественным образом организовать процедуру обучения системы в пространстве признаков и формировать понятия, характеризуемые своим объемом. В ППР поиск решений включает в число процедур построение дерева возможностей, эвристический поиск на дереве наилучшей ветви, анализ достижимости целей и механизм возврата в случае неудачи. Для увеличения эффективности поиска введены: двунаправленный поиск; представление в виде РПС знаний, описываемых на языке предикатов; процедура формирования рабочей информации в зависимости от решаемой задачи и процедуры формирования и применения макрооператоров. При всем при этом ППР представляет одноуровневую систему планирования и не использует процедурные языки, что не позволяет считать успешно решенной в этой системе проблему эффективного поиска. [Ефимов, 1982]

6. Анализ программного комплекса УДАВ (Универсальный делатель алгоритмов Варламова)

В программном комплексе «УДАВ» реализован «универсальный делатель алгоритмов Варламова». Этот метод базируется на миварной логической сети правил и представляет возможность активного обучения логического вывода, управляемого потоком данных, со снижением вычислительной сложности с N! (факториал) до линейной.

«Универсальный делатель алгоритмов Варламова» работает со знаниями, представленными в виде продукционных правил и процедур. [Владимиров и др., 2010]

Следует отметить, что ни один из описанных примеров существующих машин обработки знаний не удовлетворяет всем требованиям, предъявленным к машинам обработки знаний во введении к данной статье.

Одним из основных преимуществ предлагаемой технологии является ее ориентация на параллельную обработку знаний. Широкие возможности для реализации параллелизма обусловлены следующими моментами:

• 
  Основными компонентами решателя являются sc-операции, по сути представляющие собой автономные самостоятельные агенты над общей памятью;
  
• 
  Процедуры, реализующие операции решателя могут быть описаны как параллельные программы. Внутренний язык программирования SCP [Голенков и др., 2001], являющийся основным языком реализации процедур решателя, изначально является языком параллельного программирования.
  

Сама концепция использования графодинамической ассоциативной памяти как среды взаимодействия операций предоставляет широкие возможности для параллелизма. Единственным условием в данном случае является наличие в реализации памяти стандартных механизмов синхронизации, например, таких как блокировки.

Более подробно структура предлагаемой модели машины обработки знаний описана в следующем разделе данного проекта.

2. Общая модель и структура машин обработки знаний, построенных на основе технологии OSTIS

1. Унифицированная модель машин обработки знаний, разрабатываемых на основе технологии OSTIS.

В предлагаемом подходе к построению машин обработки знаний сама машина рассматривается в неклассическом варианте. В данном случае машина обработки знаний представляет собой графодинамическую sc-машину (память в качестве модели представления знаний использует семантическую сеть), состоящую из двух частей:

• 
  графодинамическая sc-память;
  
• 
  система sc-операций (sc-агентов).
  

Система операций является агентно- ориентированной и представляет собой набор sc- операций, условием инициирования которых является появление в памяти системы некоторой определенной конструкции. При этом операции взаимодействуют между собой через память системы посредством генерации конструкций, являющихся условиями инициирования для другой операции. При таком подходе становится возможным обеспечить гибкость и расширяемость функционала системы путем добавления или удаления из ее состава некоторого набора операций.

Отличительной особенностью машины обработки знаний как многоагентной системы в рамках данного подхода является принцип взаимодействия операций-агентов. По сути, предлагаемый подход реализует принцип «доски объявления», рассматриваемый в теории многоагентных систем [Тарасов, 2002]. Агенты обмениваются сообщениями исключительно через общую память путем использования соответствующего языка взаимодействия (языка вопросов-ответов, рассматриваемого далее), в отличие от большинства классических МАС, в которых агенты обмениваются сообщениями непосредственно друг с другом. В рассматриваемом подходе каждый агент, формулируя вопросную конструкцию в памяти, априори не знает, какой из агентов будет обрабатывать указанную конструкцию, а лишь дожидается появления в памяти факта окончания обработки вопроса. При этом в решении поставленной таким образом задачи может принимать участие целый коллектив агентов. Аналогичным образом, реагируя на появление некоторой конструкции в памяти, агент в общем случае не знает, кто из его коллег поставил данный вопрос, а лишь может проверить соответствие сгенерированной конструкции своему условию инициирования. В случае наличия такого соответствия, агент начнет обработку указанного вопроса (решение поставленной задачи), и в результате работы сгенерирует некоторый ответ на поставленный вопрос.

