Информационные системы в экономике

Государственное образовательное учреждение высшего профессионального образования Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Контрольная работа По дисциплине Экономическая информатика Выполнил:

студент гр. БММЗУ-12−02

Шилов Р. C

Красноярск 2012

1. Понятие и аспекты понятия «информация». Свойства, измерение, передача информации. Информационный канал и его характеристики. Обработка информации и формы ее представления

2. Понятие" искусственного интеллекта". Экспертные системы: характеристика, назначение. Извлечение и формализация знаний для экспертных систем: экспертные оценки, фреймы, семантические сети и графы

1. Понятие и аспекты понятия «информация»

Как известно, термин «информация» происходит от латинского слова «informatio», изначально означающего изложение или разъяснение.

В качестве примера приведем следующее его определение.

Информация — это совокупность сигналов, воспринимаемых нашим сознанием, которые отражают те или иные свойства объектов и явлений окружающей нас действительности. Природа данных сигналов подразумевает наличие принципиальных возможностей по их сохранению, передаче и трансформации (обработке).

Очевидно, что данное определение носит исключительно «пояснительный» характер и ни в коей мере не претендует на научную строгость, так как базируется на достаточно нечетких и расплывчатых категориях: «сигналы», «объекты», «действительность», «восприятие» и т. п.

Другой подход к определению информации отталкивается от схематичного представления процесса ее передачи. На предельном уровне абстрагирования в нем можно выделить два фундаментальных элемента:

источник (передатчик);

приемник (потребитель, клиент).

При их взаимодействии, собственно говоря, и возникает информация — некоторое сообщение, которое тем или иным способом уменьшает незнание потребителя (приемника) о некотором объекте, факте или явлении. Основываясь на данном подходе, один из основоположников теории информации Клод Шеннон определил информацию как снятую неопределенность.

Свойства, измерение, передача информации. Информационный канал и его характеристики. Обработка информации и формы ее представления

Важнейшими характеристиками информации являются ее структура и форма. Структура информации — это то, что определяет взаимосвязи между ее составными элементами. Фундаментальным свойством информации является свойство системности. Как известно, системой называют такую совокупность, которая обладает такими свойствами, которыми не обладает ни один из входящих в нее элементов в отдельности. Без труда можно привести массу примеров, демонстрирующих, что соединение разрозненных информационных сигналов порождает систему, обладающую качественно более высокой содержательной ценностью.

Другой стороной информации является форма ее представления. Среди основных форм могут быть названы:

символьно-текстовая (информация, представленная совокупностью букв, цифр, знаков и т. п.);

графическая (изображение и т. п.);

звуковая.

Практическое значение научных подходов к определению термина «информация» связано с решением проблемы измерения информации. В соответствии с положениями общей теории информации в качестве эталона меры для нее выбирается некоторый абстрактный объект, который может находиться в одном из двух состояний (например, включен,/выключен, да/нет, 0/1 и т. п.), или, как еще говорят, бинарный объект. Говорят, что такой объект содержит информацию в 1 бит. Безусловно, данный метод измерения информации во многом был предопределен возможностями ее хранения в различных технических устройствах, где на элементарном уровне информация запоминается с помощью магнитно-электрических устройств, которые могут находиться либо в намагниченном, либо в размагниченном состояниях. От бита как наименьшей меры количества информации происходят производные единицы:

1 байт — 8 бит,

1 килобайт (Кбайт) — 1024 байт — 210байт,

1 мегабайт (Мбайт) — 1024 килобайт — 220 байт,

1 гигабайт (Гбайт) — 1024 мегабайт = 230 байт и т. д.

Как можно заметить, приставки кило-, мегаи т.д. здесь употребляются в отличающемся от традиционного смысле, означая умножение на 1024 = 210, а не на тысячу. Данное решение позволяет гармонично связать методы измерения информации с бинарной (двоичной) организацией системы ее хранения.

Передача информации. Информационные каналы

Характеристики информационного канала Информация передается в виде сообщений от источника информации к ее приемнику посредством канала связи между ними (рис. 1.2). Источник посылает передаваемое сообщение. Для более точной и экономной передачи по каналам связи информацию надо закодировать. Закодированное сообщение приобретает вид сигналов

— носителей информации, которые идут по каналу. В приемнике принимаемый сигнал декодируется и становится принимаемым сообщением. Передача сигнала по каналам связи часто сопровождается воздействием помех, вызывающих искажение и потерю информации.

