Т. А. Гаврилова В. Ф. Хорошевский

Вид материала

Содержание

4.6. Примеры методов и систем
Система приобретения знании
Система приобретения знаний OPAL
148Глава 4 • Технологии инженерии знаний
4.6.2. Имитация консультаций
4.6.3. Интегрированные средыприобретения знаний
4.6. Примеры методов и систем приобретения
4.6.4. Приобретение знаний из текстов
4.6.5. Инструментарий прямого приобр етениязнаний SIMER + MIR
Примеры методов и систем приобретения знаний

Подобный материал:

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

Глава 4 • Технологии инженерии знаний

4.6. Примеры методов и систем приобретения знаний

147

В базе знаний MOLE первоначально существуют знания о том, какие типы когни-
тивных структур необходимы для осуществления вывода и как распознать зна-
ния того или иного типа в информации, сообщаемой экспертом. MOLE запраши-
вает у эксперта список объектов, играющих роли гипотез и наблюдений. Эксперт,
кроме того, должен указать, какие пары «наблюдение — гипотеза» и «гипотеза —
гипотеза» ассоциативно связаны.

Результатом этого этапа извлечения знаний является сеть объектов. Затем MO-
LE пытается получить дополнительную информацию: о типе объекта (является
объект наблюдаемым или выводимым); о природе ассоциативной связи (какой
тип знаний лежит в основе ассоциации — объясняющие, предсказывающие или
иные); о направлении ассоциативной связи, о численной оценке «силы» ассоциа-
тивной связи. Однако MOLE понимает, что эксперт не всегда может предоста-
вить такую информации}. Поэтому на этом этапе MOLE использует стратегию
ожидании: она пытается вывести необходимую информацию из сообщений экс-
перта на основе своих ожиданий.

На :ггапе начального формирования базы знаний MOLE назначает численные
веса ассоциативных связей по умолчанию на основе следующих посылок:

• каждое наблюдение должно быть объяснено некоторой гипотезой;

» только одна из гипотез, объясняющих данное наблюдение, является в каждом
конкретном случае наиболее вероятной;

• сумма оценок для связей данного наблюдения с объясняющими его гипотеза-
ми равна единице.

Тогда по умолчанию MOLE назначает для каждой связи данного наблюдения
оценку, полученную как частное отделения единицы на число гипотез, объясня-
ющих данное наблюдение. MOLE предполагает, что если эксперт сообщил не-
сколько объяснений для одного и того же объекта, то, вероятно, он может сооб-
щить и знания, позволяющие различать эти объяснения.

Система приобретения знании 5Л1Г|Маг1ш8, 1987] создана в университете Car-
negie Mellon. Система SALT — система приобретения знаний для задач конструи-
рования. Система SALT разрабатывалась в предположении, что решение этой за-
дачи осуществляется методом пошагового распространения ограничений.

Для решения задач конструирования методом пошагового распространения огра-
ничений необходимы знания следующих типов:

процедуры установления значений параметров;

процедуры проверки ограничений;

процедуры коррекции значений параметров с указанием «цены» каждого кор-
ректирующего действия.

Важно, чтобы все эти знания составляли целостную и непротиворечивую БЗ.
Наибольшую трудность для эксперта представляет необходимость последова-
тельно, шаг за шагом описать все свои действия при разработке проекта. Работая
с системой SALT, эксперт избавлен от этой необходимости.

.Исходя из того, как именно экспертные знания будут использоваться в ЭС при
составлении конкретных проектов, SALT анализирует текущее состояние БЗ и
-Предлагает эксперту-пользователю ввести или пересмотреть тот'мли иной фраг-
мент знаний. Диалог с пользователем в SALT ведется либо посредством вопро-
сов-подсказок, либо посредством меню. Инициатива в диалоге принадлежит си-
стеме.

