CC BY
102
УДК 519.7
С.Ф. ЧАЛЫЙ, Л.В. ШАБАНОВА-КУШНАРЕНКО
РЕЛЯЦИОННАЯ МЕТАСЕТЬ ВЫДЕЛЕНИЯ НЕЯВНЫХ ЗНАНИЙ
Проблема представления знаний рассматривается в разделе искусственного интеллекта - инженерии знаний. Для представления явных знаний разработано значительное количество методов и моделей, которые позволяют отобразить знания как в процедурной, так и в декларативной форме в целях их использования в системах искусственного интеллекта. По-иному обстоит дело с неявными знаниями в силу их природы - непроявленности, т. е. неотделимости от человека. Концепция использования неявных знаний требует дальнейшего развития. В то же время выделение и формализация неявных знаний может существенно расширить возможности систем искусственного интеллекта, приблизив их возможности к возможностям интеллекта человека.
Введение
Недостаточная разработанность концепции представления и использования неявных знаний в системах искусственного интеллекта требует анализа подходов к выявлению и использованию неявных знаний человеком с тем, чтобы на этой основе разработать модели представления и методы применения таких знаний.
Проблема получения неявных знаний впервые была рассмотрена в философских работах М. Поланьи [1, 2]. Он рассматривал персональное знание как фактор, обеспечивающий преимущество человека над животными и характеризовал его через призму владения языком. Подходы к формализации знания человека, в том числе через язык, опираются на неформализованный контекст [3]. Именно поэтому сложно выделить только явное знание. Все слова, формулы, схемы опираются на неявные знания человека и без них теряют свой смысл. Знание человека всегда подразделяется на две составляющие - «что» и «как», причем обычно выделяется «знание-что», а «знание-как» - подразумевается [1]. Иными словами, знание первого вида человек обычно может озвучить, записать, формализовать. Знание второго вида очень трудно поддается объяснению. Так, человек легко решает задачу распознавания изображений, находя своих знакомых на фото. Однако он обычно затрудняется объяснить, как он выделил их лица.
Между неявными и явными знаниями существуют следующие отличия:
- в случае явного знания человек может объяснить, записать, формализовать используемые закономерности;
- в случае неявного знания мы можем выделить практический результат его применения без объяснения того, как этот результат был получен.
Рассмотрение неявных знаний как важного элемента получения явных знаний связано с расширенным пониманием управления знаниями как такового. Действительно, традиционно управление знаниями (knowledge management) рассматривается как процесс создания, сохранения, приобретения, распределения и применения знаний на практике. Иными словами, знание в данном процессе является объектом управления, что в целом верно для явного знания. Однако в приведенном определении не рассматривается роль неотделенного от людей, неявного знания. В данном случае знание принадлежит человеку, который своими активными действиями влияет на процесс управления знаниями. Поэтому использование неявных знаний в системе искусственного интеллекта несомненно является актуальной задачей.
Постановка задачи
Изложенные особенности неявных знаний показывают, что решение проблемы их выделения и формализации сопряжено со значительными трудностями. Поэтому весьма важной является задача разработки обобщенной модели выявления неявных знаний. Перед детальным рассмотрением данной задачи необходимо проанализировать концепцию обучения с использованием неявных знаний, которые трудно отделить от человека.
80
Преобразование явного знания в неявное связано с обучением на основе известных стратегий и документированных материалов. Следует отметить, что данная трансформация использует не только явные знания, изложенные в обучающих материалах, но и неявные знания людей, которые обучают и которые обучаются. Именно последние помогают «усваивать» излагаемый материал, встраивать его в существующую в сознании обучаемого картину мира и, при необходимости, преобразовывать его в навыки, умения, опыт. Важность передачи неявного контекста при изучении явных знаний подтверждается целым рядом примеров из практики. Так, подача и усвоение одного и того же материала (книги, формулы, теоремы и т.п.) зависит от человека, который обучает, дополнительно передавая при обучении неявную составляющую знаний.
Реляционная метасеть извлечения неявных знаний
Традиционные подходы к анализу данных и процессов основаны на известной иерархической модели DIKW «данные-информация-знания-мудрость [4] (метазнания)». В основе этой модели лежат наборы данных. Применительно к системам искусственного интеллекта они могут быть представлены в формате баз данных и структурированных текстовых файлов. Использование модели DIKW позволяет обосновать возможность применения реляционных сетей при выявлении неявных знаний в системах искусственного интеллекта и представить обобщенную структуру такой сети.
Извлечение и формализация скрытых знаний из структурированных массивов данных в задачах data-, process-, web-mining основывается на неявном влиянии таких знаний на сформированную структуру данных. Полученные в результате решения указанных задач структуры, например, модели процессов, представляются в виде графа и, фактически, представляют собой явные знания о процессах (либо структурированных объектах) предметной области. В то же время модели идентичных процессов (объектов), полученные в результате решения задач интеллектуального анализа массивов данных за различные интервалы времени, во многих случаях отличаются. Такие отличия в структуре полученных графов определяются применением неформализованных, скрытых знаний при выполнении процессов и формировании исходных массивов данных. Это и указывает на принципиальную возможность выделения неявных зависимостей при анализе структурированных объектов, полученных в результате исследования массивов данных.
