→ Пошук по сайту       Увійти / Зареєструватися
Знання Керування знаннями

Инженерия знаний

Оглавление

1. Основные определения
2. История возникновения термина
3. Базы знаний.
4. Задачи инженерии знаний.

4.1 Анализ предметной и проблемной областей.
4.2 Приобретение знаний.

4.2.1 Выявление источников знаний.
4.2.2 Автоматизация процесса сбора знаний.

4.3 Представление знаний.

4.3.1 Модели представления знаний.
4.3.2 Выбор способа представления знаний.

4.4 Поиск и хранение знаний.

5. Методы инженерии знаний
6. Ссылки по теме

Основные определения

Инженерия знаний представляет собой совокупность моделей, методов и технических приемов, нацеленных на создание систем, которые предназначены для решения проблем с использованием знаний. Фактически инженерия знаний – это теория, методология и технология, которые охватывают методы добычи, анализа, представления и обработки знаний экспертов.

Представление знаний, их обработка и использование, рассматриваемые применительно к конкретной прикладной области, являются предметом инженерии знаний. 

На высоком уровне, процесс инженерии знаний состоит из двух:

  1. Извлечение знаний – преобразование «сырых знаний» в организованные.
  2. Внедрение знаний – преобразование организованных знаний в реализованные.

 С областью инженерии знаний тесно связано понятие искусственного интеллекта (ИИ).

Сущностью искусственного интеллекта (ИИ) можно считать научный анализ и автоматизацию интеллектуальных функций человека. Однако для большинства проблем общая реальность – трудность их машинного воплощения. Исследования по ИИ позволили утвердиться во мнении, что подлинно необходимым для решения проблем являются знания экспертов, т.е. если создать систему, способную запоминать и использовать знания экспертов, то она найдет применение в практической деятельности. [1]

История возникновения термина

Инженерия знаний тесно связана со всем процессом разработки интеллектуальных информационных систем в целом и экспертных систем (ЭС) в частности – от возникновения замысла до его реализации и совершенствования.

В конце 1960-х и начале 1970-х гг. под руководством Э.Фейгенбаума в Стенфордском университете США была создана система DENDRAL, а позднее – MYCIN. Поскольку эти системы накапливают в памяти компьютера знания экспертов и используют эти знания для решения проблем, извлекая их при необходимости из памяти, то они получили названия экспертных, а профессор Э.Фейгенбаум, являющийся одним из создателей экспертных систем (ЭС), выдвинул для данной области техники название «инженерия знаний». Слово «engineering» в английском языке означает искусную обработку предметов, изобретение или создание чего-либо. Следовательно, работу по оснащению программ специальными экспертными знаниями из проблемной области, выполняемую человеком либо компьютером (программой), также можно назвать «инженерией знаний».  [1]

Базы знаний

Знания — совокупность сведений, понятий, представлений о чем-либо, полученных, приобретенных, накопленных в результате учения, опыта, в процессе жизни и т.д. и обычно реализуемых в деятельности. Более формальные определения применяемые обычно в рамках менеджмента знаний:

  • информация, подвергшаяся преобразованию в части выд еле ния сущностных зависимостей . Знание само задает контекст описания и является целостным описанием ситуации;
  • результаты обобщения информации и установления определенных закономерностей в какой-либо предметной области, которые позволяют ставить и решать задачи в этой области;
  • ресурс, базирующийся на практическом опыте специалистов и на информации, существующей на предприятии.

Представление знаний, их обработка и использование, рассматриваемое применительно к конкретной прикладной области, является предметом инженерии знаний. Коллекция совместно организованных знаний, относящихся к задачам, решаемым в системе искусственного интеллекта (ИИ), называется базой знаний (БЗ).

Итак, База знаний — это семантическая модель, описывающая предметную область и позволяющая отвечать на такие вопросы из этой предметной области, ответы на которые в явном виде не присутствуют в базе. База знаний является основным компонентом систем Искусственного интеллекта и Экспертных систем. Большинство БЗ ограничены в некоторой специальной, обычно узкой предметной области, в которой они сосредоточены. При создании БЗ технология ИИ позволяет встраивать в компьютер механизм и способности вывода, основывающиеся на фактах и отношениях, содержащихся в БЗ. [1]

Задачи инженерии знаний

Анализ предметной и проблемной областей

Предметная область - сфера человеческой деятельности, выделенная и описанная согласно установленным критериям. В описываемое понятие должны входить сведения об ее элементах, явлениях, отношениях и процессах, отражающих различные аспекты этой деятельности. В описании предметной области должны присутствовать характеристики возможных воздействий окружающей среды на элементы и явления предметной области, а также обратные воздействия этих элементов и явлений на среду.

