Рассмотрим проблемы приобретения знаний интеллектуаль­ными информационными системами. Процесс приобретения знаний называется обучением. Большинство обучающихся сис­тем, разработанных до настоящего времени, ориентировано на воспроизведение компьютером механизмов приобретения зна­ний, свойственных человеку.

Несмотря на ряд успехов в этой об­ласти, проблема сложного эвристического обучения интеллектуальных систем до сих пор не решена. С ее решением ряд исследо­вателей связывает надежды на то, что обученные компью­теры смогут создавать программы и генерировать решения луч­ше, чем это удается человеку.

Смысл процесса машинного обучения можно пояснить сле­дующим образом. В процессе повторения однотипных экспери­ментов происходит модификация программной системы, в ре­зультате которой система демонстрирует на следующем этапе экспериментов результаты лучшие, чем прежде.

Мы уже говорили о том, что приобретение знаний реализует­ся с помощью двух функций: получения информации извне и ее систематизации. В зависимости от интеллектуальных способнос­тей ИИС возможны разные формы приобретения знаний и пред­ставления исходной информации.

В книге японских специалистов по инженерии знаний предложена следующая классификация этапов обучения, соответ­ствующих способностям компьютерных систем к формализации.

A. Получение информации без логических выводов

• Ввод программ.
• Ввод фактических данных.

B. Получение знаний извне

• Получение готового набора знаний, представленных во внутреннем формате.
• Получение знаний во внутреннем формате в режиме ди­алога.
• Получение знаний во внешнем формате и их понимание.

C. Обучение по примерам

• Параметрическое обучение.
• Обучение на основе выводов по аналогии.
• Индуктивное обучение.
• Обучение нейронных сетей.

D. Приобретение знаний на метауровне

Методы категории А можно назвать обучением без выводов или механическим запоминанием.

В методах категории В внешняя информация поступает в компьютерную систему в форме знаний, следовательно, ее мож­но использовать в процессе логического вывода. Примером та­кой информации являются правила, поступающие в ЭС продук­ционного типа. В интеллектуальной системе необходимо иметь функцию преобразования поступающих знаний в формат, удоб­ный для дальнейшего использования. Эту функцию выполняют редакторы знаний, которые, в отличие от редакторов данных в БД, не только корректируют поступающую информацию, но и выполняют проверку знаний, содержащихся в БЗ, на наличие конфликтов (противоречий) с новыми знаниями.

Если знания поступают в ИИС во внешнем формате, то кроме преобразования и редактирования возникает задача их понимания. Такие проблемы характерны для систем с ЕЯ-интер­фейсом.

Одной из актуальных проблем ИИ является операционализация знаний, связанная с пониманием, преобразованием и использованием советов и подсказок, которые человек сообщает интел­лектуальной системе в ходе решения конкретных задач. Советы и подсказки, поступающие в систему на естественном языке в терминах предметной области, необходимо преобразовывать в процедуры, ориентированные на выполнение определенных действий.

Категория С принципиально отличается от А и В тем, что ин­теллектуальные системы приобретают знания самостоятельно, выполняя сбор отдельных фактов, их обобщение и систематиза­цию. В процессе решения задач определенного класса (приме­ров) компьютерная система выявляет понятия, выбирает формат их представления и проводит структуризацию. Подобные задачи вызывают сложности и у человека.

Проблемы понимания и преобразования знаний характерны для категорий В и С, причем последняя отличается наличием процедур обобщения, примерами которых являются замена по­стоянных атрибутов языка (констант) на переменные, исключе­ние описаний с ограниченным применением, индукция, абдук­ция и др.

Параметрическое обучение — самая простая форма в категории С. Оно заключается в определении общего вида правила, форми­рующего результат вывода, и в последующей корректировке вхо­дящих в него параметров, зависящих от конкретных данных. Пример обучающейся системы такого типа — известная эксперт­ная система Meta-Dendral, предназначенная для построения структурных формул химических соединений на основе данных масс-спектрального анализа. В ней выводятся новые пра­вила путем коррекции уже заложенных в БЗ продукций.

Обучение по аналогии базируется на гипотезе о том, что «если две ситуации подобны по нескольким признакам, то они подоб­ны еще по одному признаку». Подобие ситуаций распознается на основе обобщенной меры совпадения значений важнейших при­знаков, с помощью которых описаны ситуации.

Вопросы приобретения знаний на метауровне актуальны на со­временном этапе развития ИИ, так как связаны с выработкой стратегий управления процессом решения задач в ИИС. Это на­правление активно развивается, но здесь пока не выработано устойчивых представлений и апробированных моделей. Вопросы приобретения метазнаний частично затрагиваются в новых на­правлениях Data Mining и Knowledge Discovery, которые связаны с извлечением знаний из данных и будут рассмотрены ниже.