Совокупность устройств, предметов или объектов, предназначенных для передачи информации от одного из них, именуемого источником, к другому, именуемому приемником, называется каналом информации, или информационным каналом.

Примером канала может служить почта. Информация, закодированная в виде текста, помещается в конверт, поступает в почтовый ящик, извлекается оттуда и перевозится в почтовое отделение, где сортируется (вручную или машиной). Далее информация перемещается с помощью поезда (самолета, теплохода и т. п.) в почтовое отделение пункта назначения, сортируется и доставляется адресату. Таким образом, почтовый канал включает в себя: конверт (предмет), транспорт и сортировочные машины (устройства), почтовых работников (объекты).

Информация, помещенная в этот канал, остается неизменной, в отличие от информационного канала «телефон», который включает в себя: телефонные аппараты (устройства), провода (предметы) и аппаратуру АТС (устройства). Его особенностью является то обстоятельство, что при поступлении в него информация, представленная в виде звуковых волн, преобразуется в электрические сигналы и затем передается. Такой канал называется каналом с преобразованием информации.

Компьютер является информационным каналом второго типа: информация поступает с внешних устройств (клавиатура, диск, микрофон), преобразуется во внутреннюю форму, обрабатывается, снова преобразуется в вид, пригодный для внешних устройств (монитор, принтер, динамик и др.) и передается на них.

Информационные каналы различаются по пропускной способности — количеству информации, передаваемой каналом в единицу времени. Измеряется пропускная способность в бит/с. В честь изобретателя телеграфа этой единице было дано имя Бод: 1 Бод = 1 бит/с. Пропускная способность информационного канала определяется двумя параметрами — разрядностью и частотой — и пропорциональна их произведению. Разрядностью называют максимальное количество информации, которое может быть одновременно помещено в канал. Частота показывает, сколько раз информация может быть помещена в канал в единицу времени.

Разрядность почтового канала огромна. Так, пересылая по почте, например, лазерный диск, можно поместить в канал одновременно более 600 Мб информации. В то же время частота почтового канала очень низкая — выемка почты из ящиков происходит не чаще пяти раз в сутки.

Телефонный канал информации однобитный: одновременно по телефонному проводу можно послать или единицу (ток, импульс), или ноль. Однако частота этого канала может достигать десятков. и сотен тысяч циклов в секунду. Это свойство телефонной сети позволяет использовать ее для связи между компьютерами.

Формы представления информации

Информация может существовать в самых разнообразных формах, например, в виде:

* текстов, рисунков, чертежей, фотографий;

* световых или звуковых сигналов;

* радиоволн;

* электрических и нервных импульсов;

* магнитных записей;

* жестов и мимики;

* запахов и вкусовых ощущений;

* хромосом, передающих по наследству признаки и свойства организмов и т. д.

Предметы, процессы, явления материального или нематериального свойства, рассматриваемые с точки зрения их информационных свойств, называются информационными объектами.

Процессы, связанные с определенными операциями над информационными объектами, называются информационными процессами.

Обработка информации — получение одних информационных объектов из других путем выполнения некоторых алгоритмов.

информационный экспертный фрейм граф

2. Понятие" искусственного интеллекта". Экспертные системы: характеристика, назначение. Извлечение и формализация знаний для экспертных систем: экспертные оценки, фреймы, семантические сети и графы

Искусственный интеллект, основные понятия

Искусственный интеллект — один из разделов информатики, в рамках которого ставятся и решаются задачи аппаратного и программного моделирования тех видов человеческой деятельности, которые традиционно считаются интеллектуальными (творческими).

Термин «искусственный интеллект» (artificial intelligence) предложен в 1956 году на семинаре с аналогичным названием, который состоялся в США и был посвящен решению логических задач.

Современные интеллектуальные информационные технологии — технологии обработки информации и решения задач с помощью вычислительных машин, опирающиеся на достижения в области искусственного интеллекта. Результаты исследований по искусственному интеллекту используются в интеллектуальных системах (ИС) — технических или программных системах, способных решать задачи, считающиеся творческими, принадлежащие конкретной предмет ной области, знания о которой хранятся в памяти интеллектуальной системы. Системы искусственного интеллекта состоят из трех основных блоков: базы знаний, решателя и интеллектуального интерфейса. Типичным представителем систем искусственного интеллекта являются экспертные системы.

