Когнитивный слой (S13)

Когнитивные (от англ» cognition — познание) науки исследуют познавательные процессы человека с позиций возможности их моделирования (психология, нейрофизиология, эргономика, инженерия знаний). Наименее исследованы на сегодняшний день проблемы когнитивного слоя связанные с изучением семантического пространства памяти эксперта и реконструкцией его понятийной структуры и модели рассуждений.

Основными факторами, влияющими на когнитивную адекватнбсть, будут:

(см. скан)

Под когнитивным стилем человека понимается совокупность критериев предпочтения при решении задач и познании мира, специфическая для каждого человека. Когнитивный стиль определяет не столько эффективность деятельности, сколько способ достижения результата [Алахвердов, 1986]. Это способ познания, который позволяет людям с разными способностями добиваться одинаковых результатов в деятельности. Это система средств и индивидуальных приемов, к которым прибегает человек для организации своей деятельности. Инженеру по знаниям полезно изучить и прогнозировать свой когнитивный стиль, а также стиль эксперта. Особенно важны такие характеристики когнитивного стиля, как:

• — (полезависимость — поленезависимость);

• — (импульсивность — рефлективность (рефлексивность);

• — (ригидность — гибкость);

• — (когнитивная эквивалентность).

Поленезависимость позволяет человеку акцентировать внимание лишь на тех аспектах проблемы, которые необходимы для решения конкретной задачи, и уметь отбрасывать все лишнее, то есть не зависеть от фона или окружающего задачу шумового поля. Эта характеристика коррелирует с такими чертами личности, как невербальный интеллект, аналитичность мышления, способность

к пониманию сути. Очевидно, что помимо того, что самому аналитику необходимо иметь высокое значение параметра поленезависимый эксперт — это тоже желательный фактор. Однако приходится учитывать, что больше нуждаются в общении полезависимые люди, а потому они и более контактны [Орехов, 1985].

Особенно полезны для общения гетерогенные (смешанные) пары, например «полезависимый — поленезависимый» [Иванов, 1986]. В литературе описаны различные эксперименты, моделирующие общение, требующее понимания и совместной деятельности. Наиболее успешным в понимании оказались поленезависимые испытуемые (92 % успеха), для сравнения полезависимые давали 56 % успеха [Кулюткин, Сухобская, 1971].

Для совместной профессиональной деятельности важна также гибкость когнитивной организации, которая связана с поленезависимостью. Итак, большую способность к адекватному пониманию партнера демонстрируют субъекты с высокой психологической дифференциацией, то есть поленезависимостью. Поленезависимость является одной из характерных профессиональных черт когнитивного стиля наиболее квалифицированных инженеров по знаниям. По некоторым результатам [Алахвердов, 1986] мужчины более поленезависимы, чем женщины.

Под импульсивностью понимается быстрое принятие решения (часто без его достаточного обоснования), а под рефлексивностью — склонность к рассудительности. Рефлексивность по экспериментальным данным коррелирует со способностью к формирования понятий и продуктивностью стратегий решения логических задач [Кулюткин, Сухобская, 1971]. Таким образом, и инженеру по знаниям, и эксперту желательно быть рефлексивным, хотя собственный стиль изменяется лишь частично и с большим напряжением.

Ригидность — гибкость характеризует способность человека к изменению установок и точек зрения в соответствии с изменяющейся ситуацией. Ригидные люди не склонны менять свои представления и структуру восприятия, напротив, гибкие легко приспосабливаются к новой обстановке. Очевидно, что если эксперт еще может себе позволить ригидность (что характерно для долго работающих над одной проблемой специалистов, особенно старшего возраста), то для инженера по знаниям эта характеристика когнитивного стиля явно противопоказана. Увеличение ригидности с возрастом отмечается многими психологами [Кулюткин, Сухобская, 1971; Орехов, 1985].

Когнитивная эквивалентность характеризует способность человека к различению понятий и разбиению их на классы и подклассы. Чем уже диапазон когнитивной эквивалентности, тем более тонкую классификацию способен провести индивид, тем большее количество признаков понятий он может выделить. Обычно у женщин диапазон когнитивной эквивалентности уже, чем у мужчин. Семантическая репрезентативность подразумевает подход, исключающий традиционное навязывание эксперту некой модели представлений (например, продукционной или фреймовой), и заставляет инженера по знаниям последовательно воссоздавать модель мира эксперта, используя как неформальные методы,

так и математический аппарат, например многомерное шкалирование (см. главу 4). Проблема семантической репрезентативности ориентирована на достижение когнитивной адекватности поля знаний и концептуальной модели. В настоящий момент она может быть сформулирована как проблема «испорченного телефона» [Гаврилова, Червинская, 1992] (см. рис. 3.5) — возможные трансформации и потери в цепи передачи информации:

Круглые скобки определяют понятия, квадратные — процессы

Экспертные оболочки. Реализация моделей знаний на основе языка логического программирования и экспертной оболочки. Модели представления знаний (логической, продукционной, фреймов, семантических сетей).

