Данные. Знания. Представление знаний. Модель представления знаний

1. Данные. Знания. Представление знаний. Модель представления знаний

Искусственный интеллект и системы, основанные на знаниях

2. Введение

Данные. Знания. Представление
знаний.
Модель представления знаний
Искусственный интеллект и системы,
основанные на знаниях

3. Иерархия: от данных к мудрости

Данные → Информация → Знания → Мудрость
Данные (Data): Сырые факты, цифры, символы
Информация (Information): Структурированные и
обработанные данные
Знания (Knowledge): Опыт, правила, контекст для
принятия решений
Мудрость (Wisdom): Понимание принципов и
последствий

4. Данные (Data)

Что это?
Сырые, необработанные факты и цифры
Отсутствует контекст и смысловая нагрузка
Основа для создания информации
Примеры:
25, "Иван", 101010, 12.05.2024
Показания датчиков температуры: 18, 21, 19, 22
Отдельные слова в тексте
Характеристики:
Объективны
Не зависят от интерпретации
Являются "сырьем" для информации

5. Информация (Information)

Что это?
Обработанные и структурированные данные
Имеют смысл и контекст
Отвечают на вопросы: Кто? Что? Когда? Где?
Примеры:
"Температура в помещении: 22°C"
"Сотрудник Иван сдал отчет 12.05.2024"
"Средняя температура за неделю: 20°C"
Преобразование:
Данные → (структуризация + контекст) →
Информация

6. Знания (Knowledge)

Что это?
Синтез информации, опыта и правил
Понимание принципов и взаимосвязей
Способность принимать решения и делать прогнозы
Примеры:
"Если температура превышает 25°C, нужно включить
кондиционер"
"В жаркую погоду продажи мороженого увеличиваются на 30%"
Процедура диагностики заболевания врачом
Уровни знаний:
Декларативные ("что")
Процедурные ("как")
Эвристические (опыт, "правила большого пальца")

7. Представление знаний

Зачем нужно?
Для хранения знаний в компьютерных системах
Для обработки и вывода новых знаний
Для имитации человеческого мышления
Требования к системе представления знаний:
Адекватность — точное отражение предметной
области
Эффективность — быстрый поиск и обработка
Универсальность — охват различных типов
знаний
Прозрачность — понятность для человека

8. Модели представления знаний

Что такое модель представления знаний?
Формальная система для кодирования и
организации знаний в компьютерной системе.
Основные подходы:
Логические модели (исчисление предикатов)
Продукционные модели (правила "если-то")
Сетевые модели (семантические сети,
фреймы)
Формальные грамматики

9. Логические модели

Основа: Математическая логика, исчисление предикатов
Принцип:
Знания представляются как логические формулы
Вывод новых знаний — через логический вывод
Пример:
∀x (Человек(x) → Смертен(x))
Человек(Сократ)
∴ Смертен(Сократ)
Плюсы: Четкость, формальность, надежность вывода
Минусы: Сложность для сложных предметных областей

10. Продукционные модели

Основа: Правила "ЕСЛИ-ТО" (IF-THEN)
Структура:
ЕСЛИ <условие> ТО <действие/заключение>
Пример медицинской системы:
ЕСЛИ температура > 38°C
И горло красное
И головная боль
ТО диагноз = ангина (вероятность 70%)
Плюсы: Простота понимания, модульность
Минусы: Сложность управления большим числом
правил

11. Сетевые модели

Семантические сети:
Знания — как узлы и связи между ними
Узлы: понятия, объекты
Связи: отношения (is-a, part-of, has-property)
Пример:
[Собака] --is-a--> [Домашнее животное]
[Собака] --has--> [Хвост]
[Рекс] --is-a--> [Собака]
Фреймы:
Структуры для представления стереотипных ситуаций
Слоты: атрибуты и их значения
Пример фрейма "Автомобиль":
Фрейм: Автомобиль
Марка: Toyota
Модель: Camry
Год: 2022
Цвет: синий

12. Сравнение моделей представления знаний

Модель
Преимущества
Недостатки
Применение
Логическая
Формальность,
надежность
Неэффективнос
ть
Доказательство
теорем
Продукционная
Наглядность,
простота
Проблемы с
большими БЗ
Экспертные
системы
Сетевая
Наглядность
связей
Сложность
обработки
Семантический
поиск
Фреймы
Структурирован
ность
Жесткость
структуры
ООП, базы
данных

13. Современные подходы

Онтологии:
Формальное описание понятий и отношений в
предметной области
Основа для семантического веба
Глубокое обучение:
Неявное представление знаний в нейронных сетях
Автоматическое извлечение знаний из данных
Гибридные системы:
Комбинация разных моделей представления
знаний
Symbolic AI + Neural Networks

14. Применение в реальном мире

Экспертные системы:
Медицинская диагностика
Техническая поддержка
Финансовый анализ
Семантический веб:
Поиск с пониманием смысла
Связывание данных из разных источников
Бизнес-аналитика:
Извлечение знаний из больших данных
Поддержка принятия решений

15. Выводы

Данные → Информация → Знания — эволюция от сырых
фактов к полезным insight’ам
Представление знаний — ключевая задача ИИ для
обработки знаний компьютерами
Разные модели подходят для разных задач и предметных
областей
Современный тренд — гибридные системы, сочетающие
формальные модели и машинное обучение
Знания — это новая нефть, а их эффективное
представление — это технологии ее переработки.