Т. А. Гаврилова В. Ф. Хорошевский

Вид материала

Содержание

44. Простейшие методы структурирования
Таблица 4.5. Данные концептуализации Категории Процент Процент от общего числа терминов, полученный
Методы выявления связей между понятиями
Методы выделения метапонятий и детализация понятий(пирамида знаний)
Методы определения отношений
4.5. Состояние и перспективыавтоматизированногоприобретения знаний
4.5.1. Эволюция систем приобретения знаний
Редактор протоколов
Редактор понятий
Третье поколение
Системы приобретения
4.5.2. Современное состояние
А. Методологические проблемы
Б. Технологические проблемы
4.6. Примеры методов и системприобретения знаний
4.6.1. Автоматизированное структурированноеинтервью
Система ROGET
В системе MOLE

Подобный материал:

1 ... 4 5 6 7 8 9 10 11 12

Глава 4 • Технологии инженерии знаний

44. Простейшие методы структурирования

135

Все методы выявления понятий мы разделили на:

традиционные, основанные на математическом аппарате распознавания обра-
зов и классификации;

нетрадиционные, основанные на методологии инженерии знаний.

Если первые достаточно хорошо освещены в литературе, то вторые пока менее из-
вестны.

Пример 4.8

Интересный эксперимент по выявлению понятий описан в работе [Кук, Макдопальд,

1986J.

Тридцати студентам, имеющим права на вождение автомобиля, предложили составить
словарь терминов предметной области с помощью четырех методов:

Формирование перечня понятий (17 %).

Интервьюирование специалистов (35 %).

Составление списка элементарных действий (18 %).

Составление оглавления учебника (30 %).

Цифры в скобках характеризуют продуктивность соответствующего метода,
то есть показывают, какой процент понятий из общего выявленного списка (702 тер-
мина) был получен соответствующим методом. Для классификации понятий были
привлечены еще два участника эксперимента, которые разделили 702 выявленных по-
нятия на семь категорий (методом сортировки карточек). Таблица 4.5 отражает чис-
ленные данные концептуализации.

Таблица 4.5. Данные концептуализации

Категории Процент Процент от общего числа терминов, полученный

от общего соответствующим

числа терминов методом

		Перечень понятий	Интервью- ирование	Список операций	Составление оглавления
Объяснение	6	5,5	7,2	7,0	4,9
Общие правила	22,0	43,6	18,9	36,8	4,9
Режимные	9,0	9,8	8,4	11,6	6,6
правила
Понятия	42,0	18,4	38,9	8,5	77,7
Процедуры	9,0	5,1	9,5	25,6	1,2
Факты	9,0	15,0	12,5	8,9	1,2
Прочие	3,0	2,6	4,6	1,6	3,5
понятия

В целом результаты показали, что для выявления непосредственно концептов
наиболее результативными оказались методы интервьюирования и составления
оглавления учебника. Однако наибольшее число общих правил было порождено
в методе списка действий. Таким образом, еще раз подтвердилось утверждение о
том, что нет «лучшего» метода, есть методы, подходящие для тех или иных ситуа-
ций и типов знаний.

Интересно, что число правил — продукций «если — то» — составило небольшой
процент во всех четырех методах. Это говорит о том, что популярная продукци-
онная модель вряд ли является естественной для человеческих моделей репрезен-
тации знаний.

Методы выявления связей между понятиями

Концепты не существуют независимо, они включены в общувиэ понятийную
структуру с помощью отношений. Выявление связей между понятгиями при раз-
работке баз знаний доставляет инженеру по знаниям немало проблем. То, что зна-
ния в памяти — это некоторые'связные структуры, а не отдельнмле фрагменты,
общеизвестно и очевидно. Тем не менее основной упор в существу=ющих моделях
представления знаний делается на понятия, а связи вводят весьма- примитивные
(в основном причинно-следственные).

В последних работах по теории ИИ все больше внимания уделяется взаимосвя-
занности структур знаний. Так, в работе [Шенк, Бирнбаум, Мей, 1989] введено
понятие сценария (script) как некоторой структуры представлен!—\я знаний. Ос-
нову сценария составляет КОП (концептуальная организация памяти) и мета-
КОПы — некоторые обобщающие структуры.

Сценарии, в свою очередь, делятся на фрагменты ~ или сцены (chunks). Связи
между фрагментами — временные или пространственные, внутри фрагмента —
самые различные: ситуативные, ассоциативные, функциональные и т. д.

