Имя материала: Организация работы с документами

Автор: Кудряев В.А

21.4. знания и модели их представления

 

Для специалистов в области искусственного интеллекта термин «знания» означает информацию, которая необходима программе, чтобы она вела себя «интеллектуально».

Функционирование средств интеллектуального интерфейса опирается на развитые методы работы со знаниями: их представление, хранение, преобразование и т.п.

Под термином «знания» при этом понимается вся совокупность информации, необходимой для решения задачи, включающая в себя в том числе информацию о:

системе понятий предметной области, в которой решаются задачи;

системе понятий формальных моделей, на основе которых решаются задачи;

соответствии систем понятий, упомянутых выше;

текущем состоянии предметной области;

методах решения задач.

При этом система знаний должна быть организована таким образом, чтобы обеспечить взаимодействие вычислительной системы с пользователем в системе понятий и терминов предметной области.

Что же такое знания и чем они отличаются отданных в системах машинной обработки?

Знания — это целостная и систематизированная совокупность понятий о закономерностях природы, общества и мышления, накопленных человечеством в процессе активной преобразующей производственной деятельности и направленная на дальнейшее познание и изменение объективного мира.

Следовательно, интеллектуальная деятельность человека связана с поиском решений в новых, нестандартных ситуациях. Отсюда, задача называется интеллектуальной, если алгоритм ее решения априори неизвестен. При этом задача и ее решение понимаются в самом широком смысле. Решение задачи — это любая деятельность (человека или машины), связанная с выработкой планов и действий, необходимых для достижения определенной цели; выводом новых закономерностей и т.п. Любая интеллектуальная деятельность опирается на знания о предметной области, в которой ставятся и решаются задачи. Предметной областью обычно называют совокупность взаимосвязанных сведений, необходимых и достаточных для решения данной задачи или определенной совокупности задач.

Знания о предметной области включают описания объектов, явлений, фактов, а также отношений между ними.

В общем виде знания в ЭВМ представляются некоторой семиотической (знаковой) системой, в которой выделяются по аналогии сданными три аспекта: синтаксический, семантический и прагматический.

Синтаксис описывает внутреннее устройство знаковой системы, т.е. правила построения и преобразования сложных знаковых выражений. Для естественного языка синтаксис определяет правильное построение предложений и связанного текста.

Семантика определяет отношения между знаками и их свойствами (концептами), т.е. задает смысл или значения конкретных знаков.

Прагматика определяет знак с точки зрения конкретной сферы его применения либо субъекта, использующего данную знаковую систему.

В соответствии с перечисленными аспектами семиотических систем можно выделить три типа знаний: синтаксические, семантические и прагматические.

Синтаксические знания характеризуют синтаксическую структуру описываемого объекта или явления, которая не зависит от смысла и содержания используемых при этом понятий.

Семантические знания содержат информацию, непосредственно связанную со значениями и смыслом описываемых объектов и явлений.

Прагматические знания описывают объекты и явления с точки зрения решаемой задачи, например с учетом действующих в данной задаче специфических критериев.

Трем типам знаний соответствуют и три типа моделей для их представления: синтаксические, семантические и прагматические. Наличие двух последних является наиболее существенным признаком, отличающим интеллектуальные системы от всех других.

Прежде чем перейти к описанию моделей представления знаний, проанализируем особенности знаний, которые собственно и отличают их от данных.

1. Интерпретируемость. Данные, помещенные в ЭВМ, могут содержательно интерпретироваться лишь соответствующей программой. В отрыве от нее данные не несут никакой содержательной информации. Знания отличаются тем, что возможность содержательной интерпретации всегда присутствует.

