2.3 Моделі представлення знань

В попередньому підрозділі ми розглянули моделі, які дають можливість представляти KBIA фокусуючи увагу на їхній поведінці та взаємодії з іншими агентами та зовнішнім середовищем. В цьому підрозділі зосередимо увагу на сучасних підходах до організації KB, які можуть бути використані при проектуванні IA.

2.3.1 Онтології [11].

Онтології забезпечують формальний і структурований спосіб представлення знань предметної області за допомогою класів, властивостей та індивідів. Базуючись на дескриптивній логіці (description logic - DL), вони підтримують складне моделювання знань і можуть виконувати задачі міркування.

Використання онтологій як представлення знань у KBIA має кілька переваг завдяки їх структурованому, семантичному та сумісному характеру. Вони забезпечують стандартизовану структуру для збору та організації знань, дозволяючи агентам міркувати, робити висновки та ефективно спілкуватися.

Детальніше про особливості представлення знань через онтології.

• Забезпечують семантичне представлення знань предметної області шляхом визначення понять, зв’язків, атрибутів і обмежень. Це дозволяє агентам відображати значення та контекст інформації.
• Пропонують структурований спосіб організації та категоризації знань, що дає можливість агентам ефективно орієнтуватися в базі знань і та робити запити до неї. Поняття та зв’язки можуть бути організовані ієрархічно або за допомогою інших формальних структур.
• Сприяють спільному розумінню концепцій предметної області серед агентів, людей та інших систем, орієнтованих на знання. Це зменшує неоднозначність і забезпечує цілісну інтерпретацію знань.
• Надають загальний словник (common vocabulary) взаємодії, який агенти та інші системи можуть використовувати для спілкування та обміну інформацією. Це особливо корисно в багатоагентних системах та гетерогенних середовищах.
• Дозволяють агентам виконувати автоматизовані міркування та робити висновки. Агенти можуть виводити нові знання, перевіряти узгодженість і ідентифікувати неявні зв’язки за допомогою методів логічного міркування.
• Пропонують засоби комплексного моделювання предметної області, охоплюючи різні аспекти, включаючи таксономії, атрибути, ролі та події. Це сприяє цілісному розумінню предмету моделювання.
• Підтримують обмін знаннями та їх повторне використання в різних застосуваннях. Чітко визначена онтологія може служити основою для розробки системи KBIA предметної області.
• Можуть бути модульними та розширюваними, що робить їх  масштабованими при отримання нових знань. Зміни або оновлення в предметній області можна відобразити шляхом модифікації або розширення онтології.
• Покращують NLP, надаючи структуровану основу для зв’язку лінгвістичних концепцій з їхніми семантичними відповідниками. Це може розширити можливості в розумінні та генерації артефактів мови.
• Допомагають інтегрувати різнорідні джерела даних, надаючи загальну модель для відображення різних структур даних в уніфіковане семантичне представлення.

Розробка онтології потребує досвіду моделювання предметної області та ретельного розгляду концепцій, зв’язків і потенційних сценаріїв використання. Процес розробки онтології може зайняти багато часу, а підтримка узгодженості протягом всього часу застосування має вирішальне значення. Вибір відповідної мови онтології (наприклад, RDF, OWL) та відповідних інструментів є важливим для досягнення бажаного рівня виразності та масштабованості. Інтеграція онтологій з іншими методами KR, такими як продукційні правила, може може бути використана для охоплення ширшого кола знань.

Одним з шляхів вирішення складнощів створення та підтримки цілісності бази знань на основі онтологій може бути використання підходу формування онтології через навчання. 

Процес навчання онтології передбачає отримання агентом відповідної інформації про предметну область та представлення її як знання про концепції, зв’язки, атрибути та обмеження. Це дозволяє агенту створити структуроване відображення предметної області, уможливлюючи краще міркування, виведення висновків та прийняття рішень.