Система приобретения знаний OPAL [Musen, Fagan, et al., 1987] была создана в
начале 80-х годов в Стэнфордском университете. Эта система обеспечивает
формирование и наращивание базы знаний для ЭС ONCOCIN, «ающей советы
по лечению онкологических больных. Система приобретения знаний OPAL ос-
нована на детально проработанной модели медицинских знаний используемых
врачами-онкологами для рекомендации лечения.
Системой используется девять типов знаний:

• схема лечения (порядок и длительность режимов лечения);
,"•» критерий выбора протокола;

химиотерапия (описание комбинаций лекарств, назначаемых в том или ином
режиме, их дозировка);

радиотерапия (локализация и дозировка радиотерапии);

изменения в составе крови, требующие модификации дозировки;

негативные реакции на лечение, выявленные путем лабораторных исследова-
ний;

другие отрицательные последствия проводимого лечения, требующие моди-
фикации дозировки лекарств;

перерыв или прекращение лечения;

лабораторные исследования, необходимые для обнаружения токсичности ле-
чения и для сохранения истории течения болезни.

Эти типы медицинских знаний связаны в иерархическую структуру.
Для ввода каждого типа знаний разработан специальный графический интер-
фейс, учитывающий то, как принято фиксировать соответствующийе знания. Так,
например, для записи схемы лечения онкологи используют диа граммы перехо-
дов с условиями на дугах. В системе OPAL ввод таких знаний осуществляется с
помощью графического языка программирования. Схема лечения создается как
программа на этом языке.

Схемы протоколов и заполненные формы транслируются системой OPAL во
внутреннее представление БЗ ЭС ONCOCIN. Этот процесс осуществляется без
участия пользователя. По схемам протоколов порождаются диаграммы перехо-
дов, называемые генераторами; по формам-бланкам порождают-ся правила про-
дукций, присоединяемые к соответствующим состояниям в диажрамме.

Система KNA СК создана в 1989 г. в университете Carnegie Mellozi. Она представ-
ляет собой ориентированный на экспертов предметной области инструмент для
создания ЭС, помогающих оценивать и улучшать различные виды проектов.

148

Глава 4 • Технологии инженерии знаний

4.6, Примеры методов и систе_м_приобретения знаний

149

Единственными знаниями, изначально встроенными в систему KNACK, явля-
ются знания о процессе оценки проектов вообще, то есть независимо от конкрет-
ного содержания проектов. Все остальные знания приобретаются системой
KNACK на основе диалога и анализа документов, называемых отчетами. Отчет
описывает процесс оценки какого-либо конкретного проекта.

Приобретение знаний, необходимых для оценки проектов определенного класса,
система KNACK осуществляет в два этапа. Первый этап — это настройка на класс
проектов. На этом этапе система KNACK с помощью эксперта создает предвари-
тельную модель. Расширенная с помощью специальных процедур модель пред-
метной области автоматически транслируется в программу на языке OPS-5.

К методам структурированного интервью примыкают и использованные при по-
строении системы МЕДИКС [Ларичев, Мечитов и др., 1989] процедуры эксперт-
ной классификации. Задача экспертной классификации формулируется в работе
[Ларичев, Мечитов и др., 1989] для:

множества независимых свойств Р;

множества признаков Q;

множества Q,, возможных значений m-го признака;

множества А всех возможных состояний.

Эксперту (или группе экспертов) предлагается идентифицировать наличие свойств
из множества Р и тем самым построить классификацию множества А = UK_J5 та-
кую, что состояние а О А относится к некоторому классу К, если, по мнению экс-
перта, это состояние обладает свойством POP. Повысить эффективность экспер-
тной классификации в этом случае удается благодаря использованию априорно
заданного отношения линейного порядка на множестве состояний.

4.6.2. Имитация консультаций

Этот метод реализован в системе АРИАДНА [Моргоев, 1988]. В основе этого ме-
тода — многократное решение экспертом проблемы классификации в режиме
последовательной вопросно-ответной консультации «клиент — эксперт». При
этом роль клиента моделируется всеми участниками работы, а эксперт выполня-
ет функции, близкие к его профессиональной консультативной деятельности.

С появлением персональных компьютеров связано появление игр эксперта с
компьютером [Андриенко Г., Андриенко Н., 1992]. В системе ЭСКИЗ реализо-
ван набор игр для приобретения знаний, являющихся той или иной модифика-
цией принципа репертуарных решеток. Например, в игре «Регата» объектами,
для которых эксперт должен указать различающие признаки, являются яхты.
В ходе гонок яхты должны проходить в пролеты мостов; в один и тот же пролет
проходят яхты, соответствующие сходным по какому-либо атрибуту объектам.