2. Структурированность или наличие классифицирующих отношений. Несмотря на разнообразие форм хранения данных, ни одна из них не обеспечивает возможности компактного описания всех связей между различными типами данных. Информационные единицы знаний должны обладать гибкой структурой, т.е. для них должен выполняться «принцип матрешки», т.е. такой вложимости, когда можно любую информационную единицу включить в состав другой и из каждой информационной единицы можно выделить некоторые ее составляющие. Это позволяет записывать и хранить отдельно информацию, одинаковую для всех элементов множества. При необходимости эту информацию можно автоматически передать описанию любого элемента множества. Такой процесс называется «наследованием» информации.

3. Наличие ситуативных связей или связность. Они определяют ситуативную совместимость отдельных событий или фактов, хранимых или вводимых в память, а также такие отношения, как одновременность, расположение в одной области пространства, нахождение в состоянии механического или иного взаимодействия и т.п. Ситуативные связи помогают строить процедуры анализа знаний на совместимость, противоречивость и другие, которые трудно реализовать при хранении традиционных массивов данных.

4. Семантическая метрика. На множестве информационных единиц в некоторых случаях полезно задавать отношение, характеризующее ситуационную близость информационных единиц, т.е. силу ассоциативной связи между ними. Это отношение можно назвать отношением релевантности для информационных единиц.

Такое отношение дает возможность выделять в информационной базе некоторые типовые ситуации. Отношение релевантности при работе с информационными единицами дает возможность находить знания, близкие к уже найденным.

5. Активность. Все процессы, протекающие в ЭВМ, инициируются командами, которые являются активной компонентой, а данные используются этими командами лишь при необходимости, т.е. последние - пассивная компонента. Такая ситуация, характерная для классических систем обработки информации, для интеллектуальных систем (ИС) неприемлема. По аналогии с человеком в ИС актуализации тех или иных действий способствуют знания, имеющиеся в системе. Таким образом, выполнение программ в ИС должно инициироваться текущим состоянием информационной базы. Появление в базе фактов (объектов выбора) или описаний событий (квалификаторов и их значений), установление связей (правил в продукционных системах) может стать источником активности системы.

Особенности знаний, их назначение и структура, способы хранения и интерпретации вызывают определенные аналогии со способами организации человеческой памяти. Однако человеческая память хранит не только числовые данные, но и образы или символы. Символьные образы в памяти человека объединены в так называемые чанки - наборы фактов и связей между ними, запоминаемые и извлекаемые как единое целое. В каждый момент времени человек может обрабатывать и интерпретировать не более 4 — 7 чанков. Способность формировать чанки отличает эксперта в конкретной предметной области от неэксперта. Эксперт, в силу профессиональной необходимости, упорно развивает свою способность объединять в чанки большие объемы данных и устанавливать иерархические связи между ними (т.е. преобразовывать данные в знания) для того, чтобы быстро извлекать эти данные из памяти и с их помощью распознавать новые ситуации по мере поступления информации об этих ситуациях. Средний специалист в конкретной предметной области помнит от 50 000 до 100 000 чанков, которые могут быть использованы для решения той или иной проблемы. Накопление в памяти .человека и построение указателей для такого объема данных требует от 10 до 20 лет.

Перечисленные особенности информационных единиц определяют ту грань, за которой данные превращаются в знания, а базы данных перерастают в базы знаний. Однако в настоящее время не существует баз знаний, в которых комплексно, в полной мере были бы реализованы внутренняя интерпретируемость, структуризация, связность, введена семантическая мера и обеспечена активность знаний. Все это предопределяет многообразие моделей представления данных, используемых в интеллектуальных системах, хотя некоторые из них являются производными из существующих.

 

21.4.1. Логические модели представления знаний

 

Основная идея логического подхода состоит в том, чтобы рассматривать всю систему знаний, необходимую для решения прикладных задач и организации взаимодействия ЭВМ с пользователем как совокупность утверждений.

