СИСТЕМЫ ПРОДУКЦИЙ И МЕХАНИЗМ ОБРАБОТКИ ЗНАНИЙ. ПРЯМАЯ И ОБРАТНАЯ ЦЕПОЧКИ РАССУЖДЕНИЙ

Внутри той области исследований по искусственному интеллекту, которая относится к представлению знаний, есть разные направления, однако общность целей удерживает их в единых рамках.

Все правила можно разделить на два типа. Это, во-первых, правила, применяемые к любой части предпосылки, которая, в свою очередь, также может представлять предпосылку. Операции с такими правилами мы наблюдали в рассмотренных ранее примерах формальных систем. В этом случае не выделяются явные функции по сопоставлению и управлению правилами и речь идет о правилах трансформаций.

Второй тип правил называется правилами продукций (продукциями или продукционными правилами). Это правила, применяемые к предпосылке как единому целому. Операции с ними зафиксированы в работе механизма вывода интеллектуальной системы. На уровне управления последовательностью применения правил можно выделить стратегию рассуждений, отталкивающихся от данных, представленных предпосылками. Такой порядок рассуждений называется прямым, в соответствии с ним возникает так называемая прямая цепочка рассуждений.

Если же цели известны и их немного, то нередко используется обратный порядок рассуждений, согласно которому следует проследить, по каким правилам можно было бы получить заключения, соответствующие этим целям, после чего предпосылки выделенных правил принять за новые (промежуточные) цели и попытаться определить правила, по которым можно прийти к этим промежуточным целям. Процедура повторяется до тех пор, пока не придем к реально имеющимся в базе фактов данным. Полученная цепочка правил от целей к данным называется обратной цепочкой рассуждений.

Пусть В\, В2 — два правила из базы знаний и в базе фактов системы содержатся следующие данные: Dl = «темп роста фирмы и ее активов высокий»; D2 = «доходность акций приемлема».

BI: ЕСЛИ доходность акций приемлема,

И ожидается хороший темп роста дивидендов,

ТО приобрести акции.

В2: ЕСЛИ темп роста фирмы и ее активов высокий,

ТО ожидается хороший темп роста дивидендов.

В первом случае механизм вывода в соответствии с имеющимися данными проверяет правило Bl и обнаруживает недостаточность имеющихся данных: нет данных D2, подтверждающих ожидание хорошего темпа роста дивидендов. Правило В1 неприменимо, и, следуя формальному порядку, должно быть рассмотрено следующее правило В2. Наличие в базе фактов Dl позволяет его применить и получить новые данные D3 = «ожидается хороший темп роста дивидендов», которые добавляются в базу фактов. Прежде неприменимое правило Bl теперь становится допустимым к использованию и приводит к выводу «приобрести акции». Построенная таким образом прямая цепочка имеет вид В2 Bl и указывает на путь от данных к цели.

Второй случай относится к обратной цепочке и должен начинаться с цели «приобрести акции». Предположим, что исходное состояние базы фактов то же, что и в первом случае, т.е. { Dl_y D2 }. Механизм вывода обращается к правилу Bl и получает подтверждение, что цель фигурирует в заключении данного правила. Но поскольку в предпосылке Bl содержится ДЗ, которого нет в базе фактов, нужно назначить промежуточную цель. Итак, теперь механизм вывода ищет правило, в котором заключение будет содержать D3. Таким правилом является В2, и оно может быть активизировано, так как имеет в качестве предпосылки D2 — данные, присутствующие в базе фактов. В результате база фактов пополняется данными D3. Обратная цепочка правил BI В2 построена, и она указывает на путь от цели к имеющимся данным.

На этом мы закончим обсуждение моделей представления зна ний. Поскольку мы убедились, что методы сетевых, фреймовых и продукционных моделей используют более разнообразный инструментарий, можно сказать, что в целом эвристические модели превосходят логические по возможности адекватно представлять предметную область.