Проверка соответствия сгенерированного вопроса условиям инициирования агентов происходит следующим образом: автору вопроса после его формулирования необходимо инициировать данный вопрос (включить его во множество инициированных вопросов). После инициирования вопроса каждый из агентов, работающих в памяти, переходит в активное состояние и начинает проверку условия инициирования. При этом проверка начинается с наиболее уникальных фрагментов условия (например, типа вопроса) с целью оптимизации данного процесса. В случае установления факта изоморфности вопросной конструкции и условия инициирования агент начинает решение поставленной задачи, в противном случае агент переходит в состояние пассивного ожидания.

Описанная модель взаимодействия агентов в общей памяти позволяет обеспечить максимальную расширяемость системы агентов и предельно упростить процесс добавления новых агентов в уже имеющийся коллектив.

Следует также отметить немаловажный момент: для описания процедур, реализующих принципы работы того или иного агента (т.е. программ агента [Рассел, Норвиг]) используется специализированный язык SCP, построенный на базе SC-кода, как и в случае с представлением знаний, предназначенных для обработки. Такой подход имеет ряд преимуществ:

• 
  И программа агента, и обрабатываемые знания, по сути, представлены на одном и том же языке. В связи с этим преобразование восприятий агента в его действия, описываемое функцией агента [Рассел, Норвиг 2006], значительно упрощается, т.к. отсутствует необходимость дополнительных преобразований во внутреннее представление агента;
  
• 
  Так как алгоритм работы агента описан на том же языке, что и другие знания в системе, то появляется возможность модифицировать сам алгоритм того или иного агента прямо в процессе его работы. Это предоставляет широкие возможности для построения принципиально нового класса программ и, соответственно, агентов, способных к самоконфигурированию в процессе работы.
  

2. Иерархическая структуризация машин обработки знаний, разрабатываемых на основе технологии OSTIS.

Для определения структуры рассматриваемой модели машины обработки знаний рассмотрим более подробно процесс поиска ответа на вопрос интеллектуальной системой.

Определим два основных понятия, используемых ниже.

Под стратегией решения задачи понимается общий, недетализированный план решения задачи, способ достижения поставленной цели

Стратегия решения задает принцип и порядок обхода объектов в рамках семантической окрестности вопроса.

Под операцией логического вывода понимается некоторый sc-агент, который получает на вход теоретико-множественную пару {S,O}, где

S - логическое утверждение произвольной конфигурации

O - совокупность объектов, в семантической окрестности которых необходимо применить утверждение S.

Целью такого агента является генерация в памяти новых знаний на основании уже имеющихся, т.е. по сути, применение утверждения S.

Указанный процесс поиска ответа можно разделить на следующие этапы:

• 
  Этап работы поисковых операций.
  

Вне зависимости от типа поставленного вопроса всегда имеется вероятность того, что данная задача уже была решена системой ранее или системе уже откуда-либо известен ответ на поставленный вопрос. На данном этапе работу осуществляет коллектив поисковых операций, каждая из которых, как правило, соответствует некоторому классу решаемых задач. Если ответ найден, подсистема обработки знаний прекращает свою работу. В противном случае происходит переход на следующий этап решения.

• 
  Этап применения стратегий решения задач.
  

На данном этапе осуществляется выбор между различными стратегиями решения задач, и, при необходимости, параллельный запуск различных стратегий. Целью работы каждой из стратегий является получение набора пар, связывающих некоторое множество объектов и логическое утверждение из базы знаний, которое справедливо для классов, которым принадлежат эти объекты в рамках некоторой теории. Впоследствии при рассмотрении каждого утверждения осуществляется попытка применить его в рамках некоторой семантической окрестности рассматриваемых объектов, для чего осуществляется переход на следующий этап решения.