Оболочки экспертных систем

Продукты искусственного интеллекта и, в особенности, ЭС и инструментальные средства (ИС) для их разработки не только достигли коммерческого уровня, но и приносят существенный доход.

По степени сложности структуры ЭС делят на поверхностные и глубинные. ПоверхностныеЭСпредставляют знания об области экспертизы в виде правил (условие действие). Условие каждогоправила определяет образец некоторой ситуации, при соблюдении которой правило может быть выполнено. Поиск решения состоит в выполнении тех правил, образцы которых сопоставляются с текущими данными (текущей ситуацией в РП). При этом предполагается, что в процессе поиска решения последовательность формируемых таким образом ситуаций не оборвется до получения решения, т.е. не возникнет неизвестной ситуации, которая не сопоставится ни с одним правилом. Глубинные ЭС, кроме возможностей поверхностных систем,обладают способностью при возникновении неизвестной ситуации определить с помощью общихпринципов,справедливых для области экспертизы, какие действия следует выполнить.

По назначению ИС делятся на специализированные и общего назначения. ИС общего назначения ориентированы на приложения в различных проблемных областях. Типичным примером ИС общегоназначения являются оболочки ИС, средства, автоматизирующие разработку ЭС, символьные языки и языки инженерии знаний.

Поверхностные оболочки экспертных систем (на примере оболочки ЭКО). Система ЭКО входит в инструментальный комплекс HИK, предназначенный для созданияэкспертных систем на ПЭВМ, и представляет собой гибридную настраиваемую экспертную оболочку. ЭКО ориентирована на создание эффективных коммерческих ЭС для решения задач диагностики ипланирования встатических проблемных областях.

Система ЭКО предоставляет следующие основные средства:

- представления знаний;

- приобретения знаний;

- анализа знаний;

- ведения консультаций.

Средства предоставления знаний являются специализированным языком (ЯПЗ) и позволяют описывать проблемные области различной природы простым и естественным образом.

Средства приобретения знаний включают интеллектуальный редактор БЗ, а также средства генерации отчетов по БЗ и обеспечивают ввод, компиляцию и тестирование знаний, а также построение текстовых и графических отчетов по БЗ.

Средства анализа знаний предназначены для облегчения анализа БЗ с помощью специального представления этих знаний в виде так называемого гипертекста или электронной книги. К таким средствам относятся генератор гипертекстов и гиперпроцессор.

Средства ведения консультации позволяют решать задачи конечного пользователя на основе введенных знаний, исследовать поведение моделей в различных ситуациях, оказывать помощь пользователю в необходимых случаях.

Предоставление знаний в системе ЭКО предусматривает описание реалий проблемной области в виде атрибутов. В зависимости от характера представляемых свойств атрибуты подразделяются на числовые и символьные. Символьные атрибуты определяются на конечных множествах значений, задаваемых перечислением при создании БЗ. Числовые атрибуты определяются на числовых интервалах. Атрибуты могут быть определены либо как точные, либо как неточные. В первом случае атрибут в ходе консультации может иметь только одно достоверно известное значение. Во втором случае значения атрибутов могут быть недоопределенными. Подобные значения представляются в виде распределений некоторой величины, называемой коэффициентом определенности, по области определения атрибута (числовые атрибуты являются всегда точными). Предложения вида «Значение символьного атрибута А есть В» называются утверждениями о состоянии проблемной области. Значением утверждения является коэффициент его определенности.

Методы решения задач описываются с помощью правил. Условия правил включают образцы для сопоставления и/или точные условия, накладываемые на значения атрибутов. Результатом проверки условия является однозначное решение о возможности применения правила, а также совокупность тех атрибутов, к которым правило следует применять. Действие правила описывает связь между значениями атрибутов в проблемной области. Правила могут описывать точные, неточные, нечеткие связи, а также ограничения на совместимые значения альтернативных атрибутов. Для ввода исходных данных используются правила-вопросы.