Факты представляются как формулы в некоторой логике (первого или высшего порядков, многозначной, модальной, нечеткой или какой-либо другой). Логика первого порядка (логика предикатов) -операции с простыми высказываниями, расчлененными на субъект (нечто лежащее в основе) и предикат (нечто высказываемое — утверждаемое или отрицаемое — о субъекте). Предикат отображает наличие или отсутствие у предмета того или иного признака. Логика многозначная — допускает много значений истинности события. Логика модальная — исследует высказывания, имеющие значения «возможность», «невозможность», «необходимость» и т.д. Логика Нечеткая — нечеткое рассуждение, вывод в условиях неопределенности — процесс оценки гипотезы при неполной или недостаточной информации в левой или правой части высказывания (т.е. это принадлежность логики первого порядка, когда определены не все или недостаточно полно некоторые элементы множества).

Система знаний представляется совокупностью таких формул. Будучи представлена в ЭВМ, она образует базу знаний. Формулы неделимы и при модификации базы знаний могут лишь добавляться и удаляться. Логические методы обеспечивают развитый аппарат вывода новых фактов не основе тех, что представлены в базе знаний явно. Это определяет интенсивное использование логических методов при создании ЭС. Кроме того,; логические методы позволяют контролировать логическую целостность базы знаний, т.е. ее непротиворечивость, целостность, соответствие предметной области.

Логические методы представления знаний обеспечивают простую и ясную нотацию для записи фактов, обладающую четко определенной семантикой (для методов, основанных на традиционной логике первого порядка). Каждый факт представляется в базе знаний только один раз, вне зависимости от его дальнейшего использования. База знаний, разработанная с применением логических методов, достаточно проста для понимания.

Основной недостаток логических методов — отсутствие четких принципов организации фактов в базе знаний. Без выделения и последовательного проведения таких принципов большая модель превращается в плохо обозримый конгломерат независимых фактов, трудно поддающихся анализу и обработке. Этот недостаток явился причиной того, что логические методы (первоначально да и, пожалуй, сейчас) использовались (и используются) преимущественно в тех предметных областях, где система знаний невелика по объему и относительно проста по структуре.

В основе моделей типа логических лежит формальная система, задаваемая четверкой вида М = < Т, Р, А, В >.

Множество Т есть множество базовых элементов различной природы, входящих в состав некоторого набора. Важно, что для множества Т существует некоторый способ определения принадлежности или не принадлежности произвольного элемента к этому множеству. Множество Р есть множество синтаксических правил. С их помощью из элементов Т образуют синтаксически правильные совокупности.

В множестве синтаксически правильных совокупностей выделяется некоторое подмножество А. Элементы А называются аксиомами.

Множество В есть множество правил вывода. Применяя их к элементам А, можно получить новые синтаксически правильные совокупности, к которым снова можно применять правила из В. Так формируется множество выводимых в данной формальной системе совокупностей. Отсюда следует, что именно правила вывода являются наиболее сложной составляющей формальной системы.

Для знаний, входящих в базу знаний, можно считать, что множество А образуют все информационные единицы, которые введены в базу извне, а с помощью правил вывода из них выводятся новые производные знания. Другими словами, формальная система есть генератор порождения новых знаний, образующих множество выводимых в данной системе знаний. Это свойство логических моделей и делает их привлекательными для использования в базах знаний. Оно позволяет хранить в базе лишь те знания, которые образуют множество А, а все остальные знания получать из них по правилам вывода.

Для описания предметной области (совокупности предметов и событий, составляющих основу общего понимания необходимой для решения конкретной задачи информации) с помощью логических моделей широко используется язык и аппарат исчисления предикатов. Здесь предикат — это функция, принимающая только два значения — ИСТИНА, ЛОЖЬ — и предназначенная для выражения свойств объектов или связей между ними. Исчисление предикатов представляет собой развитие исчисления высказываний и включает его как составную часть. Высказывание — это такое предложение, которое истинно или ложно. Высказывания бывают простейшими или исходными и сложными или составными. На основе заданных высказываний с помощью логических операций образуются сложные высказывания.

