Разработка элективного курса "Основы искусственного интеллекта"

Введение
В настоящее время курс«Основы искусственного интеллекта» является базовым при подготовке учителейинформатики по специальности 030100.00 информатика. Это обусловлено тем, чтопередовые информационные технологии всё более широко используют методы решенияпроблем и задач, развиваемые в такой научной дисциплине, как искусственныйинтеллект. Все современные устройства, использующие цифровую обработкуинформации уже применяют те или иные алгоритмы искусственно-интеллектуальной обработки.А тенденция развития техники и информационных технологий таковы, чтоинтеллектуализация систем, устройств и программного обеспечения будетусиливаться. Поэтому учителю информатики необходимо быть готовым ответить навызов времени, и быть способным ориентироваться в современных интеллектуальныхтехнологиях обработки информации, и иметь представление об их основах. Этопозволит ему уверенно чувствовать себя как в общении с современными широкоинформированными школьниками, так и в преподавании основ информатики, посколькуздание информатики, построенное на этих основах уже в достаточной степенипропитано интеллектуальными технологиями, методами и подходами.
Существующий базовый курсза индексом ДПП.Ф.10, опирающийся на государственный образовательный стандартвысшего профессионального образования от 2000г., предусматривает некотороезнакомство учащихся с основами представления знаний и построения экспертныхсистем. В стандарте оговорено следующее содержание по этому вопросу: «Системазнаний. Модели представления знаний: логическая, сетевая, фреймовая, продукционная».Но для применения конкретных схем и языков представления знаний и построениябаз знаний необходимо эти знания извлечь из различных носителей, например,людей-экспертов или текстовых описаний. Этот момент является очень существенными не формальным. Есть много методов и технологий извлечения знаний. Онинастолько обширны, что образуют целую отдельную научно-практическую область –инженерию знаний. К тому же среди всех этих методов и технологий нетуниверсальных, они лишь дополняют друг друга, и на практике необходимокомбинировать и сочетать самые различные подходы.
Но у инженерии знанийесть другой аспект, который не лежит на поверхности, и в некоторой степениявляется побочным эффектом. Это педагогически-дидактический аспект, т.е.возможности, технологий и инструментов инженерии знаний, которые позволяют ихиспользовать в качестве средств обучения. Известны примеры такого использования[1].
Но не только поэтому этотраздел можно считать очень важным именно для будущих учителей информатики. Содной стороны учитель должен знать, как могут быть структурированы ипредставлены в формальном виде знания, которые мы традиционно привыкли видетьпредставленными в виде текстов на естественном языке, или в виде знаний, уменийи навыков конкретных людей. С другой стороны особенно важно будет для будущегоучителя познакомиться с методами извлечения знаний из эксперта альтернативныепедагогическим методам «извлечения знаний из учащегося».
Всё это позволит будущемуучителю с одной стороны углубить своё понимание в области формирования иприобретения знаний обучаемым, а с другой – даст ему возможность расширить свойпедагогический арсенал приёмами выявления и структуризации знаний, применяемымив инженерии знаний.
Но необходимо иметьввиду, что данный раздел искусственного интеллекта – «инженерия знаний»представляет собой достаточно обширную и сложную область, поэтому являетсянекоторой проблемой дать её адекватное представление за небольшое количествочасов будущим учителям информатики, изучающим базовый курс «Основы искусственногоинтеллекта».
В связи с вышесказанным вданной работе была поставлена следующая цель: исследовать возможностьадекватного изучения темы «Инженерия знаний» студентами, обучающимися поспециальности «учитель информатики», при изучении курса «Основы искусственногоинтеллекта».
При этом была выдвинутаследующая гипотеза: возможно разработать в поддержку курса «Основыискусственного интеллекта» курс по выбору по теме «Инженерия знаний» такой, чтоего изучение позволит обучающимся по специальности «учитель информатики»получить адекватное представление о современном состоянии данного раздела информатики.
Объектом исследования в данной работе являлся процессобучения учащихся по специальности 030100.00-информатика, предметом исследования– изучение возможности построения курса по выбору по теме «Инженерия знаний»удовлетворяющего цели и гипотезе исследования.
Для выполненияпоставленной цели было необходимо решить следующие задачи:
1.        Ознакомиться стаким разделом искусственного интеллекта, как инженерия знаний.
2.        Определитьразделы, темы, понятия и методы области «инженерия знаний», представляющиезначимость для освоения учащимися и формирования их взгляда на эту область.
3.        Собрать материалыпо теме «инженерия знаний», имеющие ценность для построения учебного курса иобучения.
4.        Определить инайти программное обеспечение, позволяющее на практике закрепить необходимыезнания по инженерии знаний.
5.        Разработатьтематическое планирование и рабочую программу курса по выбору, позволяющие припроведении занятий по ним достичь заявленную цель и доказать заявленнуюгипотезу.
6.        Разработатьлабораторные работы, упражнения и контрольные вопросы по темам курса.
В случае успешноговыполнения задач и реализации цели данной работы ожидается получение следующих результатов:подтверждение положения о возможности построения курса «Инженерия знаний» вподдержку базового курса «Основы искусственного интеллекта» так, что будущиеучителя информатики смогут познакомиться с методами и технологиями этой областиисследований в искусственном интеллекте.
1. Инженерия знаний – приёмыструктуризации и формализации знаний1.1. Определения знаний иприобретения знаний человеком 
Знания являютсянеотъемлемой и существенной составляющей деятельности человека. Что такоезнания и их свойства можно определять по-разному, но все эти определения невзаимоисключающие, но дополняющие друг-друга. Приведём некоторые из них.
Знание – проверенный практикой иудостоверенный логикой результат познания действительности, отраженный всознании человека в виде представлений, понятий, суждений и теорий. Знанияформируются в результате целенаправленного педагогического процесса,самообразования и жизненного опыта. По Д.А.Поспелову для знаний характернывнутренняя интерпретируемость, структурированность, связанность и взаимная активность.
Можно выделить здравыйсмысл и научное знание. Здравый смысл – основанные на повседневном опытезнания и взгляды психически здоровых людей на окружающую среду и самих себя. Научноезнание – система знаний о законах природы, общества, мышления. Научноезнание составляет основу научной картины мира и отражает законы его развития.Научное знание:
·          являетсярезультатом постижения действительности и когнитивной основой человеческойдеятельности;
·          социальнообусловлено;
·          обладаетразличной степенью достоверности.
Научные знания добываютсяпутём научной деятельности (науки). Научная деятельность – это интеллектуальнаядеятельность, направленная на получение и применение новых знаний для:
·          решениятехнологических, инженерных, экономических, социальных, гуманитарных и иныхпроблем;
·          обеспеченияфункционирования науки, техники и производства как единой системы.
Можно выделить также формальныезнания или знания – в информатике. Знания – в информатике – вид информации,отражающей опыт специалиста (эксперта) в определенной предметной области, егопонимание множества текущих ситуаций и способы перехода от одного описанияобъекта к другому.
Кроме знаний существуеттакже индивидуальный опыт. Опыт – это совокупность знаний и умений,приобретенных индивидом на основе и в процессе непосредственного практическоговзаимодействия с внешним миром. Часть индивидуального опыта являетсяповседневное знание. Повседневное знание – это знание:
·          основанное наздравом смысле и повседневном опыте;
·          являющеесяориентировочной основой поведения человека в обыденной жизни.
Повседневное знание – вфеноменологической социологии – основа научного знания и теоретическихабстракций.
Существует также и здравыйсмысл – основанные на повседневном опыте знания и взгляды психически здоровыхлюдей на окружающую среду и самих себя.
Следует отличать отзнаний информацию. Например, по законодательству РФ, информация – этосведения о лицах, предметах, фактах, событиях, явлениях и процессах независимоот формы их представления. Информация уменьшает степень неопределенности,неполноту знаний о лицах, предметах, событиях и т.д.
Но в информатике болеепопулярно другое определение. Информацией (от лат. Informatio —«научение», «сведение», «оповещение») называется опосредованный формами связирезультат отражения изменяемого объекта изменяющимся с целью сохранения ихсистемной целостности. Информация первична и содержательна — это категория,поэтому в категориальный аппарат науки она вводится портретно — описанием, черезблизкие категории: материя, система, структура, отражение. В материальном мире(человека) информация материализуется через свой носитель и благодаря немусуществует. Сущность материального мира предстаёт перед исследователем в единствеформы и содержания. Передаётся информация через носитель. Материальный носительпридаёт информации форму. В процессе формообразования производится сменаносителя информации. Определения термин информация не имеет, так как неявляется понятием. Существует информация в каналах связи систем управления. Неследует путать категорию информация с понятием знание. Знание определяетсячерез категорию информация.
В XX веке слово«информация» стало термином во множестве научных областей, получив особые дляних определения и толкования.
Также, наряду с понятиямизнание и информация существует понятие «данные». Данные – это сведения:
·          полученные путемизмерения, наблюдения, логических или арифметических операций;
·          представленные вформе, пригодной для постоянного хранения, передачи и (автоматизированной)обработки.
