Основные понятия и определения

КОНСТРУИРОВАНИЕ КОМПЬЮТЕРНЫХ ПСИХОДИАГНОСТИЧЕСКИХ МЕТОДИК НА ОСНОВЕ ТЕХНОЛОГИИ ИНЖЕНЕРИИ ЗНАНИЙ

Лекция 6.

Инженерия знаний (knowledge engineering) представляет собой междисциплинарную область исследований, имеющую отношение, с одной стороны, к такому направлению информатики, как искусственный интеллект, а с другой - к когнитивным наукам, объединяющим исследования психологов, философов, лингвистов, нейрофизиологов для изучения познавательных процессов человека с точки зрения целостного, структурно-информационного подхода. Зародившаяся в русле искусственного интеллекта, современной парадигмой которого является концепция "знаний", инженерия знаний исследует вопросы извлечения, структурирования, представления, формирования, обработки и приобретения знаний с целью построения интеллектуальных систем в различных предметных областях. Как теоретическая дисциплина инженерия знаний опирается на исследования и эксперименты в области когнитивной психологии, психологии профессионального опыта, как практическая - разрабатывает конкретные методы построения моделей предметной области с целью формирования базы знаний интеллектуальных систем.

Технология инженерии знаний появилась в результате исследований в области искусственного интеллекта и создания первых практических и ярких результатов этого направления - экспертных систем.

Искусственный интеллект (artificial intelligence) - это направление исследований в области информатики, основной целью которого является создание интеллектуальных систем, выполняющих те же функции или решающих те же задачи, что и человек в процессе творческой деятельности. В качестве примеров таких задач можно привести задачи понимания и синтеза текстов на естественном языке, понимания и синтеза речи, анализа и построения изображений, перевода с одного естественного языка на другой, принятия решений в условиях изменяющегося окружения и т. д.

Интеллектуальные системы - это системы, использующие реализованное в них интеллектуальное поведение для решения проблем или задач в различных предметных областях [Boose, 1986]. Создание интеллектуальных систем является активно развивающимся направлением, имеющим большой практический выход. По некоторым источникам, годовой доход от продаж программных и аппаратных средств искусственного интеллекта в 1989 году в США составил 870 млн долларов, а в 1990 г. - 1,1 млрд долларов [Попов, 1992]. В дальнейшем почти 30-процентный прирост дохода сменился плавным наращиванием темпов [Поспелов, 1992; Хорошевский, 1989; Полови др., 1995; Гаврилова, 1996].

Практическим примером достижений в области искусственного интеллекта могут служить экспертные систем, ориентированные на тиражирование опыта высококвалифицированных специалистов в областях, где качество принятия решений традиционно зависит от уровня экспертизы (например, медицина, психология, юриспруденция, геология, экономика, военное дело).

Экспертные системы (ЭС) представляют собой интеллектуальные программы, способные делать выводы на основании знаний в конкретной предметной области и обеспечивающие решение специфических задач на профессиональном уровне. В настоящее время в мире насчитывается несколько тысяч промышленных экспертных систем [Гаврилова, 1996]. В качестве примеров можно привести системы медицинской диагностики ARAMIS, NEUREX, анализа электроэнцефалограмм, системы поиска неисправностей в электронных приборах Plant Diagnostics, системы в области финансирования, системы по прогнозу военных действий ANALYST, BATTLE и др. Только в США ежегодный доход от продаж инструментальных средств разработки ЭС составлял в начале 1990-х годов 300 - 400 млн долларов, а от применения ЭС - 80 - 90 млн долларов. Опрос пользователей, проведенный журналом "Intelligent Technologies" (США) еще в 1987 году, показал, что примерно 25% пользователей применяют ЭС, 25% собираются приобрести ЭС в ближайшие 2 - 3 года, а 50% предпочитают провести исследование эффективности их использования.