Все методы выявления таких связей можно разделить на две групглы;

* Формальные.

• Неформальные (основаны на дополнительной работе с экспержом).
Неформальные методы выявления связей придумывает инженер гмо знаниям для
того, чтобы вынудить эксперта указать явные и неявные связи между понятиями.
Наиболее распространенным является метод «сортировка карточек» в группы
[Волков, Ломнев, 1989; Rabbits, Wright, 1987], широко применяемый и для фор-
мирования понятий. Другим неформальным методом является no-строение замк-
нутых кривых. В этом случае эксперта просят обвести замкнутой кривой свя-
занные друг с другом понятия [Olson, Reuter, 1987]. Этот метшэд может быть
реализован как на бумаге, так и на экране дисплея. В этом случае можно говорить
о привлечении элементов когнитивной графики [Зенкин, 1991].

После того как определены связи между понятиями, все понятия как бы распада-
ются на группы. Такого рода группы представляют собой метапонвятия, присвое-
ние имен которым происходит на следующей стадии процесса структурирования.

Методы выделения метапонятий и детализация понятий
(пирамида знаний)

Процесс образования метапонятий, то есть интерпретации групп понятий, полу-
ченных на предыдущей стадии, как и обратная процедура — детализация (разук-
Рупнение) понятий, — видимо, принципиально не поддающиеся формализации
операции. Они требуют высокой квалификации экспертов, а такжге наличия спо-
собностей к «наклеиванию» лингвистических ярлыков. Если на рмс. 4.11 показа-

136

Глава 4 • Технологии инженерии знаний

4.5. Состояние и перспективы автоматизированного приобретения наний 137

ны схемы обобщения и детализации на тривиальных примерах, то в реальных
предметных областях эта задача оказывается весьма трудоемкой. При этом неза-
висимо от того, формальными или неформальными методами были выявлены
понятия или детали понятий, присвоение имен которым или интерпретация их —
всегда неформальный процесс, в котором инженер по знаниям просит эксперта
дать название некоторой группе понятий или отдельных признаков.

I

ID
О
U3

О

Рис. 4.11. Обобщение и детализация понятий

Это не всегда удается. Так, в системе АВТАНТЕСТ [Гаврилова, Червинская,
1992] при образовании метапонятий, полученных методами кластерного анализа,
интерпретация заняла несколько месяцев и не может считаться удовлетворитель-
ной. Это связано с тем, что формальные методы иногда выделяют «искусствен-
ные» концепты, в то время как неформальные обычно — практически исполь-
зуемые и потому легко узнаваемые понятия.

М

Рис. 4,12. Пирамиды знаний

етоды построения пирамиды знаний обязательно включают использование на-
глядного материала — рисунков, схем, кубиков. Уровни пирамиды чаще возника-
ют в сознании инженера по знаниям именно как некоторые образы.
Построение пирамиды знаний может быть основано и на естественной иерархии
предметной области, например связанной с организационной структурой пред-
приятия или с уровнем компетентности специалистов (рис. 4.12).

Методы определения отношений

если на стадии 4 (см. рис. 4.10) мы выявили связи между понятияпми и использо-
вали их на стадиях 5 и 6 для получения пирамиды знаний, то на стадии 7 мы даем
имена связям, то есть превращаем их в отношения.

Б работе [Поспелов, 1986] указывается на наличие более 200 базо вых видов раз-
личных отношений, существующих между понятиями. Предложены различные
классификации отношений [Келасьев, 1984; Поспелов, 1986]. Следует только
подчеркнуть, что помимо универсальных отношений (простран ственных, вре-
менных, причинно-следственных) существуют еще и специфические отноше-
ния, присущие той или иной предметной области [Гавриловаа, Червинская,
Яшин, 1988].

Интересные возможности к структурированию знаний добавляювт системы ког-
нитивной графики. Так, в системе OPAL [Olton., Muser, Combs e=t al., 1987] экс-
перт может манипулировать на экране дисплея изображениями пзростейших по-
нятий и строить схемы лечения заболеваний, обозначая отногппения явными
линиями, которые затем именуются.

Предлагаемая в данном учебнике методология структурированшя опирается на
современные представления о структуре человеческой памяти и формах репре-
зентации информации в ней [Величковский, 1982].

Скудность методов структурирования объясняется тем, что методологическая
база инженерии знаний только закладывается, а большинство инженеров по зна-
ниям проводит концептуализацию, руководствуясь наиболее дорогими и неэф-
фективными способами — «проб и ошибок» и «по наитию», то ес~гь исходя из со-
ображений здравого смысла.