 

21.4.2. Сетевые модели представления знаний

В основе моделей этого типа лежит конструкция, названная ранее семантической сетью. Сетевые модели формально можно задать в виде

 

Н = < I, С1, С2, ..., Сn, Г >,

 

где     I — множество информационных единиц;

С1-т — множество типов связей между информационными единицами;

Г — отображение, задающее между информационными единицами, входящими в I, связи из заданного набора связей.

В зависимости от типов связей, используемых в модели, различают классифицирующие сети, функциональные сети и сценарии.

В классифицирующих сетях используются отношения структуризации. Такие сети позволяют в базах знаний вводить разные иерархические отношения между информационными единицами.

Функциональные сети характеризуются наличием функциональных отношений. Их часто называют вычислительными моделями, так как они позволяют описывать процедуры вычислений одних информационных единиц через другие.

В сценариях используются каузальные (причинные, причинно обусловленные) отношения, а также отношения типа «средство -результат», «орудие — действие» и т.п.

Если в сетевой модели допускаются связи различного типа, то ее обычно называют семантической сетью (СС).

В семантических сетях используют три основных типа объектов: понятия, события и свойства. Понятия представляют собой сведения об абстрактных или физических объектах предметной области. События — это действия, которые могут внести изменения в предметную область. Результатом события может стать новое состояние предметной области. Можно задать некоторое желаемое (целевое) состояние предметной области и поставить задачу отыскания на семантической сети последовательности событий, приводящей к целевому состоянию. Свойства используются для уточнения понятий, событий и других свойств. Применительно к понятиям свойства описывают их особенности или характеристики (цвет, размеры, качество); применительно к событиям — свойства (продолжительность, место, время и т.п.).

Основная идея подхода к представлению знаний, базирующегося на аппарате семантических сетей, состоит в том, чтобы рассматривать предметную область как совокупность сущностей (объектов) и отношений (связей между ними). Сущности представляются no-именованными вершинами, а отношения — направленными поименованными ребрами. Система знаний отображается семантической сетью, т.е. ориентированным графом, составленным из поименованных вершин и ребер, или совокупностью таких сетей.

Имена, приписываемые вершинам и ребрам, обычно совпадают с именами соответствующих сущностей и отношений, используемыми в естественном языке. Ребро и связываемые им вершины образуют подграф СС, несущий минимальную с позиций знаний системы информацию — факт наличия связи определенного типа между соответствующими объектами. Более сложные подграфы отображают и более сложные факты.

При использовании семантической сети для представления знаний важны классификация типов объектов и выделение некоторых фундаментальных видов связей между объектами. Независимо от особенностей моделируемой среды можно предполагать, что любая ее модель отражает какие-либо объекты.

В терминах описанной типизации объектов ПО определяются и фундаментальные типы связей между объектами.

Так, между двумя обобщенными объектами может существовать родовая и видовая связь, причем видовая связь обратна родовой.

Однако родовое понятие не охватывает всех свойств видового, т.к. видовое понятие богаче содержимым. Все свойства родового понятия присущи, как правило, и видовому. Эта особенность называется наследованием свойств (признаков), что позволяет представлять систему знаний компактной семантической сетью.

Типизация объектов и фундаментальные отношения не решают всех проблем представления знаний, но создают хорошую основу для построения прикладной базы знаний.

Можно также отметить связь механизма наследования при использовании семантической сети с механизмом логического вывода. Фактически наследование обеспечивает автоматическое проведение простых дедуктивных рассуждений.

Операции модификации базы знаний на семантических сетях сводятся к удалению и добавлению новых вершин и ребер. Базовые операции поиска информации в сети обеспечивают поиск вершины или ребра по имени, переходы от одной вершины к другой по связям и от одной .связи к другой через смежные вершины. Цель поиска — получение знаний, представленных в сети и требуемых для решения задач.

