Неполнота знаний и немонотонная логика.

Абсолютно полных знаний не существует, поскольку процесс познания бесконечен. В связи с этим состояние базы знаний должна изменяться с течением времени в отличии от простого добавления информации, как в базу данных, при добавление новых знаний в бз возникает опасность получения противоречивых выводов, т.е. выводы, полученные с использованием новых знаний могут опровергать выводы полученные ранее, еще хуже, если новые знания будут находиться в противоречии со старыми знаниями, тогда механизм лог. вывода может стать неработоспособным. Многие интеллектуальные системы первого поколения были основаны на модели закрытого мира, обусловленные применением аппарата формальной логики для обработки знаний. Модель закрытого мира предполагает жесткий отбор знаний включаемого в бз, а именно, бз заполняется исключительно верными понятиями, а все, что ненадежно или неопределенно, заведомо считается ложным, такая модель имеет ограниченные возможности представления знаний и таит в себе опасность в получении противоречивых знаний, при добавлении новых. Тем не менее эта модель достаточно распространена, например на ней базируется язык пролог логического программирования. Недостатки модели закрытого мира связанны с тем, что формальная логика исходит из предпосылки, согласно которой, набор определенных в бз знаний является полным. Для полного набора знаний справедливость ранее полученных выводов не нарушается с добавлением новых знаний. Пусть в бз содержатся следующие утверждения:

1)Птицы летают

2)Пингвин не летает

3)Лола птица

На основе этих утверждений, знаний можно получить заключение:

1)Лола летает, пингвин не птица.

Если в бз добавить утверждение, что Лола пингвин, то получим противоречащие предыдущему исключения:

1)Лола не летает, Лола не птица.

В качестве средств формальной обработки неполных знаний, для которых необходимо немонотонные выводы, разработаны методы немонотонной логики. Для организации логических выводов в интеллектуальных системах с не полными знаниями вместо традиционных индукции и дедукции, применяется абдукция – называется процесс формирования, объясняющий гипотезы на основе заданной теории и имеющихся наблюдений. Пусть теория содержит правила (правила продукции) «ЕСЛИ УСЛОВИЕ [СТУДЕНТ ОТЛИЧНО ЗНАЕТ МАТЕМАТИКУ], то [ОН МОЖЕТ СТАТЬ ХОРОШИМ ИНЖЕНЕРОМ]»

ФАКТ: Если СТУДЕНТ ИВАНОВ ОТЛИЧНО ЗНАЕТ МАТЕМАТИКУ.

НАБЛЮДЕНИЯ: СТУДЕНТ ИВАНОВ СТАЛ ХОРОШИМ ЭКОНОМИСТОМ. Это наблюдение не выводится из заданной теории, он должен стать хорошим инженером, для того чтобы его вывести необходимо сформировать абдуктивную (объясняющую) гипотезу, которая не будет противоречить выше приведенной теории, такой гипотезой может стать следующая. «Хороший математик может стать хорошим экономистом» Абдуктивные выводы используются в задачах диагностики для обнаружения причин, наблюдаемого неправильного поведения систем. Неточность знаний.

Известно, что количественные знания могут быть неточными, при этом существует качественные оценки такой неточности (доверительный интервал, уровень значимости). Лингвистические знания так же могут быть неточными. Для учета неточности лингвистический знаний используется теория нечётких множеств. Исследования в области математики привело к нечеткой логики и нечетких выводов, которые пополняются с использование знаний, представлены нечеткими множествами, нечеткими отношениями, и нечеткими соответствиями.