Инженерия знаний

1. Инженерия знаний

2. Что такое инженерия знаний?

• Инженерия знаний — это совокупность моделей,
методов и технических приемов, нацеленных на
создание систем, которые предназначены для
решения проблем с использованием знаний .
• Это теория, методология и технология,
охватывающая методы добычи, анализа,
представления и обработки знаний экспертов .
Ключевая задача: превратить «сырые» знания
эксперта в работающую программную систему.

3. Базовые понятия: данные, информация, знания

Данные — отдельные факты, не организованные.
Информация — структурированные данные, имеющие
смысл.
Знания — совокупность сведений, понятий,
представлений, полученных и накопленных в
результате опыта, позволяющая решать задачи и
делать выводы

4. Процессы инженерии знаний

Извлечение знаний — преобразование «сырых» знаний
эксперта в организованные структуры.
Внедрение знаний — преобразование организованных
знаний в реализованную программную систему.
Задачи :
• Анализ предметной и проблемной областей.
• Приобретение и выявление источников знаний.
• Выбор модели представления знаний.
• Проектирование баз знаний.
• Реализация механизмов вывода.

5. Основные модели представления знаний

• Логические модели (исчисление предикатов
первого порядка).
• Сетевые модели (семантические сети).
• Продукционные модели (правила «ЕСЛИ — ТО»).
• Фреймы (объектно-ориентированный подход).
• Онтологии (формальные концептуальные схемы).

6. Логическая модель

Компоненты :
• Предикаты: Doctor(x), Loves(x, y).
• Кванторы: ∀ (для всех), ∃ (существует).
• Логические связки: ∧, ∨, ¬, →.
• Аксиомы — фундаментальные истины о предметной
области.
Пример:
∀x (Doctor(x) → Trained(x))
"Если x — доктор, то x обучен"

7. Продукционная модель (ЕСЛИ – ТО)

Структура правила :
• Антецедент (ЕСЛИ): условия.
• Консеквент (ТО): заключение или действие.
• Коэффициент уверенности (опционально).
• Приоритет (для управления выводом).
Пример:
ЕСЛИ: у пациента жар И: у пациента ломота в теле
И: у пациента кашель
ТО: диагноз = грипп (КФ = 0.85)

8. Семантические сети

Графовое представление знаний
• Узлы — понятия, объекты, события.
• Дуги (связи) — отношения (IS-A, PART-OF, HAS и
др.) .
Свойства :
• Интуитивно понятная визуализация.
• Естественная иерархия и наследование свойств.
• Ограниченная выразительность для сложных
логических зависимостей.

9. Семантические сети. Пример

10. Фреймы

Фрейм —
структура
данных для
представления
стереотипной
ситуации (М.
Минский, 1975)

11. Фреймы. Пример

12. Онтологии

Онтология — это модель предметной области,
которая кодирует общее для сообщества
пользователей представление
Цель: обеспечение обмена знаниями между людьми и
программными агентами
Ключевое отличие от простых таксономий:
• Наличие аксиом и логических ограничений.
• Машиночитаемые форматы (OWL, RDF)

13. Структура онтологии

14. Онтологии. Пример

15. Сравнительный анализ моделей представления знаний

Модель
Выразительност
ь
Эффективность
вывода
Прозрачность
Область
применения
Логическая
Высокая
Низкая
Низкая
Математика,
доказательства
Продукционная
Средняя
Средняя
Высокая
Диагностика,
управление
Сем. сети
Средняя
Высокая
Средняя
Иерархии,
классификация
Фреймы
Средняя
Высокая
Высокая
Объектное
моделирование
Средняя
Semantic Web,
интеграция
данных
Онтологии
Очень высокая
Низкая*