itmo_conspects

Лекция 13. Базы знаний

Чем отличаются знания от данных? Данные декларативны, а знания продукционны. Знания мы не получаем - мы их создаем

К тому же знания не существуют без контекста. Например, в школьной среде принято, что деление на ноль невозможно. Потом, в университете, на изучении теории пределов возникает парадокс, что делить на ноль можно (то есть на бесконечно малую величину)

К тому же знания не постояны. Мы, как интеллектуальные существа, способны создавать “гладкое продолжение”, например, на основе 5 чисел предположить, какое число будет следующим. Оно позволяет нам предсказывать события, в отличии от других существ, например, лисы. Лисы почти с рождения учаться мышкованию - ловле мышей под снегом. Пустив лис на охоту в другой среде, люди заметили, что лисы совсем не были способны к ней

При этом биологической разницы между нейронными сетями высших млекопитающих почти нет. Мы используем знания, мы их научились передовать и обобщать

Но все же определить, что такое знания, очень трудно. Но вещи, которые мы не можем объяснить, мы можем смоделировать. Например, электрон - на самом деле никто не знает, как он выглядит и где он находится. Или же разложение света.

Когда Ньютон делал свои опыты, он заметил, что если после разложения закрыть все цвета, кроме красного, желтого и зеленого, и преломить их в точку, то точка будет белой.

Другой физик Максвелл проводил эксперимент с волчком, на котором были цветные сектора. Вращая его, он замечал, что если сектора по площади равны и красного, зеленого и синего цветов, то получался белый. Изменяя площадь каждого сектора можно было получить разные оттенки серого.

В итоге оказалось, что цвет - это восприятие человека, а точнее его колбочек

Поэтому, как и с физикой, мы хотим построить модель, которая через данные хранит знания

База знаний - совокупность единиц знаний, которые представляют собой формализованные с помощью некоторого метода представления знаний, отражение объектов предметной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются

Базы знаний делятся на открытые и замнкнутые:

• Замкнутые продуцируют знаний на основе заложенных в них знаний - если такую систему спросить о чем-то, что она не знает и не может вывести из существующих знаний, она ответит “не знаю”

• Открытые базы знаний могут вместо “не знаю” запросить еще данных (допобучение) и к тому же выявлять противоречия

Например, большие языковые модели являются закрытыми базами данных - они (пока что) не могут дообучаться, да и к тому же могут галлюцинировать знания. Разберем некоторые модели баз знаний:

1. Логическая модель <T, P, A, B>, где

   • T - конечный набор неделимых элементов знаний, словарь
   • P - множество синтаксических правил или формул, на основании которых из T можно получить синтаксически верную конструкцию
   • A - набор аксиом, подмножество P, которое является истинно, например, A + B = B + A
   • B - правила вывода, конструкции, с помощью которых из одних верных конструкций получить другие верные конструкции

1. Сетевая модуль <I, C_1, C_2, ..., C_n, G_1, G_2, ..., G_n>, где

   • I - набор информационных единиц
   • C_i - типы связей, например, X является видом Y, из X следует Y

   • G_i - графы для каждого типа связей

     Если раскрасить ребра графов и совместить их, то получим онтологию нашей предметной области

1. Фреймовая модель

   Фреймовая модель состоит из фреймов, в которых есть пары слотов и значений. Значением может быть какая-то константа либо процедура получения значения

1. Продукционная модель <I, Q, P, A -> B, N>

   • I - идентификатор продукции
   • A -> B - ядро продукции
   • Q - область применения продукции
   • P - условия применимость этой продукции
   • N - пост-условие выполнения продукции

This site is open source. Improve this page.