В понятие "экспертные системы" входят несколько тысяч самых разнообразных программных комплексов, которые можно классифицировать по различным критериям [Хейес-Рот, Уотермен, Ленат, 1987; Гаврилова, Червинская, 1992]. Приведем лишь одну из классификаций, критерием которой является тип решаемой задачи. С этой точки зрения выделяют системы интерпретации данных, диагностики, мониторинга, проектирования, прогнозирования, планирования и обучения.

Интерпретация данных. Под интерпретацией понимается процесс составления смыслового описания по входным данным, результаты которого должны быть согласованными и корректными. В качестве примеров можно привести систему обнаружения и идентификации различных типов океанских судов - SIAP [Левин, Дранг, Эдельсон, 1990] и системы в области психодиагностики, осуществляющие интерпретацию результатов тестирования испытуемых: по MMPI - [Иовлев, Червинская, Щелкова, 1990], по опроснику интерперсональных отношений Т. Лири - ТИЛИ, по опроснику "Уровень Субъективного Контроля" - УСК, по шкале тревожности - СЛТ [Червинская, Щелкова, 2002].

Диагностика. Под диагностикой понимается процесс обнаружения неисправности в некоторой системе. Неисправность понимается как отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. В качестве примеров можно привести систему диагностики и терапии различных форм артериальной гипертонии - МОДИС и систему диагностики ошибок в аппаратуре и математическом обеспечении ЭВМ - CRIB [Гаврилова, 1996].

Мониторинг. Под мониторингом понимается наблюдение за изменяющимся состоянием объекта и сравнение его показателей с установленными или желаемыми. В качестве примеров можно привести систему помощи диспетчерам атомного реактора - REACTOR и систему контроля аварийных датчиков на химическом заводе - FALCON.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов - чертеж, пояснительная записка и т. д. В качестве примера можно привести систему XCON (или R1), осуществляющую проектирование конфигураций ЭВМ VAX - 11/780 и систему синтеза электрических цепей SYN.

Прогнозирование. Прогнозирующие системы определяют вероятные следствия из заданных ситуаций. Примерами могут служить система предсказания погоды WILLARD и система оценки будущего урожая PLANT.

Планирование. Под планированием понимается определение последовательности действий, приводящих к желаемому состоянию объекта. В качестве примера можно привести систему планирования эксперимента MOLGEN.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины и подсказывают правильные решения. Примерами могут служить система обучения языку "Паскаль" [Джонсон, Солоуэй, 1987], система обучения основам микроэкономики ConText-Extern-Economics [Жила, Червинская, 1995] и система обучения интерпретации результатов психологического тестирования с помощью MMPI "Экзаменатор-MMPI" на базе инструментальной среды ConText-Extern [Червинская, Щелкова, 2002].

В ранних исследованиях в области искусственного интеллекта доминировала вера в то, что законы логических рассуждений в сочетании с мощными вычислительными машинами позволят работать на уровне специалиста-профессионала и даже превзойти человеческие возможности. Однако по мере накопления опыта стало ясно, что строго ограниченные возможности универсальных стратегий являются слишком слабыми для решения большинства сложных задач. В результате многие исследователи, ощутив ограниченность универсальных стратегий, начали работать над узко очерченными прикладными задачами.

В 1977 году на Международной объединенной конференции по искусственному интеллекту Э. Фейгенбаум высказал основополагающие соображения, смысл которых состоит в следующем. Большие возможности интеллектуальной системы определяются теми знаниями, которыми она располагает, а не конкретными формализмами и схемами вывода, которые она использует. Знания эксперта являются решающими для высококвалифицированной деятельности, тогда как представление знаний и схемы логического вывода служат механизмами, позволяющими их использовать [Хейес-Рот, Уотермен, Ленат, 1987].