Порядок ведения консультации описывается в виде сценария, являющегося обязательным компонентом каждой модели. В сценарии указывается, значения каких атрибутов и в каком порядке должны быть найдены, какие сообщения должны быть выданы пользователю в зависимости от получаемых результатов. Кроме того, сценарий описывает порядок связи ЭС с СУБД и внешними программами. Сценарий представляет собой совокупность именованных предложений, имеющих вид ЕСЛИ-ТО. Эти предложения выполняются в том порядке, в каком они были введены в БЗ, причем, если для их выполнения требуются значения каких-либо атрибутов, решатель пытается их вывести.

Допускается структурирование базы знаний экспертной системы, т.е. реализация ее в виде совокупности взаимосвязанных пакетов знаний, называемых моделями (каждая из которых представляет собой, по существу, отдельную экспертную систему) и предназначенных для решения подзадач в проблемной области. Система позволяет представлять степень определенности знаний с помощью числовых коэффициентов. Для обработки нечетких знаний и проведения нечетких вычислений в системе реализованы методы, основанные на формуле Байеса и нечеткой логике Заде.

По завершении ввода знаний редактор осуществляет компиляцию и тестирование БЗ системы. В ходе компиляции система строит сеть вывода, в явном виде включающую все взаимосвязи между атрибутами и утверждениями. Сеть вывода образует замкнутый И-ИЛИ граф, вершины которого соответствуют точным и неточным числовым атрибутам, а также утверждениям, а связки дуг – правилам. Если две вершины связаны дугой, то одна из них является целью, а другая – подцелью соответствующего дуге правила, причем дуга направлена от цели к подцели.

Начиная решение задачи, система выбирает первое предложение сценария, проверяет условие его применимости и, если условие выполнено, выполняет указанное в нем действие. Если для проверки условия необходимы значения некоторых подцелей, программа выводит эти значения, после чего проверяет условие. Затем программа переходит к следующему предложению и так далее, пока не обнаружит действие СТОП или не будет исчерпан сценарий.

При выводе значения цели программа пытается в соответствии с описанием проблемной области найти в сети вывода путь от вершин, представляющих исходные данные задачи (т.е. значения, которые вводятся пользователем в ответ на вопросы программы), к вершине, соответствующей этой цели. Этот путь должен обладать следующим свойством: условия применимости правил, соответствующих входящим в путь дугам, должны быть выполнены. При поиске пути используется метод поиска «в глубину» с последующим выводом от данных.

Средства ведения консультации обеспечивают построения объяснений типа: ЗАЧЕМ система запрашивает те или иные данные, КАК получен результат. Кроме того, реализован процессор команд пользователя, с помощью которого можно проверять гипотезы ЧТО-ЕСЛИ, изменять значения атрибутов, строить и загружать контрольные точки. Система позволяет вести протоколы консультаций. Документация на систему доступна в любой момент в виде гипертекста.

Система обладает развитыми средствами трассировки, представляющими разработчику ЭС широкий спектр возможностей для отладки БЗ. В частности, возможен вывод на экран трассы в виде сети вывода с отслеживанием на ней обрабатываемых в текущий момент атрибутов, утверждений и правил.

В ходе консультации взаимодействие с разработчиком ЭС и конечным пользователем осуществляется как в текстовой, так и в графической форме. Реализован интерфейс с СУБД и внешними программами, который позволяет либо включать ЭС в качестве компонентов в средства традиционного программирования, либо использовать ЭС для управления работой этих средств.

Для обучения работе с системой ЭКО реализованы средства автоматизированного обучения. Система ЭКО реализована на языках СИ и Ассемблере, функционирует на ПЭВМ типа IBM PC и требует от 220 до 400 К оперативной памяти в зависимости от режима работы.

Система ЭКО использована при создании ряда приложений в области гидротехники, вычислительной техники, медицины и эргономики.

Глубинные оболочки экспертных систем (на примере оболочки НЭКС). Система НЭКС – это глубинная настраиваемая интегрированная оболочка экспертных систем (ЭС), входящая в инструментальный комплекс НИК и предназначенная для построения прикладных ЭС в различных предметных областях.

НЭКС ориентирована на создание ЭС, решающих статические неформализованные задачи, и обладает возможностями по представлению и анализу глубинных знаний о ПО: о структуре ПО, о составе и методах взаимодействия компонентов ПО, об отношениях наследования свойств между компонентами ПО и др. Эти знания позволяют не только рассуждать на уровне прецедентов ситуации, возникшей в ПО (как это делается в поверхностных ЭС), но и дают возможность моделировать процессы, происходящие в ПО.

