CC BY
114
В cmammi запропоновано nidxid та архтектуру подання та опрацювання знань як основу для побудови когттивних шформацшних систем. Запропонований mdxid використовуе поеднання декларатив-них онтологш та процедурних моделей. У статтi наведено формальну специфжащю архтектури опрацювання знань у системi Ключовi слова: когттивна система,
подання знань, модель
□-□
В статье предлагается подход для построения когнитивных информационных систем и архитектура и принцип работы такой системы. При этом для представления знаний используются как декларативные так и процедурные модели. В статье приведена также формальная спецификация архитектуры обработки знаний
Ключевые слова: когнитивная система,
представление знаний, модель
□-□
Paper proposes an approach for knowledge representation and processing which can be used as a basis for building cognitive information systems. Proposed architecture combines ontologies as declarative knowledge with models as procedural and situational knowledge. Formal specification of proposed knowledge representation architecture is available.
Keywords: cognitive system, knowledge representation, model
УДК 004.82
опрацювання знаньу
когн1тивн1й 1нформац1йн1й систем1 керован1й моделями
£. В. Буров
Кандидат техычних наук, доцент Кафедра „1нформацты системи та мережГ' Нацюнальний уыверситет „^bBiBCb^ пол^ехшка" вул. Ст.Бандери,13, м. Львiв Контактний тел.: (032) 258-25-38 E-mail: eugene_burov@yahoo.com
Вступ, постановка проблеми та мета роботи
Одшею з гострих проблем галузi шформацшних технологш сьогодш е проблема дедалi б^ьшо1 складност корпоративних шформацшних систем. З поширенням процеив глобалiзащi та аутсорсшгу послуг, встановленням та штенсифжащею зв"язюв мiж окремими бiзнес-структурами, задача керування та проектування таких систем виходить далеко за межi простого керування окремою системою. По мiрi зростання складност стае все складшше встанов-лювати, налаштовувати та прогнозувати поведшку систем [1].
Вузьким мкцем, перепоною у процеа зростання продуктивностi iнформацiйних систем усе б^ьше вста-ють iнтелектуальнi функцп та операцii якi традицiйно виконуе людина (оператор, системний адмiнiстратор, аналиик, проектувальник). Значна частина таких операцш е шаблонними - i передбачають виконання визначених дiй у визначених ситуащях. Не дивно, що одним з головних завдань бiзнес- аналггики на сучас-ному етапi е перехвд до оперативного, в реальному чаи прийняття ршень [2], що передбачае автоматичне виконання значноi юлькост iнтелектуальних функцiй.
Одним з шляхiв вирiшення цiei проблеми е де-легування операцiй аналiзу та прийняття ршення у простих рутинних ситуащях самш системi. Це передбачае створення можливосп для iнформацiйноi системи спостертти подii що вiдбуваються, аналiзувати ix та приймати рiшення з використан-ням формалiзованиx знань, якими зазвичай володтть системнi адмiнiстратори, оператори та проектувальни-ки. В результат створюються когнiтивнi iнформацiйнi системи, яю володiють та вмiють застосувати знання фаxiвця для самокерування та самоналаштування.
1ншою проблемою, що виникае тдчас проектуван-ня та експлуатацii шформацшних систем сьогодш е нечггюсть визначення вимог до системи та постшна змша, уточнення та модифiкацiя вимог як в процеа проектування, так i пiдчас експлуатацii системи. Во-дночас, традицiйнi методи проектування орiентованi на використання чiткого набору статичних вимог. В результат такого проектування отримують системи якi погано реагують на змiну вимог та зовшшшх чинникiв, якi дорогi у тдтримщ та експлуатацii i в яких нерщко трапляються збоi та аварп [1].
Альтернативою до традицiйниx пiдxодiв до проектування та керування е використання тдходу
що базуеться на моделях (MDA - Model Driven Architecture). Такий тдхщ призначений для вико-ристання у проектуванш систем до яких постшно змiнюються вимоги та таких, що працюють у змiнному середовищi [3]. Динамiчна змiна моделей у таких системах змшюе поведiнку системи без потреби у перекомтляцп коду та перетестуванш застосувань.
Метою цiеi роботи е розробка тдходу та архиектурних принципiв будови та функцiювання когштивних iнформацiйних систем що базуються на моделях.
Визначення когнiтивноi системи та вимоги до mi
Термiн Когттивтсть (Cognition, вщ латинського cognoscere, "знати") використовуеться у рiзноманiтних науках та контекстах для позначення здатноси людиноподiбного опрацювання iнформацii, застосу-вання знань та динамiчноi змiни переваг i поведшки. Поняття когнiтивностi тiсно пов"язано з такими аб-страктними поняттями як розум, свщомшть, мислен-ня, сприйняття, штелект, навчання.
Словниковi та енциклопедичш джерела дають таке визначення когштивностк
"Внутршт структури та процеси що задiянi у здобуттi та використанш знань, включаючи вiдчуття, сприйняття, увагу, навчання, пам"ять, розумiння мови, думання та розумування" [4].
Таким чином поняття когштивносп об"еднуе широкий набiр iнтелектуальних властивостей таких як сприйняття шформацп, ii розпiзнавання та класифжащя, навчання, розумування, накопичуван-ня, збереження та використання знань. Таким чином термш „когштившсть", когнiтивнi системи так як i бiльш загальний термш Загальний Штучний 1нтелект (Artificial General Intelligence) по образному виразу одного з класиюв штучного штелекту Марвша Мiнського е термiн - контейнер (suitecase) [5], що охоплюе багато складних аспекпв та проблем, яю у комплексi формують цiлiсну систему та можуть дослвджуватися окремо.