4.5. Состояние и перспективы
автоматизированного
приобретения знаний

В данном параграфе мы рассмотрим автоматизированный подход к проблеме из-
влечения и структурирования знаний, традиционно называемый* приобретением
знаний (knowledge acquisition).

Поскольку основную трудность в создании интеллектуальных с=истем представ-
ляет домашинный этап проектирования, выполняемый инженером по знаниям
(или аналитиком), — анализ предметной области, получение знаний и их струк-
турирование, — эти процедуры традиционно считаются «узким местом» (bottle-
neck) проектирования экспертных систем [Gaines, 1987; Boose, I 990]. Последние
5-6 лет усилия разработчиков направлены на создание инструментальной про-
граммной поддержки деятельности инженера по знаниям и эксшерта именно на
этих этапах.

Г
138
лава 4 • Технологии инженерии знаний

4.5.1. Эволюция систем приобретения знаний

Первое поколение таких систем появилось в середине 80-х — это так называемые
системы приобретения знаний (СПЗ) (TEIRESIAS [Davis, 1982], SIMER+
MIR [Осипов, 1988], АРИАДНА [Моргоев, 1988]). Это средства наполнения так
называемых «пустых» ЭС, то есть систем, из БЗ которых изъяты знания (напри-
мер, EMYCIN — EMPTY MYCIN, опустошенная медицинская ЭС MYCIN со спе-
циальной диалоговой системой заполнения базы знаний TEIRESIAS). Их авто-
ры считали, что прямой диалог эксперта с компьютером через СПЗ поможет
сократить жизненный цикл разработки. Однако опыт создания и внедрения СПЗ
продемонстрировал несовершенство такого подхода.

Основные недостатки СПЗ I поколения:

Слабая проработка методов извлечения и структурирования знаний.

Жесткость модели представления знаний, встроенной в СПЗ и связанной с
привязкой к программной реализации.

Ограничения на предметную область.

Таким образом, традиционная схема разработки СПЗ I поколения:

создание конкретной ЭС —> опустошение БЗ —> разработка СПЗ для новых
наполнений БЗ —» формирование новой БЗ для другой ЭС

оказалась несостоятельной для промышленного применения.
Второе поколение СПЗ появилось в конце 80-х и было ориентировано на более
широкий модельный подход [Games, 1989; Борисов, Федоров, Архипов, 1991] с
акцентом на предварительном детальном анализе предметной области. Так, в Ев-
ропе широкое применение получила методология KADS (Knowledge Acquisition
and Documentation Structuring) [Wielinga et al., 1989], в основе которой лежит
понятие интерпретационной модели, позволяющей процессы извлечения, струк-
турирования и формализации знаний рассматривать как «интерпретацию» линг-
вистических знаний в другие представления и структуры.

KADS-методология

Рисунок 4.13 демонстрирует преобразование знаний согласно методологии KADS
[Breaker, Wielinga, 1989] через спецификацию пяти шагов анализа «идентифика-
ция — концептуализация — гносеологический уровень — логический уровень —уро-
вень анализа выполнения* и стадии или пространства проектирования.

Результатом анализа является концептуальная модель экспертизы, состоящая из
четырех уровней (уровня области — уровня вывода — уровня задачи — стратеги-
ческого у ровня), которая затем вводится в пространство проектирования и преоб-
разуется в трехуровневую модель проектирования (рис. 4.14).

При решении реальных задач KADS использует библиотеку интерпретацион-
ных моделей, описывающих общие экспертные задачи, такие как диагностика,
мониторинг (см. классификацию 1 из п. 2.2) и пр., без конкретного наполнения
объектами предметной области. Интерпретационная модель представляет собой

4.5. Состояние и перспективы автоматизированного приобретения знаний 139

концептуальную модель без уровня области. На основании извлеченных лингви-
стических данных происходит отбор, комбинация и вложение верхних уровней
модели, то есть уровней вывода и задачи, которые наполняются конкретными
объектами и атрибутами из уровня области и представляют в результате концеп-
туальную модель рассматриваемой задачи. На рис. 4.15 представлена модель
жизненного цикла KADS.