В начале 1980-х годов среди разработчиков компьютерных систем появилось понятие "уровень знаний" (knowledge level), введенное А. Ньюэллом [Newell, 1982]. Он предложил в процессе создания интеллектуальных систем выделять кроме уровня выполнения (или решения задачи) еще и уровень знаний, отражающий модель поведения человека при решении им специфических задач. Смысл выделения уровня знаний станет более понятным, если проанализировать отличие традиционных компьютерных систем от систем, основанных на знаниях.

Традиционный взгляд на компьютерную программу предполагает, что она состоит из алгоритма и данных. Алгоритм представляет собой систематическую процедуру (последовательность шагов), которая может быть применена для решения некоторой задачи. Он гарантирует правильное завершение вычислений и при повторных применениях будет давать те же результаты. Так, например, вычисление ежемесячных платежей за купленный в кредит автомобиль и есть тот самый алгоритм, или правильно определенная процедура. Для реализации такого алгоритма нужны некоторые входные данные: величина кредита, число месяцев, на которые он предоставлен, процентная ставка. На основе этих данных процедура (алгоритм) может вычислить размер месячного платежа. Одни и те же входные данные всегда приводят к одному и тому же результату.

Кратко традиционный взгляд на компьютерную программу можно записать так:

ПРОГРАММА = АЛГОРИТМ + ДАННЫЕ

Эта точка зрения не учитывает, что алгоритм, в свою очередь, содержит определенные общие положения (или представления), которые можно назвать знаниями, и способ управления этими представлениями, который можно назвать механизмом вывода.

Так, например, в случае расчета заработной платы рабочими знаниями являются правила начисления налогов, устанавливаемые правительством или законодательством, правила начисления вознаграждений или сверхурочных и т. д. Под механизмом вывода можно понимать определение порядка, в котором предыдущие операции (или правила) должны быть выполнены. Данные представляют собой информацию о конкретном рабочем, его заработной плате и других начислениях.

С этой точки зрения взгляд на компьютерную программу уже иной. Кратко его можно представить как

ПРОГРАММА = ЗНАНИЯ + МЕХАНИЗМ ВЫВОДА + ДАННЫЕ

Этот взгляд отражает новую парадигму программирования систем, основанных на знании, и предполагает явное выделение уровня знаний вместо прежнего неявного, перемешанного с алгоритмом.

Главным отличием интеллектуальных систем от других программных средств является существование так называемых базы знаний и механизма вывода.

Под базой знаний понимается совокупность знаний, относящихся к некоторой предметной области и формально (на специальном языке) представленных таким образом, чтобы на их основе с помощью механизма вывода можно было осуществлять рассуждения относительно решаемой задачи.

Таким образом, с середины 1970-х годов и вплоть до настоящего времени центральной парадигмой искусственного интеллекта становится концепция знаний, а системы, разрабатываемые в рамках искусственного интеллекта, стали называться системами, основанными на знаниях.

По определению J. H. Boose (1986), системы, основанные на знаниях (knowledge-based system), - это системы, которые решают проблемы или задачи, используя представленные в явном символьном виде знания, хранящиеся отдельно от механизма вывода. Знаниями принято называть формализованную в соответствии с определенными структурными правилами и хранимую в ЭВМ информацию, которая автономно используется при решении задач по таким алгоритмам, как механизм вывода. Интеллектуальные технологии сегодня - это обработка знаний.

На первый взгляд суть концепции знаний очень проста. Так как специалист в той или иной предметной области (врач, психолог, педагог, юрист и т. д.) решает свои профессиональные повседневные задачи, используя знания и накопленный опыт, то для создания интеллектуальных систем необходимо лишь перенести эти знания и опыт в компьютер. Тем не менее разработчики интеллектуальных систем, решая практические вопросы такого "переноса", столкнулись с огромным количеством проблем, начиная с определения понятий "знания" и "опыт" и заканчивая вопросами представления знаний и опыта с помощью некоторых формальных структур, воспринимаемых компьютером. Исследования этих вопросов положили начало самостоятельному научному направлению под названием "инженерия знаний". Само понятие "инженерия знаний" было введено Э. Фейгенбаумом в 1980 году [Feigenbaum, 1980].