На думку багатьох дослщниюв [6] неможливо дати едино правильне визначення таких фундаментальних понять. Тому кожний дослщник як правило формулюе свое робоче визначення, яке охоплюе на його думку важливi аспекти дослщжуваного поняття i яке врешть решт визначае як мету, так i результати дослiдження.
Наукова галузь штучного штелекту з самого початку свого кнування придшяла значну увагу вивченню питання когнiтивних систем у щлому, так i окремих аспекпв цих систем.
У класичнш роботi „Ушфжована теорiя когнiтивностi" (Unified theory of cognition, 1990 рж) [7] Ньювелл (Newell) ствердив, що наявш експериментальнi результати у галузi дослiдження когнiтивноi поведiнки людини (експерименталь-на психологiя) дозволяють побудувати ушфжовану теорiю пiзнання (когнiтивностi). Така теорiя пропону-вала би механiзми, що дозволяють ввдтворити результати когнiтивноi поведiнки людей.
В [8] вiдмiчено, що ще у 1980 рощ когштивна система була визначена як система, що мае таю властивостк
а) мае мету функщонування та опрацьовуе даш поданi у символьному виглядi
б) система адаптивна та здатна виршити задачу декiлькома рiзними способами
в) працюе з використанням знань про себе та свое оточення та здатна планувати та модифжувати сво1 дп на пiдставi цих знань.
Таке визначення у значнш мiрi пояснюе як працюе когштивна система, тодi як сучасш дослiдження пiдкреслюють важливiсть розумiння, що робить система та чому вона це робить. У [8] наведено таке ро-боче визначення:
„Когштивна система це система, яка може модифжувати свою поведшку на базi свого досвщу таким чином досягаючи певш анти-ентропiйнi щль"
Дослщження загальних когнiтивних систем мож-на вщнести до проблематики загального штучного штелекту, тому що вони дослщжують широкий клас систем, та когштивних процеав (навчання, сприйняття шформацп, створення, використання знань, адаптацп до змшних умов) властивих людськш поведiнцi, мето-ди та засоби орiентованi на створення систем штучного штелекту, здатних на розумну поведшку у широкому колi проблемних ситуацш.
При цьому рiзнi автори та науковi школи вивчають окремi аспекти когштивних систем, або формують рiзнi робочi визначення когнiтивних систем у межах яких i проводять сво1 дослiдження та отримують результати.
Так, у робот [9] вивчаються аспекти саморозумшня когнiтивноi програми. Визначено поняття сввдомост цiеi програми як здатшсть спостерiгати власнi ментальнi процеси та робити висновки за результатами спостережень. У [9] тдкреслено важливкть поняття контексту для проведення штроспекцп, шнування багатьох рiвнiв контекспв i можливiсть переходу вiд детальних до загальшших контекстiв.
Узагальнюючи функцп та вимоги до когнiтивних систем з [5,6,7,8,9] визначимо головш риси робочого визначення когнiтивноi системи:
1. Когштивна система мае мету функщонування. Ця мета часто розбиваеться на iерархiчну структуру щлей. При цьому важлившть тоi чи iншоi тдцШ за-лежить вiж бiжучого контексту
2. Система адаптивна та здатна приймати ршення залежно вщ власного стану та стану середовища
3. Працюе з використанням знань про себе та свое оточення та здатна планувати та модифжувати своi дп на пiдставi цих знань.
4. Здатна навчатися як з зовшшшм вчителем так i самостшно.
5. Використовуе iнформацiю зворотного зв'язку для прийняття ршення.
6. Прогнозуе результати можливих дш i приймае ршення за результатами прогнозiв.
7. Враховуе бiжучий контекст в процес прийняття рiшення.
8. Працюе на основi знань якi мають семантичну штерпретащю.
9. Спiвпрацюе з людиною, тобто правильшсть ii роботи може перевiряти та оцiнювати людина. Сприймае та передае знання у формi придатнш для розумiння людиною.
10. Здатна ствпрацювати з iншою когштивною системою та обмiнюватися з нею знаннями.
Необхщною передумовою побудови когштивних шформацшних систем е визначення методiв i засобiв подання та використання знань - складових елеменпв когштивних систем.
Пщходи до представлення та опрацювання знань у когштивних системах
Значна частина робгг в галузi представлення знань у системах штучного штелекту зосередилася на вивченш представлення декларативних знань. Зокрема були запропоноваш онтологii як декларативш формальнi моделi предметноi обласп [10]. Декларативнi системи подання знань покладеш в основу сучасних напрямюв розробки семантичного веб, семантичних веб-сервгав та iнших семантично-орieнтованих технологiй [11].
Перевагами декларативних, мережевих систем подання знань е можлившть створення цiлiсноi формальноi моделi предметноi областi, досягнення однозначного трактування концеппв предметноi областi у рiзних задачах, щентифжащя та формальне представлення простих залежностей мiж концептами.
