Реферат по теме выпускной работы

Содержание

1 Актуальность темы

Накопление, распространение и передача знаний от поколений к поколениям во все времена определяли развитие человеческой цивилизации. В последние десятилетия знания, интеллектуальные ресурсы приобрели особую значимость в социальном и экономическом развитии общества. Это связано с действием ряда фундаментальных факторов и, прежде всего, с информационной революцией и возникновением новой экономики. Информационная революция, вызванная появлением многих поколений компьютеров и программных систем, их проникновением практически во все сферы деятельности, и последовавшая за ней коммуникационная революция привели к небывалому прогрессу в обработке, хранении и передаче информации, упростили и ускорили взаимодействие между объектами и субъектами экономической, социальной и политической жизни разных стран, привели к глобализации рынка. Новой экономике – экономике, основанной на знаниях, свойственен стремительный рост наукоемкости товаров и услуг, сокращение их жизненного цикла, интеллектуализация используемых технологий, обеспечивающих кратное повышение производительности труда, возникновение крупного сегмента рынка собственно интеллектуальных продуктов и услуг (патенты, лицензии, транзакции, консалтинг), быстрый темп обновления знаний и необходимость их постоянного пополнения.[1]

Стремительное развитие информационных технологий приводит к публикации большого количества материалов, статей и книг по различной тематике. Однако трудно быть в курсе всех происходящих изменений, новых тенденций и разработок, самостоятельно следить за всей выпускаемой периодикой; хотя это и необходимо для поддержания достаточного уровня профессиональной компетенции, как студентам, так и преподавателям. Корпоративная база знаний – единое информационное хранилище, основное пространство для обмена данными между пользователями внутри организации.
Создание подобной системы управления знаниями может позволить всем сотрудникам организации в зависимости от уровня доступа, независимо от местоположения и времени суток, осуществлять быстрый поиск и совместно использовать корпоративную информацию, необходимую в работе. Сама информация является особой ценностью, поэтому огромное значение имеет надёжность её хранения, а быстрое её получение и регламентированный, но свободный доступ даёт организации конкурентные преимущества. Для создания корпоративной базы знаний используются знания сотрудников организации (например, в виде устных свидетельств), нормативная и справочная документация. Корпоративная база знаний позволяет избавить организацию от дублирования и утери важных знаний и сведений и помогает поддерживать актуальность информации. Применение базы знаний позволяет снижать издержки и повышать прибыль за счёт сокращения времени на поиск необходимой информации, которые могут занимать до 30% рабочего времени.

Нельзя переоценить важность управления знаниями в компании. Отсутствие управления корпоративными базами знаниями может привести к существенным временным и финансовым потерям. Выбрав направления работы, по которым необходимо накапливать информацию, регламентировав деятельность с базой знаний для пользователей, являющихся носителями бесценного опыта – руководитель повышает качество и скорость работы, а также повышает объем ценных знаний, используемых и сохраненных организацией. А это значит, что эффективности работы организации теперь уже не сможет помешать частичная или даже полная смена и увольнение персонала. Наличие корпоративной базы знаний позволяет сохранить полученный опыт и наработки каждого сотрудника.[2]

База знаний должна применяться не только как коррелирующий с моделью компетенций компании инструмент для самооценки или же самостоятельного обучения сотрудников, но и справочная база, используемая в повседневной работе.
В рамках выполнения текущих работ (методические пособия, лекции и пр.) преподаватели ежегодно обрабатывают большие объемы материалов, осуществляя выбор наиболее актуальных и полных из них, реферируя их и подготавливая таким образом обзоры в разрезе направления деятельности кафедры. Этот труд не должен пропадать – необходимо пользоваться его результатами. Но на данный момент все работы на кафедре хранятся в бумажном неструктурированном виде, что затрудняет доступ к ним, в особенности, подбор работ по конкретным тематикам. Таким образом, существует реальная необходимость в создании электронного хранилища знаний преподавателей (методичек, лекций, заданий и диссертаций), организованного по принципу узко направленной библиотеки, в которой была бы сконцентрирована структурированная информация по направлению деятельности конкретной кафедры ВУЗа.

2 Цели и задачи исследования, планируемые результаты

Целью проводимых исследований является снижение трудоемкости обработки, сокращение времени поиска и повышение качества методического материала на основе повторного использования накопленных знаний и опыта, оформленных по специальным правилам в виде компьютерной базы знаний.

