CC BY
105
УДК 519.712.2
В.В. Курейчик, П.В. Сороколетов, С.Н. Щеглов
АНАЛИЗ СОВРЕМЕННОГО СОСТОЯНИЯ АВТОМАТИЗИРОВАННЫХ СИСТЕМ ПРИОБРЕТЕНИЯ И ПРЕДСТАВЛЕНИЯ ЗНАНИЙ*
В настоящее время в механизмах автоматизированного приобретения знаний можно выделить две основные группы. Это автоматизированные системы приобретения знаний от экспертов с использованием множества наработанных технологий и методологий [1]. И новое направление - автоматизированные системы извлечения знаний без участия экспертов из существующих знаний и из текстов, массивов данных (Data mining, Knowledge Discovery in Databases) [2, 3]. Представители обоих направлений широко известны программными средствами, первое поколение которых появилось еще во второй половине 80-х годов. Это SIMER+MIR, OPAL, TEIRESAIS, АРИАДНА [4, 5]. Второе поколение, начиная с 90-х годов [6] представлено широким применением методологии KADS, в основе которой лежит понятие интерпретационной модели, позволяющей рассматривать процессы структурирования и формализации знаний как «интерпретацию» лингвистических знаний в другие представления и структуры. Представитель, данной методологии оболочка CommonKADS, KELLY, MEDIS [6, 7]. Третье поколение - это более слож-, , -ций, достижения программных средств и CASE-технологий [8], представлено в [1].
Существуют различные классификации систем приобретения знаний - по выразительности и мощности инструментальных средств, по обобщенным характери, ,
[5-9]. , -
дующую схему систем приобретения знаний, представленную на рис. 1.
Обобщая современное состояние программных средств приобретения знаний, можно выявить две группы проблем, характерных для этих систем [6]:
а) методологические проблемы:
♦ слабая проработанность;
♦ отсутствие единого теоретического базиса теоретических аспектов процессов извлечения знаний; процедуры структурирования знаний;
♦ жесткость моделей представления знаний;
♦ несовершенство математического базиса моделей представления знаний;
♦ эмпиричность процедуры выбора программного инструментария и про-
;
) :
♦ отсутствие концептуальной целостности и согласованности между отдельными приемами и методами инженерии знаний;
♦ недостаток квалифицированных спе циалистов в области инженерии знаний;
♦ неполнота методов структурирования знаний, отсутствие классификации и рекомендаций по выбору подходящего метода;
♦ жесткость программных средств, их низкая адаптивность.
Несмотря на имеющиеся недоработки в методологии и технологии, автоматизированные системы знаний позволяют расширять рынок ЭС [9]. Улучшение в
* Работа выполнена при поддержке РФФИ (гранты № 07-01-00174, № 08-01-00473).
системах эргономических показателей, использование знании о процессе извлечения и преобразования знаний расширяют возможности автоматизации процесса . , которые имеют банки данных, машины поиска знаний из данных.
По типу организации
Тип:
приобретаемого
Модель
представления
Методы
К
По типу взаимодействия
Поколения систем приобретения знаний
-с
С обратной связью
Без обратной связи
Микро
Макро
Комплексный
Фактические
знания
Формируемые
Фиксированные
Ориентация на аналитика
Ориентация на эксперта
Кластерные
Интервью
Экспертные игры
Бионические
С использованием: методов психосемантики:
Наблюдение и другие
гГ
-Ё
=с
к
-г
-с
Правила
Взаимосвязи:
Продукции:
Фреймы
Сети
Факторный анализ
Многомерное
шкалирование
Сетевое
шкалирование
Репертуарные
решетки:
Кластерный анализ
знания
Рис. 1. Классификация систем приобретения знаний
Анализ моделей представления знаний. Существует множество моделей . -
лям представления знаний [6, 10, 11]:
♦ продукцио нная модель;
♦ логическая модель;
♦ фреймов ая модель;
♦ модель семантической сети.
Продукционная модель основывается на множестве правил. Схематически правила в продукционной системе можно представить в обобщенной форме: Р1,....,Рт-> р1,....ри , которая читается следующим образом: если предпосылки Р1 и Рт верны, то можно выполнить действия р1 и ри. Предпосылки часто называют условиями, а действия - заключениями. Продукционная модель чаще всего применяется в промышленных экспертных системах. Она хороша своей наглядностью, высокой модульностью, простотой механизма логического вывода, легкостью внесения дополнений и изменений.
Логические модели основываются на классическом исчислении предикатов 1-го порядка, когда предметная область или задача описывается в виде набора аксиом. Исчисление предикатов 1-го порядка в промышленных экспертных системах практически не используется [6].