Данные — этопредставление фактов и идей в формализованном виде, пригодном для передачи иобработки в некотором информационном процессе. Данные – это выделенная (изсистемы, благодаря обособленности существования носителя) информация.
Для передачи знанийчеловеку используется обучение. Обучение – это целенаправленный ипланомерный процесс передачи и усвоения знаний, умений, навыков и способовпознавательной деятельности человека. Обучение – относительно постоянноеизменение в человеческом поведении или способностях, являющееся следствиемопыта.
От обучения можноотделить понятие «научение». Научение – в широком смысле – это класспсихологических процессов, обеспечивающих формирование новых приспособительныхреакций. Научение – в узком смысле – процесс и результат приобретения индивидуальногоопыта. Путем научения приобретаются:
·          знания, умения инавыки у человека;
·          новые формыповедения у животных.
Существует также инструментальноенаучение – научение, происходящее:
·          за счетспонтанного порождения организмом множества разнообразных реакций на один и тотже стимул или ситуацию
·          с последующимзакреплением только тех реакций, которые оказались наиболее удачными с точкизрения полученного эффекта.
В процессе научениявырабатываются навыки. Навык – это последовательность развертывания вовремени и пространстве действий и операций:
·          выработанная впроцессе обучения и тренировки;
·          доведенная доавтоматизма;
·          оптимальная длянекоторого вида деятельности.
В основе формированиянавыка лежит образование динамического стереотипа. Устойчивость навыка зависитот особенностей памяти. Различают двигательные, сенсорные и интеллектуальныенавыки.
1.2. Виды знаний и способы ихпредставления 
Существуют различныеопределения понятия «знания». В одном из наиболее емких определений подзнаниями понимают формализованную информацию, на которую ссылаются или которуюиспользуют в процессе решения задачи. Знание о предметной области включаетописание объектов, их окружения, необ­ходимых явлений, фактов, а такжеотношений между ними. Общение с ЭВМ на уровне знания предопределяет возможностьввода в машину и использование ею некоторой совокупности взаимосвязанной информации.Сложность понятия «знание» заключена в множественности его носителя и неразрывностис поня­тием «данные». Выделяют несколько уровней формализации знания о предмет­нойобласти: знания в памяти человека; знания в форме языковой модели пред­метнойобласти, используемые человеком и зафиксированные на физических носителях сиспользованием контекстно-зависимых языков, графических обра­зов и т. п.;знания, формализованные для их представления при использовании в ЭВМ;фактографические сведения или данные.
1.2.1.Виды знаний
Фактические истратегические знания
Знания определяются как«… основные закономерности предметной облас­ти, позволяющие человеку решатьконкретные производственные, научные и другие задачи, то есть факты, понятия,взаимосвязи, оценки, правила, эвристики (иначе фактические знания), а такжестратегии принятия решения в этой обла­сти (иначе стратегические знания)».
Факты и эвристики
Некоторые авторыразделяют знания на две большие категории: факты и эврис­тики. Первая категория(факты) указывает на хорошо известные в той или иной предметной областиобстоятельства. Такие знания еще называют текстовыми, имея в виду достаточнуюих освещенность в специальной литературе и учебниках. Вторая категория знаний(эвристики) основывается на индивидуальном опыте специалиста (эксперта) впредметной области, накопленном в результате многолетней практики. Этакатегория нередко играет решающую роль при построе­нии интеллектуальныхпрограмм. Сюда относятся такие знания, как «способы удаления бесполезныхгипотез», «способы использования нечеткой информации», «способы разрешенияпротиворечий» и т. п.
Декларативные ипроцедурные знания
Под декларативнымизнаниями подразумевают знания типа «А это В», и они характерны для баз данных.Это, например, такие факты, как «в час пик на улице много машин», «зажженнаяплита — горячая», «скарлатина — инфекционное) заболевание»...
К процедурным знаниямотносятся сведения о способах оперирования или пре­образования декларативныхзнаний.
Интенсиональные иэкстенсиональные знания
Интенсиональные знания —это знания о связях между атрибутами (признака­ми) объектов данной предметнойобласти. Они оперируют абстрактными объек­тами, событиями и отношениями.
Экстенсиональные знанияпредставляют собой данные, характеризующие конк­ретные объекты, их состояния,значения параметров в пространстве и времени.
Глубинные и поверхностныезнания
В глубинных знанияхотражается понимание структуры предметной области, на­значение и взаимосвязьотдельных понятий (глубинные знания в фундаменталь­ных науках — это законы итеоретические основания). Поверхностные знания обычно касаются внешнихэмпирических ассоциаций с каким-либо феноменом предметной области.
Например, для разговорапо телефону требуется лишь поверхностное знание того, что, сняв трубку иправильно набрав номер, мы соединимся с нужным абонен­том. Большинство людей неиспытывает необходимости в глубинных представ­лениях о структуре телефоннойсвязи, конструкции телефонного аппарата, ко­торыми, безусловно, пользуютсяспециалисты по телефонии.
Отмечается, чтобольшинство экспертных систем основано на применении поверхностных знаний. Это,однако, нередко не мешает достигать вполне удов­летворительных результатов.Вместе с тем, опора на глубинные представления помогает создавать более мощные,гибкие и интеллектуальные адаптивные сис­темы. Наглядным примером может служитьмедицина. Здесь молодой и недос­таточно опытный врач часто действует по поверхностноймодели: «Если кашель — то пить таблетки от кашля, если ангина — то эритромицин»и т. п. В то же время опытный врач, основываясь на глубинных знаниях, способенпорождать разно­образные способы лечения одной и той же болезни в зависимостиот индивиду­альных особенностей пациента, его состояния, наличия доступныхлекарств в аптечной сети и т. д.
Глубинные знания являютсярезультатом обобщения первичных понятий пред­метной области в некоторые болееабстрактные структуры. Степень глубины и уровень обобщенности знанийнепосредственно связаны с опытом экспертов и могут служить показателем ихпрофессионального мастерства.
Жесткие и мягкиезнания
Жесткие знания позволяютполучать однозначные четкие рекомендации при заданных начальных условиях.Мягкие знания допускают множественные, «раз­мытые» решения и различные вариантырекомендаций (рис. П.16).
Характеристика различныхпредметных областей по глубине и жесткости дает возможность проследить тенденциюразвития интеллектуальных систем.
/>
Рис. П.16.Тенденция развития интеллектуальных систем
Как видно из рисунка,область практического применения интеллектуальных систем все более смещается всферу задач с преобладанием глубинных и мягких знаний. Такие задачи ещеназывают трудно формализуемыми. Для них харак­терна одна или несколькоследующих особенностей:
·          задача не можетбыть определена в числовой форме (требуется символьное представление);
·          алгоритмическоерешение задачи не известно (хотя, возможно, и существует), или не может бытьиспользовано из-за ограниченных ресурсов (памяти компьютера, быстродействия);
·          цели задачи немогут быть выражены в терминах точно определенной целевой функции или несуществует точной математической модели задачи
Системы, основанные назнаниях, не отвергают и не заменяют традиционных подходов к решениюформализованных задач. Они отличаются тем, что ориентированы на решение трудноформализуемых задач. Интеллектуальные системы особенно важны там, где наука неможет создать конструктивных определений, область определений меняется,ситуации зависят от контекстов и языковая (описательная) модель доминирует надалгоритмической.
1.2.2.Модели представления знаний
Наиболеераспространенными моделями представления знаний являются:
·          продукционныесистемы;
·          логическиемодели;
·          фреймы;
·          семантическиесети.
Продукционные системы
В продукционных системахзнания представляются в виде совокупности специ­альных информационных единиц.
В общем случаепродукционная система включает следующие компоненты:
·          базу данных,содержащую множество фактов;
·          базу правил,содержащую набор продукций;
·          интерпретатор(механизм логического вывода) или правила работы с продук­циями.
База правил и база данныхобразуют базу знаний. Факты в базе данных пред­ставляют собой краткосрочнуюинформацию и в принципе могут изменяться в ходе работы продукционной системы помере накопления опыта. Правила явля­ются более долговременной информацией ипредназначены для порождения гипотез (новых фактов) из того, что уже известно.
Продукционные системыделят на два типа — с прямыми и обратными вывода­ми. При прямом выводерассуждение ведется от данных к гипотезам, а при об­ратном производится поискдоказательства или опровержения некоторой гипотезы. Часто используютсякомбинации прямой и обратной цепи рассуждений.
Продукции по сравнению сдругими формами представления знаний имеют сле­дующие преимущества:
·          модульность;
·          единообразиеструктуры (основные компоненты продукционной системы могут применяться дляпостроения интеллектуальных систем с различной проблемной ориентацией);
·          естественность(вывод заключения в продукционной системе во многом ана­логичен процессурассуждений эксперта);
·          гибкостьродовидовой иерархии понятий, которая поддерживается только как связи междуправилами (изменение правила влечет за собой изменение в иерархии).
 Однако продукционные системы несвободны от недостатков:
·          процесс выводаменее эффективен, чем в других системах, поскольку боль­шая часть времени привыводе затрачивается на непроизводительную проверку применимости правил;
·          этот процесструдно поддается управлению;
·          сложнопредставить родовидовую иерархию понятий.