Задачи исследования:

• анализ состояния современных исследований в области формирования и поддержки баз знаний
• обзор моделей представления знаний;
• формулировка математической модели;
• разработка собственной модели базы знаний
• программная реализация интеллектуальной системы
• проверка эффективности разработанной системы

3 Обзор исследований и разработок

Исследуемая тема популярна не только в международных, но и в национальных научных сообществах.

3.1 Обзор международных источников

В международном пространстве, в частности, англоязычных источниках, принципам и основным подходам формирования баз знаний посвящено множество книг и работ. Так же многие работы посвящены созданию интеллектуальных систем, включающих эти базы.

В журнале Turkish Online Journal of Distance Education-TOJDE [4] говорится о том, что профессиональные знания в учебных заведениях не хранятся должным образом, также наблюдается, что много раз генерировалась информация повторно, а знания в институте остаются никому не известной серой литературой, которая может быть на самом деле полезной.

В статье Building a Knowledge Repository: Linking Jordanian Universities Elibrary in an integrated database system [5] Alhawary F.A. обращает внимание на то, что база знаний в образовательном учереждении, несомненно, поможет в различной генерации отчетов, укреплении ассоциации выпускников, улучшение возможностей трудоустройства студентов и вообще нового персонала( чтобы улучшить качество работы персонала и студентов, их производительность,сократить время на решение проблем,связанных с получением методической информации).

Интересные исследования в сфере применения систем управления базами знаний представлены в работе Yaying Mary Chou Yeh The Implementation Of Knowledge Management System In Taiwan’s Higher Education[6]. Данная информация может быть использована для дальнейших научных исследований, по заверению автора.

Еще одна статья Towards Knowledge Handling in Ontology-Based Information Extraction Systems [7]посвящена применению правильной системы извлечения информации на основе онтологий, так как онтологии оказались эффективными и мощными инструментами для сбора и обмена знаниями, предоставляя четкие спецификации концептуализации.

3.2 Обзор национальных источников

В национальных источниках тема создания интеллектуальных систем с базами знаний так же популярна, как и на международном научном сообществе.

В учебно-методическом пособии Информационные системы и базы знаний Т.Н. Лебедевой, Л.С. Носовой, А.А. Рузакова [8] представлены основные положения теории информационных систем и баз знаний от их возникновения до современного представления. Рассматриваются информационные, интеллектуальные и корпоративные системы, даются их определения, классификации, архитектуры и этапы их разработки.

Проект Методология и Технология формирования Онтологий на основе интеграции с гетерогенными источниками данных (МЕТЕОР) [9] ориентирован на решение актуальной проблемы проектирования и формирования баз знаний предметных областей на основе онтологий через интеграцию и обработку структурированных массивов данных из гетерогенных источников. Реализация проекта позволит заполнить пробел между практическими потребностями предприятий и организаций и существующими технологиями и методами работы с онтологиями.

Статья М.А. Грищенко Разработка баз знаний и экспертных систем на основе модельно-ориентированного подхода описывает, как при описании платформенно-независимой модели использовать дополнительно к UML, разработанную автором, нотацию для представления продукций именуемую Rule Visual Modeling Language (RVML). Для моделирования функциональности использованы элементы ODA, Ontology Driven Architecture – архитектуры, управляемой онтологией. [10].

Также, в работе Лаборатории интеллектуальных систем ИТМО Как создать правильную онтологию. Часть I. [11] обращают наше внимание на то,с чего стоит начинать разработку онтологии.

3.3 Обзор локальных источников

Базам знаний , интеллектуальным системам и онтологии посвящены некоторые работы магистров ДонНТУ.

Студенткой ДонНТУ, Бажановой А.И. рассмотрена схема работы семантического поиска информации, место онтологической модели в нем. Проанализированы основные средства построения онтологий. Проведен сравнительный анализ основных моделей представления данных в онтологиях, а также основных языков описания онтологий и редакторов для работы с ними в статье Исследование применения онтологических моделей для семантического поиска[12]

В работе С.П. Некрашевича Построение модели онтологии интеллектуальной системы мониторинга учебного процесса дистанционного образования [13] предлагается формальная модель онтологии интеллектуальноий системы мониторинга учебного процесса дистанционного образования, которая является первичным этапом в разработке интеллектуальноий системы

Статья [14] Болотовой В.А. предоставляет нам вывод о том,что в настоящее время актуальны исследования, направленные на разработку такого подхода к представлению и тиражированию знаний, который с одной стороны позволял бы наиболее адекватно учитывать специфику проблемной области, а с другой – представлять и использовать знания в некотором унифицированном виде.