Водночас, декларативш системи подання знань та пов'язаш з ними мехашзми логiчного виводу мають i ряд суттевих недолшв:
• велика складнiсть самоi мережевоi моделi (онтологii) та пов'язанi з цим значш витрати на створення та супровщ декларативних онтолопчних систем
• процедурна складова у мережевих моделях мають другорядне значення та досить спрощена
• непридатнiсть до представлення знань, орiентованих на вирiшення конкретних задач, ввдсутшсть мети
• непристосовашсть до подання параметричних, ситуацiйних, суб'ективних, аксюлопчних знань, сенсорноi iнформацii
• непристосовашсть до подання та використання процедурних абстракцш
• онтолопчш мережевi моделi використовують апа-рат лопчного виводу для отримання результатiв моде-лювання i, отже не можуть мштити протирiчивi, або несумiснi лопчно правила та обмеження
Декларативний тдхщ до представлення та використання знань значно вiдрiзняеться i вщ розумiння когнiтивного процесу людини у когштивнш психологii, поданого теорiею схем. Зпдно з цiею теорiею прийнят-тя рiшення людиною здiйснюеться шляхом пошуку, активацii та використання певноi достатньо простоi схеми. Схеми можуть мштити iншi схеми та бути пов'язаш мiж собою рiзноманiтними типами зв'язюв. Прийняття рiшення завжди здшснюеться у певному контекстi, який визначаеться множиною активованих у даний момент схем та метою виршення задачь
Декларативнi знання вiдображають концепти та залежност мiж ними. Вони моделюють вiдношення загальне-детальне, реалiзують наслiдування, дозво-ляють групувати концепти. Водночас вони не дозво-ляють вказати як виршити конкретну задачу, як до-сягнути вказаноi мети, якi промiжнi задачi потрiбно вирiшити та цiлi досягнути. Значна частина знань людства - це знання про методи виршення задач та досягнення щлей, а також знання що мктяться у шаблонах, стереотипах, архетипах. Для створення когнiтивних штелектуальних систем необхiдно на-вчитися формально подавати таю знання та опрацьо-вувати '¿х машинно.
Альтернативою до декларативного шдходу до представлення знань е методолопя проектування
iнтелектуальних систем, що базуеться на схемах (SBD - Schema based design) [12].
Головш вщмшност схемного (SBD) шдходу до подання та опрацювання знань вщ мережевого наступш:
• схема описуе фрагмент свггу i релевантна тiльки у певних ситуащях. Таким чином, говорять що схема мштить сiтуативнi знання. При виникненш релевантно! ситуацii схема активiзуеться.
• схема як правило призначена для виршення певно! задачi та досягнення певно! мети.
• порiвняно з онтолопею кожна схема е ввдносно простою. Натомiсть у процеа вирiшення iнтелектуальних задач формуються агрегати активованих схем, що у комплексi дозволяють виршити складнi задачi
• на вщмшу вiд онтологiй схеми не утворюють однiеi загально! iерархii. Зв'язки мiж схемами часто е асощативними, горизонтальними. Вони часто змiнюються
• допустимо сшвшнування протирiчивих схем, що активiзуються у рiзних ситуацiях.
• схеми дозволяють подати та використати у розумуванш абстрактш поняття, таю як стереотипи, сощальш ролi, архетипи та ш.,
• схеми об"еднують декларативнi та процедурнi знання
• схеми SBD подiбнi до схем, що використовуються у когнiтивнiй психологii i тому будуть зрозумiлими як людиш, так i машинi, що е одшею з вимог прийня-того нами робочого визначення штучних когштивних систем.
Не претендуючи на повноту, визначимо наступш типи схем (моделей), яю використовуються для проектування когштивних шформацшних систем:
• схеми дш. Таю схеми виршують конкретнi за-вдання. Вони найчастiше активуються якщо стаються визначенi поди. Схеми дш наближенi до скриптiв, та бiхевiористських схем. Вони враховують ситуацiйнi знання та алгоритми виршення задач подаш як розгалуженi послiдовностi можливих дш.
• схеми знань. 1нкапсулюють абстрактш знання придатш для вирiшення задач прийняття ршень у багатьох ситуащях, допомагають кращому розумiнню, зв'язують декларативш та процедурш знання. Також використовуються в онтолопях для розширення, трактування та пояснення класiв та зв'язюв.
• схеми класифiкацii (мониторингу, спостережен-ня). Аналiзують параметри певного об'екту та визнача-ють його стан за цими параметрами. Наприклад, вони можуть виявити ввдхилення ввд норми та запустити певш схеми дiй. Схеми класифжацп також дозволяють оцiнити придатнiсть об'екту до виконання визначеноi функцii.
• схеми вибору схем. Дозволяють обрати з деюлькох схем в результат ощнки витрат, та наслiдкiв засто-сування варiантiв. До цiеi ж групи вщнесемо схеми аналiзу та координацп використання ресурсiв.
• схеми про систему загалом - схеми „про себе". Дозволяють ощнити загальний стан iнформацiйноi системи, ii здоров»я та ефективнiсть функцiювання.
довiдковi, допомiжнi (reference) схеми. Такi схеми шкапсулюють знання про певнi методи та алгоритми. За умови завдання правильних вхщних даних, довiдковi схеми реалiзують визначене алгоритмом перетворення цих даних та видають результат. При-
кладом таких схем е схеми пошуку шформацп, схеми побудови розкладiв.
Центральним у теорп схем (SBD) е не стшьки, що може зробити окрема схема, але як вони оргашзоваш i що вони можуть зробити разом. Таке бачення було покладено в основу багатьох дослвджень у когштивнш психологii, штучному штелекту та когнiтивнiй робототехнiцi. У науковш лiтературi для позначення схем використовують такi термiни [13, 14] як фрейм, сцена, сценарш, скрiпт, модель, теорiя. Враховуючи те, що термш „фрейм" використовуеться як для по-дання декларативних, iерархiчно органiзованих знань (подiбно до онтологiй), так i процедурних знань, в подальшому для позначення форми представлення процедурних знань згвдно з пiдходом SBD ми будемо використовувати термш "схема" або „модель". Для по-силання на iерархii декларативних концеппв викори-стовуватимо термш „онтологп".
В основу для побудови когштивних iнформацiйних систем дощльно покласти комбiнацiю обох - декларативного та схемного- пiдходiв, використовуючи переваги кожного з них. Так, загальний, декларативний опис предметноi областi будемо використову-вати як основу, фундамент, стльну мову, що забезпечуе одна-кову трактовку понять рiзними моделями. Для термiнологiчноi визначенос^ будемо вжи-вати для такоi декларативноi специф^ацП термiн'онтологiя'. У свою чергу схеми та модел^ що мають скла-довими еле-ментами своеi специфжацп кон-цепти онтологii використовують пiдхiд SBD для вирiшення рiзноманiтних задач.