В настоящее время аппарат семантических сетей широко используется в практике представления знаний. Его достоинствами являются: большие выразительные возможности, естественность и наглядность системы знаний, представленной графически, близость структуры сети, представляющей систему знаний, семантической структуре фраз естественного языка.

 

21.4.3. Модели представления знаний, основанные на

 аппарате фреймов (фреймы для представления знаний)

 

Одна из разновидностей аппарата семантических сетей связана с концепцией фрейма. Фрейм можно рассматривать как фрагмент семантической сети, предназначенный для описания объекта (ситуации) предметной области со всей совокупностью присущих ему свойств. В области ИИ термин «фрейм» относится к специальному методу представления общих концепций и ситуаций. Марвин Минский, первый предложивший идею фреймов в 1975 г., описывает его следующим образом: фрейм — это структура данных, представляющих стереотипную ситуацию в данной предметной области. К. каждому фрейму присоединяется несколько видов информации. Часть ее — о том, как использовать сам фрейм. Часть о том, чего можно ожидать далее. Часть о том, что следует делать, если эти ожидания подтвердятся.

Основная идея фреймового подхода к представлению знаний — более жесткое, чем при подходе, основанном на семантической сети, выделение объектов и ситуаций проблемной среды и их свойств, т. е. все, что касается объекта или ситуации и важно с позиций решаемых задач, не «размывается по сети», а представляется во фрейме.

Фреймовый подход является частным случаем подхода к представлению знаний, основанного на семантических сетях. При фреймовом подходе, например, также выделяются обобщенные, конкретные и агрегатные фреймы для представления соответствующих типов объектов предметной области, выделяются и фундаментальные отношения. В то же время фреймовый подход позволяет более последовательно использовать некоторые важные механизмы представления знаний и, в первую очередь, процедурные знания.

Существует большое число концепций, определений и моделей фреймов. При этом различаются не только формы записи и представления фреймов, но и в некоторой степени их содержательный смысл.

Термин «фрейм» предложен для обозначения описания какого-либо объекта или явления, обладающего тем свойством, что удаление из этого описания любой его части приводит к потере свойств, характеризующих объект описания.

Фреймом называется структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации (слотов) и значений этих характеристик (заполнителей слотов).

Слот может содержать не только конкретное значение, но и ссылку (или процедуру) на имя процедуры, позволяющей вычислить его значение по заданному алгоритму, а также одну или несколько продукций (эвристик), с помощью которых это значение можно найти. Процедуры слота называются связанными процедурами, т.е. такими, которые могут активизироваться при выполнении некоторых условий (в частности, при изменении значений слота).

В слот может входить не одно, а несколько значений. Иногда слот включает компонент, называемый фасетом. Фасет может задавать диапазон возможных значений слота или же граничные значения заполнителя слота.

Фрейм чаще всего определяют как структуру данных для представления стереотипных ситуаций. При этом способ группирования множества конкретных ситуаций в стереотипную, как правило, не может быть определен строго. Чаще всего стереотипные ситуации (для данной предметной области) выделяет исследователь, опираясь на опыт и данные наблюдений. Неформальные знания исследователя о предметной области можно рассматривать как систему понятий, определяющих представление о конкретных ситуациях. Каждое понятие связывается с конкретной ситуацией, а конкретные ситуации согласуются с соответствующей стереотипной. Если понятия представляют собой неформальные знания о стереотипной ситуации, то фреймы — это формализованные знания. Таким образом, фреймы соответствуют понятиям, отражающим объекты, явлений; характеристики предметной области. Это дает основание рассматривать фрейм как семантический блок или модуль модели представления знаний. Модель представления знаний строится в виде сети фреймов, т.е. системы определенным образом взаимосвязанных фреймов. Поэтому в моделях представления знаний на базе фреймов выделяют две части: набор фреймов, образующих библиотеку внутреннего представления знаний, и механизм их преобразования, связывания и т. д.

