Система рассуждений
 | Эта статья нуждается в дополнительных цитатах для проверки . ( октябрь 2012 г. ) |
В информационных технологиях система рассуждений — это программная система , которая генерирует выводы на основе имеющихся знаний с использованием логических методов, таких как дедукция и индукция . Системы рассуждения играют важную роль в реализации искусственного интеллекта и систем, основанных на знаниях .
Согласно повседневному определению этой фразы, все компьютерные системы являются системами рассуждения, поскольку все они автоматизируют тот или иной тип логики или решений. Однако при обычном использовании в области информационных технологий эта фраза обычно применяется к системам, которые выполняют более сложные виды рассуждений. Например, не для систем, которые выполняют довольно простые рассуждения, такие как расчет налога с продаж или скидки для клиентов, а делают логические выводы о медицинском диагнозе или математической теореме. Системы рассуждения работают в двух режимах: интерактивном и пакетной обработке. Интерактивные системы взаимодействуют с пользователем, задавая уточняющие вопросы или иным образом позволяя пользователю управлять процессом рассуждения. Пакетные системы обрабатывают всю доступную информацию одновременно и генерируют наилучший возможный ответ без обратной связи или указаний пользователя. [1]
Системы рассуждения имеют широкую область применения, которая включает планирование , обработку бизнес-правил , решение проблем , обработку сложных событий , обнаружение вторжений , прогнозную аналитику , робототехнику , компьютерное зрение и обработку естественного языка .
История
[ редактировать ]Первыми системами рассуждения были средства доказательства теорем, системы, которые представляли аксиомы и утверждения в логике первого порядка, а затем использовали логические правила, такие как modus ponens, для вывода новых утверждений. Еще одним ранним типом системы рассуждения были средства решения общих задач. Это были такие системы, как General Issue Solver, разработанный Ньюэллом и Саймоном . Решатели общих проблем попытались создать универсальный механизм планирования, который мог бы представлять и решать структурированные проблемы. Они работали, разлагая проблемы на более мелкие, более управляемые подзадачи, решая каждую подзадачу и собирая частичные ответы в один окончательный ответ. Еще одним примером решения общих проблем было SOAR семейство систем .
На практике эти средства доказательства теорем и решения общих задач редко были полезны для практических приложений, и для их использования требовались специализированные пользователи со знанием логики. Первым практическим применением автоматизированных рассуждений стали экспертные системы . Экспертные системы ориентированы на гораздо более четко определенные области, чем решение общих проблем, таких как медицинская диагностика или анализ неисправностей самолета. Экспертные системы также ориентированы на более ограниченные реализации логики. Вместо того, чтобы пытаться реализовать весь спектр логических выражений, они обычно сосредотачивались на модус-поненах, реализуемых с помощью правил ЕСЛИ-ТО. Сосредоточение внимания на конкретной области и разрешение только ограниченного подмножества логики улучшило производительность таких систем, так что их можно было использовать в реальном мире, а не просто в качестве исследовательских демонстраций, как это было большинство предыдущих систем автоматизированного рассуждения. Механизм, используемый для автоматического рассуждения в экспертных системах, обычно назывался механизмом вывода . Те, которые используются для более общего логического вывода, обычно называются доказатели теорем . [2]
С ростом популярности экспертных систем многие новые типы автоматизированных рассуждений стали применяться для решения различных проблем в правительстве и промышленности. Некоторые из них, такие как рассуждения на основе прецедентов, были результатом исследований экспертных систем. Другие области, такие как алгоритмы удовлетворения ограничений, также находились под влиянием таких областей, как технология принятия решений и линейное программирование. Кроме того, чрезвычайно продуктивным оказался и совершенно другой подход, основанный не на символических рассуждениях, а на коннекционистской модели. Этот последний тип автоматизированных рассуждений особенно хорошо подходит для задач сопоставления с образцом и обнаружения сигналов, таких как поиск текста и сопоставление лиц.
Использование логики
[ редактировать ]Термин «система рассуждения» может применяться практически к любой сложной системе поддержки принятия решений, как показано в конкретных областях, описанных ниже. Однако наиболее распространенное использование термина «система рассуждений» подразумевает компьютерное представление логики. Различные реализации демонстрируют значительные различия с точки зрения систем логики и формальности. Большинство систем рассуждения реализуют варианты пропозициональной и символической ( предикатной ) логики. Эти варианты могут быть математически точными представлениями формальных логических систем (например, FOL ) или расширенными и гибридными версиями этих систем (например, Вежливая логика). [3] ). Системы рассуждения могут явно реализовывать дополнительные типы логики (например, модальную , деонтическую , темпоральную логику). Однако многие системы рассуждения реализуют неточные и полуформальные аппроксимации признанных логических систем. Эти системы обычно поддерживают множество процедурных и полудекларативных методов для моделирования различных стратегий рассуждения. Они подчеркивают прагматизм, а не формальность, и могут зависеть от пользовательских расширений и вложений для решения реальных проблем.