Архггектура та порядок роботи системи
Запропонована система моделювання складаеться
з таких компонент (рис. 1.)
База факпв мктить факти про об'екти та поди зовшшнього свiту необхiднi для виршення задач системою. Всi факти семантично штерпретоваш, тобто поданi як об'екти певних клаив, визначених онтолопею. Iнформацiя в базi фактiв впорядкована за часом та змшами, що дозволяе вщслщкувати стан бази на дов^ьний момент часу або на дов^ьну змiну. База фактiв, онтолопя та моделi у сукупностi утворюють базу знань системи.
Онтологiя мiстить модель предметноi област по-дану як таксономiя клаав. Це створюе можливiсть однозначного трактування уах об'ектiв з бази факпв, визначення единоi структури слотiв та титв властиво-стей для них. Крiм того, онтологiя мiстить вщношення, правила та обмеження якi мають загальний, систем-ний характер.
Схеми та моделi вiдiграють багато ролей та мають багато функцш. Для термiнологiчного розграничення цих двох близьких понять будемо використовувати термш «схема моделЬ» (або просто «схема») для позначення структури та штерфейсу модел^ який видимий шшими моделями у системi та використовуеться для керування моделлю та и розумiння, а термiн «модель» - для позначення загальшшого поняття, яке включае i реалiзацiю модель
Моделi визначають якi задач виршуються в кожен момент у системi i як вони вирiшуються.
Моделi використовують для iнтерпретацii но-вих факпв та подiй у базi знань. Моделi дозволяють класифiкувати об'ект, семантично штерпретувати його, встановити ввдношення з iншими об'ектами.
Г Поди л
V У
Рис. 1. Структура системи моделювання
Посилання на моделi використовуються в онтолопях для збер^ання складних правил та обме-жень, зокрема динамiчних обмежень, значення яких залежить вщ стану бази знань або зовшшнього свиу
Система реагуе на визначене коло подш зовшшнього свиу та опрацьовуе iх створюючи новi або модифiкуючи iснучi факти. Для опрацювання цих подш використовуються ввдповщш моделi.
База знань мктить посилання на зовшшш джере-ла, наприклад, бази даних, документи, веб-сервши та iн. Важливим зовшшшм джерелом для надходження шформацп у систему е коментарi та змши внесенi вчителем.
Важливим компонентом системи е Постачальник тформацшних послуг. Вш приймае вщ моделi се-мантично- штерпретований iдентифiкатор потрiбного
факту i забезпечуе доступ до цього факту, який збертеться у локальнш базi знань або зовнiшнiх джерелах. Реалiзацiя постачальника приховуе вiд моделi механiзми пошуку та рiзнi формати даних якими оперують зовнiшнi джерела. В свою чергу по-стачальник використовуе знання про джерела факив, методи 1х пошуку i ощнки релевантностi i базуеться на вщповщних моделях.
Первинним елементом у робот системи е моделi,
Вiдношення мiж класами LnCl задано на впорядкованш послiдовностi класiв Sq(Cl), якi воно сполучае:
SqLnCl = Sq(a)
(9)
Вiдношення мiж класами само е класом в тому розумшш, що визначаеться набором слотiв, правил обмежень та операцш:
зокрема модель координацп, яка визначае якi
задачi зараз виршуються, обирае та активiзуе = {SqLnCl, M(SlLnCl), M(RuLnCl), Щ^Ьда^ M(OpLnCl}(l0)
моделi для 1х виршення, координуе та плануе використання стльних ресурсiв, призупиняе вико-нання низькопрюритетних задач зокрема. Альтернативою до використання моделi координацii е боротьба моделей що працюють як автономш агенти за ресурси. У процеа своеi роботи моделi використовують сервки, що виконують базовi операцii у системь
Формальна специфiкацiя когштивно¡ системи
База знань BdKn це кортеж, що мштить базу фактiв BdFc, онтологiю Оп, мережу моделей (схем) NMd:
BdKn = {BdFc,On,NMd}
(1)
База факив BdFc - це множина факив про об"екти та поди зовшшнього свиу та вщношення мiж ними. Ко-жен факт та зв"язок е семантично- штерпретованим, тобто його тип визначено в онтологп Оп:
BdFc = {M(Fc),M(LnFc)} (2)
VFci: Type(Fci) еОп, VLnFci: Type(LnFci) еОп (3)
Функцiя Туре() повертае тип (клас) елемента, виз-начений в онтологп.
Онтолопя мiстить визначення клаив М(С1), вiдношення мiж ними - М^пС!)
Оп = {M(a),M(Lna)}
(4)
Кожен клас С1 визначаеться набором слоив М^1С1), правил M(Rua), обмежень М^С1) що визначенi на цих слотах та операцш з класом М(ОрС1):
С!={M(Sla),м(Rua),м(Csa),м(Opa)}
(5)
Кожен слот задано як його множина значень М^аИС1), правил та обмежень, що дтть на рiвнi слоту - M(RuSlSl), M(CsSla):
Sla = {M(ValSЮl),M(RuSЮl),M(CsSЮl)} (6)
Кожен слот мае тип, визначений в онтологп:
VSlal:Type(Slal) е Оп (7)
Для кожного значення слоту VаlSlCl визначено множину допустимих значень RgValSlCl:
Такий тдхвд дозволяе розглядати вiдношення як окремi сутностi та передбачити можливiсть формуван-ня структур вiдношень.
Уточнюючи формулу (3) можна сказати, що ко-жен факт з бази знань вщповвдае певному класу СЦ з онтологii i кожне вiдношення вiдповiдае одному з клаав вiдношень LnClk:
VFcl: Туре^^ ) = С^ е Оп VLnFcl: Type(LnFcl) = LnClk е Оп
(11)
Класи онтологп Оп утворюють iерархiю з викори-станням вiдношень успадкування. Таким чином, всю множину вщношень можна подiлити на таксономiчнi вщношення („вертикальш") та всi iншi вщношення („горизонтально).