В наиболее общем виде фреймом называют структуру представления знаний следующего вида:

 

{n, (v1, g1, p1), (v2, g2, р2), ... (vn, gn, p,,)},

 

где          n- имя фрейма;

vi - имя слота;

gi - значение слота;

Pi - процедура.

Процедура является возможным, но не обязательным элементом слота. Имена фреймов используются как мнемонические элементы для конструирования сети фреймов. В качестве значений слотов могут выступать имена других фреймов, что обеспечивает связи между фреймами, их «вкладываемость» друг в друга.

Фрейм по своей организации во многом похож на семантическую сеть. Фрейм является сетью узлов и отношений, организованных иерархически, где верхние узлы представляют общие понятия, а нижние — более частные случаи этих понятий. Во фреймовой системе понятие в каждом узле определяется набором атрибутов — слотов. Каждый слот может быть связан с процедурами (например, машинными программами), которые выполняются, когда информация в слотах (значения атрибутов) меняется.

Совокупность фреймов, моделирующая какую-либо предметную область, представляет собой иерархическую сетевую структуру, в которой фреймы соединяются между собой с помощью родовидовых связей. На верхнем уровне иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследования значения характеристик своих родителей, структур, находящихся на более высоком уровне иерархии. Значения характеристик фреймов могут передаваться по умолчанию подчиненным фреймам, но если последние содержат собственные значения данных характеристик, то в качестве истинных принимаются именно они. Это обстоятельство позволяет довольно легко учитывать во фреймовых системах различного рода исключения.

Наиболее ярко достоинства фреймовых систем проявляются в том случае, если родовидовые связи изменяются нечасто и предметная область насчитывает немного исключений.

Однако фреймовые системы достаточно сложны по конструкции, что снижает скорость работы механизма вывода и увеличивает трудоемкость процедур внесения изменений в родовидовую иерархию. Кроме того, во фреймовых системах затруднена обработка исключений.

Принцип «вкладываемости» фреймов позволяет реализовывать на фреймовых сетях (как и на семантических) процессы наследования свойств.

 

21.4.4. Продукционные модели

 

Продукции наряду с фреймами являются наиболее популярными средствами представления знаний в системах, основанных на знаниях. Продукции, с одной стороны, близки к логическим моделям, что позволяет организовывать с ними более эффективные процедуры вывода, а с другой стороны, более наглядно отражают знания, чем классические логические модели, поскольку в них отсутствуют жесткие ограничения, характерные для логических исчислений. В общем виде под продукцией понимается выражение вида

(i); Q; Р; А Þ В; N.

Здесь i - имя продукции, с помощью которого данная продукция выделяется из всего множества продукций.

Элемент Q характеризует сферу применения продукции. Такие сферы легко выделяются в когнитивных структурах человека. Наши знания как бы «разложены по полочкам», и такое разделение помогает экономить время на поиск нужных знаний. Такое же разделение на сферы в базе знаний целесообразно и при использовании для их представления продукционных моделей.

Основным элементом продукции является ее ядро: А Þ В. Интерпретация ядра продукции может быть различной и зависит от того, что стоит слева и справа от знака секвенции (Þ). Обычное прочтение ядра продукции выглядит так: ЕСЛИ А, ТО В, более сложные конструкции ядра допускают в правой части альтернативный выбор, например ЕСЛИ А, ТО В,, ИНАЧЕ В2. Секвенция может истолковываться в обычном логическом смысле как знак логического следования В из истинного. Возможны и другие интерпретации ядра продукции: А описывает некоторое условие, необходимое для того, чтобы можно было совершить действие В.

Элемент Р есть условие применимости ядра продукции. Обычно Р представляет собой логическое выражение (как правило, предикат). Когда Р принимает значение «истина», ядро продукции активизируется. Если Р «ложно», то ядро продукции не может быть использовано.

Элемент N описывает постусловия продукции. Они актуализируются только в том случае, если ядро продукции реализовалось. Постусловия продукции описывают действия и процедуры, которые необходимо выполнить после реализации В.

