
Глава 4. ПРИОБРЕТЕНИЕ ЗНАНИЙ В ИИС. ТЕХНОЛОГИИ МАШИННОГО ОБУЧЕНИЯ. 4.1 Стратегии получения знаний в ИИС
До сих пор мы говорили о представлении знаний с помощью специальных моделей, позволяющих так организовать знания в базе знаний ИИС, что они выступают в качестве инструмента вывода искомого решения. Однако теоретические модели и алгоритмы бесполезны без самих знаний. Так, «пустая» оболочка ЭС, в которой БЗ не наполнена предметным содержанием, очевидно, не может использоваться для решения практических задач. Условно говоря, необходимо обучение такой «пустой» ЭС, т.е. наполнение ее необходимыми для данного круга задач знаниями.В ИИС можно выделить три стратегии получения знаний, т.е. «обучения» системы.
Для СОЗ, где знания представлены в явном виде, традиционным является «обучение» путем извлечения знаний из некоторых источников и последующей их формализацией (то есть приведения в форму, адекватную выбранным моделям представления знаний) для заполнения в БЗ. Такими источниками могут быть как люди - эксперты, так и специальная литература. Условно говоря, при обучении СОЗ знания перемещаются из одного явного источника знаний (источников) в другой – базу знаний СОЗ. Эту стратегию получения знаний назовем стратегий приобретения знаний из источников.
Еще один класс ИИС (см. главу 1) - системы интеллектуального анализа (данных, текстов) сами предназначены для формирования знаний, которые находятся в данных или текстах в неявном, «скрытом» виде. Это делается путем выявления закономерностей и связей между данными, обобщения сведений, создания типовых описаний, портретов объектов и т.п. Результаты работы таких систем могут быть представлены в формах, близких к структурам фреймов, в виде деревьев решений или правил продукций, а также в ином виде, необходимом для представления выявленных фактов и отношений между ними.
Здесь знания в явном виде появляются на выходе таких аналитических систем. Такая стратегия получения знаний называется машинным формированием знаний.
В других классах ИИС (см. главу 1) знания представлены неявно, в виде моделей и алгоритмов, при этом под обучением системы понимаются такие процессы, которые связаны с выбором структуры и параметров модели, синтезом новых или адаптацией заданных при разработке системы алгоритмов вывода решений. В результате подобного обучения система становится более «умной», т.е. начинает решать задачи с более высокой эффективность, меньшими ошибками и/или с меньшими затратами ресурсов. Примерами такого обучения ИИС являются построение решающих функций в системах распознавания образов, настройка межнейронных связей в искусственных нейросетях, подстройка параметров моделей в системах нечеткого управления, уточнение параметров прогнозных функций и др.
В отличие от предыдущих систем здесь ни на входе, нина выходе обучения не появляются знания в явном виде. Это есть стратегия машинного обучения. Часто она реализуется как машинное обучение на примерах (например, в системах распознавания образов).
Напомним, что говоря о знаниях в явном виде, мы имеем ввиду то, что они понятны человеку-пользователю системы, не требуют дополнительной интерпретации и объяснения в терминах рассматриваемой предметной области. Так, в БЗ может присутствовать такое правило:
Если на небе тучи и время суток - день, то вероятность дождя равна 0,8.
Очевидно, что это явное, понятное для пользователя представление закономерности. Эту закономерность мог передать системе эксперт, знающий особенности климата в данном регионе. Эту закономерность могла найти система интеллектуального анализа данных о предыдущих метеонаблюдениях (о системах Data Mining см. далее). В то же время для прогноза дождя могут быть использованы и совершенно иные модели – математические формулы, параметры которых подбираются также опытным путем, т.е. в ходе «обучения». И эти параметры могут вообще не иметь никакого объяснения, т.к. являются просто абстрактными коэффициентами, которые обеспечивают работоспособность формулы.
Читать дальше:
4.2 Приобретение знаний в СОЗ. ч.1
Похожие статьи:
Резюме к 3 главе |
26 июня 2012, |
1. Модели представления знаний делятся на два типа – фор-мальные логические и эвристические модели. Соответственно определяется логический и эвристический метод рассуждений в СОЗ. Логически ... Читать полностью |
Резюме к 4 главе |
25 июня 2012, |
1. В ИИС можно выделить три стратегии получения знаний, т.е. «обучения» системы: - приобретение знаний в СОЗ из источников; - формирование знаний в системах интеллектуального ана ... Читать полностью |
3.8 Ситуационный подход в представлении знаний и выводе решений. ч.4 |
26 июня 2012, |
Последний способ предполагает больший объем работы с экспертами. Он представляется весьма эффективным в случаях, когда пользователь не обладает необходимым резервом времени для выбора решения. И ... Читать полностью |
4.4. Машинное обучение на примерах. Нейронные сети. ч.1 |
25 июня 2012, |
Обучение на примерах предполагает предъявление системе некоторых примеров – объектов с известными характеристиками. Например, предъявление объектов, принадлежащих нескольким классам, позво ... Читать полностью |
Бинбанк стал применять искусственный интеллект в маркетинговом продвижении продуктов | |
![]() | 11 апреля 2018, |
Бинбанк стал применять искусственный интеллект в маркетинговом продвижении продуктов. Внедрение системы предиктивной аналитики, позволяющей управлять всеми маркетинговыми активностями в регио ... Читать полностью |