НЭКС функционирует в двух режимах: 1) режиме приобретения знаний, в процессе которого эксперт формирует базу знаний; 2) режиме консультации, в ходе которого пользователь, эксперт или инженер по знаниям взаимодействуют с ЭС с целью решения задачи. Создание приложения, т.е. конкретной ЭС, требует поочередного использования обоих режимов. При эксплуатации готовой ЭС применяется только режим консультации. Создание конкретной ЭС средствами НЭКС достигается формированием базы знаний и выбором параметров системы, обеспечивающих ее настройку на особенности конкретной предметной области. Создание приложения не требует от человека, вводящего знания, умения программировать. Структура НЭКС соответствует структуре типовой экспертной системы и включает в себя следующие основные взаимосвязанные компоненты: решатель – непосредственно осуществляющий вывод; объяснитель – способный по требованию пользователя объяснить те или иные действия решателя; диалоговый компонент — осуществляющий интерфейс между пользователем и системой; приобретатель – ответственный за ввод новых знаний; базу знаний – содержащую знания о решении задач и факты, свойственные конкретным проблемным ситуациям; рабочую память – содержащую данные о текущей проблемной ситуации. Базу знаний разработчик заполняет на этапе создания конкретного приложения. Рабочая память формируется в ходе конкретной консультации.

Отличие НЭКС от поверхностных оболочек в том, что каждый из ее компонентов имеет более развитые возможности, ориентированные на использование глубинных знаний. Рассмотрим более подробно эти компоненты.

База знаний. Включает в себя следующие типы информации.

1.Прототипы объектов отражают некоторые абстрактные понятия ПО. Описываются именем абстрактного понятия и совокупностью свойств с диапазонами возможных значений, значениями по умолчанию и естественно-языковыми шаблонами сообщений. Прототип объекта может содержать информацию о типе его взаимоотношения с другими прототипами.

2.Структура отношений между понятиями, описанными прототипами объектов. На основании этой структуры функционирует механизм наследования свойств с исключениями, позволяющий эффективно отображать имеющие место в ПО многочисленные прагматические связи между понятиями.

3.Метаправила, для представления метазнаний о порядке решения задач, выбора режимов работы системы и др.

4.Общие правила – описывающие методы поиска решения на уровне абстрактных ситуаций ПО. Правило такого вида в ходе консультации может быть означено различными наборами конкретных объектов. Это позволяет отражать общие законы функционирования и взаимоотношений элементов ПО (например, принцип работы всех элементов «И» цифровой схемы).

5.Конкретные правила рассуждают на уровне конкретных понятий ПО (конкретных объектов РП). Большинство поверхностных систем используют правила только этого вида.

6.Описания предикатных и вычислительных функций, используемых в качестве компонентов продукционных правил.

7.Факты, несущие информацию о конкретных состояниях предметной области.

8.Параметры системы, задающие стратегии работы решателя. РАБОЧАЯ ПАМЯТЬ. Хранит конкретные объекты, содержащие фактическую информацию о состоянии ПО. Каждый конкретный объект отражает конкретное понятие ПО и, по существу, является реализацией (примером) какого-либо прототипа объекта (один прототип может иметь любое количество реализации). В конкретных объектах хранится информация, приобретенная от пользователя, либо извлеченная из базы данных, либо выведенная решателем в ходе работы.

Решатель. Цель работы решателя заключается в выводе неизвестных значений свойств некоторых объектов. Пользователь задает начальный набор конкретных объектов и определяет, какие свойства в этих объектах должна вычислить система. Решатель находит в базе знаний правила, способные вычислить эти значения. Если правило конкретного вида, вычисляются его подцели (значения других, требуемых в условии и в действии правила, свойств конкретных объектов), проверяется условие правила и, в случае его выполнения, полученный в действии результат становится значением искомого целевого объекта. Если правило общего вида (или метаправило), решатель определяет, какими объектами рабочей памяти это правило может быть означено, и дальнейшая работа производится так же, как и для конкретного правила. Для вычисления значения свойства решатель применяет все возможные правила и означивания, объединяя полученные результаты. Глубинные методы рассуждения, используемые для моделирования процессов, происходящих в ПО, в основном реализуются на основе правил общего вида. Если требуется провести анализ результатов моделирования различных процессов на основании некоторых предположений о значениях свойств объектов, решатель осуществляет генерацию альтернативных гипотетических пространств (миров), описывающих ситуации проблемной области. Список предполагаемых значений свойств объектов может быть задан в описании типов объектов или определяться с помощью правил. Те пространства, где моделируемый процесс не соответствует реальному, отвергаются, и в дальнейшем вывод осуществляется лишь в оставшихся альтернативных мирах.