Представление знаний спомощью продукций иногда называют «плоским», так как в продукционных системахотсутствуют средства для установления иерар­хии правил. Объем базы знанийпродукционных систем растет линейно, по мере включения в нее новых фрагментовзнаний, в то время как в традиционных алго­ритмических системах, использующихдеревья решений, зависимость между объ­емом базы знаний и количеством собственнознаний является логарифмической.
Логические модели
Логические моделипредставления знаний реализуются средствами логики пре­дикатов.
Предикатом называетсяфункция, принимающая только два значения — истина и ложь — и предназначеннаядля выражения свойств объектов или связей между ними. Выражение, в которомутверждается или отрицается наличие каких-либо свойств у объекта, называетсявысказыванием. Константы служат для именова­ния объектов предметной области.Логические предложения или высказывания образуют атомарные формулы. Интерпретацияпредиката — это множество всех допустимых связываний переменных с константами.Связывание представляет собой подстановку констант вместо переменных. Предикатсчитается общезна­чимым, если он истинен на всех возможных интерпретациях.Говорят, что выс­казывание логически следует из заданных посылок, если оноистинно всегда, когда истинны посылки.
Наиболее простым языкомлогики является исчисление высказываний, в котором отсутствуют переменные.Любому высказыванию можно приписать значение истинно или ложно. Отдельныевысказывания могут соединяться связками И, ИЛИ, НЕ, которые называются булевымиоператорами. Основу исчисления выс­казываний составляют правила образованиясложных высказываний из атомар­ных.
Здесь переменныеобозначают логические высказывания, о которых можно ска­зать, что они истинныили ложны. Логические операторы имеются в большин­стве языков программирования.Однако исчисление высказываний — недоста­точно выразительное средство дляобработки знаний, поскольку в нем не могут быть представлены предложения,включающие переменные с кванторами.
Исчисление предикатов скванторами (логика предикатов) является расшире­нием исчисления высказываний, вкотором для выражения отношений между объектами предметной области могутиспользоваться предложения, включающие не только константы, но и переменные.
В общем случае модели,основанные на логике предикатов, описываются фор­мальной системой, котораязадается четверкой:
М = (Т, Р, А, П),
где Т — множество базовыхэлементов или алфавит формальной системы; Р — множество синтаксических правил,с помощью которых можно строить син­таксически корректные предложения; А —множество аксиом или некоторых синтаксически правильных предложений, заданныхаприорно; П — правила продукций (правила вывода или семантические правила), с помо­щьюкоторых можно расширять множество А, добавляя в него синтаксически правильныепредложения.
Главное преимуществологических моделей представления знаний заключается в возможностинепосредственно запрограммировать механизм вывода синтакси­чески правильныхвысказываний. Примером такого механизма служит, в част­ности, процедура вывода,построенная на основе метода резолюций. Однако с помощью правил, задающихсинтаксис языка, нельзя установить истинность или ложность того или иноговысказывания. Причем это распространяется абсо­лютно на все языки. Высказываниеможет быть построено синтаксически пра­вильно, но оказаться совершеннобессмысленным.
Логические моделипредставления и манипулирования знаниями были особен­но популярны в 70-х годах.Тогда казалось, что с появлением языков программи­рования типа ПРОЛОГ процедурылогического вывода в исчислении предика­тов будут достаточны для решения всехтипов задач в интеллектуальных системах. Вместе с тем, по мере того как в полезрения исследователей включались все новые интеллектуальные задачи, стало ясно,что говорить о доказательном выводе можно только в небольшом числе случаев, когдапроблемная область, в которой реша­ется задача, формально описана и полностью известна.Но большинство задач, где интеллект человека позволяет находить нужные решения,связано с областя­ми, где знания принципиально неполны, неточны, некорректны ихарактеризу­ются еще немалым числом характеристик, начинающихся с частицы «не».При таких условиях речь может идти только о правдоподобном выводе, при ко­торомокончательный результат получается лишь с некоторой оценкой уверен­ности в егоистинности. Кроме того, специалисты, работающие в плохо форма­лизованныхобластях (например, в медицине), рассуждают совсем не так, как представители точныхнаук. Для них весомым аргументом в пользу принятия какого-либо положения можетбыть мнение ряда признанных в этих областях авторитетов или, например, сходстводоказываемого положения с другим, для которого решение уже известно. Поэтомудальнейшее развитие баз знаний по­шло по пути работ в области индуктивныхлогик, логик «здравого смысла», ло­гик веры и других логических систем, имеющихмало общего с классической ма­тематической логикой.
Фреймы
 Фрейм чаще всего определяют какструктуру данных для представления стерео­типных ситуаций. Модель представлениязнаний на основе фреймов использует концепцию организации памяти, понимания иобучения человека, предложен­ную М. Минским (1979). Фрейм (дословно — «рамка»)— это единица представ­ления знаний, детали которой могут изменяться в соответствиис текущей ситу­ацией. Фрейм в любой момент может быть дополнен различнойинформацией, касающейся способов применения данного фрейма, последствий этогопримене­ния и т. п.
Структура фрейма состоитиз характеристик описываемой стереотипной ситуации и их значений, которыеназываются, соответственно, слотами и заполнителями слотов.
Имя фрейма:
Имя первого слота,значение первого слота
Имя второго слота,значение второго слота
Имя К-го слота, значениеК-го слота
Незаполненный фреймназывается протофреймом, а заполненный — экзофреймом. Роль протофрейма какоболочки в экзофрейме весьма важна. Эта оболочка позволяет осуществлятьпроцедуру внутренней интерпретации, благодаря кото­рой данные в памяти системыне безлики, а имеют вполне определенный, изве­стный системе смысл.
Слот может содержать нетолько конкретное значение, но и имя процедуры, позволяющей вычислить его позаданному алгоритму, а также одну или несколь­ко продукций (эвристик), спомощью которых это значение определяется. В слот может входить не одно, анесколько значений. Иногда этот слот включает ком­понент, называемый фасетом,который задает диапазон или перечень его воз­можных значений. Фасет указываеттакже граничные значения заполнителя слота.
Как уже отмечалось,помимо конкретного значения в слоте могут храниться процедуры и правила,которые вызываются при необходимости вычисления это­го значения. Среди нихвыделяют процедуры-демоны и процедуры-слуги. Первые запускаются автоматическипри выполнении некоторого условия, а вторые ак­тивизируются только по специальномузапросу. Если, например, фрейм, описы­вающий человека, включает слоты ДАТА РОЖДЕНИЯи ВОЗРАСТ и в первом из них находится некоторое значение, то во втором слотеможет стоять имя про­цедуры-демона, вычисляющей возраст по дате рождения итекущей дате и акти­визирующейся при каждом изменении текущей даты.
Совокупность фреймов,моделирующая какую-либо предметную область, пред­ставляет собой иерархическуюструктуру, в которую фреймы собираются с по­мощью родовидовых связей. Наверхнем уровне иерархии находится фрейм, со­держащий наиболее общую информацию,истинную для всех остальных фреймов. Фреймы обладают способностью наследоватьзначения характеристик своих родителей, находящихся на более высоком уровнеиерархии. Эти значения мо­гут передаваться по умолчанию фреймам, находящимсяниже них в иерархии, но если последние содержат собственные значения данныххарактеристик, то в качестве истинных принимаются именно они. Этообстоятельство позволяет без затруднений учитывать во фреймовых системахразличного рода исключения.
Различают статические идинамические системы фреймов. В системах первого типа фреймы не могут бытьизменены в процессе решения задачи, а в системах второго типа это допустимо.
О системахпрограммирования, основанных на фреймах, говорят, что они явля­ютсяобъектно-ориентированными. Каждый фрейм соответствует некоторому объекту предметнойобласти, а слоты содержат описывающие этот объект данные, то есть в слотахнаходятся значения признаков объектов. Фрейм может быть представлен в видесписка свойств, а если использовать средства базы данных, то в виде записи.
Наиболее ярко достоинствафреймовых систем представления знаний проявля­ются в том случае, еслиродовидовые связи изменяются нечасто и предметная область насчитывает немногоисключений. Во фреймовых системах данные о родовидовых связях хранятся явно,как и знания других типов. Значения слотов представляются в системе в единственномэкземпляре, поскольку включаются только в один фрейм, описывающий наиболееобщие понятия из всех тех, кото­рые содержит слот с данным именем. Такое свойствосистем фреймов обеспечи­вает экономное размещение базы знаний в памятикомпьютера. Еще одно досто­инство фреймов состоит в том, что значение любогослота может быть вычислено с помощью соответствующих процедур или найденоэвристическими методами. То есть фреймы позволяют манипулировать какдекларативными, так и проце­дурными знаниями.
К недостаткам фреймовыхсистем относят их относительно высокую сложность, что проявляется в снижениискорости работы механизма вывода и увеличении трудоемкости внесения изменений вродовидовую иерархию. Поэтому большое внимание при разработке фреймовых системуделяют наглядным способам ото­бражения и эффективным средствам редактированияфреймовых структур.