Еще в одной работе студента ДонНТУ, Нифталиева В.Э. [15] Создание онтологической базы знаний рекрутинговой системы рассмотрены методы построения онтологий. Выбран оптимальный способ, позволяющий наилучшим образом произвести формулирование, структурирование и представление данных и знаний.

4 Модели представления знаний

Как известно, знания в базе знаний представлены в определенной форме. Форма представления знаний оказывает существенное влияние на характеристики и свойства системы, поэтому представление знаний является одной из наиболее важных проблем, характерных для систем, основанных на знаниях.

Представление знаний – это формализация и структурирование (в целях облегчения решения задачи) знаний, с помощью которых отражаются основные характерные признаки:

• внутренняя интерпретируемость. Данные, хранящиеся в памяти или на внешних носителях, лишены имен, таким образом, отсутствует возможность их однозначной идентификации системой. Данные может идентифицировать лишь программа, извлекающая их по определенному алгоритму;
• структурированность. Информационные единицы должны обладать гибкой структурой. Для них может выполняться рекурсия – вложимость одних информационных единиц в другие. Иначе говоря, должна существовать возможность произвольного установления между отдельными информационными единицами отношений типа часть – целое, род – вид или элемент – класс;
• связность. Между информационными единицами должна быть предусмотрена возможность установления связей различного типа. Семантика отношений может носить декларативный или процедурный характер. Например, две и более информационные единицы могут быть связаны отношением одновременно, две информационные единицы – отношением причина – следствие или быть рядом;
• семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее их ситуационную близость, то есть силу ассоциативной связи. Его можно было бы назвать отношением релевантности для информационных единиц. Оно дает возможность выделять в информационной базе некоторые типовые ситуации. Отношение релевантности при работе с информационными единицами позволяет находить знания, близкие к уже найденным;
• активность. Все вычислительные процессы инициируются командами, а данные используются этими командами лишь в случае необходимости. Иначе говоря, данные пассивны, а команды активны. Для информационных систем эта ситуация неприемлема. Выполнение программ должно инициироваться текущим состоянием информационной базы.

Проблема представления знаний заключается в несоответствии между сведениями о зависимостях данной предметной области, имеющимися у специалиста, методами, используемыми им при решении задач, и возможностями формального (однозначно-ограниченного) представления такой информации в ЭВМ. Часто проблема осложняется трудностями для эксперта по формулированию в явном виде имеющихся у него знаний. Выделяется ряд моделей для решения поставленной проблемы, связанной с формализацией и представлением знаний в памяти информационных систем[17].

4.1 Классификация моделей представления знаний

Модели представления знаний относятся к прагматическому направлению (основано на предположении о том, что мыслительная деятельность человека –черный ящик) в исследованиях по искусственному интеллекту. При этом в системах, основанных на знаниях, информационные структуры представляются в форме декларативных (описательных) знаний, а алгоритмы и эвристики – в форме процедурных знаний.

На основе проведенного обзора были выявлены наиболее часто используемые и популярные на сегодняшний день модели представления знаний:

1. логические модели;
2. продукционные модели;
3. сетевые модели;
4. фреймовые модели;
5. математические модели.

Рассмотрим данные модели более подробно. Основная идея при построении логических моделей знаний заключается в том, что вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей знаний лежит понятие формальной теории, задаваемое кортежем
Б=<Л, Б, Ах, Я>, где Л – счетное множество базовых символов (алфавит);
Б – множество, называемое формулами;
Лх – выделенное подмножество априори истинных формул (аксиом);
Я &ndsah; конечное множество отношений между формулами, называемое правилами вывода.
В основе сетевых моделей лежит конструкция, названная ранее семантической сетью. Сетевые модели формально можно задать в виде Н = <1, С1, С2,..., Сп, Г>.

Здесь I есть множество информационных единиц;
С1, С2,..., Сп - множество типов связей между информационными единицами.
Отображение Г задает между информационными единицами, входящими в I, связи из заданного набора типов связей.
Продукционные модели можно считать наиболее распространенными моделями представления знаний.
Продукционная модель - это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: «Если условие, то действие». Продукционная модель обладает тем недостатком, что при накоплении достаточно большого числа (порядка нескольких сотен) продукций они начинают противоречить друг другу. В общем случае продукционную модель можно представить в следующем виде:
К=<Л, и ,С ,1 ,я>, где N - имя продукции;
Л – сфера применения продукции;
и – условие применимости продукции;
С – ядро продукции;
I – постусловия продукции, актуализирующиеся при положительной реализации продукции;
Я &ndsah; комментарий, неформальное пояснение (обоснование) продукции, время введения в базу знаний и т. д.
В отличие от моделей других типов, во фреймовых моделях фиксируется жесткая структура информационных единиц, которая называется протофреймом. В общем виде она выглядит следующим образом:
(Имя фрейма:
Имя слота 1 (значение слота 1)
Имя слота 2 (значение слота 2)
Имя слота К (значение слота К)).