M(Lna) = M(VrLna) и М(НЛпС1) M(VrLna) п M(HrLna) = 0
(12)
Шдмножини вертикальних та горизонтальних вщношень не перетинаються,
Mоделi та ¡х взаeмодiя в процесi виршення задач
Моделi утворюють мережу що мштить множину моделей M(Md) та множину iх зв"язкiв M(LnMd).
NMd = {M(Md),M(LnMd)}
(13)
На вiдмiну вщ класiв онтологii, моделi не утворюють чгтко"! iерархii, i формують динамiчну мережу, в якiй зв"язки та самi моделi можуть змшюватися, вiдображаючи процеси навчання, змiни у зовшшньому свiтi, або процес виршення певноi задачi.
Кожна модель може бути в одному з двох сташв -активному або пасивному.
М^) = М^ас) и М^р!>) М^ас) п М^И) = 0
(14)
VValSЮll: ValSlal е RgValSlal
(8)
де Mdac, Mdps позначено активш та пасивнi моделi. Активна модель - це модель iнiцiалiзована шформащею з певного контексту.
Моделi переходять в активний стан на вимо-гу шших моделей, або при настанш певних подiй. Активнi моделi використовуються для вирiшення бiжучих задач системи, штерпретацп знань у система Якщо потреба в моделi вщпала (отримано результат, досягнуто мету), то модель переходить з активного у пасивний стан.
Зв'язок моделей LnMd - це вщношення активацп, яке використовуеться для прийняття ршення щодо активацii моделi (моделей).
Розглянемо процес та структуру взаемодп та активацп моделей детальшше. 1шщатором встанов-лення зв"язку мiж моделями виступае модель - активатор. Потреба у встановленш зв"язку виникае не завжди, а пльки тод^ коли для вирiшення основноi задачi потрiбно вирiшити допомiжнi LnMd: задач^ поданi в iнших моделях. Наприклад, якщо вхiднi данi, отриманi активатором з контексту е непо-вними i необхiдно актив1зувати iншi моделi для довизначення даних. Таке до-визначення може полягати в по-шуку потрiбноi iнформацii в базi даних, штернеи, звертаннi до консультанта тощо.
Таким чином, зв"язок LnMd вiдповiдае певному задач класу PrLnMd. Такий зв"язок е компонентою багаторазового використання i
Операцiя iнiцiалiзацii InLnMd проводить вiдображення бiжучого контексту у множину значень слоив обраноi моделi -M(ValSlMd).
InLnMd: Con ^ M(ValSlMd) (19)
Шдводячи пiдсумок, визначимо LnMd як кортеж
= {Pr LnMd, M(MdLnMd),ReLnMd, ChLnMd, InLnMd} (20)
Процес активацп моделi проiлюстровано на рис. 2.
Рис. 2. Процес активацп моделi
застосовуеться для вирiшення подiбних задач багать-ма рiзними моделями. LnMd е моделлю що вирiшуе задачу вибору та активацп для визначеного контексту шших моделей з множини альтернатив M(MdLnMd).
При цьому послщовно виршуються задачi визна-чення релевантности оптимального вибору серед ре-левантних моделей та iнiцiалiзацii обраноi модель
Функщя релевантностi е вiдображенням бiжучого контексту Con та множини альтернатив M(MdLnMd) в множину (true, false)
ReLnMd: Con,M(MdLnMd)->(true,false) (15)
Визначення релевантностi моделей дозволяе вiдiбрати для процедури вибору пльки релевантнi моделi
Mre(MdLnMd) с M(MdLnMd) тобто таю моделi Md для яких
(16)
Шсля активацii моделi модель-активатор взаемодiе з активованою моделлю з використанням протоколу взаемодii моделей. Це пов'язано з тим, що активована певним контекстом модель передбачае можлившть виршення рiзноманiтних задач i сам процес взаемодп моделей може носити ггерацшний характер. Так, наприклад такими иерацшними задачами можуть бути прогнозування, ощнка, моделювання, дii. Результат вирiшення однiеi задачi служить пiдставою активатору щодо формування наступних запипв до активованоi моделi.
Зв'язок моделей LnMd надае певш послуги та операцii до протоколу взаемодп, наприклад, ощнку релевантности переiнiцiалiзацiю, оцiнку оптимальностi застосування модель У випадку змши контексту вш проводить оновлення iнiцiалiзацii, перевiряе релевантнiсть та оптимальнiсть i таким чином контролюе взаемодiю активатора та активованоi моделi.
Модель Md складаеться зi схеми ScMd та реалiзацii RlMd:
ReLnMd(Con,Mdre) = true (17)
При вщсутноси релевантних моделей LnMd повертае активатору повщомлення про неможливкть вирiшення задачi.
Задача оптимального вибору визначае у множит релевантних моделей одну Mdop, застосування якоi максимiзуе функцiю вибору ChLnMd з врахуванням критерпв вибору M(CrChLnMd) та контексту Con.
ChLnMd(Mdop,M(CrChLnMd),Con) ^ max (18)
Md = {ScMd,RlMd} (21)
Схема моделi описуе ii структуру, складовi елемен-ти, визначае правила та обмеження на використання моделi, а також перелж можливих операцiй та запитiв.
Схема е компонентом моделi який видимий для зовшшнього свiту. Вона використовуеться для взаемодп з даною моделлю.