Фреймовая модель определяется как структура данных для представления стереотипных ситуаций [12]. Эта структура содержит разнообразную информацию: об объектах и событиях, которые следует ожидать в той или иной ситуации, о том, как использовать информацию, имеющуюся во фрейме. Фрейм Б является средст-,
сущности в структуру записей, которая состоит из слотов-у1 и наполнителей-щ. Системы фреймов оказываются значимыми в САПР, так как они создают средства структурирования эвристических знаний, связанных с приложением правил и классификацией объектов. При использовании фреймов эвристические знания не «размываются» по программному коду приложения, но и не собираются воедино в виде метазнаний, а распределяются между теми видами объектов, к которым они при, -
[1].
Семантическая сеть - это ориентированный граф, вершины которого - понятия, а дуги - отношения между ними [6]. В качестве понятий обычно выступают абстрактные или конкретные объекты, а отношения - это связи. Наиболее часто в
: « - », « -», « - » . .; ; ; пространственные; временные; атрибутивные; логические связи; лингвистические. Недостатком семантической сети является сложность процедуры поиска вывода на .
Форма представления знаний существенно влияет на характеристики и свой, , -ной из важных проблем в области интеллектуализации САПР и искусственного интеллекта (ИИ).
,
определения состава знаний. Эти две проблемы взаимообусловлены. Действитель-
,
либо неэффективным для выражения некоторых знаний. Вопрос представления знаний можно разделить на две независимые задачи: как организовать (структурировать) знания и как представить знания в выбранной форме. Стремление выделить организацию знаний в самостоятельную задачу вызвано тем, что эта задача возникает для любого языка представления и способы решения этой задачи являются практически схожими, вне зависимости от используемого формализма.
При решении проблемы представления знаний необходимо рассмотреть сле-:
♦ определение состава представляемых знаний;
♦ определение ор ганизации знаний;
♦ определение формы представления знаний.
В частности, для ЭС представление знаний, т.е. определение модели пред, :
♦ проблем ной средой;
♦ архитектурой эк спертной системы;
♦ потребностями и целями пользователей;
♦ языком общения.
При проектировании модели знаний в САПР очень важно учитывать архитектуру экспертной системы. И с учетом архитектуры экспертной системы знания целесообразно делить на интерпретируемые и неинтерпретируемые. К первому типу относятся те знания, которые сам решатель способен интерпретировать (ин-). . их структуры и содержания. Если эти знания используются каким-либо компонентом системы, то он не "осознает" этих знаний. Неинтерпретируемые знания подразделяются на вспомогательные знания, хранящие информацию о лексике и грамматике языка общения, о структуре диалога, и поддерживающие знания. Вспомогательные знания обрабатываются естественно-языковой компонентой, но процесс этой обработки решатель не осознает, так как этот этап обработки входных сообщений является вспомогательным для проведения экспертизы. Поддерживающие знания используются при создании системы и при выполнении объяснений. Поддерживающие знания исполняют роль описаний, как интерпретируе-, . -ческие и семантические знания. Технологические знания содержат сведения о времени создания описываемых ими знаний, об авторе знаний и т.п. Семантические поддерживающие знания содержат смысловое описание этих знаний. Они содержат информацию о причинах ввода знаний, о назначении знаний, описывают способ использования знаний и получаемый эффект. Поддерживающие знания имеют .
Интерпретируемые знания можно разделить на предметные знания, управляющие знания и знания о представлении. Знания о представлении содержат информацию о том, каким образом (в каких структурах) в системе представлены ин-.
Предметные знания содержат данные о предметной области и способах преобразования этих данных при решении поставленных задач. Отметим, что по отношению к предметным знаниям знания о представлении и знания об управлении . -ственно предметные знания. Описатели содержат определенную информацию о предметных знаниях такую, как: коэффициент определенности правил и данных, меры важности и сложности. Предметные знания разбиваются на факты и испол-. -теристик предметной области. Исполняемые утверждения содержат информацию о , . Другими словами, исполняемые утверждения - это з нания, задающие процедуры обработки. Эти знания могут быть заданы не только в процедурной, но и в декларативной форме [13].
Качественные и количественные показатели экспертной системы могут быть улучшены за счет использования метазнаний, т.е. знаний о знаниях. Метазнания не представляют некоторую единую сущность, они могут применяться для достижения различных целей. Перечислим возможные назначения метазнаний:
1)
;
2)
правил из области экспертизы;
3) -ских ошибок в предметных правилах;
4) метаправила позволяют системе адаптироваться к окружению путем перестройки предметных правил и функций;
5) метаправила позволяют явно указать возможности и ограничения системы, т.е. определить, что система знает, а что не знает.
Вопросы организации знаний необходимо рассматривать в любом представ,
(модели) представления. Выделим следующие аспекты проблемы организации знаний:
♦ организация знаний по уровням пре дставления и по уровням детальности;
♦ организация знан ий в рабочей памяти;
♦ организация знаний в базе знаний.