Инженерия знаний представляет собой направление исследований, изучающее проблемы извлечения, структурирования, представления, формирования, обработки и приобретения знаний, с целью построения интеллектуальных систем. Специалиста предметной области, чьи знания и опыт "извлекаются", называют экспертом, а специалиста, который занимается извлечением и структурированием знаний, - инженером по знаниям. Структурирование знаний иначе еще называют концептуальным анализом знаний.

В инженерии знаний существуют две основные, принципиально различные парадигмы построения интеллектуальных систем, отражающие два фундаментальных направления исследований в психологии XX века: бихевиоризм и когнитивизм.

Традиционная парадигма, исторически появившаяся раньше и известная под названием "перенос компетентности" (expertise transfer), предполагает применение инженером по знаниям специально разработанных методов или техник инженерии знаний для того, чтобы перенести знания экспертов-специалистов в той или иной предметной области в интеллектуальную систему [Boose, 1986; Lucose, Kremer, 1996].

Эта парадигма полностью соответствует концепции бихевиоризма, девизом которого является представление о поведении как объективно наблюдаемой системе реакций организма на внешние и внутренние стимулы, а психологической формулой - "стимул-реакция" (S-R). В инженерии знаний это означает создание такой интеллектуальной системы, которая реализовывала бы рациональное поведение с точки зрения внешнего наблюдателя. Сам наблюдатель мог бы рассматривать подобную систему "черного ящика", действующий так, как будто он обладает определенными знаниями о мире и использует эти знания рациональным способом для достижения своих целей. Практическим выходом исследований в рамках этой парадигмы являются экспертные системы первого поколения.

Вторая парадигма, возникшая в результате создания экспертных систем второго поколения [David, Krivine, Simmons, 1993] и известная под названием "моделирование знаний" (modelling knowledge) [Ford, Bradshaw, Adams-Webber, Agnew, 1997], предполагает, что "эксперты создают (конструируют) знания из их собственного опыта", а потому построение интеллектуальных систем, в частности "процесс приобретения знаний должен рассматриваться как конструктивная активность моделирования, а не случай "информационного переноса"" [цит. по: Bettoni, 1997. С. 577].

В рамках этой парадигмы делается упор на то, что инженер по знаниям совместно с экспертом должны построить модель предметной области (знаний и способов решения проблем экспертом) и положить ее в основу интеллектуальной системы.

Очевидно, что корни второй парадигмы уходят к когнитивизму, основной принцип которого, являющийся фундаментом научного направления - когнитивной психологии, говорит о том, что поведение человека основывается не на стимуле, а на образе стимула. Смена парадигм в инженерии знаний соответствует в психологии переходу от бихевиоризма к когнитивизму или замене психологической формулы "стимул-реакция" (S-R) на другую: "стимул-образ-реакция" (S - О - R).

6.1.1. Парадигма "переноса компетентности"

В англоязычной литературе по инженерии знаний под понятием "компетентность" (expertise) понимается набор качеств, лежащих в основе высокого уровня работы людей-специалистов, в том числе обширные познания в некоторой области, эвристические правила, упрощающие и улучшающие подходы к решению задач, метазнания и метасознание, а также "компилированные" формы поведения (навыки), обеспечивающие большую экономию при высококвалифицированной работе [Хейес-Рот, Уотерман, Ленат, 1987]. Иными словами, компетентность - это знания и опыт, которыми владеет эксперт.

Парадигма "переноса компетентности" предполагает извлечение независимых фрагментов знаний опытных специалистов, которые, как правило, оформлялись в виде так называемых продукционных правил (правил типа ЕСЛИ - ТО), и передача их компьютерной системе.

Экспертные системы первого поколения, например, такие как MYCIN [Shoreline, 1976] и DENDRAL [Feigenbaum, Buchanan, 1978], появились в США в середине 1970-х годов.