Проблемная область - комплексное понятие, включающее предметную область, решаемые задачи, цели, возможные стратегии и эвристики. Предметную область можно определить как объект или, например, производственную систему со всем комплексом понятий и знаний о ее функционировании. При исследовании проблемной области необходимы знания о задачах, решаемых в производственной системе, и стоящих перед ней целях.

При исследовании экономических систем и решаемых ими задач с целью формализации знаний в БЗ и работе необходимо учитывать специфику таких систем. Экономическим системам присуща динамичность функционирования, частая смена ситуаций, обновление больших массивов измерительных и других данных, характеризующих состояние объекта. Они часто функционируют в условиях полной определенности из-за действия случайных возмущающих факторов. [1]

Приобретение знаний

Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее систематизации. При этом в зависимости от способности системы обучения к логическим выводам возможны различные формы приобретения знаний, а также различные формы получаемой информации.

Классификация этапов обучения, соответствующих способностям компьютеров к формализации знаний:

А. Получение информации без логических выводов.

  1. Ввод программ.
  2. Ввод фактических данных.

Б. Получение извне информации, уже представленной в виде знаний.

  1. Получение готового набора знаний, представленных во внутреннем формате.
  2. Получение знаний, представленных во внутреннем формате, в режиме диалога.
  3. Получение знаний, представленных во внешнем формате, и их понимание.

В. Обучение по примерам.

  1. Параметрическое обучение.
  2. Обучение на основе выводов по аналогии.
  3. Обучение на основе выводов по индукции – эвристическое обучение.

Г. Приобретение знаний на метауровне.

В случае прикладных систем инженерии знаний необходимо преобразовать специальные знания из какой-либо области в машинный формат, но для этого нужен посредник, хорошо знающий как проблемную область, так и инженерию знаний. Таких посредников называют инженерами знаний (инженерами по знаниям).

Итак, инженер по знаниям – это специалист по искусственному интеллекту, проектирующий и создающий Экспертную систему или другую информационную систему. [1]

Выявление источников знаний

Выявление источников знаний и работа с ними - основная задача инженера знаний.

Инженер знаний выполняет важные функции при разработке БЗ. Он должен хорошо ориентироваться в проблемной области и быть неплохим психологом, чтобы общаться с экспертом в процессе приобретения знаний. Вместе с тем он должен хорошо знать и возможности программного обеспечения компьютеров, чтобы структурировать знания для хранения и работы с ними. Основным источником знаний о проблемной области является человек-эксперт. Эксперт - специалист, который за годы обучения и практической деятельности научился эффективно решать задачи, относящиеся к конкретной предметной области.

Инженер знаний работает с ним в режиме диалога или интервью и формирует необходимый объем знаний и сведений для работы с объектом. Возможно также использование опросников, которые затем соответствующим образом обрабатываются.

Табл.1 Методы извлечения знаний из предметного эксперта.  

Метод

Описание

Наблюдение на рабочем месте

Наблюдать за экспертом, решающим реальные задачи на своем рабочем месте.

Обсуждение задач

Выявить виды данных, знаний и процедур, необходимых для решения конкретных задач.

Описание задач

Попросить эксперта описать прототипную задачу для каждой категории возможных ответов.

Анализ задачи

Представить эксперту ряд реалистических задач для решения вслух с целью выявить логические основания конкретных шагов рассуждения.

Доводка системы

Попросить эксперта предоставить вам несколько задач для решения и с использованием правил, выявленных во время интервью.

Оценивание системы

Попросить эксперта проверить работу системы и подвергнуть критике правила и структуру управления прототипной системой.

Проверка системы

Предоставить примеры, решенные экспертом и прототипом системы, другим независимым экспертам для сравнения и оценки.

Для некоторых задач источниками дополнительной информации являются книги, технологические описания, инструкции, документы. Используются также методы так называемого «мозгового штурма».

Знания об объекте можно формировать путем использования статистической обработки информации и информации о результатах имитационных экспериментов.

Другим важным источником знаний является Интернет. Помимо традиционного поиска необходимой информации и знаний в Интернет, в настоящее время в процесс поиска знаний вовлекаются интеллектуальные агенты. [1]

Автоматизация процесса сбора знаний

Автоматизация извлечения знаний и запись их в БЗ. Неавтоматизированный сбор знаний специалистов трудоемкий процесс. В развитых интеллектуальных системах предусматриваются вспомогательные средства для приобретения знаний.

