Данные -> информация -> знания -> понимание -> мудрость

ДАННЫЕ – это некоторые неупорядоченные символы, рассматриваемые безотносительно к какому-то контексту.

ИНФОРМАЦИЯ – выделенная и упорядоченная часть данных, обработанная для использования, т.е. отвечающая на вопрос «Кто, что, где, когда?».

ЗНАНИЕ – выявленные тенденции (существенные связи) между фактами и явлениями, содержащимися в информации.

ПОНИМАНИЕ – осознание закономерностей, содержащихся в разрозненных знаниях и отвечающих на вопрос «Почему?».

МУДРОСТЬ – взвешенное, оценённое понимание за-кономерностей относительно прошлого и будущего.

Таким образом с точки зрения ИНТ СИС-М, знания получаются в результате применения к исходным данным (или к декларативной информации (по-английски to declare объявлять, заявлять)) некоторых методов обработки и подключения внешних процедур [Смолин Д.В.].

Работа ИНТ СИСТЕМЫ представляет собой вывод на знаниях или вывод новых знаний. Это можно представить, как:

ДАННЫЕ+ПРОЦЕДУРА ОБРАБОТКИ=ИНФОРМАЦИЯ

ИНФОРМАЦИЯ+ПРОЦЕДУРА ОБРАБОТКИ=ЗНАНИЕ

Например. Обычная ситуация: человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Рассмотрим, что проис-ходит в этой, казалось бы, простой ситуации. Глаза смотрят на циферблат (данные), в мозг поступает электрический сигнал и формируется изображение стрелок на циферблате (информа-ция). Потом человек сознательно или бессознательно приклады-вает усилия для понимания по положению стрелок, сколько сейчас времени. А это получается из сравнения (знания) с некой шкалой (информация). В результате получается некая декларативная информация – 8 часов 30 минут. Человек подключает внешние знания – свой график или своё расписание, понимает, что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения или данные).

Например. Обычная ситуация: человек смотрит на часы. Что он видит? Данные? Информацию? Знания? Рассмотрим, что проис-ходит в этой, казалось бы, простой ситуации. Глаза смотрят на циферблат (данные), в мозг поступает электрический сигнал и формируется изображение стрелок на циферблате (информа-ция). Потом человек сознательно или бессознательно приклады-вает усилия для понимания по положению стрелок, сколько сейчас времени. А это получается из сравнения (знания) с некой шкалой (информация). В результате получается некая декларативная информация – 8 часов 30 минут. Человек подключает внешние знания – свой график или своё расписание, понимает, что опаздывает (знания) и ускоряет шаг (меняет параметры своего поведения или данные).

Причём, знания характеризуются тем, что отсутствуют в исходной схеме. На циферблате часов и в расписании не было написано слово «опаздываю». Знания получились в результате сопоставления данных, объектов или информа-ционных единиц (ИЕ), нахождения и разрешения противо-речий между ними.

КАЖДОМУ ПРИДУМАТЬ ПРИМЕР, ОПЕРИРУЮ-ЩИЙ ДАННЫМИ, ИНФОРМАЦИЕЙ, ЗНАНИЯМИ.

Чем знания характеризуются (из ТУЗОВСКОГО).

1)Знания долговечны, т.к. нематериальны (пирамиды прочны, но всё равно разрушаются, а геометрическая модель пирамиды бессмертна).

2)Знания инвариантны (равнодушны) к пространству. Они легко распространяются, особенно по современ-ным телекоммуникациям. Это происходит практически без затрат, в отличие от материальных ресурсов.

3)Знания – постоянно увеличивающийся ресурс. Как утверждал Paul в 1995 г. «Знания единственный неогра-ниченный ресурс, единственный актив, увеличиваю-щийся по мере его использования». Идею рождают новые идеи, переданные (проданные) знания остаются и с теми, кто их передал или продал.

4)Знания можно продавать многократно, т.к. они слабо отчуждаемы. Тот, кто их продаёт, ничего не теряет. Но есть проблема. Знания не покупают, пока не поймут, а поняв, теряют желание покупать!

5)Знания чувствительны к фактору времени. Ценность знания сильно зависит от времени, когда нужно принимать решения. Наблюдается и старение знаний аналогично моральному износу оборудования.

6)Знания социальны. Они одновременно и обществен-ное и частное благо.