Решатель — система, способная благодаря встроенной в нее общей стратегии нахождения решения (например, путем логического вывода) находить решение задач. Интеллектуальный интерфейс — интерфейс, в который включены средства, позволяющие человеку вести общение с ЭВМ, не используя для ввода специальные программы.

В целом системы искусственного интеллекта ориентированы на решение большого и очень важного класса задач, называемых неформализуемыми (трудно формализуемыми), к которым относят задачи, обладающие одной или несколькими из следующих особенностей (свойств): алгоритмическое решение задачи неизвестно (хотя, возможно, и существует) или не может быть использовано из-за ограниченности ресурсов ЭВМ; задача не может быть определена (задана) в числовой форме (требуется символьное представление); цели решения задачи не могут быть выражены в терминах точно определенной целевой функции; большая размерность пространства решения; динамически изменяющиеся данные и знания. Как правило, трудно формализуемые задачи обладают неполнотой, неоднозначностью и/или противоречивостью исходных данных и знаний о предметной области.

В исследованиях по искусственному интеллекту можно выделить два основных направления:

1. Программно-прагматическое («не имеет значения, как устроено „мыслящее“ устройство, главное, чтобы на заданные входные воздействия оно реагировало, как человеческий мозг») — занимается созданием программ, с помощью которых можно решать те задачи, решение которых до этого считалось исключительно прерогативой человека. Сюда относятся распознающие и игровые программы, программы для решения логических задач, поиска, классификации и т. п. Это направление ориентировано на поиски алгоритмов решения интеллектуальных задач на существующих моделях компьютеров.

2. Бионическое («единственный объект, способный мыслить — это человеческий мозг, поэтому любое „мыслящее“ устройство должно каким-то образом воспроизводить его структуру») — занимается проблемами искусственного воспроизведения тех структур и процессов, которые характерны для живого человеческого мозга и которые лежат в основе процесса решения задач человеком. В рамках бионического подхода к проблеме искусственного интеллекта сформировалась новая наука нейроинформатика, практическим выходом которой явилась разработка нейрокомпьютера — вычислительной машины VI поколения.

В настоящее время традиционным (классическим) принято считать программно-прагматическое направление, при котором не ставится вопрос об адекватности используемых структур и методов тем, которыми пользуется в аналогичных случаях человек, а рассматривается лишь конечный результат решения задачи. В рамках этого направления сначала велись поиски моделей и алгоритма человеческого мышления. Ни одна из существующих наук (философия, психология, лингвистика) не смогла предложить такого алгоритма. Тогда специалисты в области искусственного интеллекта предложили собственные модели:

модель лабиринтного поиска. Этот подход представляет задачу как некоторый граф, отражающий пространство состояний, и в этом графе проводится поиск оптимального пути от входящих данных к результирующим;

эвристическое программирование.

Эвристика — правило, теоретически не обоснованное, но позволяющее сократить количество переборов в пространстве поиска;

использование методов математической логики. На основе метода резолюций, позволившего автоматически доказывать теоремы при наличии исходных аксиом, в 1973 г. был создан язык Пролог.

Существенный прорыв в практических приложениях искусственного интеллекта произошел в середине 70-х годов, когда на смену поискам универсального алгоритма мышления пришла идея моделировать конкретные знания специалистов-экспертов. В США появились первые коммерческие системы, основанные на знаниях, — экспертные системы. Сформировался новый подход к решению интеллектуальных задач — представление и использование знаний.

Извлечение знаний — получение информации о предметной области от специалистов и выражение ее на языке представления знаний. Извлечение знаний используется при построении экспертных систем или баз знаний.

Формализация знаний

Строится формализованное представление концепций предметной области на основе выбранного языка представления знаний (ЯПЗ). Традиционно на этом этапе используются:

логические методы (исчисления предикатов 1-го порядка и др.);

продукционные модели (с прямым и обратным выводом);

семантические сети;

фреймы;

объектно-ориентированные языки, основанные на иерархии классов, объектов.

Формализация знаний — разработка базы знаний на языке представления знаний, который, с одной стороны, соответствует структуре поля знаний, а с другой — позволяет реализовать прототип системы на следующей стадии программной реализации.

Экспертные системы, основные понятия и определения

Современные экспертные системы широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики. Традиционно знания существуют в двух видах — коллективный опыт и личный опыт. Если большая часть знаний в предлагаемой области представлена в виде коллективного опыта (например, высшая математика), эта предметная область не нуждается в экспертных системах. Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов), если эти знания по каким-либо причинам слабо структурированы, такая предметная область нуждается в экспертных системах.