Семантические сети
Семантическая сетьописывает знания в виде сетевых структур. В качестве вер­шин сети выступаютпонятия, факты, объекты, события и т. п., а в качестве дуг сети — отношения,которыми вершины связаны между собой. Так, семантичес­кая сеть, представляющаязнания об автомобиле гр. Васильева, показана на рис. П. 17.
Семантические сети часторассматривают как общий формализм для представ­ления знаний. Частным случаемтаких сетей являются сценарии, в которых в качестве отношений выступаюткаузальные отношения или отношения типа «цель — средство».
Вершины сети соединяютсядугой, если соответствующие объекты предметной области находятся в каком-либоотношении. Самыми распространенными явля­ются следующие типы отношений:
БЫТЬ ЭЛЕМЕНТОМ КЛАССА(ЯВЛЯТЬСЯ) — означает, что объект входит в состав данного класса, например: ВАЗ2106 является автомобилем;
ИМЕТЬ — позволяетзадавать свойства объектов, например: жираф имеет длин­ную шею;
ЯВЛЯТЬСЯ СЛЕДСТВИЕМ —отражает причинно-следственные связи, напри­мер: астеническое состояниеявляется следствием перенесенного простудного заболевания;
ИМЕТЬ ЗНАЧЕНИЕ — задаетзначение свойств объектов, например: пациент может иметь двух братьев.
Как и в системе,основанной на фреймах, в семантической сети могут быть пред­ставленыродовидовые отношения, которые позволяют реализовывать наследо­вание свойств отобъектов-родителей. Это обстоятельство приводит к тому, что семантические сетиприобретают все недостатки и достоинства представления знаний в виде фреймов.Преимущества заключаются в простоте и наглядности описания предметной области.Однако последнее свойство с усложнением семан­тической сети теряется и, крометого, существенно увеличивается время вывода. Также к недостаткам семантическихсетей относят сложность обработки различ­ного рода исключений.
/>
Другие методыпредставления знаний
Из других методовпредставления знаний популярностью пользуется представ­ление знаний попримерам. Работая с системой такого типа, пользователь задает ей несколькопримеров решения задач из актуальной предметной облас­ти. На основе этихпримеров система самостоятельно строит базу знаний, кото­рая затем применяетсядля решения других задач. При создании базы знаний пользователь имеетвозможность в любой момент вызвать на экран дисплея мат­рицу, состоящую изпримеров задач и их решений, с тем чтобы установить в ней наличие пустых мест,которые необходимо заполнить недостающими примера­ми «задача—решение».
Знания в такой системемогут храниться в различной форме. Это может быть, например, интенсиональнаяформа, когда пользователь вводит в систему прави­ла операций с атрибутамиобъектов предметной области, приводящие к требуе­мому решению. Также это можетбыть экстенсиональная форма, при которой каждый пример детально описываетсяпользователем и представляется в памя­ти компьютера в виде совокупностизначений выделенных атрибутов. Возможно сочетание и той, и другой форм. Врезультате получается матрица примеров, ко­торая может быть расширена илиизменена лишь путем корректировки приме­ров, содержащихся в матрице, или ихдобавлением.
Основным достоинствомпредставления знаний по примерам является простота данного способа, посколькупользователь может не иметь ни малейшего пред­ставления о продукционныхправилах, исчислении предикатов, фреймах и семан­тических сетях. Вместе с тем,в качестве недостатков метода представления знаний по примерам отмечают отсутствиегибкости процесса построения интеллектуаль­ной системы. Пользователь оказываетсяотстраненным от собственно создания базы знаний и поэтому не может контролироватьсвязи между содержащимися в ней понятиями.
Выбор способапредставления знаний осуществляется инженером по знаниям после того, как имдостигнуто понимание природы данных моделируемой обла­сти. При решении сложныхзадач возможны ситуации, когда источники знаний различаются по типам, и,соответственно, представление таких знаний требует использования разныхспособов (смешанное представление). Тогда для продук­тивного функционированияинтеллектуальной системы нередко применяют прин­цип доски объявлений, с помощьюкоторого реализуется взаимодействие различ­ных независимых источников знаний.
1.3. Приобретение знаний 
Извлечение знаний –процесс взаимодействия инженера по знаниям с источником знаний (экспертом), врезультате которого становятся явными процесс рассуждений специалистов припринятии решения и структура их представлений о предметной области. Занимаетсяизвлечением знаний инженер по знаниям. Инженер по знаниям – это специалист поискусственному интеллекту, проектирующий и создающий экспертную систему. Обычноинженер по знаниям выступает в роли посредника между экспертом и базой знаний.
Для получения знанийинженером по знаниям ему необходим эксперт. Эксперт – это специалист, которыйза годы обучения и практической деятельности научился эффективно решать задачи,относящиеся к конкретной предметной области. Эксперт – это специалист, которыйможет делать экспертные оценки. Экспертные оценки – это основанные на сужденияхспециалистов количественные или бальные оценки процессов или явлений, не поддающихсянепосредственному измерению.
Понятие «управлениезнаниями» (Knowledge Management, КМ) родилось в середине 90-х годов в крупныхкорпорациях, где проблемы обработки информации приобрели особую остроту, ставкритическими. Выяснилось, что основное узкое место — это обработка знаний,накопленных специалистами компании (именно такие знания обеспечивают ейпреимущество перед конкурентами). Знание, которое не используется и невозрастает, и в конечном счете устаревает и становится бесполезным, точно также, как деньги, которые хранятся, не превращаясь в оборотный капитал, вконечном счете обесцениваются. Знание же, которое распространяется,приобретается и обменивается, наоборот, генерирует новое знание. Существуютдесятки определений знания, но в системах KM знания — это фундаментальныйресурс, базирующийся на практическом опыте специалистов и на данных, используемыхна конкретном предприятии.
Ресурсы знанийразличаются в зависимости от отраслей индустрии и приложений, но, как правило,в них входят методики, технологии, процедуры обработки информации, накопившиесяв процессе функционирования предприятия; руководства, письма, новости, сведенияо заказчиках и конкурентах, схемы, чертежи и другие данные. Традиционнопроектировщики систем КМ ориентируются в основном на менеджеров, хотя есть и тенденцияпринимать в расчет более широкий круг работников организации.
Для интеграции в единыйкомплекс системы KM используют ряд технологий:
·          традиционныесистемы автоматизации и информационно-поисковые системы;
·          электроннуюпочту, корпоративные сети и Интернет-сервисы;
·          базы и хранилищаданных (data warehouse);
·          системыэлектронного документооборота;
·          специализированныепрограммы обработки данных (например, статистического анализа);
·          экспертные системыи базы знаний.
При разработке систем КМможно выделить следующие этапы.
 Накопление.Стихийное и бессистемное накопление информации в организации.
 Извлечение.Процесс переноса компетентности специалистов на аналитика. Это один из наиболеесложных и трудоемких этапов, от его успешности зависит дальнейшаяжизнеспособность системы.
 Структурированиеи формализация. На этом этапе должны быть выделены основные понятия, выработанаструктура представления информации. Она должна быть максимально наглядной итакой, чтобы ее было легко изменять и дополнять. Именно на этом этапе создаютсяописания и модели бизнес процессов и структуры потоков информации.
 Проектированиесистемы. Предметная постановка задачи, разработка архитектуры и спецификацийдля программирования.
 Программнаяреализация. Разработка собственно программного комплекса системы.
 Обслуживание.Под ним понимается корректировка формализованных данных и знаний (добавление,обновление); «чистка» — удаление устаревшей информации; фильтрация данных изнаний для поиска информации, необходимой пользователям.
Это не единственновозможное описание процесса разработки, но оно позволяет понять, что происходитпри создании реальных систем управления знаниями. В литературе достаточноподробно описаны лишь этапы проектирования и реализации, при том, что основнуюсложность представляют этапы извлечения и структурирования. Мало кто изразработчиков знает, что существует наука под названием «инженерия знаний»(knowledge engineering), возникшая в русле разработки интеллектуальных систем,или систем, основанных на знаниях, примерно 15-20 лет назад.
Поскольку основнаяпроблема инженерии знаний — это процесс извлечения знаний, разработчикам системKM и в первую очередь аналитику необходимо четко понимать природу и особенностиэтих процессов. Можно выделить три основных аспекта процесса извлечения знаний:
A = {A1, А2, А3} ={психологический, лингвистический, гносеологический}.
Следует отметить, чтодаже если речь идет о разработке традиционной информационной системы, а несистемы KM, проблемы инженерии знаний не теряют своей актуальности.
Из трех аспектовизвлечения знаний наиболее важен психологический (А1), поскольку он определяетуспешность и эффективность взаимодействия (общения) аналитика с основнымисточником знаний — специалистами предприятия.
1.3.1.Приобретение и извлечение знаний
Существует определениетермина приобретение знаний: «Передача и преобразование опыта решенияпроблем, полученного от некоторого источника знаний, в программу».
Термин приобретениезнаний носит обобщенный характер и совершенно нейтрален к способу передачизнаний. Например, передача может осуществляться с помощью специальнойпрограммы, которая в процессе обработки большого массива историй болезни устанавливаетсвязь между симптомами и заболеваниями. А вот термин извлечение знанийотносится именно к одному из способов передачи знаний — опросу экспертов вопределенной проблемной области, который выполняется аналитиком или инженеромпо знаниям. Последний затем создает компьютерную программу, представляющуютакие знания (или поручает это кому-нибудь другому, обеспечивая его всейнеобходимой информацией).