7)Знания – орудие конкуренции. Интеллектуальный капитал, менеджмент знаний сегодня важнейшие инстру-менты компаний. Поэтому наблюдается повышенный интерес продвинутых компаний к созданию офисов и технологий управления знаниями. Также на подъёме создание и развитие систем управления знаниями.

На прошлой лекции я рассказывал о характеристиках знаний с точки философского понятия «Знание». Для знаний прикладных, используемых в интеллектуальных системах, ха-рактерны следующие важные свойства [Смолин Д.В.]:

- внутренняя интерпретируемость (каждая ИЕ имеет уникальное имя и трактуется однозначно);

- структурированность (между ИЕ должны быть установ-лены отношения «часть»-«целое», «род»-«вид». При этом возможна рекурсивность);

- знания образуют некоторое пространство (как метричес-кое, так и не метрическое).

Назначение имён для ИЕ, выделение ИЕ в конкретном объекте, определение отношений между ИЕ – сложная задача.

В чём сложность данной задачи? В том, что в сложных системах непросто понять, где «целое» и где «часть», как они между собой соотносятся. Например, система «курс евро», для которой неясно, что входит в список важных параметров, а что не входит. Не говоря о том, каков вообще список параметров. Решением этих проблем занимается отдельная отрасль ИИ – «инжене-рия знаний» (автор термина «инженерия знаний» про-фессор Стенфордского университета Эдвард Фейгенба-ум). Об этом позже. А пока рассмотрим такое понятие, как источники знаний.

Здесь необходим философский взгляд: источник зна-ния не есть ещё само знание. Текст – знаковая конст-рукция и, как правило, содержит знание. Но текст есть не знание, а только его источник.

Знания из текста ещё нужно извлечь. Кому извлечь это другой вопрос: человеку или интсис-ме. Любая книга содержит много знаний, но всякий извлекает их по-своему и не всё, что оттуда можно извлечь потенциально. Есть утверждение, что текст (особенно высокоформализован-ный, например, математическая статья) – это знание. Это справедливо в том плане, что знания оттуда легче извле-кать. Это также справедливо для реальной действитель-ности – окружающего нас материального мира. Там в скрытой форме содержится огромный объём знаний. Их выявлением и описанием занимаются учёные разных наук. То есть окружающий нас материальный мир – это тоже есть не знание, а только его источник. Также как и одно из его реализаций – данные на любом материальном носителе.

Следующая проблема извлечения знаний это их дальнейшее представление для более удобного и эффек-тивного использования. Полученные знания могут быть представлены (то есть заново овеществлены) в самой различной форме – законов, формализаций, определе-ний и знаковых систем, например, не вполне понятных текстов.

Состояние системы – второй важный термин. Каж-дая ИЕ, как и вся система в целом, может находиться в одном из состояний. Например, указатель поворота в авто может находиться в двух состояниях: «включен» и «выключен». Для этого примера мощность состояний равно двум.

Есть системы, для которых пространство состояний бесконечно. Пространство состояний удобно представ-лять в виде графов или таблицы переходов. Переходы системы из состояние в состояние могут быть симмет-ричными. Система может вернуться в исходное состоя-ние, а программная система, например, может зацик-литься.

У системы ИИ есть основная характеристика – ЦЕЛЬ. Вспомним системный анализ, где понятие цели является определяющим. Отличие системы ИИ от обычной программы в наличии целеустремленнос-ти. Интеллектуальная программа в отличие от обычной (как надо делать?) не содержит алгоритм, а содержит лишь цель, которую надо достичь и правила достиже-ния цели (что надо сделать?).

В обычной (вычислительной) программе алгоритм достижения цели задан изначально и выполняется безусловно. В интеллектуальной программе алгоритм строится по ходу движения к цели с учётом складываю-щейся ситуации.

Для человека, работающего с интеллектуальными системами (программами) очень важно уметь правиль-но ставить цели. Потому, что от этого (точности и эко-номичности постановки цели) зависит не только эффективность достижения цели (временная, ресурсная и т.д.), но и достижима ли цель в принципе. Напомню системный анализ, где ситуации с отсутствием цели у системы или нечётким её определением или заданием ложных целей являются очень тяжёлыми по своим последствиям для системы и входящих в неё элементов.

В качестве целей в интеллектуальных программах чаще всего задают переход системы в заданное состоя-ние, а в качестве критерия эффективности – число ша-гов решения по достижению заданного состояния.