Экспертные системы — это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей. На рис. 1 изображены основные компоненты экспертной системы.

Рис. 1. Обобщенная структура экспертной системы Пользователь — специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке со стороны экспертной системы.

Инженер по знаниям — специалист по искусственному интеллекту, выступает в роли промежуточного звена между экспертом и базой знаний (инженер-интерпретатор).

Интерфейс пользователя — комплекс программ, реализующий диалог пользователя с экспертной системой на стадии, как ввода информации, так и получения результатов.

База знаний — ядро экспертной системы, совокупности знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует база знаний во внутреннем «машинном» представлении.

Решатель — программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений — программа, позволяющая пользователю получить ответы на вопросы: «Как была получена та или иная информация?» и «Почему система приняла такое решение?». Ответ на вопрос «Как?» — это трассировка всего процесса получения решения с указанием использованных фрагментов базы знаний, то есть всех шагов цепи умозаключения. Ответ на вопрос «Почему?» — ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад.

Интеллектуальный редактор базы знаний — программа, представляющая инженеру по знаниям возможность создавать базы знаний в диалоговом режиме.

Инструментальные средства построения экспертных систем: связано с тем, что парадигма объектно-ориентированного программирования тесно связана с фреймовой моделью представления знаний, кроме того, традиционные языки используются для создания других классов инструментальных средств искусственного интеллекта.

Языки искусственного интеллекта. Lisp, Prolog. Универсальность этих языков меньшая, чем у традиционных языков, но это компенсируется богатыми возможностями по работе с символьными и логическими данными, что крайне важно для задач искусственного интеллекта. На основе языков искусственно го интеллекта создаются специализированные компьютеры (например, Лиспмашины).

«Оболочки» (shells) — «пустые» версии существующих экспертных систем, то есть готовые экспертные системы без базы знаний. Они вообще не требуют работы программистов для создания готовой экспертной системы. Требуются только специалисты в предметной области для заполнения базы знаний. Однако если некоторая предметная область плохо укладывается в модель, используемую в некоторой оболочке, заполнить базу знаний в этом случае весьма непросто.

Семантические сети

Способ представления знаний с помощью сетевых моделей наиболее близок к тому, как они представлены в текстах на естественном языке. В его основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек (arb), где, а и b — объекты или понятия, а r — бинарное отношение между ними. Формально сетевые модели представления знаний могут быть заданы в виде H = < I, C 1 ,…, Cn, Г>, где I — множество информационных единиц, С 1 ,…, Сп — множество типов связей между элементами

I, отображение Г задает между информационными единицами, входящими в I, связи из заданного набора типов связей {С i}.

В зависимости от типов связей {С i} различают:

Классифицирующие сети — в них используются отношения структуризации, они позволяют вводить в базы знаний различные иерархические отношения между элементами множества I.

Функциональные сети — вычислительные модели, характеризующиеся наличием функциональных отношений, они позволяют описывать процедуры вычислений одних информационных единиц через другие.

Сценарии — в них используются каузальные отношения (причинно-следственные или устанавливающие влияние одних явлений или фактов на другие), а также отношения типов «средство — результат», «орудие — действие» и т. д.

Если в сетевой модели допускаются связи различного типа, то ее называют семантической сетью.

Термин «семантическая» означает «смысловая», а сама семантика — это наука, устанавливающая отношения между символами и объектами, которые они обозначают, то есть наука, определяющая смысл знаков.

Семантическая сеть — это модель, основой для которой является формализация знаний в виде ориентированного графа с размеченными вершинами и дугами. Вершинам соответствуют объекты, понятия или ситуации, а дугам — отношения между ними. Это наиболее общая модель представления знаний, так как в ней имеются средства реализации всех характерных для знаний свойств: внутренней интерпретации, структурированности, семантической метрики и активности.

Достоинства сетевых моделей: большие выразительные возможности; наглядность системы знаний, представленной графически; близость структуры сети, представляющей систему знаний, семантической структуре фраз на естественном языке; соответствие современным представлениям об организации долговременной памяти человека.