Для того чтобы экспертная система могла управлять процессом поиска реше-, , должна уметь не только использовать свои знания, но и обладать способностью понимать и исследовать знания, т.е. экспертная система должна иметь знания о , . среде назвать знаниями нулевого уровня представления, то первый уровень представления содержит метазнания, т.е. знания о том, как представлены во внутреннем мире системы знания нулевого уровня. Первый уровень содержит знания о том, какие средства используются для представления знаний нулевого уровня. Знания первого уровня играют существенную роль при управлении процессом решения, при приобретении и объяснении действий системы. В связи с тем, что знания первого уровня не содержат ссылок на знания нулевого уровня, знания первого уровня независимы от проблемной среды. Число уровней представления может быть больше двух. Второй уровень представления содержит сведения о знаниях первого уровня, т.е. знания о представлении базовых понятий первого уровня. Разделение знаний по уровням представления обеспечивает расширение области применимости системы [14].
Выделение уровней детальности позволяет рассматривать знания с различной .
спецификой решаемых задач, объемом знаний и способом их представления. Как правило, выделяется не менее трех уровней детальности, отражающих соответст-, . -ких уровней детальности обеспечивает дополнительную степень гибкости системы, это позволяет производить изменения на одном уровне, не затрагивая другие. Изменения на одном уровне детальности могут приводить к дополнительным изменениям на этом же уровне, что оказывается необходимым для обеспечения согласованности структур данных и программ.
Рассмотрев различные модели и подходы к организации знаний, необходимо ,
, -
ставляется возможным описать одной моделью. Поэтому при создании экспертной системы необходимо применительно к её архитектуре обеспечить эффективное использование всех имеющихся в системе видов знаний, что возможно при построении её в виде гибридной экспертной системы. Разнородные знания целесообразно классифицировать и для каждого вида использовать определённую модель .
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
1. Джексон П. Введение в экспертные системы. - М.: Издательский дом «Вильямс»,
2001. - 624 с.
2. Дюк В., Самойленко A. Data Mining: учебный курс. - СПб.: Питер, 2001. - 368 с.
3. Городецкий В.И., Самойлов В.В., Малое О.А. Современное состояние технологии извлечения знаний из баз и хранилищ данных. Ч. I // Новости искусственного интеллекта. -
2002, №3. - С. 3-12.
4. Осипов ГС. Приобретение знаний интеллектуальными системами. - М.: Наука, 1997. - 112 с.
5. Boose J. and Gaines B. Knowledge Acquisition Tools for Expert Systems. New York: Academic Press. 1988. p. 620.
6. Гаврилова ТА. Хорошевский В.Ф. Базы знаний интеллектуальны систем. - СПб: Питер, 2000. - 384 с.
7. Kingston J., Doheny J., Filby I. Evaluation of workbenches which support the Common KADS methodology. Knowledge Engineering Review. 1995. №10.
8. . . . - .: , 2002. -464 .
9. . ., . ., . ., . . -
пертные системы // Под ред. Попова Э.В. - М.: Финансы и статистика, 1996. - 320 с.
10. . . . // 3 . . 1. - :
, 1990. - 464 .
11. . ., . . . -
шений. - Рига: Зинатне, 1997. - 320 c.
12. Минский М. Фреймы для представления знаний / Пер. с англ. - М.: Энергия, 1979. - 152 с.
13. . ., . . . - .: - .
Н.Э. Баумана, 2003. - 348 с.
14. . ., . ., . . -
ной практике. - Таганрог: ТРТУ, 1996. - 135 с.
УДК 518.5:331.108.26
С.В. Скороход
ОТБОР ПЕРСОНАЛА В УСЛОВИЯХ НЕЧЁТКОЙ ИНФОРМАЦИИ НА ОСНОВЕ ЭКСПЕРТНЫХ ОЦЕНОК
. -
альной для любого предприятия. От её решения зависят качество и отдача каждого сотрудника и конечный успех предприятия в целом.
Характерными особенностями данной проблемы являются субъективность и неопределенность. Субъективность выражается в том, что оценку и подбор персонала производят люди со своими стереотипами, симпатиями, предпочтениями, которые иногда могут идти вразрез с целями самого предприятия. Неопределенность проявляется в неточных формулировках требований типа «уверенное владение Microsoft Word», «опытный пользователь ПК», «умение работать в команде», допускающими трактовку в очень широких пределах.
Одним из наиболее достоверных методов профессионального отбора является выполнение кандидатами специально подготовленных заданий с последующей оценкой результата группой экспертов [1]. Несмотря на преимущества данного ,
.
Задачей данной работы является разработка математической модели для сравнения кандидатов по результатам тестирования с использованием теории нечётких множеств и нечёткой математики [2, 3], которые позволяют формализовать присущие этому процессу свойства субъективности и неопределенности.
Общая схема отбора. Общая схема отбор а изображена на рис. 1.