Схема моделi складаеться зi слоив M(SlScMd), зв»язюв мiж ними M(LnSlScMd), правил M(RuScMd), обмежень M(CsScMd), та операцш M(OpScMd):
ScMd = {M(SlScMd),M(LnSlScMd),M(RuScMd),M(CsScMd),M(OpCsMd)}(22) у Heï певними подiями. В сучас-
них системах моделювання знань,
наприклад, Knowledge Machine [17], така тдтримка реалiзована у механiзмi cитуацiй. Кожному стану бази знань ввдповвдае певна ситуацiя. В [17] реалiзована можливiсть моделювання - дослвдження можливих переходiв мiж ситуащями при настаннi певних подiй чи умов.
В [16] запропоновано подавати мету як зв'язок (вщношення) мiж початковою та кiнцевою ситуацiями, що покладено в основу S&G (Situations and Goals)
семантично! модель На
SlScMd = {RgSlScMd,M(ValSlScMd),M(RuSlScMd),M(CsSlScMd),M(OpSlScMd)}(24) нашу думку, недолiком
такого пiдходу е неяв-
Для кожного слоту визначено множину клаав з онтологiï, об'ектами яких дозволено iнiцiалiзувати слот:
RgSlScMd = Msl(Cl) ç M(Cl) eOn (23)
Крiм того, для слоту визначено його множину зна-чень M(ValSlScMd), правил та обмежень, що дтть на рiвнi слоту - M(RuSlScMd), M(CsSlScMd), операцiй над значеннями слоту M(OpSlScMd):
Зв'язок слотiв LnSlScMd специфжуеться множи-ною слотiв, яку вш сполучае M(SlLnSlScMd), мно-жиною клаив онтологiï якi використовують для семантичноï iнтерпретацiï зв'язку - RgLnSlScMd, мно-жиною моделей яку використовують для розумшня та проведення операцiй зi зв"язком - M(MdLnSlScMd).
не включення у поняття мети початково1 ситуацп та механiзму переходу до кшцево! ситуацп, що ро-бить мету залежною вщ них. Приймаючи до уваги, що в конкретнш прикладнш задачi початковий стан може бути неввдомий (або несуттевий) та то, що може кнувати багато рiзних шляхiв досягнення то1 самоi мети, дощльно сформулювати поняття мети ви-LnSlScMd = {M(SlLnScMd), RgLnSlScMd, M(MdLnSlScMd)} (25) ходячи з кiнцевого, бажаного стану бази факив.
Нехай StBdFc - це певна ситуацiя, стан, зшмок при цьому слоти, що сполучеш зв'язком, належать бази факпв. Визначимо мету Gl як специфжащю певноi
слотам моделi: множини сташв бази фактiв кожен з яких ввдповвдае
VSlLnScMd е M(SlLnScMd): SlLnScMd е M(SlScMd)(26 досягнутiй метк
Зв'язок моделей вiдповiдае одному з титв гори-
зонтальних зв'язкiв визначених в онтологп On:
RgLnSlScMd = Mln(LnCl) ç M(HrLnCl) e On (27)
Модель, що описуе зв'язок е елементом загальноï множини моделей:
VMdLnScMd e M(MdLnScMd) : MdLnScMd e M(Md)(28)
Поняття мети моделi та його використання
Використання запропонованого тдходу до моделювання та побудови когттивних шформацшних систем вимагае наукового осмислення такого поняття як 'мета' та особливостей його застосування у таких системах.
Вiкiпедiя визначае мету так:
'A goal or objective is a projected state of affairs that a person or a system plans or intends to achieve—a personal or organizational desired end-point in some sort of assumed development.'
(Мета - це запланований стан який людина або система мае намiр досягнути - бажаний особистий або сустльний результат певного запланованого процесу) [15]
Семантичне осмислення поняття мети е ввдносно новою про- GF(StBdFc) = true ^ блемою i пльки починае входити
у сферу дослщжень семантично -орiентованих систем. Так, в [16] вiдмiчено, що хоча й побудова семантично-орiентованих процеав не входить у сферу сучасних технологш семантичних веб-сервгав, необхщно ство-рити окремий семантичний рiвень для опрацювання процеав та визначень понять у межах домену, що передбачае i семантичне визначення поняття мети.
Передумовою подання мети в сучасних системах моделювання знань е тдтримка динамiчного характеру бази знань, ввдслщковування змш що вносяться
Gl = M(StBdFcGl)
(29)
Для визначення мети корисно задати функщю мети, яка дозволяе визначити, чи у певному сташ StBdFc мета Gl е досягнута:
GF(StBdFc) =
true 1 StBdFc e M(StBdFcGl ) false 1 StBdFc g M(StBdFcGl )
(30)
Одним з можливих способiв завдання функцп мети е ïï завдання у виглядi впорядкованого списку тверджень-вимог щодо об'екпв бази факпв, як можна перевiрити.
GF(StBdFc) = Sq(Asr(StBdFc))
(31)
де Asr(StBdFc) - це вимога -твердження (assertion) щодо значень властивостей об'екпв та '¿х зв'язкiв у ситуацп StBdFc. Кожне твердження Asr(StBdFc) задано на множит {true,false}:
Range(Asr(StBdFc)) = {true,false} Таким чином,
(32)
VAsr(StBdFc)l е Sq(Asr(StBdFc)): Asr(StBdFc)l = true(33)
Розширення онтологiй з використанням iнформацiйних моделей (схем знань)
Iснуючi пiдходи до побудови онтологш, що базу-ються на таксономiях мають ряд недолшв, зокрема:
високу складнiсть. Онтологii, що використовують-ся для вирiшення практичних задач мають тисячi та десяти тисяч концептiв, якi пов"язанi мiж собою. Це ускладнюе процес розумшня та валщацп онтологii для проектувальника. Додавання тдтримки вирiшення
нових задач у систему призводить до введення нових концеппв i подальшого ускладнення онтологп
iснуючi засоби перевiрки цiлiсностi онтологiï, що базуються на формальнш логiцi е обмеженими. Вони здатш встановити тiльки логiчну непротирiчивiсть онтологiï, i не опрацьовують ii горизонтальнi ('змiстовнi') зв"язки мiж концептами, не перевiряють непротирiчивiсть онтологп у змштовному планi.