В процесі формування та підтримки онтології шляхом навчання KBIA має виконувати такі дії:

• витяг концепцій (concept extraction) з текстових даних, документів предметної області або взаємодії з користувачем; методи NLP можуть ідентифікувати ключові терміни та фрази, які представляють поняття в моделі;
• виявлення зв’язків (relationship discovery) між поняттями, аналізуючи шаблони в даних або вивчаючи їхню взаємодію; наприклад, якщо певні поняття часто згадуються разом, то можна зробити висновок про зв’язок між ними;
• виведення загальних понять з конкретних фактів за допомогою алгоритмів індуктивного навчання (inductive learning); наприклад, маючи набір екземплярів можна узагальнити спільні атрибути для концепцій вищого рівня;
• групування схожих екземплярів у кластери методами кластеризації та класифікації (clustering and classification) для подальшої ідентифікації понять; алгоритми класифікації можуть призначати екземпляри попередньо визначеним поняттям;
• семантичний аналіз (semantic analysis) текстових або структурованих даних для виявлення семантичної подібності та групування пов’язаних понять;
• активне навчання (active learning) шляхом взаємодії з користувачами або експертами для уточнення відображення предметної області; може включати питання, пошук роз’яснень або запит на оцінку елементів сформованої онтології;
• навчання через вивчення поведінки користувачів (learning from user behavior) шляхом спостереження за тим, як користувачі взаємодіють з агентом; витяг можливих висновків про зв’язки та поняття на основі поведінки користувачів, запитів і вподобань;
• інтеграція зовнішніх джерел даних (integration of external data sources) таких як сховища даних, бази знань тощо, щоб розширити онтологію актуальною та релевантною інформацією;
• вирівнювання та злиття онтологій (ontology alignment and merging) шляхом взаємодії з іншими агентами або системами для  узгодження навченої онтології з існуючими онтологіями для забезпечення спільного представлення та інтерпретації.

При формуванні та підтримці онтології шляхом навчання, потрібно враховувати, що якість і точність такої онтології залежать від якості даних, алгоритмів навчання та процесів перевірки. Крім того, може знадобитися людський нагляд і експертний аналіз для підтвердження, що навчена онтологія узгоджується зі знаннями предметної області та точно представляє семантику моделі.

2.3.2 Ймовірнісні та нечіткі моделі. 

Ймовірнісні моделі (probabilistic models) — це клас моделей представлення знань, які використовуються в KBIA для обробки невизначеності, неточності та випадковості в процесах відображення та міркування. Ці моделі особливо корисні в ситуаціях, коли достовірність інформації не є абсолютною і коли необхідно міркувати про ймовірності та вірогідності. Імовірнісні моделі дозволяють агентам приймати обґрунтовані рішення в невизначених середовищах [12 p.510].

Ймовірнісні моделі передбачають призначення ймовірностей різним подіям або результатам, де їх розподіл (probability distribution) представляє ймовірність кожної можливої події в ситуації, коли агент не має повної інформації, забезпечуючи спосіб кількісного визначення ступеня невизначеності.

Мережі Байєса. Мережі Байєса, також відомі як мережі переконань (belief networks) або моделі імовірнісних графів (probabilistic graphs models), є поширеною формою імовірнісних моделей. Вони використовують орієнтовані ациклічні графи (directed acyclic graphs - DAG) для представлення зв’язків між змінними та таблиці умовних ймовірностей для кількісного визначення залежностей [12 p.513].

Моделі Маркова. Моделі Маркова фіксують імовірності переходів між станами системи в часі. Приховані моделі Маркова (hidden Markov models - HMM) часто використовуються в моделюванні предметної області, коли справжній стан системи неможливо спостерігати безпосередньо [12 p.566].

Точність і надійність імовірнісних моделей значною мірою залежать від якості даних, які використовуються для оцінки ймовірностей. Розробка та підтримка великих імовірнісних моделей може бути складною через потребу в точних оцінках ймовірності та ефективних алгоритмах міркування. Обчислення міркувань за допомогою імовірнісних моделей може мати значну інтенсивність, особливо для великомасштабних моделей. Розробка ефективних імовірнісних моделей потребує досвіду предметної області для точної оцінки ймовірностей та моделі залежностей.