Недостатки: сетевая модель не дает (точнее, не содержит) ясного представления о структуре предметной области, которая ей соответствует, поэтому формирование и модификация такой модели затруднительны; сетевые модели представляют собой пассивные структуры, для обработки которых необходим специальный аппарат формального вывода и планирования. Проблема поиска решения в базе знаний типа семантической сети сводится к задаче поиска фрагмента сети, соответствующего некоторой подсети поставленной задачи. Это, в свою очередь, обусловливает еще один недостаток модели — сложность поиска вывода на семантических сетях.

Еще раз подчеркнем, что сетевые модели являются очень наглядным и достаточно универсальным средством представления знаний. Однако их формализация в конкретных моделях представления, использования и модификации знаний оказывается достаточно трудоемкой, особенно при наличии множественных отношений между ее элементами.

Семантическая сеть — структура для представления знаний в виде узлов, соединенных дугами. Самые первые семантические сети были разработаны в качестве языка-посредника для систем машинного перевода, а многие современные версии до сих пор сходны по своим характеристикам с естественным языком. Однако последние версии семантических сетей стали более мощными и гибкими и составляют конкуренцию фреймовым системам, логическому программированию и другим языкам представления.

Реляционные графы

Самые простые сети, которые используются в системах искусственного интеллекта, — реляционные графы. Они состоят из узлов, соединенных дугами. Каждый узел представляет собой понятие, а каждая дуга — отношения между различными понятиями. На рисунке 1 представлено предложение «Собака жадно гложет кость». Четыре прямоугольника представляют понятия собаки, процесса гложения, кости и такой характеристики, как жадность. Надписи над дугами означают, что собака является агентов гложения, кость является объектом гложения, а жадность — это манера гложения.

Терминология, использующаяся в этой области различна. Чтобы добиться некоторой однородности, узлы, соединенные дугами, принято называть графами, а структуру, где имеется целое гнездо из узлов или где существуют отношения различного порядка между графами, называется сетью. Помимо терминологии, использующейся для пояснения, также различаются способы изображения. Некоторые используют кружки вместо прямоугольников; некоторые пишут типы отношений прямо над дугами, не заключая их в овалы; некоторые используют аббревиатуры, например О или, А для обозначения агента или объекта; некоторые используют различные типы стрелок. Поскольку довольно сложно ввести в компьютер некоторые диаграммы и при этом они занимают много места при печати, многие ученые записывают свои графы в более компактном варианте. Например, то же предложение Сова предложил записать в линейном виде с использованием некоторых элементов из рисунка 1:

[ЕСТЬ];

(AGNT) -> [СОБАКА]

(OBJ) -> [КОСТЬ]

(MANR) -> [ЖАДНОСТЬ]

В этом варианте записи квадратные скобки обозначают понятия, а круглые скобки содержат в себе названия отношений. Все линейные формы записи очень похожи на фреймовые структуры.

Графы с центром в глаголе.

Глаголы соединяются с группой существительного с использованием падежных отношений. Например, с предложении «Mary gave a book to Fred», Mary агент давания, book объект этого процесса, а Fred реципиент глагола «давать». Помимо падежных отношений в предложении в естественном языке также имеются средства для связи отдельных предложений. Такие отношения необходимы для следующего:

Союзы. Самый простой способ соединить предложения — это поставить между ними союз. Некоторые союзы, как например «и», «или», «если» обозначают логическую связь; некоторые, такие как «после того, как», «когда», «пока», «с тех пор, как» и «потому что», выражают временные отношения и причину.

Глаголы, требующие подчиненное предложение. Падежные фреймы многих глаголов требуют подчиненного предложения, являющегося обычно прямым дополнением. К такому типу относятся глаголы «говорить», «считать», «думать», «знать», «быть убежденным», «угрожать», «пытаться» и др.

Определители, относящиеся к целому предложению. Многие наречия и пропозиционные фразы относятся только к глаголу, но некоторые определяют целое предложение. Такие наречия, как «обычно», «вероятно», в большинстве случаев ставятся в начале предложения. А, например, слово «однажды» определяет весь рассказ, следующий после него.

Модальные глаголы и времена. Такие глаголы, как «may», «can», «must», «should», «would» и «could» имеют модальное значение и относятся ко всему предложению, где они встречаются. Временное отношение может быть выражено как формой прошедшего времени глаголов, так и обстоятельствами «сейчас», «завтра» или «однажды» и другими.

Связанный дискурс. Помимо отношений, выраженных в одном предложении, существуют также отношения более высокого порядка между отдельными предложениями рассказа или какого-либо другого повествования. Многие из них не выражены эксплицитно: временные отношения и следование аргументов может быть, например, имплицитно выражено порядком следования предложения друг за другом в тексте.