непристосованiсть до шдтримки процедурних знань.
Цi проблеми можна виршити шляхом розши-рення традицiйних онтологш iз використанням iнформацiйних моделей. 1нформацшш моделi не обов'язково мають мету, вони можуть бути деклара-тивними, але запроваджують додатковi обмеження, визначають задачi, яю можуть вирiшуватися та поси-лання на модели якi описують виршення. Водночас, iнформацiйнi моделi дозволяють приховати складшсть опису системи, вони перевiряються та валiдуються окремо вiд шших компонент системи, що безпосеред-ньо з ними не пов"язаш.
Розглянемо розширення двох складових частин класичноï таксономiчноï онтологiï -вiдношень та клаив.
Розширення вiдношень м1ж класами
Опис вщношення мiж класами з використанням iнформацiйноï моделi мае на меп розширити вiдношення, надати для нього пояснення, створити можлившть розглядати та вивчати це вщношення окремо, у вiдривi вiд загальноï онтологiï. Можна сказати що при цьому створюеться онтологiя цього вщношення. З iншого боку, використання iнформацiйноï моделi дозволяе приховати деталi у визначенш вiдношення i таким чином сприяти розумшню цiлiсноï картини, в яку таке вщношення входить.
Формально, модель вщношення MdLnCl близь-ке та частково перетинаеться з визначенням класу LnCl , доповнюючи та розширюючи його. Застосу-вання термшу 'модель' пiдкреслюе можливiсть окре-мого (вiд решти онтологп) вивчення вщношення, можливiсть використання рiзноварiантних моделей для опису ввдношення, або динамiчноï змiни iснуючоï моделi у процеа навчання. Класи, що використову-ються у моделi вiдношення, не обов"язково е класами онтологп, об'екти яких пов'язаш вiдношенням. Вони можуть бути абстрактними ролями, яю вiдповiдають класам онтологп, що використовуються у вщношенш. Визначимо модель вiдношення так:
наслщюв. При цьому будуть використо-MdLnCl = (M(ClMdLn),M(RuMdLn),M(OpMdLn),M(LnMdLn)}(34) вуватися моделi вiдношень нижчих рiвнiв
iерархiï.
де M(ClMdLn) - множина класiв онтологп, яю використовуються в описi вщношення, M(RuMdLn) -множина правил та обмежень, M(OpMdLn) - мно-жина операцiй, M(LnMdLn) - множина посилань на iншi моделi. У найпростiшому випадку M(ClMdLn) = SqLnCl.
Розглянемо приклад вщношення Володти, що у моделi опису вщношення пов'язуе два класи - Власник та Властсть. Цим класам при створенш вщношення в онтологп ставиться у вщповщшсть iншi класи, яю мо-
жуть вiдiгравати роль Власника та Власност1, напри-клад, Особа та Автомобшь. Крiм цих основних клаив моделi, модель мктить посилання на iншi класи. Напри-клад, у випадку моделi вщношення Володти це може бути посилання на клас НабуттяПраваВолодтня, який у свою чергу мктить посилання на факт покупки власносп або ж отримання ïï у спадок.
1ншим прикладом властивосп вiдношення е його статус. Наприклад, у випадку ввдношення Володти можливi статуси Д1юче, Призупинене, Зупинене. Так, власник автомоб^я на який оголошено арешт мае статус вщношення власностi Призупинене. Якщо автомобшь продано, то вiдношення власностi е зупи-неним, але зберiгаеться в шторп когнiтивноï системи i може бути використане для прийняття ршень.
Додатковi обмеження у моделi Володти, наприклад, визначають, що Власником може бути тшьки Особа, Оргатзащя, або об'екти клаив похвдш вщ них. Аналогiчно формулюеться список клаав, об'екти яких можуть бути у власность
У моделi визначено операцп, якi дозволенi вiдношенням. Для вщношення Володти такими операцiями е Використовувати, Продати, Подарува-ти, Знищити. Операцп пов'язаш з шшими моделями, яю додатково пояснюють '¿х. Наприклад, операщя Використовувати зазвичай визначае можливкть отри-мувати якусь користь для Власника, але й передбачае певнi накладнi видатки. Операщя Продати звичайно призводить до поповнення особистого бюджету Влас-ника, але зупиняе ввдношення, так що тсля продажу об'ект власностi не можна буде використовувати.
Вщношення утворюють iерархiï вщповщно до рiвня абстракцп. Так ввдношення Володти успадковуе властивостi загальнiшого класу Вгдношення. У свою чергу, вщношення Волод1т1Автомоб1лем або ВолодтиАвтомобшемЫерседес е моделями-конкретизащями. Цi моделi детальнiше описують ввдношення, вони, наприклад мiстять посилання на модель ПродажАвтомобшя, яка визначае, що треба зробити щоб продати автомобшь.
Моделi вiдношень використовуються для валвдацп та розумування. Наприклад, при спробi iншоï моделi встановити вщношення Володти мiж двома об'ектами перевiряються обмеження, сформульованi у моделi цього вщношення. Розумування може вiдбуватися на рiзних рiвнях абстракцiï. Так, наприклад, нехай кнуе модель „Особистий бюджет можна зб^ьшити, якщо продати то, чим ти володiеш". Використання цiеï моделi з метою збiльшення бюджету призведе до перегляду об'екпв власносп та моделювання операцiй '¿х продажу з врахуванням позитивних та негативних
Розширення опису клаав
До опису клаив також додають модел^ розширюю-чи цей опис. Таке розширення пояснюе клас, надае йому змiст, задае додатковi, у тому чж^ динамiчнi обмеження.
