Определение 2.5

Формирование знаний (machine learning) — процесс анализа данных и выявле­ния скрытых закономерностей с использованием специального математическо­го аппарата и программных средств.

Традиционно к задачам формирования знаний или машинного обучения относятся задачи прогнозирования, идентификации (синтеза) функций, расшифровки языков, индуктивного вывода и синтеза с дополнительной информацией [Епифанов, 1984]. В широком смысле к обучению по приме­рам можно отнести и методы обучения распознаванию образов [Аткинсон, 1989; Schwartz, 1988].

Для того чтобы эти методы стали элементами технологии интеллектуальных систем, необходимо решить ряд задач [Осипов, 1997]:

Ø обеспечить механизм сопряжения независимо созданных баз данных, имеющих различные схемы, с базами знаний интеллектуальных систем;

Ø установить соответствие между набором полей базы данных и множест­вом элементов декларативного компонента базы знаний;

Ø выполнить преобразование результата работы алгоритма обучения в спо­соб представления, поддерживаемый программными средствами интел­лектуальной системы.

Помимо перечисленных существуют также и другие стратегии получения знаний, например, в случае обучения на примерах (case-based reasoning), когда источник знаний — это множество примеров предметной области [Осипов, 1997; Попов, Фоминых, Кисель, 1996]. Обучение на основе при­меров (прецедентов) включает настройку алгоритма распознавания на зада­чу посредством предъявления примеров, классификация которых известна.

Обучение на примерах тесно связано с машинным обучением. Различие за­ключается в том, что результат обучения в рассматриваемом здесь случае должен быть интерпретирован в некоторой модели, в которой, возможно, уже содержатся факты и закономерности предметной области, и преобразо­ван в способ представления, который допускает использование результата обучения в базе знаний, для моделирования рассуждений, для работы меха­низма объяснения и т. д., т. е. делает результат обучения элементом соот­ветствующей технологии.

Например, в системе INDUCE [Коов и др., 1988] порождается непротиворечивое описание некоторого класса объектов по множествам примеров и контрпримеров данного класса. В качестве языка представления использу­ется язык переменно-значной логики первого порядка (вариант языка многозначной логики первого порядка).

В последнее время широкое распространение получили термины data mining и knowledge discovery, означающие, по сути, тот же процесс формирования знаний и поиск закономерностей, осуществляемый на больших выборках данных, обычно находящихся в хранилищах данных (data warehouse).

Таким образом, можно выделить три основных стратегии проведения ста­дии получения знаний при разработке ЭС (рис. 2.6):

Ø с использованием ЭВМ при наличии подходящего программного инст­рументария — приобретение знаний',

Ø с использованием программ обучения при наличии репрезентативной (т. е. достаточно представительной) выборки примеров принятия реше­ний в предметной области и соответствующих пакетов прикладных программ —- формирование знаний;

Ø без использования вычислительной техники путем непосредственного контакта инженера по знаниям и источника знаний (будь то эксперт, специальная литература или другие источники) — извлечение знаний.

Рис. 2.6. Стратегии получения знаний

Далее в этой главе подробно будут рассматриваться процессы извлечения знаний, т. к. на современном этапе разработки ЭС эти стратегии являются наиболее эффективными и перспективными. Формирование знаний, тяго­теющее в большей степени к области machine learning, т. е. индуктивному обучению, основываясь на хорошо исследованном аппарате распознавания образов [Гаек, Гавранек, 1983] и обнаружения сходства объектов [Гусакова, Финн, 1987], выходит за рамки данной книги. Также за рамками книги ос­тались вопросы приобретения знаний [Осипов, 1997] и формирования зна­ний из данных (data mining, knowledge discovery) и др.