Автоматическая структуризация неформальных знаний, доступных в Интернет через распределенную гипермедиа систему – Web. Технология гипермедиа через Web обеспечивает идеальный подход для развития систем, основанных на знаниях путем расширения возможностей каналов человеко–машинного взаимодействия. Этот новый подход к интеграции технологии гипермедиа с извлечением знаний имеет дело со знаниями до того, как они будут формализованы. Многие Web – механизмы поиска включают интеллектуальных агентов для идентификации и поставки требуемой информации по индивидуальным потребностям и запросам. Причина экспоненциального роста количества информации, обеспечиваемого через Web-механизмы, вызывает развитие методов структуризации информации в распределенных гипермедиа системах. Такая интеграция между технологией гипермедиа и методами извлечения знаний может обеспечить мощный инструмент для извлечения знаний. [1]

Представление знаний

Важное место в системах управления знаниями занимает проблема представления знаний, являющаяся ключевой.

Существует также ряд общих для всех СПЗ проблем. К ним можно отнести,
в частности, проблемы:

  • приобретения новых знаний и их взаимодействие с уже существующими;
  • организации ассоциативных связей;
  • выбора диапазона в размере элементов представления, связан­ной с тем, насколько «детально могут быть описаны объекты и события, и какая часть внешнего мира может быть представлена в конкретной системе»;
  • неоднозначности и выбора семантических примитивов;
  • модульности и понимания;
  • явности знаний и доступности;
  • выбора соотношения декларативной и процедурной составляющих представления, что влияет на экономичность системы, полноту, легкость кодировки и понимания. [1]

Модели представления знаний

Модели представления знаний можно условно разделить на декларативные и процедурные.

Декларативная модель представления знаний основывается на предположении, что проблема представления некоей предметной области решается независимо от того, как эти знания потом будут использоваться. Поэтому модель как бы состоит из двух частей: статических описательных структур знаний и механизма вывода, оперирующего этими структурами и практически независимого от их содержательного наполнения. При этом оказываются раздельными синтаксические и семантические аспекты знания, что является достоинством указанных форм представления из-за возможности достижения их определенной универсальности.

В декларативных моделях не содержатся в явном виде описания выполняемых процедур. Эти модели представляют собой множество утверждений. Предметная область представляется в виде синтаксического описания ее состояния.

Вывод решений основывается в основном на процедурах поиска в пространстве состояний.

В процедурном представлении знания содержатся в процедурах небольших программах, которые определяют, как выполнять специфичные действия (как поступать в специфичных ситуациях).

При этом можно не описывать все возможные состояния среды или объекта для реализации вывода. Достаточно хранить некоторые начальные состояния и процедуры, генерирующие необходимые описания ситуаций и действий. При процедурном представлении знаний семантика непосредственно заложена в описание элементов базы знаний, за счет чего повышается эффективность поиска решений. [1]

Выбор способа представления знаний

Важным вопросом при создании БЗ является выбор способа представления знаний. Цель представления знаний — организация необходимой информации в такую форму, чтобы программа ИИ имела легкий доступ к ней для принятия решений, планирования, узнавания объектов и ситуаций, анализа сцен, вывода заключений и других когнитивных функций.

Основные типы моделей представления знаний применительно к процессу разработки БЗ:

  • При использовании логики предикатов первого порядка (дедуктивной логики) БЗ может рассматриваться как совокупность логических формул, которые обеспечивают частичное описание проблемной среды.
  • Семантические сети позволяют описывать свойства и отношения объектов событий, понятий, ситуаций или действий с помощью направленного графа, состоящего из вершин и помеченных ребер.
  • Фреймы представляют собой декларативно-процедурные структуры. Во многих фреймовых структурах возможна реализация наследственных отношений, при которых объекты могут наследовать атрибуты более абстрактных объектов. Такая форма организации знаний позволяет экономить объем памяти.
  • Продукционные модели (основанные на правилах вида Если-То) являются наиболее популярным способом представления знаний. При организации знаний с использованием продукционных моделей в БЗ содержатся правила продукций, а в БД содержится информация, которая отображает текущее состояние решаемой задачи. Инициализацию необходимого правила осуществляет блок управления.
  • Большие трудности возникают при создании моделей нечетких знаний.