Наприклад, клас ТранспортнийЗас1б визначае елемент Спос1бВикористання як виршення задачi
перемщення матерiальних об'екив у npocTopi, що описуеться вiдповiдною абстрактною моделлю.
До специфжацп класу додають:
новi властивоси та посилання на моделi що вщповщають цим властивостям. Властивостi самi вiдносяться до семантично- визначених понять, наприклад, Будова, СпопбВикористання, ПринципДи.
моделi до шнуючих властивостей та класу загалом.
Визначення класу (5), i визначення слоив (6) таким чином доповнюеться моделями:
Cl = {M(SlCl),M(RuCl),M(CsCl),M(OpCl),M(Mda)}(35) SlCl = {M(ValSia),M(RuSlCl),M(CsSia),M(MdSlCl)}(36)
Наприклад, клас Автомобшь мае rn6ip моделей, якi пояснюють його будову, принцип дп та споаб ви-користання. Так як клас Автомобшь е тдкласом класу ТранспортнийЗапб, вш також може бути використа-ний для перевезення матерiальних об"екпв. Додатковi моделi визначають обмеження для класу Автомобшь (наприклад, необхщшсть дороги) та класифжують автомобiлi за обмеженнями на типи матерiальних об'ектiв що перевозяться (вантажш, приватнi, авто-буси).
Моделi розширення класу використовуються для виршення задач. Наприклад, якщо задача передбачае перемщення вантажу, то для ïï виршення обирають ТранспортнийЗапб, адже вш власне i призначений для виршення такого класу задач. Подальша робота з моделями дозволяе, залежно вщ наявносп дороги, ваги вантажу та шших факторiв обрати тип Транспортного засобу.
Рiзнi за складнiстю модели використовуються для виршення задач. Наприклад, проста модель автомобшя як об'екта, що перемщуеться у просторi з фiксованою швидкiстю та споживае пальне може бути використана для грубоï оцшки часу перевезення вантажу та потрiбноï вартостi пального. 1нша модель, яка враховуе деталi будови автомобiля використовуеться для щентифжацп причин несправностi.
Висновок
Запропонований у стати тдхщ та архiтектура опра-цювання знань у когнiтивнiй iнформацiйнiй системi дозволить створювати iнтелектуальнi системи, яю порiвняно з iснуючими набагато швидше реагують на змiни вимог та бiзнес-середовища.
^riepaTypa
1 Balmelli L. Model-driven systems development/ Balmelli L, Brown D, Cantor M, Mott M.. // IBM Systems Journal, vol 45, Number 3,2006.- p569 - 585
2. А. Александров. BI 2.0: прообраз новой архитектуры
бизнес-аналитики/ Александров А// Открытые системы № 5.-вид-во "Открытые системы",2007.
3. S. Mellor. MDA Distilled, Principles of Model Driven Architecture/ Stephen Mellor, Kendall Scott, Axel Uhl, Dirk Weise.- Addison-Wesley Professional, 2004.- 176p.
4. Cognition. [Electronic resource].Mode of access: http://www.
answers.com/topic/cognition.- Title from the screen.
5. Peter Voss. Essentials of General Intelligence: The Direct
Path to Artificial General Intelligence Engine [Text] / Voss Peter, Cassio Pennachin, Ben Goerzel //Artificial General Intelligence. Ben Goertzel, Cassio Pennachin (Eds.).-Springer-Verlag Berlin Heidelberg, 2007. - pp 131-156.
6. Pei Wang. The Logic of Intelligence. / Wang Pei //Artificial
General Intelligence. Ed. Ben Goerzel, Cassio Pennachin. Springer-Verlag Berlin Heidelberg 2007. - pp.31-60.
7. Newell, A.Unified Theories of Cognition [Text]/ Newell A.-
Harvard University Press.- 530p
8. Hollnagel, Erik, Joint cognitive systems : foundations of
cognitive systems engineering [Text] / Erik Hollnagel and David D. Woods.- CRC Press, 2005.- 241p
9. John McCarthy. Making robots conscious of their mental states
[Text].- Computer Science Department Stanford University -[Electronic resource]. - Mode of access: http://www-formal.stanford.edu/jmc/consciousness/consciousness.html
10. Gruber T.R. Principles for the design of ontologies used for Knowledge Sharing. /Gruber T.R //International Journal Human-Computer Studies.- 1995.- p.907-928.
11. Michael C Daconta. The Semantic web. A Guide To The Future of XML, Web-services and Knowledge Management /Michael C Daconta, Leo J Obrst, Kevin T Smith .- Wiley publishing.-2003.- 305p
12. Pezzulo G. Schemas and schema-based architectures [Electronic resource]. - Mode of access: http:// www. eucognition.org/wiki/index.php? title=Schemas_and_ Schema-based_Architectures. .- Title from the screen
13. Schemata theory. [Electronic resource]. - Mode of access - http://en.wikipedia.org/wiki/Schemata_theory .- Title from the screen
14. MIT Encyclopedia of the cognitive sciences. Edited by Robert A. Wilson and Frank C. Keil. -MIT Press Cambridge, Massachusetts, London, England, 1999.- 1097p
15. Goal. [Electronic resource]. - Mode of access: http:// en.wikipedia.org/wiki/ Goal. -Title from the screen
16. Gugliotta. A. A Situations & Goals Semantic Model for Designing and Implementing Semantic Web Services-based Processes /Gugliotta, A.; Dietze, S.; Domingue // Services Computing, 2008. SCC '08. IEEE International Conference Volume 2July, 2008.- pp 581 - 582
17. KM:The knowledge machine. [Electronic resource]. - Mode of access: http://www.cs.utexas.edu/~mfkb/km.html.- Title from the screen