Рассмотренные выше системы поддержки процессов приобретения знаний, как
правило, ориентированы на отдельные фазы всего технологического цикла.
В связи с вышесказанным интересно хотя бы кратко рассмотреть интегрирован-
ные средства поддержки определенных методологий.

4.6.3. Интегрированные среды
приобретения знаний

Интегрированная среда приобретения знаний AQUINAS [Boose=, Bradshaw, Sche-
ma, 1988] представляет собой набор программных средств дл*з извлечения экс-
пертных знаний различных типов различными методами. В состав AQUINAS
входят:

система Dialog Manager для помощи новичкам в работе с AQUINAS;

система ETS для извлечения и анализа репертуарных решетомк с последующим
преобразованием их в базу продукционных правил;

средства конструирования различных иерархических структур знаний;

средства извлечения, представления и использования неточеных знаний;

средства тестирования и коррекции БЗ;

средства, позволяющие эксперту оценивать конструкторы псэ наиболее подхо-
дящим шкалам;

средства работы с несколькими экспертами;

средства автоматического пополнения и коррекции БЗ.

Dialog Manager представляет собой ЭС, специально созданную для того, чтобы
консультировать эксперта о возможностях, представляемых A—QUINAS, и руко-
водить экспертом при работе с AQUINAS. Возможны три режима взаимодей-
ствия с Dialog Manager:

автоматический, при котором Dialog Manager полностью берет на себя руко-
водство процессом извлечения знаний;

ассистирующий, при котором хотя эксперту и даются рекомендации относи-
тельно его дальнейших действий, но он может им не следовать;

режим наблюдения за действиями эксперта и сохранения истории.

Выбрав автоматический или ассистирующий режим, экспре—г должен выбрать
степень подробности подсказок и объяснений, даваемых систеи—юй («полностью»,
«на среднем уровне», «кратко»).

В БЗ Dialog Manager имеются эвристики, которые позволяют этой системе при
накоплении экспертом достаточного опыта перейти от автома—гического режима
к ассистирующему. Dialog Manager информирует эксперта о переключении ре-
жимов. Работая в ассистирующем режиме, Dialog Manager оставляет за экспер-
том выбор деятельности, но на основе своих эвристик рекошендует наиболее
подходящую. В частности, если Dialog Manager считает, что эксперту следует
заняться анализом БЗ, то в рекомендации обычно указываемся, какой именно
аспект нуждается в анализе. Так, эксперту может быть рекомежадовано обратить-
ся либо к процедурам анализа сходства элементов (конструкт оров), либо к про-
цедурам кластеризации элементов (конструкторов), либо к разбиению исходной
решетки на несколько иерархически связанных.

150

Глава 4 • Технологии инженерии знаний

4.6. Примеры методов и систем приобретения знаний

151

Интегрированная среда приобретения знаний KITTEN (Knowledge Initiation &
transfer Tools for Experts and Novices) [Show, Woodward, 1988], подобно AQUI-
NAS, основана на построении и анализе репертуарных решеток. Отличие KIT-
TEN от AQUINAS заключается в том, что в KITTEN обеспечивается извлечение
элементов и конструкторов из текстов, а кроме того, имеются процедуры, анали-
зирующие примеры решедия задач экспертом и генерирующие по ним продук-
ционные правила. Продукционные правила, порождаемые из примеров и реше-
ток, могут быть загружены в БЗ оболочки NEXPERT, с помощью которой про-
водится тестирование БЗ.

Завершая обзор прямых методов приобретения знаний, суммируем проблемы,
которые этими методами не решаются:

эти методы не устраняют посредника между системой и экспертом;

автономное использование описанных методов не решает таких проблем ин-
женерии знаний, как устранение «пробелов» в знаниях, выявление «глубин-
ных», невербальных знаний; сохраняется большая «время-емкость» и субъек-
тивность интервью;

фаза приобретения знаний идеологически и теоретически не связывается со
следующими фазами инженерии знаний.