Система MYCIN была задумана как программа, консультирующая врача при установлении диагноза и выдаче рекомендаций по лечению инфекционных заболеваний крови. Затем область применения системы была распространена на ряд других инфекционных заболеваний. При разработке к системе предъявлялись следующие требования: 1) программа должна быть полезной для пользователя-врача, предоставляя ему заслуживающие доверие рекомендации, не уступающие по качеству рекомендациям, даваемым экспертом-человеком; 2) программа должна быть ориентирована на приобретение и модификацию знаний; 3) программа должна уметь вести диалог, в ходе которого она могла бы объяснить полученный ею результат; 4) программа должна являться инструментом, помогающим врачу, а не заменяющим его.

Ситуация, в которой врач обращается за консультацией к системе, может быть, например, такой. Лечащему врачу, который не является специалистом в области инфекционных болезней, может потребоваться рекомендация по лечению такого заболевания, например, тогда, когда в ходе тяжелой операции пациенту была занесена инфекция. Сложность этой ситуации состоит в том, что приступать к лечению бактериальных заболеваний надо как можно скорее, до того, как будет установлен возбудитель болезни (так как установление точного диагноза связано с выращиванием культур и требует примерно 48 часов и более). Лечение тяжелобольных должно начинаться немедленно. Врач оказывается перед выбором: либо прописать средства, обладающие широким спектром действия (чтобы охватить все возможности), либо назначить специфическое лекарство, рискуя не угадать возбудителя заболевания и подвергнуть больного опасности. Обычно в связи с недостатком времени и опыта назначают средства широкого спектра действия. Анализ подобных ситуаций в США показал, что в течение одного года пенициллин был прописан каждому четвертому больному, причем в 90% случаев в назначении пенициллина не было необходимости [Попов, 1987].

J. H. Boose (1986) выделяет следующие важные особенности экспертных систем первого поколения.

· Прозрачность (transparency). Этот термин обычно используется в связи с тем, что просмотр поведения экспертной системы должен быть столь же доступным, сколь и получаемые с помощью нее результаты. Пользователь может спросить "Как?" и "Почему?" сделан тот или иной вывод, и система обязана ответить на эти вопросы.

· Разделение знаний на независимые фрагменты (knowledge chunking). Знания должны быть представлены в виде небольших кусков или частей (чанков), которые могут быть легко модифицированы независимо от остальных знаний.

· Отделение знаний от механизма вывода (separation of knowledge and reasoning). Знания должны храниться отдельно от использующего их механизма вывода. При построении экспертной системы следует учитывать возможность модификации знаний без изменения программного кода. Запись фрагментов знаний на естественном языке упрощает работу по модификации знаний.

Ниже представлен такой фрагмент знаний - пример правила системы MYCIN, записанного во внутренней и внешней форме (на естественном языке) [Попов, 1987].

Внешняя форма:

ЕСЛИ (1) инфекция есть первичная бактериемия и (2) место культуры одно из стерильных мест и (3) предполагаемый путь проникновения микроорганизма есть желудочно-кишечный тракт, ТО можно предположить (с определенностью 0,7), что
микроорганизм есть bacteroides.

Внутренняя форма:

ПРЕДПОСЫЛКА: ($И (РАВЕН КОНТЕКСТ ИНФЕКЦИЯ ПЕРВИЧНАЯ БАКТЕРИЕМИЯ) (ЧЛЕН КОНТЕКСТ МЕСТО СТЕРИЛЬНО) (РАВЕН КОНТЕКСТ ВХОД ЖТ) ДЕЙСТВИЕ: (ЗАКЛЮЧЕНИЕ КОНТЕКСТ ИДЕНТИЧНОСТЬ BACTEROIDES 0,7)

Структура экспертной системы продукционного типа включает в себя базу знаний, базу данных, механизм вывода, подсистему приобретения знаний, подсистему общения и подсистему объяснения [Та-унсенд, Фохт, 1990].

