Оптические вычисления - Арратуна Р.
Скачать (прямая ссылка):
10.2.1. Характеристики знаний
Система, пригодная для работы со знаниями, должна обладать способностью
накапливать дополнительные знания, извлекать соответствующую информацию
из базы знаний, проводить рассуждения исходя из конкретной проблемы и
информации. Следует признать, что возможно и другое определение понятия
знаний, опирающееся на другой набор признаков. Однако авторы данной главы
уверены в том, что предложенный ими набор признаков является наиболее
удобным, и именно он будет использоваться в дальнейшей дискуссии. Тем не
менее данное определение страдает тем же недостатком, что и любая попытка
аккуратно проанализировать и классифицировать сложное явление - оно не
способно установить степень независимости признаков. Это станет очевидным
при обсуждении процедур сбора данных, в котором способность проводить
рассуждения (третий признак) описывается через метод сбора данных (первый
признак), т. е. представляет собой не что иное, как процедуру обучения.
Сами методики обучения ЭВМ еще пока находятся на начальной стадии
развития, но тем не менее можно выделить три направления, которые успешно
развивались в последнее время. Они включают процедуры корректировки
параметров, проведения рассуждений по аналогам [3, 4]. Изменение
параметров и стимулов является обычной научной методикой обучения. Две
важные области применения этого метода к задачам ИИ состоят в изменении
классификационных параметров, используемых при сборе знаний (изменении
классов, на которые разбивают все множество объектов), и в корректировке
параметров эвристической функции с целью улучшения процедуры решения
задач (последняя методика будет обсуждаться в разд. 10.2.3). Факт
обнаружения нужной информации (знания) обычно влечет за собой решение
проблемы, и, следовательно, основывается на проведении рассуждений.
Процесс проведения рассуждений также лежит в основе обучения по аналогам,
которое включает в себя получение недостающей информации о некотором
объекте, если известно, что неполностью определенный объект "подобен"
известному объекту. Представление знаний с помощью фреймов и сценариев
(рассматриваемых в разд. 10.2.3) облегчает проведение рассуждений по
аналогии, так как можно непосредственно "пропустить" имеющиеся признаки,
например, через два фрейма или документа, являющихся, согласно ожиданиям,
близкими друг другу.
Для систем ИИ выборка данных является весьма сложной проблемой. Это
обусловлено несколькими причинами, одна из которых связана с большим
размером баз данных. Эти базы данных содержат не только набор данных,
относящихся к про-
Г лава 10. Оптика и символьные вычисления
277
блемной области данной системы, но содержат также и правила, позволяющие
проводить достаточно интеллектуальные процедуры с данными. Одна из общих
методик выборки данных использует наборы индексов, которыми маркируют
данные по одному или большему числу признаков. Например, голографическая
линза могла бы быть индексирована по таким признакам, как "оптическое
устройство", "дифракционная решетка", "согласующее устройство",
"узкополосное устройство", "поверхностное (тонкопленочное) устройство".
Язык программирования Лисп, являющийся наиболее широко распространенным
языком в областях, связанных с ИИ, облегчает присвоение признаков
объектам в том плане, что он формирует вокруг определенного символа
списки связанных с ним символов. Приведенный выше пример мог бы быть
закодирован в языке Лисп с помощью "списка свойств" следующим образом:
(голографическиелинзы оптические дифракционныерешетки согласующие
узкополосные поверхностные).
Две другие схемы выборки данных основаны на сопоставлении с образцом и
использовании контекста. Схемы машинного сопоставления с образцом
осуществляют выбор данных, соответствующих определенным шаблонам,
связанным с определенными категориями данных. Более совершенная схема
выборки может быть использована при контекстуальном накоплении данных,
когда данные извлекаются в соответствии со своими значениями. В качестве
примера машинного сопоставления с образцом рассмотрим базу данных,
содержащую следующие списки:
(источннксвета лазер гелийнеоновый длинаволньДх)...) (источниксвета Nd-
АИГ лазер...)
(источннксвета лазер полупроводниковый...)
(источниксвета дуговаялампа ртутная...)
(источниксвета дуговаялампа ксеноновая...)
(источникпитания ПОВвход 12Ввыход...)
Запрос на поиск этих представляющих источники света элементов выглядит
как (источниксвета ?х)
А чтобы найти входы к объектам, связанным с лазерами, образец для
сопоставления элементов должен быть изменен следующим образом:
(источниксвета лазер ?х)
Все эти схемы выборки данных значительно отличаются от схем, используемых
в цифровых компьютерах, которые накапливают данные в соответствии с их
адресом в памяти. Цифровая информация, являясь по существу подмножеством
символьной информации, может накапливаться и выбираться с помощью
упомянутых выше схем, хотя и не столь эффективно. Например, простой