4.6.4. Приобретение знаний из текстов

Как было указано в параграфе 4.3, даже ручные методы выявления знаний из тек-
ста крайне слабо разработаны. В тех же немногих случаях, когда применяются
автоматизированные методики, речь, как правило, идет о методах лексико-семан-
тического анализа, а также о моделях понимания текста.

Наибольшую известность имеют модели понимания на лингвистическом уровне.
Системы, основанные на них, состоят в большинстве случаев из двух частей:

первая — морфологический и синтаксический анализ;

вторая — семантический анализ, который использует результаты работы пер-
вой части, а также словарную или справочную информацию для построения
формализованного образа текста.

Говоря о семантическом анализе текста, надо иметь в виду, что всякие отношения
текста с его семантикой начинаются после того, как в нашем распоряжении ока-
зывается некоторая модель действительности. Объектами этой модели, в частно-
сти, могут являться индивиды и отношения. ,

Таким образом, первая проблема, возникающая при попытках автоматического
извлечения знаний из текста, — это выявление свойств элементов текста для со-
отнесения этих элементов с объектами модели. Крайне редко эти свойства при-
сутствуют в тексте эксплицитно, то есть явно.

Вторая особенность существующих систем анализа текста — это, как правило,
необходимость использования словаря предметной области для выполнения

морфологического анализа, выделения имен и словосочетаний и т. д. Однако тре-
бование предварительного создания словаря предметной области одновременно
сильно осложняет задачу и уменьшает степень универсальности получаемой сис-
темы.

Понимание текста на семантическом уровне предполагает выявление не только
лингвистических, но и логических отношений между языкоазыми объектами
[Апресян, 1974]. Среди подходов к пониманию текста на семан тическом уровне
следует выделить модели типа «смысл — текст», в частности, мчодель семантик
Предпочтения [Wilks, 1976], модель концептуальной зависимости [Хейес-Рот и
др., 1987]. В модели «смысл — текст» [Мельчук, 1974] предлага ется семантичес-
кое представление на основе семантического графа и описания коммуникатив-
ной структуры текста.

В системе KRITON [Diderich, Ruchman, May, 1987] анализ тек-ста используется
для выявления хорошо структурированных знаний из книг, до_кументов, описа-
ний, инструкций. Основанный на контент-анализе метод протокольного анализа
используется для выявления процедурных знаний. Он осуществляется в пять

шагов.

\

Протокол делится на сегменты на основании пауз, которые делает эксперт в
процессе записи.

Семантический анализ сегментов, формирование высказываний для каждого

сегмента.

Из текста выделяются операторы и аргументы.

Делается попытка поиска по образцу в БЗ для обнаружен ия переменных в
высказываниях (переменная вставляется в высказывание, ес_ли соответствую-
щая ссылка в тексте не обнаружена).

Утверждения упорядочиваются в соответствии с их появлением в протоколе.

В системе ГЛХГ(Тоо1 for Acquisition of Knowledge from Text) [Kaplan, Berry-Rog-
ghe, 1991] предполагается предварительная подготовка (разм-етка посредством
введения явной скобочной структуры) предложений текста до начала работы тек-
стового анализатора. В результате анализа выделяются объект&1, процессы и от-
ношения каузального характера.

4.6.5. Инструментарий прямого приобр етения
знаний SIMER + MIR

Программная система SIMER + MIR, разработанная в ИПС РАН под руководством
Осипова Г. С. [Осипов, 1997], представляет собой совокупность программных
средств для формирования модели и базы знаний предметной -области. Система
ориентирована преимущественно на области с неясной структурой объектов, с
неполно описанным множеством свойств объектов и богаты.¹*—i набором' связей
различной «связывающей силы» между объектами.

Г
152
лава 4 • Технологии инженерии знаний

Одна из особенностей системы состоит в том, что ее использование на заключи-
тельном этапе не предполагает участия специалистов-разработчиков экспертных
систем. Это означает, что система SIMER + MIR представляет собой технологию
создания систем, основанных на знаниях о предметной области, причем техноло-
гию, ориентированную на экспертов.