При конкретизации фрейма ему и слотам присваиваются конкретные имена и происходит заполнение слотов. Таким образом, из протофреймов получаются фреймы-экземпляры. Переход от исходного протофрейма к фрейму-экземпляру может быть многошаговым, за счет постепенного уточнения значений слотов.

Среди математических моделей приведем следующие:

• Математическая модель предметных знаний на основе теории нечетких множеств и отношений. Математической моделью представления предметных знаний в реляционной базе данных ИС является нечеткий ориентированный граф. Данный способ формализованного описания предметных знаний позволяет, в отличие от других способов, учесть лингвистическую неопределенность знаний эксперта о качественных характеристиках учебного материала, благодаря чему целостное представление о составе и структуре предметных знаний формируется как у разработчиков, так и у пользователей ИС.
• Математическая модель методических знаний на основе теории нечеткой логики. Математической моделью представления методических знаний в реляционной базе данных ИОС является конечное множество правил нечетких продукций. Данное представление позволяет учесть лингвистическую неопределенность знаний эксперта о методике проведения учебных занятий. Модельное представление обусловливает естественный способ переноса стратегий преподавания, сформированных педагогом на основе имеющегося практического опыта при личных контактах с учащимися, в образовательную среду компьютерного обучения, что позволяет максимально приблизить процесс автоматизированного обучения к традиционному обучению и, следовательно, значительно повысить дидактическую эффективность процесса обучения с помощью ИС[17].

При глубоком анализе каждой из представленных моделей представления знаний можно увидеть достоинства и недостатки каждой из них.

Достоинствами логической модели представления знаний являются единственность теоретического обоснования и возможность реализации системы формально точных определений и выводов. Однако при решении сложных задач попытка представить неформализованные знания эксперта, среди которых преобладают эвристики, в системе строгой логики наталкивается на серьезные препятствия. Это связано с тем, что, в отличие от строгой логики, так называемая человеческая логика обладает нечеткой структурой. Поэтому большая часть достижений в области систем с базами знаний до настоящего момента была связана с применением нелогических моделей.

Что касается сетевых моделей, то основным их преимуществом является в большей степени соответствие относительно других моделей современным представлениям об организации долговременной памяти человека, а недостатком -сложность организации процедуры поиска вывода на семантической сети.

Преимуществами продукционных моделей являются простота создания и понимания отдельных правил, простота пополнения и модификации, простота механизма логического вывода; недостатками – неясность взаимных отношений правил, сложность оценки целостного образа знаний, крайне низкая эффективность обработки, отличие от человеческой структуры знаний, отсутствие гибкости в логическом выводе.

Основным преимуществом фреймовой модели представления знаний является то, что она отражает концептуальную основу организации памяти человека, а также ее гибкость и наглядность. Язык представления знаний, основанных на фреймовой модели, особенно эффективен для структурного описания сложных понятий и решения задач, в которых в соответствии с ситуацией желательно применять различные способы вывода. В то же время на таком языке затрудняется управление завершенностью и постоянством целостного образа. В частности, по этой причине существует большая опасность нарушения присоединенной процедуры. Следует отметить, что фреймовую систему без механизма присоединенных процедур (а следовательно, и механизма пересылки сообщений) часто используют как базу данных системы продукций[17].

Преимущества математических моделей состоят в том, что они точны, абстрактны и передают информацию логически однозначным образом. Модели точны, поскольку позволяют делать предсказания, которые можно сравнить с реальными данными, поставив эксперимент или проведя необходимые наблюдения. Модели абстрактны, так как символическая логика математики извлекает те и только те элементы, которые важны для дедуктивной логики рассуждения, исключая все посторонние значения. Недостатки математических моделей заключаются часто в сложности математического аппарата. Возникают трудности перевода результатов с языка математики на язык реальной жизни. Пожалуй, самый большой недостаток математической модели связан с теми искажениями, которые можно привнести в саму проблему, упорно отстаивая конкретную модель, даже если в действительности она не соответствует новым фактам[17].