База знаний - это память для хранения правил, которая содержит набор срабатывающих в определенных ситуациях правил, имеющих форму ЕСЛИ - ТО.

Для примера рассмотрим задачу поиска неисправностей автомобиля. Обнаружив, что автомобиль неисправен, специалист пытается определить ту ее подсистему, в которой могут быть неполадки. Это может быть система охлаждения, система электропитания, топливная система и т. п. После установления этого он приступает к поиску неисправных компонентов. Этот процесс выглядит так, как будто специалист постоянно обращается к неявно заданному множеству правил, получая промежуточные заключения при выполнении каких-либо условий. Промежуточные заключения, в свою очередь, становятся условиями для вывода следующих заключений. Например, в рассматриваемом случае (с упрощенными правилами) цепь рассуждений будет выглядеть приблизительно так.

Такие конструкции получили название продукционных правил. Каждое правило складывается из двух частей. Первая из них - посылка - состоит из элементарных предложений, соединенных логическими связками И, ИЛИ и т. д. Вторая часть - заключение, состоит из одного или нескольких предложений, которые образуют выдаваемое правилом решение или указывают на действие, подлежащее выполнению. Посылка представляет собой образец правила, предназначенного для распознавания ситуации, когда оно должно сработать. Правило срабатывает, если факты из базы данных при сопоставлении совпали с образцом, после чего оно считается отработавшим.

Каждое правило в этом простом примере содержит атрибуты и значения. Так, в первом правиле выражение "не заводится" является значением, а слово "двигатель" - атрибутом. Ниже представлены некоторые пары "атрибут-значение" для задачи поиска неисправности в автомобиле.

Таблица 3.1

Любое правило состоит из одной или нескольких пар "атрибут-значение" и заключения.

Продукционную модель по сути можно рассматривать как вариант модели "стимул-реакция" (S - R), которая была предложена в психологии представителями бихевиоризма задолго до появления экспертных систем.

База данных - это память для хранения множества фактов, описывающих текущую ситуацию, и все пары атрибут - значение, которые были установлены к определенному моменту. Содержимое базы данных со временем изменяется. В приведенном выше примере до начала процесса вывода в базе данных находились только следующие факты: "двигатель не заводится", "стартер двигателя не работает". После применения первого правила в базу данных добавится новый факт: "система электропитания стартера неисправна". В конце концов будет выведено окончательное решение, которое тоже заносится в базу данных.

Механизм вывода (интерпретатор правил) выполняет две функции: во-первых, просмотр существующих фактов из базы данных и правил из базы знаний и добавление (по мере возможности) в базу данных новых фактов (компонент вывода) и, во-вторых, определение порядка просмотра и применения правил (управляющий компонент).

Действие компонента вывода основано на применении правила вывода, обычно называемого "модус поненс", суть которого состоит в следующем: пусть известно, что истинно утверждение А и существует правило вида "ЕСЛИ А, ТО В", тогда утверждение В также истинно. Правила срабатывают, когда находятся факты, удовлетворяющие их левой части: если истинна посылка, то должно быть истинно и заключение.

Управляющий компонент определяет порядок применения правил, а также устанавливает, имеются ли еще факты, которые могут быть изменены в случае продолжения консультации. Интерпретатор продукций работает циклически. В каждом цикле он просматривает все правила, чтобы выявить среди них те, посылки которых совпадают с известными на данный момент фактами из базы данных. Интерпретатор определяет также порядок применения правила. После выбора правило срабатывает, его заключение заносится в базу данных, и затем цикл повторяется сначала. В одном цикле может сработать только одно правило. Если несколько правил успешно сопоставлены с фактами, то интерпретатор производит выбор по определенному критерию единственного правила, которое и срабатывает в данном цикле.

В действительности экспертные системы не располагают процедурами, которые могли бы построить в пространстве состояний сразу весь путь решения задач. Более того, зачастую даже не удается определить, имеется ли вообще какое-нибудь решение задачи. Тем не менее поиск решения выполняется, поскольку движением в пространстве состояний управляют скрытые или виртуальные процедуры.