Если в памяти системы хранится некоторый набор продукций, то они образуют систему продукций. В ней должны быть заданы . специальные процедуры управления продукциями, с помощью которых происходит актуализация продукций и выбор для выполнения той или иной продукции из числа актуализированных.

В ряде систем используются комбинации сетевых и продукционных моделей представления знаний. В таких моделях декларативные знания описываются в сетевом компоненте модели, а процедурные знания — в продукционном. В таком случае говорят о работе продукционной системы над семантической сетью.

Термин «продукция» принадлежит американскому логику Э.Посту и предложен им в 1943 г. В понимании Поста в качестве продукции выступала только та ее часть, которую теперь называют ядром.

Иногда ядро продукции называют правилом. Вообще можно сказать, что правило есть частный случай продукции. В настоящее время системы продукций (правил) широко распространены в экспертных системах. С определенными допущениями можно признать тождественность данных понятий — «ПРОДУКЦИЯ — ПРАВИЛО»; «ПРОДУКЦИОННАЯ СИСТЕМА - СИСТЕМА, ОСНОВАННАЯ НА ПРАВИЛАХ».

Считается, что каждое правило (упрощенная продукция, импликация) состоит из двух частей АНТЕЦЕДЕНТНОГО УСЛОВИЯ и КОНСЕКВЕНТНОГО ПРЕДЛОЖЕНИЯ и может быть использовано в дедуктивном процессе рассуждений. Антецедент — первый член импликации, которому предпослано слово ЕСЛИ; консеквент - член импликации, вводимый в высказывание словом ТО; импликация — логическая операция, связывающая два высказывания (простых) в сложное с помощью логической связки, которой в обычном языке соответствует конструкция «ЕСЛИ..., ТО...».

Популярность продукционных моделей определяется несколькими факторами.

1. Подавляющая часть человеческих знаний может быть записана в виде продукций (правил).

2. Системы продукций являются модульными. За небольшим исключением удаление или добавление продукций (правил) не приводит к изменениям в остальных продукциях (правилах).

3. Наличие в продукциях указателей на сферу применения продукции позволяет эффективно организовать память, сократив время поиска в ней необходимой информации.

4. При объединении систем продукций и сетевых представлений получаются средства, обладающие большой вычислительной мощностью.

В то же время продукционные модели имеют ряд недостатков. По крайней мере два из них являются основными.

1. При большом числе продукций усложняется проверка непротиворечивости системы продукций. Это заставляет при добавлении новых продукций тратить много времени на проверку непротиворечивости новой системы.

2. Из-за присущей системе недетерминированности возникают принципиальные трудности при проверке корректности работы системы.

 

Страница: | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 | 10 | 11 | 12 | 13 | 14 | 15 | 16 | 17 | 18 | 19 | 20 | 21 | 22 | 23 | 24 | 25 | 26 | 27 | 28 | 29 | 30 | 31 | 32 | 33 | 34 | 35 | 36 | 37 | 38 | 39 | 40 | 41 | 42 | 43 | 44 | 45 | 46 | 47 | 48 | 49 | 50 | 51 | 52 | 53 | 54 | 55 | 56 | 57 | 58 | 59 | 60 | 61 | 62 | 63 | 64 | 65 | 66 | 67 | 68 | 69 | 70 | 71 | 72 | 73 | 74 | 75 | 76 | 77 | 78 | 79 | 80 | 81 | 82 | 83 | 84 | 85 | 86 | 87 | 88 | 89 | 90 | 91 | 92 | 93 | 94 | 95 | 96 | 97 | 98 | 99 | 100 | 101 | 102 | 103 | 104 | 105 | 106 | 107 | 108 | 109 | 110 | 111 | 112 | 113 | 114 | 115 | 116 | 117 | 118 | 119 | 120 | 121 | 122 | 123 | 124 |