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