Такие процедуры получили название "демонов", поскольку во время работы системы находятся в "засаде" и активизируются только тогда, когда их просят о помощи, то есть на самом деле ведут себя как добрые демоны. Свое название демоны получили от "демона Максвелла" - действующего лица одного из мысленных экспериментов, предложенного его автором для критики законов термодинамики. Другим их прообразом является Пандемониум Оливера Селфриджа - первой модели человека, в которой деятельность биологической системы представлялась как работа вызываемых по образцу демонов.

Управляющие процедуры, в которых траектория поиска решения в пространстве состояний полностью определяется данными, получили название недетерминированных.

Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему механизму вывода применять это правило в процессе работы. В простейшем случае в качестве такой подсистемы может выступать обычный редактор или текстовый процессор, который просто заносит правила в файл. В более сложных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами. Подробно проблема приобретения знаний рассмотрена в следующем разделе.

Подсистема общения (иначе ее называют интеллектуальный интерфейс) организует взаимодействие пользователя с экспертной системой в удобной для пользователя форме, максимально приближенной к общению людей между собой. Эта подсистема может реализовывать не только представление результатов работы экспертной системы в наиболее наглядном и выразительном виде, но и понимание текстов, а также общение на естественном языке.

Подсистема объяснения выдает пользователю информацию, объясняющую и иллюстрирующую способ получения того или иного вывода. Если пользователь сомневается в предпочтительности одного заключения перед другим, то по его запросу система объяснения должна аргументированно обосновать тот или иной выбор в качестве наиболее правдоподобного решения.

6.1.2. Парадигма "моделирования знаний"

Основная предпосылка инженерии знаний в рамках второй парадигмы заключается в том, что знание чего-либо есть способность человека к формированию образа ситуации, образа мира или ментальных моделей (mental model), которые с той или иной степенью точности представляют как объекты, так и действия, выполняемые с этими объектами. Гипотеза о том, что люди понимают мир путем построения ментальных мод елей, ставит фундаментальные вопросы во всех областях когнитивных исследований.

В когнитивной психологии: Как эти модели представляются человеком, как они взаимодействуют с механизмами памяти, восприятия, внимания и мышления и как они воздействуют на поведение индивида или контролируют его?

В лингвистике: Какова взаимосвязь между словом как именем объекта и ментальной моделью? Каковы синтаксические и семантические правила, связывающие ментальные модели со смыслом?

В философии: Какова взаимосвязь между знанием, значением и ментальными моделями? Как эти модели используются для умозаключений (или рассуждений) и как рассуждения человека связаны с формальной логикой?

В области компьютерных наук или информатики (computer science): Как можно отразить персональную модель мира в компьютерной системе? Какие языки и инструменты необходимы для описания таких моделей и их связи с другими системами? Может ли модель поддерживать такой компьютерный интерфейс, который люди находили бы наиболее легким в использовании?

Таким образом, инженерия знаний является междисциплинарной наукой, объединяя или синтезируя, с одной стороны, исследования в области когнитивных наук (cognitive science), в состав которых входят философия, психология и лингвистика, а с другой - исследования в области искусственного интеллекта, занимающегося разработкой интеллектуальных систем.

В русле парадигмы "моделирования знаний" основная задача инженерии знаний - предоставить специалистам-разработчикам интеллектуальных систем эффективную технологию, способы, методы построения моделей, отражающих понимание экспертом предметной области в целом и стратегий рассуждений при решении конкретных задач. Такая технология должна дать ответы на вопросы о том, как взаимодействовать с экспертом, как строить модели, с чего начинать, как фиксировать полученные от эксперта знания на промежуточных этапах, как описывать определенные феномены знаний, какие формализмы инженерии знаний следует при этом использовать. Ответ на эти вопросы содержится в следующих разделах.