Концепция DIKW опирается в первую очередь на наблюдения за естественным интеллектом. В данной работе эта модель представляет интерес в силу того, что неявные знания характерны именно для человеческого интеллекта. Преобразование неявных знаний в явную форму позволяет использовать их в системах искусственного интеллекта.
Первый уровень модели DIKW содержит данные в виде набора символов, которые могут быть использованы, однако сами по себе не имеют значения. Данные являются просто результатом наблюдений и не всегда представлены в удобном для применения формате:
{pbp2,...,pn}, (1)
Pi, i = 1,n - множество данных.
На уровне информации между данными определяются связи, которые задают значение совокупности данных. На этом уровне не определяется, будет ли это значение использоваться, однако на основе информации могут быть сделаны определенные выводы.
При предикатном представлении информации предикат I задает связи между данными {pi,p2,...,pn}, чем и определяет структуру информации:
1 (pi,p2, ,pn )■ (2)
Предикат I при необходимости можно представить в виде системы бинарных предикатов Ii, i = 1, m, попарно отражающих связи между элементами данных. Число m заранее не известно, оно определяется конкретной задачей (во-первых, самим предикатом I, во-вторых - процессом бинаризации предиката I, так как бинаризация практически всегда требует введения дополнительных переменных).
81
Система бинарных предикатов I;, i = 1, m может быть представлена в виде реляционной сети для параллельной обработки [5].
На третьем уровне на основе взаимосвязанной структурированной информации определяется и накапливается знание, которое имеет полезное значение в смысле его дальнейшего использования. Однако интеграция знания в целях создания нового знания на данном уровне не рассматривается.
В соответствии с предлагаемым подходом накопление знаний на основе данных и информации о них можно представить формально как добавление новых предикатов, заданных на множестве исходных данных {pbp2,...,pn}, и создание системы
{Ii,i = 1k } (3)
предикатов, каждый из которых определяет информацию о данных {pi,p2,...,pn}.
Уровень метазнаний объединяет все предыдущие, позволяя находить принципиально новое понимание из существующего знания. Формально уровень метазнаний можно представить в виде предиката второго порядка (предиката от предикатов), заданного на множестве { I;, i = 1, k }:
M(Ii,l2,...,Ik), (4)
который связывает всю формализованную информацию о данных {pbp2,...,pn} и позволяет вычислять новую информацию.
В ряде работ разделяют метазнания и мудрость, формируя иерархию из 5 уровней. Однако уровень мудрости присущ исключительно человеческому интеллекту. На данном уровне человеческий интеллект оперирует с абстрактными величинами, различая, например, добро и зло, плохое и хорошее.
Р. Акоф [4] также выделил уровень понимания как процесс создание нового знания из существующего. Соответственно, базовой для понимания является функция обучения новым знаниям. Понимание позволяет не только создавать новые знания, но и применять их для выполнения полезных (в смысле достижения ожидаемых результатов) действий. Следовательно, понимание опирается и использует уровни знаний, информации, данных.
Таким образом, с позиции формирования знаний в системах искусственного интеллекта понимание можно рассматривать как способ перехода от данных к информации (понимание связей), от информации к знанию (понимание шаблонов) и от знания к метазнанию (понимание принципов). Формально концепция DIKW представлена набором преобразований (2) - (4).
При представлении модели (4) в виде графа реляционной сети получим структуру, никогда ранее не использованную - реляционную метасеть. Отличие реляционной метасети от реляционной сети в том, что узлами реляционной метасети являются реляционные сети, а связями (дугами) - бинарные предикаты второго порядка типа (4). Формально реляционную метасеть можно получить путем бинаризации предикатной модели (4), что позволит представить ее в виде системы бинарных предикатов вида Mi (Is,It), i = 1, k, 1 > s, t > k , или в виде графа сети (рисунок).
Полученная метасеть, на первый взгляд, формализует только преобразование данных в информацию, затем в знания и в мудрость и представляет собой построение таксономии явных, формализованных, документированных знаний.
Однако нами поставлена задача формализации подходов к выявлению неявных знаний с учетом данной таксономии. Ведь переход от уровня к уровню данной иерархии, а именно понимание содержания предыдущего уровня связано с использованием и преобразованием знаний из явной формы в неявную, и наоборот.
Поэтому для формализации выявления неявных знаний необходимо рассмотреть вопросы обратного преобразования знаний в данные через взаимодействие составляющих представленной на рисунке метасети. Тогда решение задачи получения неявных знаний с использованием предложенной метасети имеет следующий вид.
82
Исходными данными является обратная цепочка - знания-информация-данные. В таком случае предикаты М; должны обеспечивать возможность обратного преобразования знаний в информацию, а затем в данные.