Многие системы рассуждения используют дедуктивные рассуждения , чтобы сделать выводы на основе имеющихся знаний. Эти механизмы вывода поддерживают прямое или обратное рассуждение для вывода выводов с помощью modus ponens . Методы рекурсивного рассуждения, которые они используют, называются « прямая цепочка » и « обратная цепочка » соответственно. Хотя системы рассуждений широко поддерживают дедуктивный вывод, некоторые системы используют абдуктивные , индуктивные , опровергаемые и другие типы рассуждений. Эвристика также может использоваться для определения приемлемых решений трудноразрешимых проблем .
Системы рассуждения могут использовать предположение о закрытом мире (CWA) или предположение об открытом мире (OWA). OWA часто ассоциируется с онтологическим представлением знаний и семантической сетью . Различные системы демонстрируют различные подходы к отрицанию . Помимо логического или побитового дополнения , системы могут поддерживать экзистенциальные формы сильного и слабого отрицания, включая отрицание как отказ и «инфляционное» отрицание (отрицание неосновных атомов ). Различные системы рассуждения могут поддерживать монотонные или немонотонные рассуждения, стратификацию и другие логические методы.
Рассуждения в условиях неопределенности
[ редактировать ]Многие системы рассуждений предоставляют возможности для рассуждений в условиях неопределенности . Это важно при построении ситуативных мыслительных агентов , которым приходится иметь дело с неопределенными представлениями о мире. Существует несколько распространенных подходов к управлению неопределенностью. К ним относятся использование факторов уверенности, вероятностных методов, таких как байесовский вывод или теория Демпстера-Шейфера , многозначной (« нечеткой ») логики и различных коннекционистских подходов. [4]
Типы системы рассуждений
[ редактировать ]В этом разделе представлена неисчерпывающая и неформальная классификация распространенных типов систем рассуждения. Эти категории не являются абсолютными. Они в значительной степени пересекаются и имеют ряд общих приемов, методов и алгоритмов .
Решатели ограничений
[ редактировать ]Решатели ограничений решают проблемы удовлетворения ограничений (CSP). Они поддерживают программирование с ограничениями . Ограничение – это ограничение , которому должно соответствовать любое допустимое решение проблемы . Ограничения определяются декларативно и применяются к переменным в заданных областях. Решатели ограничений используют методы поиска , обратного отслеживания и распространения ограничений для поиска решений и определения оптимальных решений. Они могут использовать формы линейного и нелинейного программирования . Они часто используются для оптимизации в очень комбинаторных проблемных пространствах. Например, их можно использовать для расчета оптимального планирования, разработки эффективных интегральных схем или максимизации производительности производственного процесса. [5]
Доказательства теорем
[ редактировать ]Средства доказательства теорем используют методы автоматического рассуждения для определения доказательств математических теорем. Их также можно использовать для проверки существующих доказательств. Помимо академического использования, типичные применения средств доказательства теорем включают проверку правильности интегральных схем, программного обеспечения, инженерных проектов и т. д.
Логические программы
[ редактировать ]Логические программы (LP) — это программы, написанные с использованием языков программирования которых , примитивы и выражения обеспечивают прямое представление конструкций, взятых из математической логики. Примером языка логического программирования общего назначения является Пролог . LP представляют собой прямое применение логического программирования для решения проблем. Логическое программирование характеризуется высокодекларативными подходами, основанными на формальной логике, и широко применяется во многих дисциплинах.
Механизмы правил
[ редактировать ]Механизмы правил представляют условную логику как дискретные правила. Наборами правил можно управлять и применять отдельно к другим функциям. Они имеют широкое применение во многих областях. Многие механизмы правил реализуют возможности рассуждения. Распространенным подходом является внедрение производственных систем для поддержки прямой или обратной цепочки. Каждое правило («производство») связывает сочетание предложений-предикатов со списком выполняемых действий.
Во время выполнения механизм правил сопоставляет продукцию с фактами и выполняет («запускает») связанный список действий для каждого совпадения. Если эти действия удаляют или изменяют какие-либо факты или утверждают новые факты, движок немедленно пересчитывает набор совпадений. Механизмы правил широко используются для моделирования и применения бизнес-правил , для контроля принятия решений в автоматизированных процессах и для обеспечения соблюдения бизнес- и технической политики.
Дедуктивный классификатор
[ редактировать ]Дедуктивные классификаторы возникли несколько позже, чем системы, основанные на правилах, и были компонентом нового типа инструмента представления знаний искусственного интеллекта, известного как фреймовые языки . Язык фреймов описывает проблемную область как набор классов, подклассов и отношений между классами. Это похоже на объектно-ориентированную модель. Однако в отличие от объектно-ориентированных моделей языки фреймов имеют формальную семантику, основанную на логике первого порядка.