Этот же терминприменяется и для обозначения процесса взаимодействия эксперта со специальнойпрограммой, целью которого является:
·          извлечькаким-либо систематическим способом знания, которыми обладает эксперт,например, предлагая эксперту репрезентативные задачи и фиксируя предлагаемыеспособы их решения;
·          сохранитьполученные таким образом знания в некотором промежуточном виде;
·          преобразоватьзнания из промежуточного представления в вид, пригодный для практическогоиспользования в программе, например в набор порождающих правил.
Преимуществоиспользования такой программы — снижение трудоемкости процесса, посколькуперенос знаний от эксперта к системе осуществляется в один прием.
1.3.2.Теоретический анализ процесса приобретения знаний
Стадии приобретениязнаний
Можно выделить несколькостадий приобретения знаний.
(1) Идентификация.Анализируется класс проблем, которые предполагается решать с помощьюпроектируемой системы, включая данные, которыми нужно оперировать, и критерииоценки качества решений. Определяются ресурсы, доступные при разработкепроекта, — источники экспертных знаний, трудоемкость, ограничения по времени,стоимости и вычислительным ресурсам.
(2) Концептуализация.Формулируются базовые концепции и отношения между ними. Сюда же входят ихарактеристика различных видов используемых данных, анализ информационныхпотоков и лежащих в их основе структур в предметной области в терминахпричинно-следственных связей, отношений частное/целое, постоянное/временное ит.п.
(3) Формализация.Предпринимается попытка представить структуру пространства состояний и характерметодов поиска в нем. Выполняется оценка полноты и степени достоверности(неопределенности) информации и других ограничений, накладываемых на логическуюинтерпретацию данных, таких как зависимость от времени, надежность и полнотаразличных источников информации.
(4) Реализация.Преобразование формализованных знаний в работающую программу, причем на первыйплан выходит спецификация методов организации управления процессом и уточнениедеталей организации информационных потоков. Правила преобразуются в форму,пригодную для выполнения программой в выбранном режиме управления. Принимаютсярешения об используемых структурах данных и разбиении программы на ряд болееили менее независимых модулей.
(5) Тестирование.Проверка работы созданного варианта системы на большом числе репрезентативныхзадач. В процессе тестирования анализируются возможные источники ошибок вповедении системы. Чаще всего таким источником является имеющийся в системенабор правил. Оказывается, что в нем не хватает каких-то правил, другие не совсемкорректны, а между некоторыми обнаруживается противоречие.
1.3.3.Методы извлечение знаний из памяти эксперта
В этом разделерассмотрены особенности процедуры взаимодействия инженера по знаниям систочником знаний (экспертом), позволяющей сделать явными рассужденияспециалистов при принятии решений и структуру их представле­ний о предметнойобласти.
Процедуравзаимодействия инженера по знаниям с экспертом
Известен парадоксальныйфакт Джонсона о том, что по мере накопления опыта специалист-эксперт все большеутрачивает умение словесно выражать свои зна­ния. Имеются достаточноубедительные психологические доказательства того, что люди далеко не всегда всостоянии достоверно описать свои мыслительные про­цессы. Теоретик искусственногоинтеллекта Марвин Минский писал, что «само­сознание — это сложная, но тщательносконструированная иллюзия...» и что «….только как исключение, а не какправило, человек может объяснить то, что он знает».
Другое психологическоеположение состоит в том, что опыт эксперта — это инту­иция, которая трудноподдается выражению в форме правил типа «ЕСЛИ — ТО». Широко известновысказывание Лао-Цзы («старого учителя»): «Кто скажет, тот не знает, кто знает,тот не скажет».
Тем не менее, инженериязнаний предлагает определенные методы (приемы, способы) работы с экспертами.Эти методы направлены на «раскручивание» лабиринтов памяти экспертов, в которыххранятся знания, часто имеющие не­вербальный характер.
Классификация методовработы с экспертами
В основу излагаемогоматериала положена классификация коммуникативных методов работы инженера познаниям.
Под коммуникативнымиметодами понимают все виды контактов инженера по знаниям с живым источникомзнаний — экспертом. Среди этих методов выделя­ют две большие группы: активные ипассивные (рис. П.21).
Пассивные методыподразумевают, что ведущая роль в процедуре извлечения знаний принадлежитэксперту. При этом инженер по знаниям главным образом протоколирует рассужденияи действия эксперта.
В активных методахинициатива полностью в руках инженера по знаниям. Он ведет с экспертом беседу,предлагает различные «игры», организует «круглый стол» и т. д.
Пассивные методы напервый взгляд просты. Вместе с тем, они требуют от ин­женера по знаниям уменияанализировать «поток сознания» эксперта и выде­лять в нем ценные фрагментызнания.
Активные методы разделяютна две группы в зависимости от числа экспертов, участвующих в процедуреизвлечения знаний. В групповых методах большое значение имеет дискуссия междуэкспертами, в которой нередко выявляются нетривиальные аспекты знаний. В то жевремя, ведущую роль на сегодняшний день играют индивидуальные методы. Взначительной степени это связано с де­ликатностью процедуры «отъема знаний».
/>
Пассивные методы
Наблюдение
Метод наблюдения являетсяединственным «чистым» методом, где инженер по знаниям не вмешивается в процессработы эксперта и не навязывает ему какие-либо собственные представления.Выделяют две разновидности наблю­дений:
·          Наблюдение зареальным процессом.
·          Наблюдение заимитацией процесса.
 Сначала обычно применяют первуюразновидность и наблюдают за реальным процессом на рабочем месте эксперта. Этопомогает глубже понять предметную область и отметить все внешние особенностипроцедуры принятия решений, необходимые для проектирования интерфейсапользователя.
На втором этапе экспертимитирует процесс. В таком режиме он менее напря­жен и работает на «два фронта»— ведет профессиональную деятельность и од­новременно демонстрирует ее.
 Сеансы наблюдений предъявляют кинженеру по знаниям следующие требования:
·         Владение техникойстенографии.
·         Знакомство сметодиками хронометрирования для четкого структурирования производственногопроцесса во времени.
·         Развитые навыки«чтения по глазам», то есть наблюдательность к жестам, мимике и другимневербальным компонентам общения.
·         Предварительноезнакомство с предметной областью.
Протоколы наблюденийпосле проведения сеансов тщательно расшифровываются, а затем обсуждаются сэкспертом.
Анализ протоколов«мыслей вслух»
При протоколировании«мыслей вслух» эксперта просят раскрыть всю цепочку рассуждений, объясняющихего действия и решения. При таком протоколирова­нии считается важнымзафиксировать не только весь «поток сознания» экспер­та, но даже паузы имеждометия в речи эксперта. Иногда данный метод называ­ют «вербальнымиотчетами».
При протоколировании«мыслей вслух» эксперт может проявить себя максималь­но ярко. Он ничем нескован, ему никто не мешает, он как бы свободно парит в потоке собственныхрассуждений и умозаключений, может блеснуть своей эру­дицией и продемонстрироватьглубину познаний. Для большого числа экспер­тов это самый приятный и лестныйспособ извлечения знаний.
Вместе с тем, какотмечалось выше, далеко не каждый специалист, даже из числа умеющих произноситьвпечатляющие монологи о своей работе, оказывается в состоянии формализовать иструктурировать рассуждения. Однако существуют люди, склонные к рефлексии,способные к конструктивному изложению мыслей. Такие люди — находка для инженерапо знаниям.
Лекции
Лекторский дарвстречается нечасто. Опытный лектор хорошо структурирует свои знания и ходрассуждений. Но бывает, некоторые люди обладают лекторским
даром, но не подозреваюто его присутствии. В любом случае инженеру по зна­ниям стоит попробоватьозадачить эксперта подготовкой лекции на интересую­щую тему. Если экспертсумеет преодолеть специфический психологический барьер и войти в образ педагога,это может оказаться весьма эффективным для решения задачи извлечения знаний.
Хороший вопрос инженерапо знаниям по ходу лекции имеет важное значение. Серьезные, глубокие иинтересные вопросы, с одной стороны, стимулируют твор­ческое воображениелектора, и с другой — повышают авторитет инженера по знаниям.
Продолжительность лекций рекомендуетсястандартная — от 40 до 50 минут, и через 5-10 минут — еще столько же. Весь курсдолжен занимать, как правило, от двух до пяти лекций.
Метод извлечения знаний вформе лекций, как и все пассивные методы, применя­ют в начале многоэтапнойпроцедуры извлечения знаний из памяти эксперта. Он способствует быстромупогружению инженера по знаниям в предметную область.