Нечіткі моделі (fuzzy models) — це клас моделей представлення знань, які використовуються в KBIA для обробки неточностей і невизначеностей у процесах представлення та міркування. Нечітка логіка надає спосіб представляти та міркувати про концепції, які не мають чітких двійкових значень істинності чи приналежності до множини, а мають ступінь істинності чи приналежності в діапазоні від 0 до 1. Нечіткі моделі особливо корисні в ситуаціях, коли приймаються рішення засновані на розпливчастій або неповній інформації [13].

Ключові поняття нечітких моделей:

• функції приналежності до множини (membership functions) визначають ступені членства значеннями у межах лінгвістичної змінної; функції можуть описувати ступінь приналежності значення до певної категорії;
• нечіткі множини (fuzzy sets) узагальнюють традиційні чіткі множини, дозволяючи елементам частково належати до кількох множин; ступінь приналежності до множини визначає ступінь членства;
• оператори нечіткої логіки, такі як І, АБО та НЕ, розширені для обробки нечітких множин використовують значення приналежності для виконання операцій над нечіткими множинами;
• нечіткі правила виражають зв’язки між нечіткими множинами за допомогою лінгвістичних змінних і пар “умова-дія”; нечітке виведення висновків використовує ці правила для прийняття нечітких рішень;
• дефазифікація — це процес перетворення нечітких множин і ступенів  приналежності до них в чіткі значення або дії.

Розробка ефективних функцій приналежності та лінгвістичних змінних потребує значного досвіду предметної області, щоб адекватно відобразити невизначеності у моделі. Керування нечіткими правилами можуть бути складним, особливо для великих систем із багатьма правилами та змінними. Нечіткий логічний висновок може бути вимогливим до обчислень, особливо під час роботи зі складними нечіткими множинами та правилами.

2.3.3 Нейронні мережі.

Нейронні мережі, також відомі як коннекціоністські моделі (connectionist models), — це клас моделей KR, які також можуть бути застосовані в системах KBIA. Ці моделі засновані на структурі та функціях, які імітують роботу людського мозку. Вони складаються з взаємопов’язаних одиниць обробки (нейронів), які можуть адаптуватися до вхідних даних шляхом налаштування параметрів. Коннекціоністські моделі особливо корисні для вирішення завдань, які включають розпізнавання образів, навчання з даних і складні відображення між входами та виходами [14].

Основні поняття нейронних мереж.

• Нейрони та активація (neurons and activation). Штучні нейрони імітують поведінку біологічних нейронів. Кожен нейрон отримує вхідні сигнали, обробляє їх за допомогою функції активації та створює вихідний сигнал.
• Ваги та зв’язки (weights and connections). Нейрони з’єднані один з одним через зважені зв’язки. Ці ваги визначають силу впливу виходу одного нейрона на вхід іншого.
• Шари (layers). Коннекціоністські моделі можуть мати кілька шарів нейронів. Вхідний рівень отримує зовнішні вхідні дані, приховані шари обробляють проміжні представлення, а вихідний рівень генерує кінцевий вихід.
• Алгоритми навчання (learning algorithms) налаштовують параметри зв’язку між нейронами. Наприклад, алгоритм зворотнього поширення коригує ваги на основі різниці між прогнозованими та фактичними результатами.
• Мережі прямого зв’язку та рекурентні мережі (feed-forward and recurrent networks). Мережі прямого зв’язку обробляють інформацію в одному напрямку, від входу до виходу. Рекурентні мережі мають зворотні зв’язки між шарами, що дозволяє моделювати часову обробку та пам’ять.

Для ефективного навчання нейронні мережі вимагають великих обсягів даних. Недостатні або зміщені дані можуть призвести до неоптимальної продуктивності. Існує проблема надмірного налаштування параметрів, коли модель може запам’ятовувати навчальні дані та погано працювати з  невідомими. Нейронні мережі вважаються чорними ящиками, що означає, складність пояснення та обґрунтування прийнятих рішень. Навчання великих нейронних мереж може потребувати інтенсивних обчислень, вимагаючи потужного апаратного забезпечення та ефективних методів оптимізації. Вибір правильної архітектури, функцій активації та гіперпараметрів може потребувати  експериментування та евристичного дослідження.

Далі