Следующее важное понятие – модель представления знаний. В соответствии с ним выделяют типы моделей ИИ. Когда хотят реализовать конкретную систему, основанную на знаниях, это происходит в рамках одной из моделей представления знаний или языка представления знаний. На практике обычно реальная система есть гибрид классичес-ких моделей представления знаний, правда, с ощутимой долей собственных догадок, ограничений и условностей, которые называют ЭВРИСТИКАМИ.

Эвристика – это правило, теоретически не обосно-ванное, но позволяющее сократить количество переборов в пространстве поиска. Можно сказать интуиция, чутьё, шестое чувство и т.п.

Понятие предметной области (knowledge domain)

Человеческую деятельность (часто формально) можно разделить на три вида – предметную, реализуе-мую в материальном мире, мыслительную и знаковую. На практике эти виды деятельности очень часто практи-чески неразделимы. Например, для того, чтобы постро-ить сарай, нужно в голове иметь его замысел, проду-мать подбор материалов и набросать на бумаге простейший план.

Под предметной областью, относящейся к данной задаче (теоретической или практической) имеется в виду то множество материальных, мыслительных, знаковых объектов, их качеств и взаимосвязей, задействованных в данном виде деятельности.

Например, если создаётся экспертная система, которая по пробам грунта определяет, наличие или отсутствие по-лезных ископаемых, то предметная область данной систе-мы – геология. Для того, чтобы интсис-ма была действи-тельно полезна, требуется глубокое понимание специфики, присущее каждой предметной области. Специфика – это, как правило, набор нечётких и неясных, выработан-ных годами работы правил разрешения стереотипных ситуаций.

Работа инженера по знаниям и состоит в том, чтобы формализовать (записать) эти правила.

Исследователи, работающие в области интелсис-м, для описания своей сферы деятельности приняли термин инженерия знаний, в котором сочетаются научный, техни-ческий и методологический аспекты. В основе инженерии (технологи) знаний лежит следующий принцип: работа на уровне хорошего эксперта редко может быть сведена к некоторому строгому алгоритмическому процессу, но, тем не менее, такая деятельность поддаётся компьюте-ризации.

Выявление знаний эксперта-специалиста, их чёткая формулировка и внесение их в компьютер составляют глав-ные задачи в этой области.

Работа инженера по знаниям и состоит в том, чтобы формализовать (записать) эти правила.

Исследователи, работающие в области интелсис-м, для описания своей сферы деятельности приняли термин инженерия знаний, в котором сочетаются научный, техни-ческий и методологический аспекты. В основе инженерии (технологи) знаний лежит следующий принцип: работа на уровне хорошего эксперта редко может быть сведена к некоторому строгому алгоритмическому процессу, но, тем не менее, такая деятельность поддаётся компьюте-ризации.

Выявление знаний эксперта-специалиста, их чёткая формулировка и внесение их в компьютер составляют глав-ные задачи в этой области.

При этом существует проблема следующего плана. Предметные специалисты или эксперты часто видят предметную область лишь интуитивно и не могут обосновать свою точку зрения формально.

Например, почему температура человека не может быть выше 43 градусов Цельсия? Если пытаться выяснять у эксперта причины данного факта, то это вы-зывает у них непонимание, недоумение и досаду. Экс-перт думает, что ему подсунули некомпетентного айтишника; что он может сделать, какую экспертную систему? Отсюда следуют требования к инженеру по знаниям: он должен быть тонким психологом, чтобы, так сказать, «влезть» в мозги эксперта, не вызвав при этом резкой ответной реакции.

Это первый этап работы инженера по знаниям – выявление имён предметной области, которые затем нужно детально изучить.

На втором этапе необходимо определить (выделить) отношения, связывающие имена предметной области. При этом также имеется определённая ловушка в виде проблемы непонимания.

Дело в том, что эксперты (предметные специалисты) в период своего обучения не рассматривают детально основополагающие понятия и отношения. От них требуют принятия их на веру. А без этого спец по ИИ не может выполнить свою задачу.

Понятно, что айтишник никогда не станет равным по ква-лификации эксперту (предметному специалисту: врач, гео-лог, финансист и т.д.). Также как и эксперты, даже знающие вопросы программирования традиционных программ, не смогут создать программу ИИ или интеллектуальную сис-тему. Инженер по знаниям должен уметь выделять общее в кажущихся разными областях, строить универсальные мате-матические, а при невозможности – нечёткие логико-линг-вистические модели.

Ограничение, исходящее от предметной области – невоз-можность применения в чистом виде без комбинаций одной модели представления знаний.

Date: 2016-07-25; view: 756; Нарушение авторских прав