Рис. 4.13. Методология KADS

Первые системы программной поддержки KADS-методологии представлены на-
бором инструментальных средств KADS Power Tools [Schreiber G., Breuker J. et al.,
1988]. В этот набор входят следующие системы: редактор протоко»лов FED (Pro-
tocol Editor); Редактор системы понятий (Concept Editor); Реда=ктор концепту-
альных моделей СМЕ (Conceptual Model Editor) и ИМ-библиотекарь IML (Inter-
pretation Model Librarian).

Редактор протоколов — программное средство, помогающее инже=неру по знани-
ям в проведении анализа знаний о предметной области на лингвис—гическом уров-
не. При работе со знаниями на этом уровне исходным материале!» являются тек-
сты (протоколы) — записи интервью с экспертом, протоколы «мелслсй вслух» и
любые другие тексты, полезные с точки зрения инженера знаний— Редактор про-
токолов реализован как гипертекстовая система, обеспечиваются выделение
фрагментов в анализируемом тексте, установление связей межд фрагментами,
группирование фрагментов, аннотирование фрагментов. Фрагмен—ты могут иметь
любую длину — от отдельного слова до протокола в целом. Фрагменты могут пе-
рекрывать друг друга.

140

Глава 4 • Технологии инженерии знаний

5. Состояние перспективы автоматизированного приобретение знаний 141

Рис. 4.14. Основные модели KADS

Возможны следующие типы связей между фрагментами:

аннотация (связь между фрагментом протокола и некоторым текстом, введен-
ным инженером знаний для спецификации этого фрагмента);

член группы (связь между фрагментом и названием — именем группы фраг-
ментов; объединение фрагментов в группу позволяет инженеру знаний струк-
турировать протоколы, при этом группа фрагментов получает уникальное
имя);

поименованная связь (связь между двумя фрагментами, имя связи выбирает-
ся инженером знаний);

понятийная связь (поименованная связь между фрагментом и понятием; обыч-
но используется, если фрагмент содержит определение понятий).

Редактор понятий помогает инженеру знаний организовывать предметные зна-
ния в виде набора понятий и связывающих их отношений. Каждое понятие име-
ет имя и может иметь атрибуты; каждый атрибут может иметь значение. Какие
именно атрибуты используются — это определяет инженер знаний с учетом спе-
цифики предметной области. С помощью Редактора понятий инженер знаний
может вводить произвольные отношения между понятиями и создавать иерар-
хические структуры по тому или иному отношению. Существует единственное
отношение (ISA), семантика которого «встроена» в Редактор. Если инженер зна-
ний устанавливает это отношение между двумя понятиями, то имеет место на-
следование атрибутов.

Рис. 4.15. Жизненный цикл KADS

ИМ-библиотекарь помогает инженеру знаний проводить анализ= предметных зна
ний на эпистемологическом уровне. Основное назначение Библ иотекаря состой-
в том, чтобы помочь инженеру знаний выбрать одну или более ИМ, подходящи:
Для исследуемой проблемной области (ПО). Помощь Библиотекаря проявляете;
в чисто информационном аспекте. Вначале Библиотекарь демонстрирует пользо
вателю иерархию типов задач, для которых в библиотеке име ются ИМ. Поел'
того как пользователь выбрал интересующую его ИМ, ему демонстрируется е
краткое описание и список атрибутов, включающий в себя след_ующие атрибуть
«краткое описание», «определение», «структура задачи», «стра_тегии», «ПО-зна

142

Глава 4 • Технологии инженерии знаний

4.5. Состояние и перспективы автоматизированного приобретение знаний 143

ния». Выбрав атрибут «определение», пользователь сможет увидеть на экране
графическое изображение структуры вывода, элементами которой являются ис-
точники знаний и метаклассы. Как источники знаний, так и метаклассы имеют
свои наборы атрибутов; инженер знаний может просмотреть их, указывая на со-
ответствующий элемент.

Психосемантика

Помимо идеологии KADS на разработку СПЗ II поколения большое влияние
оказали методы смежных наук, в частности психосемантики, одного из молодых
направлений прикладной психологии [Петренко, 1988; Шмелев, 1983], перспек-
тивного инструмента, позволяющего реконструировать семантическое простран-
ство памяти и тем самым моделировать глубинные структуры знаний эксперта
(см. параграф 5.1). Уже первые приложения психосемантики в ИИ в середине
80-х годов позволили получить достаточно наглядные результаты [Кук, Макдо-
нальд, 1986]. В дальнейшем развитие этих методов шло по линии разработки
удобных пакетов прикладных программ, основанных на методах многомерно-
го шкалирования, факторного анализа, а также специализированных методов
обработки репертуарных решеток [Франселла, Баннистер, 1987] (параграф 5.2).
Примерами СПЗ такого типа являются системы KELLY [Похилько, Страхов,
1990], MADONNA [Терехина, 1988], MEDIS [Алексеева и др., 1989]. Специфи-
ка конкретных приложений требовала развития также «нечисленных» методов,
использующих парадигму логического вывода. Примерами систем этого направ-
ления служат системы ETS [Boose, 1986] и AQUINAS [Boose, Bradshaw, Schema,1988].
Успехи СПЗ II поколения позволили значительно расширить рынок ЭС, кото-
рый к концу 80-х оценивался в 300 млн долларов в год [Попов, 1991]. Тем не менее
и эти системы были не свободны от недостатков, к важнейшим из которых можно
отнести:

несовершенство интерфейса, в результате чего неподготовленные эксперты не
способны овладеть системой и отторгают ее;

сложность настройки на конкретную профессиональную языковую среду;

необходимость разработки дорогостоящих лингвистических процессоров для
анализа естественно-языковых сообщений и текстов.

Третье поколение СПЗ - KEATS [Eisenstadt et al., 1990], MACAO [Aussenac-
Gilles, Natta, 1992], NEXPERT-OBJECT [NEXPERT-OBJECT, 1990] - перенес-
ло акцент в проектировании с эксперта на инженера по знаниям [Гаврилова,
1988; Gruber, 1989]. Новые СПЗ — это программные средства для аналитика,
более сложные, гибкие, а главное использующие графические возможности со-
временных рабочих станций и достижения CASE-технологии (Computer-Aided
Software Engineering). Эти системы позволяют не задавать заранее интерпрета-
ционную модель, а формировать структуру БЗ динамически.
Существуют различные классификации СПЗ — по выразительности и мощнос-
ти инструментальных средств [Попов, 1988]; по обобщенным характеристикам
[Boose, 1990]; в рамках структурно-функционального подхода [Волков, Ломнев,
1989]; интегрированная классификация предложена в работе [Гаврилова, Чер-
винская, 1992].

Учитывая новейшие тенденции в инженерии знаний можно предложить следую-
щую схему таксономии СПЗ, представленную на рис. 4.16.

Системы приобретения знаний

rd ZEII i_g i I ~ 1

il •== is 1<2 Si |

£ » IS .^s tn ч re S с £ t: i о

|1 £i t-0 ft |0 ££| |

°a ² § I "8 "

с i_ ш a.

с a.

A —Г — —Г~ f— —I—

гТЛЛР-п г-ТЦ Л ЛЛЛ -ХлЛп r-Ц

О •*• « 5 л 5

Я S i s -S32 II It 2 3 i|

^|!Н ^; Н i

!ШШиишпшЩш| | г i {{И!

illduijuLJjl

pCxp-i а л л л дц ArLAAA

вП
* X

К В ж

_хП >1 П S £ т

i ⁱ ? i i i i i II i II! ^]

I '. & i I I : *

£e So?i 5яё^г 3|2₃,_s

^C ^C I ^S I If

ш 5 ff 1 § I

LJ LJ LJ U U U U Ul IU I I f I i

i § & -

s
Рис. 4.16. Классификация систем приобретения знанийн

Однако и современные СПЗ не полностью лишены серьезных ншедостатков СПЗ
I и II поколений, большая часть которых обусловлена отсутствием теоретической
концепции проектирования БЗ. В результате эта область до нас-гтоящего времени
справедливо считается скорее «искусством», чем наукой и осно вана на «ad hoc»
технологии (то есть применительно к случаю).

4.5.2. Современное состояние

автоматизированных систем
приобретения знаний

Анализ современного состояния программных средств приобр—етения знаний и
поддержки деятельности инженера по знаниям позволяет выя=вить две группы
проблем, характерных для существующих СПЗ:

Методологические проблемы.