Они используют эту семантику для предоставления входных данных для дедуктивного классификатора. Классификатор, в свою очередь, может анализировать данную модель (известную как онтология ) и определять, являются ли различные отношения, описанные в модели, согласованными. Если онтология несогласована, классификатор выделит несогласованные объявления. Если онтология непротиворечива, классификатор может провести дальнейшие рассуждения и сделать дополнительные выводы об отношениях объектов в онтологии.
Например, он может определить, что объект на самом деле является подклассом или экземпляром дополнительных классов, описанных пользователем. Классификаторы — важная технология анализа онтологий, используемых для описания моделей в семантической сети . [6] [7]
Системы машинного обучения
[ редактировать ]Системы машинного обучения меняют свое поведение с течением времени на основе опыта . Это может включать в себя рассуждения о наблюдаемых событиях или примеры данных, предоставленных в целях обучения. Например, системы машинного обучения могут использовать индуктивные рассуждения для генерации гипотез на основе наблюдаемых фактов. Системы обучения ищут обобщенные правила или функции, которые дают результаты, соответствующие наблюдениям, а затем используют эти обобщения для управления будущим поведением.
Системы рассуждения на основе прецедентов
[ редактировать ]Системы рассуждения на основе прецедентов (CBR) предоставляют решения проблем путем анализа сходства с другими проблемами, для которых уже существуют известные решения. В рассуждениях на основе прецедентов используются высшие (поверхностные) уровни сходства; а именно, объект, особенность и критерии ценности. Это отличает рассуждение на основе прецедентов от рассуждения по аналогии тем, что рассуждение по аналогии использует только критерий «глубокого» сходства, т.е. отношения или даже отношения отношений, и не требует обнаружения сходства на более поверхностных уровнях. Это различие делает рассуждения на основе прецедентов применимыми только среди случаев одной и той же области, поскольку сходные объекты, функции и/или значения должны находиться в одной и той же области, в то время как критерий «глубокого» сходства «отношений» делает рассуждения по аналогии применимыми в разных областях. где только отношения между случаями схожи. Системы CBR обычно используются в сценариях клиентской/ технической поддержки и колл-центров , а также применяются в промышленном производстве , сельском хозяйстве , медицине. , право и многие другие области.
Процедурные системы рассуждения
[ редактировать ]Система процедурных рассуждений (PRS) использует методы рассуждения для выбора планов из процедурной базы знаний . Каждый план представляет собой курс действий для достижения определенной цели . PRS реализует модель убеждения-желания-намерения путем рассуждения о фактах (« убеждениях ») для выбора подходящих планов (« намерений ») для заданных целей («желаний»). Типичные области применения PRS включают системы управления, мониторинга и обнаружения неисправностей .
Ссылки
[ редактировать ]- ^ Вос, Ларри; Овербик, Росс; Юинг, Ласк; Бойл, Джим (1984). Автоматизированное рассуждение: введение и применение . Прентис Холл. п. 4 . ISBN 978-0-13-054453-7 .
- ^ Хейс-Рот, Фредерик; Уотерман, Дональд; Ленат, Дуглас (1983). Построение экспертных систем . ЭддисонУэсли. ISBN 978-0-201-10686-2 .
- ^ Грософ, Бенджамин Н. (30 декабря 1997 г.). «Программы вежливой логики: приоритетность разрешения конфликтов в соответствии с правилами» (Постскриптум) . Отчет об исследовании IBM . РЦ 20836 (92273).
- ^ Моисей, Йорам; Варди, Моше Ю; Феджин, Рональд; Халперн, Джозеф Ю. (2003). Рассуждения о знаниях . МТИ Пресс. ISBN 978-0-262-56200-3 .
- ^ Шалкофф, Роберт (2011). Интеллектуальные системы: принципы, парадигмы и прагматика: принципы, парадигмы и прагматика . Джонс и Бартлетт Обучение. ISBN 978-0-7637-8017-3 .
- ^ МакГрегор, Роберт (июнь 1991 г.). «Использование классификатора описания для улучшения представления знаний». Эксперт IEEE . 6 (3): 41–46. дои : 10.1109/64.87683 . S2CID 29575443 .
- ^ Бернерс-Ли, Тим; Хендлер, Джеймс; Лассила, Ора (17 мая 2001 г.). «Семантическая сеть. Новая форма веб-контента, имеющая смысл для компьютеров, откроет революцию новых возможностей» . Научный американец . 284 (5): 34–43. doi : 10.1038/scientificamerican0501-34 . Архивировано из оригинала 24 апреля 2013 года.