4.2 Обзор подходов для проектирования баз знаний

Модельно-ориентированный подход

Согласно одной из реализаций модельно-ориентированного подхода – Архитектуре, управляемой моделью или MDA [18], процесс разработки информационной системы включает описание основных понятий какой-либо предметной области, отношений между ними и способов их обработки и представляется в виде множества информационных моделей, определяющих состав, структуру и поведение будущего программного продукта. При этом выделяют несколько моделей: вычислительно-независимую – CIM (Computation Independent Model), платформенно-независимую – PIM (Platform Independent Model), платформенно-зависимые – PSM (Platform Specific Model) и модели платформы – PDM (Platform Description Model).

CIM и PIM не содержат привязку к конкретным языкам или средам реализации и являются, по своей сути, моделями предметной области. PSM и PDM зависят от платформы разработки и выполняют функции адаптеров или трансляторов, преобразующих модели предметной области в программный код или их интерпретирующих. При этом процесс разработки информационных систем представляет собой последовательный переход от модели к модели, сопровождаемый их трансформацией или интерпретацией. На рисунке показана схема СУБЗ, на которой выделена и декомпозирована функция создания баз знаний [19].

Модели и этапы создания программной системы, представлены следующим образом:

• вычислительно-независимая модель (CIM) реализована в виде онтологии, описывающей основные понятия и отношения предметной области. При этом, помимо понятий и отношений типа «является частью» и «является потомком» (иерархические связи) вводится дополнительное отношение зависит от, обеспечивающее описание причинно-следственных зависимостей. Так же описываются свойства понятий предметной области. Для описания архитектурных элементов экспертной системы вводятся дополнительные понятия: форма ввода, форма вывода, машина вывода.
• платформенно-независимая модель (PIM) представлена описанием продукций, полученных путем автоматизированной трансформации CIM и уточнения полученных результатов. При трансформации CIM понятиям ставятся в соответствия шаблоны и элементы правил (условие и действие), причинно-следственные отношения преобразовываются в «ядро» правил. На данном этапе пользователю предлагается выбрать начальное правило, на основе анализа которого и всей цепочки возможного логического вывода автоматически формируется архитектура разрабатываемой ЭС, при этом отдельным экземплярам форм ввода и вывода ставятся в соответствие отдельные логические правила.
• платформенно-зависимая модель (PSM) – в результате трансформации PIM, представлена в виде продукций на ЯПЗ JESS, их интерпретация и объяснение вывода в специальной среде-оболочке. В процессе интерпретации и объяснения вывода про исходит генерация (синтез) элементов пользовательского интерфейса, соответствующих PIM на языке программирования PHP и их исполнение.
• модель платформы (PDM) – синтаксические правила ЯПЗ JESS и PHP, которые используются для формирования PSM на основе PIM. Разработка ЭС, помимо разработки БЗ, подразумевает разработку интерфейса взаимодействия пользователя и БЗ. При этом используются элементы подхода известного как &ndsah; ODA (Ontology Driven Architecture, раздел в рамках MDA), посвященное разработке теории и средств создания программных систем на основе трансформации модели онтологий. Формирование интерфейса происходит в два этапа: при создании PIM создается модель, описывающая отношения (взаимосвязи) форм ввода и вывода; при создании PSM происходит интерпретация разработанной модели на языке программирования (например, PHP). Сопоставление трех подходов разработки баз знаний и экспертных систем: классического, MDA и предлагаемой технологии (методы и средства) приведено на рис. 4.2.2.

Важным аспектом применения MDA является визуальное моделирование. При этом MDA традиционно использует UML (Unified Modeling Language) для построения моделей предметной области. UML не позволяет наглядно и однозначно представить причинно-следственные зависимости, поэтому предлагается при описании PIM дополнительно к UML использовать для представления продукций авторскую нотацию Rule Visual Modeling Language (RVML). Предлагаемая нотация обладает большей выразительностью при описании причинно-следственных зависимостей по сравнению с UML, в частности RVML позволяет (рис. 4.2.3):

• использовать отдельные специализированные графические примитивы для отображения всех элементов продукций, а не стереотипы или типизированные классы как в UML: задать условие и действие;
• присваивать отдельным фактам субъективные вероятности в виде коэффициентов уверенности;
• более наглядно отображать тип выполняемых действий (добавление, удаление, остановка);
• отображать логические операторы в условиях правил (или и не).[19]

Выводы

Онтологическое исследование знаний о процессе автоматизированного обучения позволяет естественным образом учесть существенные свойства и отношения объектов проблемной области. Достоинством нечеткого модельного представления выделенных классов онтологии в реляционной базе данных ИС является учет лингвистической неопределенности знаний эксперта. Программная реализация предложенного подхода позволит дифференцированно, и, следовательно, эффективно, организовать процесс автоматизированного обучения, доступа к информации и ее структуризации.

Список источников