Реляционная метасеть выделения неявных знаний
Следовательно, различие между формальным представлением знаний и информации при преобразовании через М; составляет искомый неявный компонент, что и позволяет обосновать возможность выделения неявных знаний.
Действительно, различные виды передачи явных знаний от человека к человеку предполагают использование неявного контекста. Поэтому, например, при переходе от информации к знанию часть применяемых шаблонов приобретает неявную форму и обеспечивает результат - получение знания без детального осознания сути процесса преобразования.
Следовательно, выявление и формализация таких скрытых шаблонов обеспечивает возможность для создания новых знаний в системах искусственного интеллекта.
Таким образом, каждая из составляющих реляционных метасетей позволяет выделить как явную часть (данные, информация, знания), так и неявные знания с учетом процесса их взаимодействия, представленного дугами М;.
Выводы
Впервые предложена реляционная метасеть формализации неявных знаний на основе имеющейся иерархии данные - информация - знания. Реляционные сети связаны предикатами второго порядка, обеспечивающими последовательное преобразование данных в знания. Принцип работы этой метасети основан на том, что для преобразования данных в информацию, а последней - в знания необходим дополнительный, обычно неявный контекст. Поэтому наличие полной последовательности выделения явных знаний, а также исходного набора данных позволяет путем обратного преобразования (знания-информация-данные) формализовать неявную компоненту.
Список литературы: 1. Polanyi, M. Personal Knowledge: “Towards a Post-Critical Philosophy. University of Chicago Press, Chicago, 1958. 442 р. 2. Polanyi, M. Knowing and Being: Essays by Michael Polanyi Edited by M.Grene. London: Routledge, 1969. 264 р. 3. Goodman, C.P. The Tacit Dimension. Polanyiana, 2003/1-2. Р. 133-157. 4. Ackoff Р., Russell From Data to Wisdom. Journal of Applied Systems Analysis 16, 1989. Р. 3 - 9. 5. Бондаренко М. Ф. О булевых реляционных сетях / М.Ф. Бондаренко, И.В. Каменева, Н.Е. Русакова, Ю.П. Шабанов-Кушнаренко, И.Ю. Шубин // Бионика интеллекта. 2011. № 1. С. 3-7. 6. Румизен Мелисси Клеммонс. Управление знаниями. М.:
83
АСТ: Астрель, 2004. 318 с. 7. Нонака И. Компания-создатель знания. Зарождение и развитие инноваций в японских фирмах / И.Нонака, Х.Такеучи. М., 2003. 384 с.
Поступила в редколлегию 12.09.2013
Чалый Сергей Федорович, д-р техн. наук, рофессор каф. ИУС. Научные интересы: управление бизнес-процессами; процессный подход к представлению знаний. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел. 702-14-51.
Шабанова-Кушнаренко Любовь Владимировна, аспирантка каф. ИУС. Научные интересы: алгебро-логические модели бизнес-процессов. Адрес: Украина, 61166, Харьков, пр. Ленина, 14, тел. 702-14-51.
УДК 378.147 М.А. БОНДАРЕНКО
ОПТИМІЗАЦІЯ АНІМАЦІЙНИХ ЗОБРАЖЕНЬ ПРИ РОБОТІ З WEB-ГРАФІКОЮ
Проводиться експериментальна підготовка графіки для Web-сторінок за використанням програм Macromedia. На основі аналізу отриманих результатів розробляються рекомендації щодо вибору оптимального типу файлу та параметрів зображення в залежності від його властивостей та призначення. Проводиться експериментальна перевірка ефективності використання цієї розробки. Перевірка підтвердила правильність гіпотези дослідження.
Вступ. Особливе значення при розробці Web-сайтів має його дизайн, який складається з графічних елементів. Тому кваліфікаційні вимоги до спеціалістів передбачають оволодіння практичними навичками підготовки графічних зображень для Web-сторінок та розроблення дизайну Web-сторінки з використанням комп‘ютерної графіки.
Основний зміст. Графічні формати поділяються на векторні, растрові та комбіновані [2]. Способи форматування задають структуру даних і відрізняються один від одного. Растрове зображення утворюється з окремих крапок-пікселів, векторне зображення утворене з комбінації форм. При збільшенні або деформації пікселі растрового зображення стають помітні, тоді як векторний малюнок зберігає форму.
Формат GIF може зберігати анімаційні зображення, на відміну від усіх інших графічних форматів [1].
Анімація досягається за рахунок того, що у форматі GIF зберігається декілька зображень (кадрів), а також інформація про їх послідовність та швидкість відтворення. Внаслідок цього досягається ілюзія безперервного руху.
Анімація підтримується тільки у форматі GIF. Для проведення оптимізації взято анімац-ійне зображення з початковими 128 кольорами (рис. 1). Початковий розмір файлу - 74,6 Кбайт.
Рис. 1. Анімаційне зображення для оптимізації Результати оптимізації анімаційного файлу наведено у табл. 1.
84