Архитектура. Система SIMER + MIR включает модуль прямого приобретения
знаний SIMER, систему моделирования рассуждений типа аргументации MIR,
программу адаптации системы MIR к базе знаний, сформированной с помощью
SIMER + и программной среды поддержки базы знаний, над которой работают
все названные модули. Конструкции базы знаний создаются и просматриваются с
помощью языка инженера знаний FORTE, который включается в технологию в
специальных случаях (рис. 4.17).

Интерфейс пользователя
Программа MIR

рограмма

Интерфейс эксперта
Система SIMER
пользователя

Программная среда
базы знаний
пользователя

Интерфейс инженера
по знаниям
Язык Форте

Рис. 4.17. Создание конструкции базы знаний с помощью языка FORTE

Представление и база знаний. Одним из наиболее распространенных видов экс-
пертизы являются высказывания (сообщения) эксперта об объектах (событиях)
предметной области. Эти высказывания имеют вид:

< имя объекта > < имя отношения > < имя объекта >.

Для ряда областей — медицины, экологии, политики, социологии — можно выде-
лить формы сообщений, показанные в табл. 4.6:

4
153
6. Примеры методов и систем приобретения знаний

-~
Номер формы	Имя формы	Номер формы	Имя формы
Ф,₅	а исключает р	Ф_го	С а начинается р
Ф,6	а приводит к р	Ф_г,	3 развив— ается при а
Ф,7	При а возникает р	Ф₂₂	3 может развиваться при а
Ф,а	а может привести к р	Ф_гз	Р может начаться с а
1»	а может развиваться в Р

Этот список не является исчерпывающим, однако дает представление о тех ког-
нитивных структурах, которые необходимо представлять и обрабатывать в базе
знаний.

Каждая из этих форм может иметь различный смысл; уточнен ие смысла можно
получить при рассмотрении «прямого» сообщения с «обращенным». Иными сло-
вами, если для некоторых фиксированных а или р справедлившэ сообщение фор-
мы Ф₁₀, то необходимо попытаться установить, какое из сообщений Ф, — Ф₂₃справедливо при замене а на р, (3 на ее. Так, для сообщения «FpoNc=i наблюдается при
грозе» справедливо «обращенное» сообщение «Гроза сопровождается гро-
мом», а для сообщения «Воспалительный процесс может наблюдаться при повы-
шенной температуре» справедливо сообщение «Повышенная температура ха-
рактерна для воспалительного процесса». Таким образом, смысл сообщений
уточняется построением «конъюнкций» форм Oj — Ф₂₃ Такие «конъюнкции»
форм сообщений будут называться типами сообщений. Возможные типы сообще-
ний приведены в табл. 4.7.

С каждым типом сообщения из табл. 4.7 связывается формалж>ная конструкция
базы знаний, то есть бинарное отношение на множестве объектов (событий). Эти
конструкции можно проиллюстрировать следующим образ-ом: если каждый
объект (событие) представить в виде «двухмерного» множества, по первому из-
мерению которого можно откладывать атрибуты этого объект а, а по второму -
множества значений соответствующих атрибутов, то каждый объект представ-
ляется в виде фигуры:

Таблица 4.6. Формы сообщений

Номер формы	Имя формы	Номер формы	Имя формы
Ф,	а характерно для р	Фв	При а нередко присутствует р
Ф₂	а наблюдается при р	Ф_э	а может наблюдаться при р
Фз	а отмечается при р	Ф,о	аобычно сопровождается р
Ф₄	а есть проявление р	Фп	При а как правило Р
Ф₅	а есть признак р	Ф_Ч	При аобычно р
Фб	а сопровождает \|3	*.,	а иногда сопровождается р
Ф₇	а нередко сопровождается р	Ф,4	а часто сопровождается р

Таблица 4.7. Типы сообщений

Тип

т,
т_г

Т₃

^Т4

Т₅Т₆

Сообщение

а есть проявление р, и р может сопровождать а
а есть проявление Р, и р сопровождается а
а может увеличивать возможность Р, и Рувеличивает возможность
а может сопровождаться Р, и р может быть проявлением а
а сопровождается р, и р может быть проявлением а
а есть проявление р, и р есть проявление а

154

Blog

Т. А. Гаврилова В. Ф. Хорошевский

Содержание