При выводе решатель использует механизм наследования информации, механизм обработки неточных знаний, механизм поддержания истинности.

В зависимости от особенностей конкретных ПО, система может быть настроена на различные способы работы решателя. К ним относятся:

- метод вывода: прямой (от данных к цели), обратный (от цели к данным) или смешанный;

- способ манипулирования неопределенностями;

- стратегия выполнения операции сопоставления;

- стратегия разрешения конфликтов;

- способ манипулирования объектами;

- метод работы с альтернативными гипотетическими пространствами;

- порог коэффициента неопределенности;

- состав выдачи статистической информации и др.

Стратегии работы решателя могут задаваться как перед началом работы, так и в ходе консультации с помощью метаправил.

Система позволяет использовать при решении задач внешние функции, реализованные на языке ЛИСП или любом другом языке, и базы данных.

Объяснитель. Кроме стандартных команд «ПОЧЕМУ» (почему система задает данный вопрос) и «КАК» (как получен системой данный результат), в НЭКС реализованы следующие команды:

«СПОСОБ» – каким способом в принципе может быть получено какое-либо значение;

«ПРИЧИНА» – причина, по которой данный способ определения значения решателем был отвергнут;

«ТУПИКИ» – свойства объектов РП, для которых решатель не смог в ходе работы определить значение;

«МИРЫ» – информация о наличии и особенностях созданных в ходе работы гипотетических пространств;

«ПАРМ» – характеристики полученного в ходе работы дерева решения;

и др.

Приобретатель. Процесс создания экспертной системы заключается в формировании базы знаний. Формирование базы знаний возложено на приобретатель системы и заключается во вводе в БЗ следующих элементов: описаний прототипов объектов, общих правил, конкретных правил, метаправил, описаний предикатных функций, описаний вычислительных функций, фактов.

Описание прототипов объектов задает 1) тип объекта, служащий для обозначения типа понятия, которое он будет представлять; 2) описание свойств, характерных для данного типа понятий; 3) описание возможных значений свойств; 4) лингвистическую информацию, используемую системой при анализе/синтезе сообщений пользователя; 5) прототипы объектов, находящихся в «родовидовом» отношении к данному.

Правило используется для представления зависимостей между значениями свойств объектов. Правило состоит из левой и правой части. В левой части выделяют предпосылку и условие. Предпосылка описывает ситуацию (для общих правил и метаправил – абстрактную ситуацию, для конкретных правил – конкретную) проблемной области, наличие которой необходимо для того, чтобы рассмотрение правила стало уместным. Условие задается в виде конъюнкции предикатных функций, определенных на значениях свойств объектов. Правила могут снабжаться коэффициентом определенности, характеризующим степень доверия к ним, измеряемую числом в диапазоне от 0 до +1. Правила разрешается разбивать на классы, соответствующие подзадачам задачи или разным методам решения задачи.

Метаправила используются для представления знаний о ходе решения задачи. Областью действий метаправил являются системные процессы.

Предикатные функции используются в левых частях правил с целью проверки выполнимости условия правила. Выполнимость условия оценивается коэффициентом определенности. При необходимости разработчик экспертной системы может добавить к существующему набору предикатных функций любую другую, реализованную как на языке ЛИСП.

Вычислительные функции применяются в правой части правила, и их создание аналогично созданию предикатных функций. Факты несут в себе информацию о состояниях проблемной области, с помощью которой приписываются значения свойствам объектов. В виде фактов оформляется общезначимая (справедливая для всех или для значительного числа конкретных состояний проблемного мира) информация.

Диалоговый компонент. Позволяет осуществлять общение между системой и пользователем как в виде текста на ограниченном естественном языке (при необходимости с использованием меню и анкет), так и с помощью изображений. Для реализации общения с помощью изображений, различные зоны изображения разработчик ЭС должен поставить в соответствие с определенными значениями, передаваемыми в систему.

Система НЭКС реализована на языке программирования SHEMELISP, функционирует на IBM PC AT/XT. Требует 500К оперативной памяти. Время реакции — не более 5 сек. Реализован интерфейс с внешними программами, базами данных. Обладает развитыми средствами трассировки.