Именно потому, что глагол отводится такая важная роль в предложении, многие теория делают его своим центральным связующим звеном. Этот подход берет свое начало из Индоевропейской языковой семьи, где модальность и временные отношения выражаются изменением глагольной формы. Рассмотрим следующий пример: «While a dog was eating a bone, a cat passed by unnoticed». В этом предложении сообщено, что, когда предложение «While a dog was eating a bone» являлось истинным, второе предложение «A cat passed unnoticed» также является истинным. Союз «while» (WHL) соединяет узел PASS-BY с узлом EAT. Графы с центром в глаголе — это реляционные графы, где глагол считается центральным звеном любого предложения. Маркеры времени и отношения пишутся прямо рядом с концептами, которые представляют глаголы. Графы концептуальных зависимостей Роджера Шенка также используют этот подход.

Несмотря на то, что графы с центром в глаголе довольно гибкие по своей структуре, они обладают рядом ограничений. Одно из них заключается в том, что они не проводят разграничение между определителями, которые относятся только к глаголу, и определителями, относящимися к предложению целиком. Рассмотрим следующие примеры:

The dog greedily ate the bone.

Greedily, the dog ate the bone.

Эти графы также плохо справляются с предложениями, находящимися внутри других предложений.

При работе с реляционными графами возникают проблемы с передачей всего многообразия временных отношений и отношений модальности. Несмотря на то, что многие учение используют эти графы для решения сложных проблем, они так до сих пор и не разработали общего метода для их разрешения. В выше приведенном примере пометка PAST должна относится ко всему предложению, которое говорит о том, что собака ест кость, а не только к глаголу EAT, поскольку очевидно, что кость позже была съедена собакой целиком. Также должно быть указано, что процесс прохождения кошки и процесс не замечания ее собакой происходили в одно и то же время

Фреймовые модели

Термин фрейм (frame — каркас, рамка) предложен М. Минским в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сель, имеет глубокое психологическое обоснование. Под фреймом понимается абстрактный образ или ситуация. В психологии и философии известно понятие абстрактного образа. Например, слово «комната» вызывает образ комнаты — «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью». Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже чулан, а не комнату. Но в нем есть «слоты», или «щели», — незаполненные значения некоторых атрибутов — количество окон, цвет стен, высота потолка, покрытие пола и др. Такой образ и называется фреймом (фреймом минимального описания). Фреймом называется также и формализованная модель этого образа.

Фреймовая модель, основанная на теории М. Минского, представляет собой систематизированную в виде единой теории технологическую модель памяти человека и его сознания. Важным элементом в этой теории является понятие фрейма — структуры данных для представления некоторого концептуального объекта. Информация, относящаяся к этому фрейму, содержится в составляющих фрейма — слотах. В отличие от моделей других типов, во фреймовых моделях фиксируется жесткая структура, которая называется протофреймом (фреймом-прототипом, или образцом). В общем случае фрейм определяется следующим образом:

f = [(r 1, v 1,), … ,(r n, v n)],

где f — имя фрейма; vi — значение слота, или

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

…

(имя n-го слота: значение n-го слота)).

Значением слота может быть практически что угодно (числа или математические соотношения, тексты на естественном языке или программы, правила вывода или ссылки на другие слоты данного фрейма). В качестве значения слота может выступать набор слотов более низкого уровня, что позволяет во фреймовых представлениях реализовать «принцип матрешки».

В качестве значения слота может выступать имя другого фрейма; так образуются сети фреймов. Все фреймы взаимосвязаны и образуют единую фреймовую структуру, в которой органически объединены декларативные и процедурные знания. Это дает возможность достаточно естественно производить композицию и декомпозицию информационных структур аналогично тому, как это делал бы человек при описании структуры своих знаний.

Кроме фреймов-образцов, или прототипов, хранящихся в базе знаний, различают фреймы-экземпляры, которые создаются для отображения реальных ситуаций на основе поступающих данных. При конкретизации (означивании) фрейма ему и слотам присваиваются конкретные имена, и происходит заполнение слотов. Таким образом, из протофреймов получаются фреймы-экземпляры.

Например, структура таблицы, содержащей список работников, записанная в виде протофрейма, имеет вид

(СПИСОК РАБОТНИКОВ:

Фамилия (значение слота 1);

Год рождения (значение слота 2);

Специальность (значение слота 3);

Стаж (значение слота 4)

Если в качестве значений слотов использовать реальные данные из таблицы, то получится фрейм-экземпляр.