Активныеиндивидуальные методы
Анкетирование
Анкетирование являетсянаиболее стандартизированным методом. Составление анкеты — достаточно тонкий иответственный момент. Вот несколько рекомен­даций:
·         анкета не должнабыть монотонной и однообразной, чтобы не вызывать ску­ку и усталость. Для этоговопросы должны варьироваться, тематика менять­ся. Кроме того, нередко в анкетувставляют специальные вопросы-шутки и игровые вопросы;
·         анкета должнабыть приспособлена к языку экспертов;
·         следуетучитывать, что вопросы влияют друг на друга. Поэтому последова­тельностьвопросов должна быть хорошо продумана;
·         анкета должнаиметь «хорошие манеры». Ее нужно излагать ясным, понят­ным и предельно вежливымязыком. Методическим мастерством составления анкеты можно овладеть только напрактике.
Процедура анкетированияможет проводиться двумя способами. В первом ана­литик вслух задает вопросы исам заполняет анкету по ответам эксперта. Во вто­ром эксперт заполняет анкетусамостоятельно после предварительного инструк­тирования.
Выбор способа зависит отряда условий (в частности от оформления анкеты, ее понятности, готовностиэксперта). Вместе с тем, второй способ представляется предпочтительным, так каку эксперта появляется неограниченное время на об­думывание вопросов и снижаетсятак называемый эффект присутствия.
Интервью
Перед проведениеминтервью неплохо спросить себя: «А умеем ли мы задавать вопросы?» В философииэта проблема обсуждается с древности. Рассмотрим клас­сификацию вопросов (рис.П.22).
Открытый вопрособозначает тему или предмет, предоставляя эксперту свободу по форме исодержанию ответа.
При закрытом вопросеэксперту предлагается набор ответов, среди которых он должен сделать выбор.
/>
Закрытые вопросы легчеобрабатываются, но они в определенной мере «програм­мируют» ответ эксперта и«закрывают» ход его рассуждений. Поэтому при со­ставлении сценария интервьюобычно чередуют открытые и закрытые вопросы и особенно тщательно продумывают«меню» и содержание закрытых вопросов.
Личный вопрос апеллируетк индивидуальному опыту эксперта. Личные вопро­сы обычно активизируют мышлениеэксперта, «играют» на его самолюбии, ук­рашают интервью.
Безличный вопрос нацеленна выявление наиболее распространенных и общепри­нятых закономерностейпредметной области.
При подготовке вопросовучитывают, что языковые возможности эксперта, как правило, ограничены. Крометого, имеют в виду, что из-за замкнутости, скован­ности и робости отдельныеэксперты не могут сразу высказать свое мнение и предоставить требуемые! знания.Поэтому часто используют не прямые вопросы, которые непосредственно указываютна предмет или тему, а косвенные, опосре­дованно направляющие внимание наактуальную проблему. Иногда в интересах дела приходится задавать несколькокосвенных вопросов вместо одного прямого.
Вербальные вопросы — этотрадиционные устные вопросы.
Вопросы с использованиемнаглядного материала разнообразят интервью и сни­жают утомляемость эксперта. Вкачестве наглядного материала используют фо­тографии, рисунки и карточки.
Разделение вопросов пофункции на основные, зондирующие и контрольные связано с тем, что нередко экспертпо каким-то причинам уходит в сторону от вопроса и основные вопросы интервьюоказываются непродуктивными. Тогда аналитик применяет зондирующие вопросы,концентрирующие внимание эксперта в нужном направлении. Контрольные вопросы используютдля проверки досто­верности и объективности полученной информации.
Нейтральные вопросы носятбеспристрастный характер. В то же время, наводя­щие вопросы заставляют экспертаприслушаться или даже принять во внимание позицию интервьюера.
Кроме приведенных вклассификации на рис. П.22, полезно различать и вклю­чать в интервью следующиевиды вопросов:
·         контактные(«ломающие лед» между аналитиком и экспертом);
·         буферные (дляразграничения различных тем интервью);
·         оживляющие памятьэкспертов (для реконструкции отдельных случаев из практики);
·         «провоцирующие»(для получения спонтанных, неподготовленных ответов).
Свободный диалог
При свободном диалогеинженера по знаниям с экспертом отсутствует какой-либо регламентированный план.Однако эта форма извлечения знаний требует самой серьезной предварительнойподготовки. На рис. П.23 показана одна из рекомендуемых схем такой подготовки.
/>
Квалифицированнаяподготовка к диалогу — подлинная драматургия. В ее сце­нарии предусматриваютплавное развитие процедуры извлечения знаний от при­ятного впечатления в началебеседы к профессиональному контакту через про­буждение интереса и завоеваниедоверия эксперта.
Для обеспечения желанияэксперта продолжать беседу обычно производят «по­глаживания» типа: «Я Васпонимаю...», «… Это очень интересно» и т. п. При этом поведение аналитикадолжно быть искренним, ведь давно известно, что лучшая уловка — избегать всякихуловок и относиться к собеседнику с истинным ува­жением и настоящим интересом.
Существует каталогсвойств идеального интервьюера: «Он должен выглядеть здоровым, спокойным,уверенным, внушать доверие, быть искренним, веселым, проявлять интерес кбеседе, быть опрятно одетым, ухоженным».
Активные групповыеметоды
Активные групповые методысами по себе не могут служить источником более или менее полного знания. Онивыступают как дополнительные и служат хоро­шей «приправой» к индивидуальнымметодам извлечения знаний, активизиру­ющей мышление и поведение экспертов.
«Круглый стол»
Метод круглого столапредполагает равноправное обсуждение интересующей проблемы несколькимиэкспертами. Задача дискуссии — коллективно, с разных точек зрения, под разнымиуглами исследовать спорные проблемы предметной области. Для остроты на «круглыйстол» приглашают представителей различ­ных научных направлений и поколений.Число участников дискуссии обычно колеблется от трех до пяти-семи.
Перед началом дискуссииведущему (инженеру по знаниям) необходимо убедить­ся, что все участникиправильно понимают задачу. Затем нужно установить рег­ламент и четкосформулировать тему.
По ходу дискуссии важнопроследить, чтобы слишком эмоциональные и разго­ворчивые эксперты не подменялитему и чтобы критика позиций друг друга была обоснованной. Определенные усилия ведущийдолжен приложить для уменьше­ния «эффекта фасада», когда у участниковпревалирует желание произвести впечатление на других и они говорят совсем нето, что сказали бы в нормальной обстановке.
«Мозговой штурм»
«Мозговой штурм» или«мозговая атака» — один из наиболее популярных мето­дов раскрепощения иактивизации человеческого мышления. Впервые этот ме­тод был использован в 1939году А. Осборном в США для генерации новых идей. Основное положение штурма —отделение процедуры генерации идей в замкну­той группе специалистов от процессаих анализа и оценки.
Обычная продолжительностьштурма — порядка 40 минут. Количество участни­ков — до 10 человек. Этимучастникам предлагается высказать на заданную тему любые мысли, в том числешутливые, фантастические и ошибочные. Критика зап­рещена. Регламент — до 2минут на выступление.
Из опыта известно, чточисло высказанных идей часто превышает 50. Наиболее существенный момент штурма— наступление пика (ажиотажа), когда идеи на­чинают буквально «фонтанировать».Последующий анализ, который проводит группа сторонних экспертов, как правило,показывает, что всего лишь 10-15 % идей разумны, но среди них встречаютсявесьма оригинальные.
Искусство инженера познаниям, проводящего «мозговой штурм», заключается в способности задаватьвопросы аудитории, «подогревая» аудиторию. Вопросы служат своеобразным«крючком», которым извлекаются идеи.
Экспертные игры
Плодотворностьмоделирования реальных ситуаций в играх сегодня подтверж­дена практически вовсех областях науки и техники. Ниже рассмотрены различ­ные виды экспертных игрв соответствии с классификацией.
/>
Игры с экспертом
В играх с экспертоминженер по знаниям берет на себя какую-либо роль в моде­лируемой ситуации.Например, это может быть роль Ученика, который на глазах у эксперта (Учителя),поправляющего Ученика, выполняет работу на заданную тему. Такая игра — хорошийспособ разговорить застенчивого эксперта. Другой пример — игра в Специалиста(инженер по знаниям) и Консультанта (эксперт). Эта игра дает иногда впечатляющиерезультаты.
Для выявления скрытыхпластов знания применяется игра, в которой специа­лист делает прогнозы впрофессиональных ситуациях и дает им обоснования. Затем по истеченииопределенного времени специалисту предъявляют его соб­ственные обоснования ипросят произвести по ним прогнозы. Как оказывается, такой простой прием нередкопозволяет обнаружить пропущенные шаги в рас­суждениях эксперта.
В игре «фокусировка наконтексте» эксперт выполняет роль экспертной систе­мы, а инженер по знаниям —роль пользователя. Моделируется ситуация кон­сультации. Первые реакции экспертаконцентрируются вокруг наиболее значи­мых понятий и самых важных аспектовпроблемы.
В целом по играм сэкспертом даются следующие основные советы инженеру по знаниям:
·         Играйте смелее,придумывайте игры сами.
·         Не навязывайтеигру эксперту, если он не расположен.
·         Не «давите» наэксперта, не забывайте цели игры.
·         Не забывайте овремени и о том, что игра утомительна для эксперта.
·         Играйте весело,нешаблонно.
Ролевые игры в группе
В каждой групповой игрезаранее составляется сценарий, распределяются роли, готовятся портреты-описанияролей и разрабатывается система оценивания иг­роков.