Формализация таких знаний осуществляется на основе теории нечетких множеств. Развиваются также модели на основе искусственных нейронных сетей (ИНС), многоагентных систем, генетических алгоритмов и другие моделипредставления и обработки знаний. [1]

Поиск и хранение знаний

Поиcк и хранение необходимых знаний cвязаны c понятием корпоративной памяти, которая по аналогии с человеческой памятью позволяет пользоваться предыдущим опытом и избегать повторения ошибок, что является пока достаточно труднореализуемым на практике.
Корпоративная память хранит неоднородную информацию из различных иcточников и делает ее доступной пользователям для решения корпоративных задач.

Становится актуальной разработка модели представления знаний, которая обеспечивала бы автоматизированную обработку информации на cемантическом уровне в системах управления знаниями.

Большую популярность в последнее время приобретают онтологии. [1]

Методы инженерии знаний

В области инженерии знаний было созданы различные средства и модели, позволяющие эффективно управлять знаниями и их представлением. Рассмотрим некоторые из них на нашей странице, посвященной методам инженерии знаний. 

Ссылки по теме

  1. http://www.ozon.ru/context/detail/id/5402790/ Книга "Управление знаниями корпорации и реинжиниринг бизнеса". Абдикеев Н.М., Киселев А.Д. Основными ресурсами развития компаний во все большей мере становятся люди и знания, которыми они обладают, интеллектуальный капитал и растущая профессиональная компетенция кадров. Сегодня требуются новые методы развития организации, основанные на стыке гуманитарного и инженерного подходов, что позволит получить синергетический эффект от их взаимодействия. Этот подход базируется на современных достижениях информационных технологий, а именно когнитивных технологиях развития организации. Актуально развитие симбиоза концепции управления знаниями, реинжиниринга, бизнес-процессов и когнитивной человеческой составляющей.
  2. http://www.novsu.ru/file/106360 Сайт Новгородского Государственного Университета предоставляет статью на тему инженерии знаний. В статье представлен обзор некоторых теоретических аспектов получения знаний, рассматриваются практические методы получения знаний, а также информация о структурирование знаний.
  3. http://old.ulstu.ru/people/SOSNIN/umk/Knowledge_Engineering/gl_17_2.htm Сайт Ульяновского Государственного Технического Университета. На странице представлены материалы по вопросу извлечения знаний. Приводится классификация некоторых методов извлечения знаний, а также их практическое применение.
  4. 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.
  5. 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.  
  6. 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.
  7. http://aimatrix.nm.ru/aimatrix/SemanticNetworks.htm Статья, повященная семантическим сетям. Описывается история создания семантических сетей, а также принципы построения и классификация.
  8. http://bibl.tikva.ru/base/B1253/B1253Part12-59.php Статья о когнитивных картах. Приводится несколько примеров использования когнитивных карт.
  9. http://ru.wikipedia.org/wiki/%D0%A1%D0%B5%D0%BC%D0%B0%D0%BD%
    D1%82%D0%B8%D1%87%D0%B5%D1%81%D0%BA%D0%B0%D1%8F_
    %D1%81%D0%B5%D1%82%D1%8C
    Материал из википедии. Статья о семантических сетях.
  10. http://lsdis.cs.uga.edu/projects/glycomics/report/Report2006.html Сайт научно-исследовательского центра. Можно найти пример визуализации биохимической и биологической онтологии. 
  11. http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.41.1007  В статье дается обзор исследований в области инженерии знаний, описываются принципы и методы, а также два подхода, сформированные в данной области. Ссылка на статью в формате pdf содержится на веб-странице. 
  12. http://www.vk-engineering.com/ Веб-сайт, посвященный инженерии знаний. На сайте можно увидеть новости, результаты научных исследований в виде статей, презентаций, видео. 
  13. http://www.commonkads.uva.nl/INFO/course-slides/01-intro.ppt#257,1,Introduction to Knowledge Engineering Презентация. Введение в инженерию знаний. История и терминология.
  14. http://web.cs.wpi.edu/~jburge/thesis/kematrix.html Краткий обзор методов извлечения знаний.
  15. http://cranedge.wordpress.com/2010/11/15/strategic-knowledge-engineering/ Стратегия инженерии знаний. Автор статьи Jesu Valiant.         

Базы знаний

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

Методы инженерии знаний

Онтология — это точная cпецификация некоторой области, которая включает в себя словарь терминов предметной облаcти и множество логических связей (типа «элемент-класс», «часть-целое»), которые опиcывают, как эти термины cоотносятся между собой. Фактически это иерархический понятийный скелет предметной области

По материалам сайта:
sites.google.com/site/upravlenieznaniami

загрузка...
Сторінки, близькі за змістом