Технологические проблемы.

jj 11 11 I)

144

Глава 4 • Технологии инженерии знаний

4.6. Примеры методов и систем приобретения знаний

145

А. Методологические проблемы

Основная проблема, встающая перед разработчиками, — отсутствие теорети-
ческого базиса процесса извлечения и структурирования знаний — порождает
дочерние более узкие вопросы и казусы на всех этапах создания интеллектуаль-
ных систем. Даже тщательно проработанная методология KADS, описанная в пре-
дыдущем параграфе, страдает громоздкостью и явной избыточностью. Ниже пе-
речислены наиболее общие из возникающих проблем в последовательности,
соответствующей стадиям жизненного цикла (см. рис. 2.4);

размытость критериев выбора подходящей задачи;

слабая проработанность теоретических аспектов процессов извлечения зна-
ний (философские, лингвистические, психологические, педагогические, ди-
дактические и другие аспекты), а также отсутствие обоснованной классифи-
кации методов извлечения знаний и разброс терминологии;

отсутствие единого теоретического базиса процедуры структурирования зна-
ний;

жесткость моделей представления знаний, заставляющая разработчиков обед-
нять и урезать реальные знания экспертов;

несовершенство математического базиса моделей представления знаний (дес-
криптивный, а не конструктивный характер большинства имеющихся матема-
тических моделей);

эмпиричность процедуры выбора программного инструментария и процесса
тестирования (отсутствие критериев, разрозненные классификации, etc.).

Б. Технологические проблемы

Большая часть технологических проблем является естественным следствием ме-
тодологических и порождена ими. Наиболее серьезными из технологических
проблем являются:

отсутствие концептуальной целостности и согласованности между отдельны-
ми приемами и методами инженерии знаний;

недостаток или отсутствие квалифицированных специалистов в области ин-
женерии знаний;

отсутствие технико-экономических показателей оценки эффективности ЭС
(в России);

несмотря на обилие методов извлечения знаний (фактически более 200 в обзо-
ре [Boose, 1990]), практическая недоступность методических материалов по
практике проведения сеансов извлечения знаний;

явная неполнота и недостаточность имеющихся методов структурирования
знаний [Кук, Макдональд, 1986; Гаврилова, Червинская, 1992], отсутствие
классификаций и рекомендаций по выбору подходящего метода;

несмотря на обилие рынка программных средств, недостаток промышленных
систем поддержки разработки и их узкая направленность (зависимость от
платформы, языка реализации, ограничений предметной области), разрыв
между ЯПЗ и языками, встроенными в «оболочки» ЭС;

жесткость программных средств, их низкая адаптивность, отсутствие индиви-
дуальной настройки на пользователя и предметную область;

слабые графические возможности программных средств, недос таточный учет
когнитивных и эргономических факторов;

сложность внедрения ЭС, обусловленная психологическими пр-облемами пер-
сонала и неприятия новой технологии решения задач.

4.6. Примеры методов и систем
приобретения знаний

Данный параграф посвящен обзору некоторых наиболее известные методов и си-
стем приобретения знаний, на основе переработки материалов из работ [Осипов,
1990; Молокова, 1992; Осипов, 1997].

4.6.1. Автоматизированное структурированное
интервью

Впервые структурированное интервью применено при создание системы TEI-
RESIAS [Davis, 1982] для формирования новых правил и иовы>-£ понятий. Для
этих целей в системе использованы следующие соображения: в слпучае неудачи в
режиме консультации (или тестирования) система предлагает эксперту выде-
лить причины неудачи. Контекст, полученный в результате этого, позволяет сис-
теме сформировать некоторые «ожидания», характеризующие содержание ново-
го правила, которое будет вводиться экспертом для устранения меудачи.
Система ROGET [Bennet, 1985] — это первая попытка заменить иыженера знаний
программной системой на начальном этапе приобретения знаншга. Эта система
беседует с экспертом как инженер по знаниям, стремящийся понять, как концеп-
туально могут быть организованы экспертные знания, необходимою для создания
диагностической ЭС.

В системе MOLE [Eshelman, 1987] приобретение знаний осуществляется в два
этапа: на первом этапе используется структурированное интервью и эксперту
(или инженеру по знаниям) предлагается ввести список событий предметной об-
ласти и определить связи между ними; на втором этапе выполняемся контекстное
приобретение знаний, как это сделано в системе TEIRESIAS.
Система состоит из двух частей: интерпретатора базы предметных знаний и
подсистемы приобретения знаний. Последняя поддерживает как процесс перво-
начального заполнения БЗ, так и процесс отладки и уточнения Б 3.
Интерпретатор БЗ ориентирован на класс диагностических задач и осуществляет
вывод решения путем сопоставления заранее определенного множества гипотез
(о причине неисправности, о заболевании и т. д.) с совокупност-ью наблюдений
(симптомов, показаний приборов и т. д.). Иными словами, интер-претатор систе-
мы MOLE реализует некоторый вариант метода эвристической з—слассификации.

146

Blog

Т. А. Гаврилова В. Ф. Хорошевский

Содержание