Известны различныеспособы проведения ролевых игр. В одних играх участни­ки придумывают себе новыеимена и выступают под ними. В других все игроки переходят на «ты». В третьихроли выбирают игроки, в четвертых для распреде­ления ролей вытягивается жребий.
Обычно в игре,предназначенной для получения знания, принимают участие от трех до шестиэкспертов. В случае большего числа экспертов они разбиваются на группы, междукоторыми организуется состязание: чей диагноз окажется ближе к истинному, чейплан рациональнее использует ресурсы, кто быстрее опреде­лить неисправность втехническом блоке и т. п.
Создание игровойобстановки требует фантазии и выдумки от инженера по зна­ниям. Главное, чтобыэксперты в игре максимально погрузились в ситуацию, действительно «заиграли»,раскрепостились и «раскрыли свои карты».
Игры с тренажерами
Тренажеры широкоприменяются для обучения профессиям, требующим дина­мического реагирования наизменяющуюся производственную ситуацию. Сюда относятся профессии летчиков,судоводителей, операторов атомных станций и др. Применение тренажеров дляизвлечения знаний позволяет фиксировать фраг­менты так называемых летучихзнаний. Эти знания сиюминутны и, как правило, трудно воспроизводимы и выпадаютиз памяти в обычной обстановке при выхо­де из моделируемой ситуации.

1.3.4. Извлечение знаний: психологический аспект
Психологическиепроблемы извлечения знаний
Как известно, в процессечеловеческого общения воспринимается далеко не вся возможная информация. Всвязи с этим актуальна проблема увеличения информативности общения аналитика испециалистов предприятия за счет использования психологических знаний.
Модель общения приизвлечении знаний включает такие структурные компоненты: участники общения(партнеры); средства общения (процедура); предмет общения (знания). В соответствиис этой структурой выделим три «слоя» психологических проблем, возникающих приизвлечении знаний.
Контактный слой
Разработка корпоративныхсистем — это коллективный процесс, для которого небезразлична атмосфера вгруппе разработчиков. Проводились эксперименты, результаты которых неоспоримопоказывают, что дружеская атмосфера в коллективе больше влияет на результат,чем индивидуальные способности членов группы. Особенно важно, чтобы вколлективе разработчиков складывались кооперативные, а не конкурентныеотношения.
Прогнозироватьсовместимость в общении со 100 %-ной гарантией невозможно. Однако можновыделить те факторы, черты личности, характера и другие особенности участниковразработки, которые, несомненно, оказывают влияние на эффективность процедуры.
Пол и возраст. Значенияэтих параметров хотя и влияют на эффективность контакта, но не являютсякритическими. В литературе отмечается, что хорошие результаты дают гетерогенные(смешанные) пары мужчина/женщина. Что касается соотношения возрастов, лучше,когда оно подчиняется следующей зависимости:
20 > (Вэ — Ва) > 5
где Вэ — возрастэксперта-специалиста; Ва — возраст аналитика.
Характеристикиличности и темперамента. Под личностью обычно понимается устойчивая система психологическихчерт, характеризующая индивидуальность человека. Рекомендуемые составляющие дляаналитика: доброжелательность, аналитичность, хорошая память, внимание, наблюдательность,воображение, впечатлительность, большая собранность, настойчивость,общительность, находчивость.
Со времен Галена иГиппократа, выделивших четыре классических типа темперамента, используютсяпонятия холерик, сангвиник, меланхолик, флегматик. Для эффективной работыаналитика предпочтительны сангвинический и холерический темперамент.
Мотивация. На эффективность коллективногорешения задач влияет и мотивация участников — их стремление к успеху. Аналитикв зависимости от условий разработки должен изыскивать разнообразные стимулы дляэкспертов-специалистов. Эксперт передает аналитику один из самых дорогих в мирепродуктов — знания. И если одни люди делятся опытом добровольно и судовольствием, то другие весьма неохотно приоткрывают свои профессиональныетайны. Иногда оказывается полезно возбудить в эксперте дух соперничества,конкуренции (не нарушая, естественно, обстановки кооперативности в коллективе).
Процедурный слой
Параметры процедурногослоя описывают процесс проведения процедуры извлечения знаний.
Ситуация общения (место, время, продолжительность).Беседу с экспертом лучше всего проводить в небольшом помещении наедине,поскольку посторонние люди нарушают доверительность беседы и могут породить эффект«фасада». Рабочее место эксперта — не лучший вариант, так как его могутотвлекать телефонные звонки, сотрудники и пр. Американский психолог И. Атватерсчитает, что для делового общения наиболее благоприятна дистанция междусобеседниками от 1,2 до 3 м. Минимальным «комфортным» расстоянием можно считать0,7-0,8 м. Реконструкция знаний- трудоемкий процесс, и поэтому длительностьодного сеанса обычно не превышает 1,5-2 часов. Лучше выбрать эти два часа впервой половине дня, если эксперт относится к типу «жаворонок», и во второй,если он «сова». Известно, что взаимная утомляемость партнеров при беседенаступает обычно через 20-25 минут, поэтому в сеансе нужно делать паузы.
Оборудование (вспомогательные средства,освещенность, мебель). Одно из основных средств увеличения эффективностипроцесса извлечения знаний — использование наглядного материала. При этомучитывается, что большую часть информации человек получает при помощи зрения.Совет активнее пользоваться схемами и рисунками можно считать универсальным.Для протоколирования результатов сейчас используются следующие способы:
 запись на бумагунепосредственно по ходу беседы;
 запись надиктофон, помогающая аналитику проанализировать весь ход сеанса и свои ошибки;
 запоминание споследующей записью после.
Наиболее распространенпервый способ. Наибольшая опасность при этом — потеря знаний, поскольку любая записьответов — это уже интерпретация, привносящая субъективное понимание предмета.Значения параметров освещенности очевидны и связаны с влиянием внешних факторовна эксперта.
Профессиональныеприемы (темп, стиль,методы и др.). Учет индивидуального темпа и стиля эксперта позволяет аналитикуснизить напряженность процедуры извлечения знаний. Типичная ошибка — навязывание собственных темпа и стиля.
На успешность такжевлияет длина фраз, которые произносит аналитик. Это было установленоамериканскими учеными — лингвистом Ингве и психологом Миллером — приисследовании причин низкой усвояемости команд на военно-морском флоте США. Причинойоказалась длина команд. Выяснилось, что человек лучше всего воспринимаетпредложения глубиной (или длиной) 7±2 слова. Эта величина получила название«число Ингве — Миллера». Можно считать его мерой «разговорности» речи.
Большая часть информациипоступает к аналитику в форме предложений на естественном языке. Однако внешняяречь эксперта есть воспроизведение его внутренней речи (мышления), котораягораздо богаче и многообразнее. Для передачи этой внутренней речи экспертиспользует и невербальные средства, такие, как интонация, мимика, жесты.Опытный аналитик старается по возможности записывать в протоколы (в формеремарок) и эту дополнительную интонацию.
Kогнитивный слой
Для эффективногомоделирования когнитивных (от англ. cognition — познание), или познавательных,процессов необходимо учитывать их природу. На сегодняшний день эти вопросынаименее исследованы и требуют изучения так называемых когнитивных стилей. Подкогнитивным стилем человека понимается совокупность критериев предпочтения прирешении задач и познании мира, специфическая для каждого индивида. Когнитивныйстиль определяет не столько эффективность деятельности, сколько способ достижениярезультата. Это способ познания, который позволяет людям с разнымиспособностями добиваться одинаковых результатов в деятельности; система средстви индивидуальных приемов, к которым прибегает человек для организации своейдеятельности.
Можно выделить нескольковажных характеристик когнитивных стилей.
Полезависимость — поленезависимость.Поленезависимость позволяет человеку акцентировать внимание лишь на техаспектах проблемы, которые необходимы для решения конкретной задачи, и отбрасыватьвсе лишнее, т.е. не зависеть от фона или окружающего задачу шумового поля. Этахарактеристика коррелирует с такими чертами личности, как невербальный интеллект,аналитичность мышления, способность к пониманию сути. Очевидно, что не толькосамому аналитику необходимо высокое значение этого параметра; поленезависимыйэксперт — это тоже желательный фактор. Однако приходится учитывать, чтополезависимые люди лучше общаются, они более контактны. Для общения особенноудачны гетерогенные (смешанные) пары: «полезависимый — поленезависимый».
Поленезависимость — однаиз характерных профессиональных черт когнитивного стиля наиболееквалифицированных аналитиков. По некоторым данным, мужчины болееполенезависимы, чем женщины.
Импульсивность — рефлективность(рефлексивность). Под импульсивностью понимается быстрое принятие решения(часто без достаточного обоснования), а под рефлексивностью — склонность крассудительности. Рефлексивность, по экспериментальным данным, коррелирует соспособностью к формированию понятий и продуктивностью стратегий решениялогических задач. Таким образом, и аналитику, и эксперту желательно бытьрефлексивными, хотя собственный стиль изменяется лишь частично и с большим напряжением.