• 
  Этап применения правил логического вывода.
  

На данном этапе происходит попытка применения утверждения, полученного на предыдущем шаге, с целью генерации в системе новых знаний. Если такое применение справедливо (например, посылка истинна) и имеет смысл (в результате применения будут сгенерированы новые знания), то осуществляется генерация новых знаний на основе одного из правил логического вывода. При этом применение происходит в контексте объекта, рассматриваемого на предыдущем этапе (в общем случае – ряда объектов). Если в данном контексте вывод на основе данного утверждения невозможен или нецелесообразен, решение возвращается на предыдущий этап. В случае успешного применения утверждения происходит переход к следующему этапу решения.

• 
  Этап верификации и оптимизации сгенерированных знаний и сборки мусора.
  

На данном этапе происходит интерпретация арифметических отношений, сгенерированных в процессе решения на предыдущем этапе, то есть попытка вычисления недостающих значений компонентов связок арифметических отношений (например, сложение величин и произведение величин) на основе имеющихся значений. Если вычислить все недостающие значения не представляется возможным, то все знания, сгенерированные на предыдущем этапе, уничтожаются и решение переходит на этап применения стратегий. В таком случае применение логического вывода для рассматриваемого на предыдущем шаге утверждения считается не целесообразным. Также на данном этапе происходит устранение синонимии, если таковая появилась на предыдущем этапе решения, например, сгенерирована связка отношения совпадения между некоторыми объектами. В конечном итоге происходит удаление конструкций, ставших ненужными и по каким-либо причинам не удаленных на предыдущих этапах решения.

Если все этапы решения выполнены успешно, то решение возвращается к первому этапу, и в случае, если ответ не получен, процесс повторяется еще раз. Стоит отметить, что в процессе решения один и тот же объект или одно и тоже высказывание могут быть использованы многократно, если это целесообразно. Однако, очевидно, что применение одного и того же утверждения для одного объекта несколько раз не имеет смысла, при условии, что нужные знания из памяти не удаляются в процессе решения какими-либо сторонними операциями.

Следует учитывать тот факт, что агенты сборки мусора, устранения синонимии и верификации знаний могут оказаться полезными и необходимыми не только на завершающем этапе работы интеллектуального решателя задач. В этом смысле 4-ый этап является несколько размытым и может быть частично интегрирован с какими-либо из предыдущих.

Таким образом, в структуре описываемой модели можно выделить 4 логических уровня, на каждом из которых возможно использование методов параллельной обработки информации.

Следует также отметить, что использование такой многоуровневой модели позволяет улучшить производительность системы в целом за счет попеременного «выключения» некоторых уровней в процессе решения сложной задачи, т.е. искусственному переводу агентов, соответствующих некоторому уровню в неактивное состояние. К примеру, на этапе применения правил логического вывода могут быть отключены агенты, реализующие стратегии решения задач. Это уменьшит число ненужных срабатываний и проверок условий инициирования агентов при возникновении в памяти некоторого события. Однако такие действия могут негативно сказаться на возможностях системы в целом, к примеру, станет невозможным одновременное решение нескольких задач, поскольку разные задачи могут на один и тот же момент времени находиться на разных этапах решения, что делает отключение какого-либо этапа недопустимым.

Структуру такой параллельной асинхронной модели машины обработки знаний можно наглядно изобразить в виде следующей диаграммы:

Рисунок 1 – Структура модели обработки знаний

В рамках каждого менеджера возможно использование принципа векторного параллелизма. Действительно, набор стратегий решения или операций логического вывода, по сути, представляет собой вектор. Каждый элемент данного вектора может быть рассмотрен по отдельности и активирован независимо от других в асинхронном режиме. Это позволяет говорить о возможности параллельного использования в рамках решения одной задачи нескольких стратегий, операций логического вывода, операций верификации и интеграции знаний. Таким образом, можно считать, что каждый из менеджеров реализует концепцию агента-супервизора, рассматриваемого в теории многоагентных систем, т.е. некоторого метаагента, основной задачей которого является координация действий других агентов. [Тарасов, 2002]