Важнейшим свойством фреймов является заимствованное из теории семантических сетей наследование свойств. И во фреймах, и в семантических сетях наследование происходит по АКО-связям (от A Kind Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, то есть переносятся значения аналогичных слотов, причем наследование свойств может быть частичным.

Фреймовые модели является достаточно универсальными, поскольку позволяют отобразить все многообразие знаний о мире:

через фреймы-структуры для обозначений объектов и понятий (заем, залог, вексель);

фреймы-роли (менеджер, кассир, клиент);

фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

фреймы-ситуации (тревога, авария, рабочий режим устройства и т. д.).

Основными достоинствами модели фреймов как модели представления знаний являются способность отражать концептуальную основу организации памяти человека, а также естественность, наглядность представления, модульность, поддержка возможности использования значений слотов по умолчанию. Однако фрейм-представление является не конкретным языком представления знаний, а некоторой идеологической концепцией, реализуемой по-разному в различных языках. Теория фреймов послужила толчком к разработке нескольких языков представления знаний, которые благодаря своим широким возможностям и гибкости стали в последние годы довольно распространенными языками. Отметим, кроме того, что концепция объектно-ориентированного программирования может рассматриваться как реальное воплощение понятий, близких фрейму, в традиционных языках программирования.

Основным недостатком фреймовых моделей является отсутствие механизмов управления выводом. Отчасти этот недостаток устраняется при помощи присоединенных процедур, реализуемых силами пользователя системы.

Рассмотренные модели представления знаний во многом близки между собой. По сути, они обладают одинаковыми возможностями описывать и представлять знания. Разница состоит лишь в том, насколько удобно и естественно представлять те или иные знания в виде логических формул, семантических сетей, фреймов или продукций.

Если говорить о взаимосвязях рассмотренных выше моделей, то можно отметить следующее. Логические и продукционные модели отличаются достаточно выраженной процедурной формой, поэтому их часто используют для описания процедурных знаний. Вместо логического вывода, характерного для логических моде лей, в продукционных моделях используется вывод, основанный на знаниях. Модели знаний, опирающиеся на семантические сети, используют для описания декларативных знаний.

В системах искусственного интеллекта могут использоваться и несколько моделей представления знаний одновременно. Например, в качестве значений некоторых слотов во фрейме могут выступать продукции. Именно смешанные представления оказываются наиболее многообещающими. В продукционных системах используются некоторые элементы логических и сетевых моделей. Поэтому они позволяют организовывать эффективные процедуры вывода (близость к логическим моделям) и наглядно отражать знания в виде сетей (близость к семантическим сетям). В них отсутствуют жесткие ограничения, характерные для логических исчислений, что дает возможность изменять интерпретацию элементов продукции. Кроме того, в результате применения правил вывода к фрагментам сетевого описания происходит трансформация сети за счет смены ее фрагментов, наращивание сети и исключение из нее ненужных фрагментов.

Фрейм можно рассматривать как фрагмент семантической сети, предназначенной для описания объекта (ситуации) проблемной области со всей совокупностью присущих ему свойств. Фреймовый подход к представлению знаний более жест кий, чем основанный на использовании семантической сети. Все то об объекте или ситуации, что важно с позиции решаемой задачи, не «размывается» в сети, а представляется во фрейме. В свою очередь, фрейм можно представить в виде сети, состоящей из вершин и дуг (отношений), так, что «нижние уровни» фрейма заканчиваются слотами, которые заполняются конкретной информацией при вызове фрейма.

Обобщая анализ моделей представления знаний, можно сделать два основных вывода:

Невозможно дать универсальные рекомендации по выбору модели. Выбор конкретной модели определяется возможностью и удобством представления исследуемой проблемной области с учетом необходимости не только представления, но и использования знаний. Однако чаще используются эвристические, не логические модели представления знаний.

Наиболее мощными оказываются смешанные представления.

Список используемой литературы

1. Информационные системы в экономике. Карминский А. М., Черников Б. В. Москва: Финансы и статистика 2006.-320 с.

2. Экономическая информатика: Учебник для вузов. Конюховский П. В. Спб.: Питер 2001. 560 с.

3. Экономическая информатика. Косарева В. П., Еремина Л. В. — Москва: Финансы и статистика, 2002.-592 с.