Ригидность — гибкость. Этот фактор характеризуетспособность человека изменять установки и свою точку зрения в соответствии сизменяющейся ситуацией. Ригидные люди не склонны менять свои представления иструктуру восприятия; гибкие, напротив, легко приспосабливаются к новойобстановке. Очевидно, что если эксперт еще может позволить себе ригидность (чтохарактерно для долго работающих над одной проблемой специалистов, особенностаршего возраста), то аналитику эта характеристика когнитивного стиля явнопротивопоказана. Увеличение ригидности с возрастом отмечается многими психологами.
Когнитивнаяэквивалентность.Характеризует способность человека к различению понятий и разбиению их наклассы и подклассы. Чем уже диапазон когнитивной эквивалентности, тем болеетонкую классификацию способен провести индивид, тем большее количествопризнаков понятий он может выделить. Обычно у женщин диапазон когнитивнойэквивалентности уже, чем у мужчин.
Психологические проблемы,рассмотренные в этой статье, далеко не исчерпывают всего комплексатеоретических и практических аспектов проблемы извлечения знаний. О другихпроблемах мы поговорим в следующих статьях этого цикла.
1.3.5.Оболочки систем приобретения знаний
Приведенное вышеразделение на этапы реализованы в среде KADS. В основе этого подхода лежит идеяо том, что экспертная система является не контейнером, наполненнымпредставленными экспертом знаниями, а «операционной моделью», котораядемонстрирует некоторое нужное нам поведение в столкновении с явлениямиреального мира. Приобретение знаний, таким образом, включает в себя не толькоизвлечение специфических знаний о предметной области, но и интерпретациюизвлеченных данных применительно к некоторой концептуальной оболочке иформализацию их таким способом, чтобы программа могла действительноиспользовать их в процессе работы.
В основу оболочки KADSположено пять базовых принципов.
(1) Использованиемножества моделей, позволяющее преодолеть сложность процессов инженерии знаний.
(2) Четырехуровневаяструктура для моделирования требуемой экспертности — набора качеств, лежащих воснове высокого уровня работы специалистов.
(3) Повторноеиспользование родовых компонентов модели в качестве шаблонов, поддерживающихнисходящую стратегию приобретения знаний.
(4) Процессдифференциации простых моделей в сложные.
(5) Важностьпреобразования моделей экспертности с сохранением структуры в процессеразработки и внедрения.
Первый из принципов,положенных в основу KADS, состоит в том, что оболочка должна содержатьмножество частных моделей, помогающих найти ответ на эти вопросы. Примерамитаких моделей могут служить:
·          организационнаямодель «социально-экономической среды», в которой должнафункционировать система, например финансовые услуги, здравоохранение и т.п.;
·          прикладная модельрешаемой проблемы и выполняемой функции, например диагностика, планированиерасписания работ и т.д.;
·          модель задач,демонстрирующая, как должна выполняться специфицированная функция, для чегопроизводится ее разбиение на отдельные задачи, например сбор данных о доходах,формирование гипотез о заболеваниях.
Описанные принципыпостроения оболочки системы приобретения знаний получили дальнейшее развитие всистеме CommonKADS. Эта система поддержки инженерии знаний содержит редакторыкаждого из перечисленных типов моделей и множество инструментальных средств икомпонентов, облегчающих проектирование экспертной системы. Существенную помощьменеджеру проекта при планировании работ должна оказать модель жизненного циклаэкспертной системы. В дополнение к тем моделям, которые входили в состав раннихверсий оболочки KADS, в новую версию включено несколько новых, в частностимодель агента, которая представляет саму экспертную систему, ее пользователей иподключенные вычислительные системы.
В рамках проекта KASTUSонтология и методология оболочки KADS была использована и при построениибольших повторно используемых баз знаний. Наименование проекта KASTUS —сокращение от Knowledge about Complex Technical Systems for Multiple Use(знания многоразового применения о сложных технических системах). Цель проекта— создание системы знаний, которую можно было бы использовать в множестверазнообразных приложений.
Как правило,человек-эксперт знает о той предметной области, в которой он являетсяспециалистом, гораздо больше, чем может выразить на словах. Вряд ли можно добитьсяот него многого, задавая вопросы в общем виде, например: «Что вам известнооб инфекционных заболеваниях крови?» Гораздо продуктивнее подход,реализованный в программе TEIRESIAS, который предполагает вовлечение эксперта врешение несложных репрезентативных задач из определенной предметной области иизвлечение необходимых знаний в процессе такого решения.
Задавшись определеннымнабором базовых правил, представляющих прототип экспертной системы, TEIRESIASрешает в соответствии с этими правилами какую-нибудь из сформулированныхрепрезентативных проблем и предлагает эксперту критиковать результаты. В ответэксперт должен сформулировать новые правила и откорректировать введенные ранее,а программа отслеживает внесенные изменения, анализирует их на предмет сохраненияцелостности и непротиворечивости всего набора правил, используя при этом моделиправил. В процессе анализа используется обобщение правил различного вида.
Проект COMPASS можносчитать одним из наиболее ярких примеров использования традиционной методикиприобретения знаний, базирующейся на соответствующим образом организованномопросе экспертов. Такая методология «выросла» из предложеннойНьюэллом и Саймоном методики анализа протокола (protocol analysis). В этом разделемы остановимся на проекте OPAL, в котором использована другая методика, отличающаясяот традиционной в двух важных аспектах.
·         Эта методикаориентирована на частичную автоматизацию процесса извлечения знаний в ходеактивного диалога интервьюируемого эксперта с программой.
·         Методика приобретениязнаний предполагает использование стратегии, направляемой знаниями о предметнойобласти.
         Мы ужерассматривали программу TEIRESIAS, в которой использовалось множество средствпоиска ошибок в существующем наборе правил, редактирования и тестированияоткорректированного набора правил. Но для построения начального набора правилили отслеживания изменений в них программа TEIRESIAS не использовала какие-либознания о предметной области. Программа OPAL, напротив, пытается«вытянуть» из пользователя как можно больше деталей, касающихсяпредставления знаний и их использования. OPAL не является программой общегоназначения. Она разработана специально для диагностики онкологическихзаболеваний и предназначена для формирования правил принятия решений на основеполученных от эксперта знаний о планах лечения в том или ином случае.
         Программа OPALупрощает процесс извлечения знаний, предназначенных для использования вэкспертной системе ONCOCIN. Последняя формирует план лечения больныхонкозаболеваниями и заинтересована в использовании модели предметной областидля получения знаний непосредственно от эксперта с помощью средств графическогоинтерфейса. Понятие модель предметной области можно трактовать в терминахзнаний различного вида, которыми обладает эксперт.
Независимо от того, окакой конкретной предметной области идет речь, игре в шахматы или медицинскойдиагностике, всегда существуют некоторые предварительные условия илипредварительный опыт, которыми должен обладать субъект или техническая система,чтобы воспринимать знания об этой предметной области. Если речь идет об игре вшахматы, то по крайней мере нужно знать правила этой игры: как ходят фигуры, вчем цель игры и т.п. Применительно к медицинской диагностике нужно иметьпредставление о пациентах, заболеваниях, клинических тестах и т.п. Этот видфоновых, или фундаментальных, знаний иногда в литературе по экспертным системамназывают глубокими знаниями, противопоставляя их поверхностным знаниям, которыепредставляют собой хаотичный набор сведений о связях «стимул —реакция».
При разработке прототипасистемы ONCOCIN одной из наиболее сложных оказалась именно проблемаприобретения знаний. Ввод информации, необходимой для создания протоколовлечения рака лимфатических узлов, занял около двух лет и отнял у экспертовоколо 800 часов рабочего времени. Формирование последующих наборов протоколов впроцессе развития системы занимало, как правило, несколько месяцев. При этомбыло отмечено, что эффективность процесса приобретения знаний системой врешающей степени зависит от того, насколько успешно инженер по знаниямсправляется с ролью переводчика в процессе передачи знаний от экспертовпрограмме. Желание избавиться от этой зависимости и вдохновило разработчиков насоздание программы OPAL, которая помогла бы автоматизировать процессприобретения знаний.
Используя эту программу,эксперт может сформировать новый протокол в течение нескольких дней. За первыйгод эксплуатации программы OPAL в систему ONCOCIN было добавлено свыше трехдюжин новых протоколов. Эффективность использованного в этой программе методазаполнения формуляров при вводе новых знаний во многом объясняется тем, что впрограмму включены базовые знания о той предметной области, в которой онаиспользуется. Конечно, включение этих знаний потребовало значительных усилий отинженеров по знаниям, которые ранее занимались общением с экспертами, но этизатраты затем с лихвой окупились. Успешное применение программы OPAL показалопреимущество представления знаний о предметной области на нескольких уровнях абстракциипо сравнению с подходом, предполагающим переключение основного внимания надетали реализации.
Технология извлечениязнаний о предметной области у эксперта посредством опроса через терминал впоследнее время стала использоваться во множестве экспертных систем. Вбольшинстве из них эксперту предлагается заполнить экранные формуляры, информацияиз которых затем считывается в структурированные объекты, аналогичные фреймам.Примерами таких систем могут служить ETS. Но далеко не во всех системахтакого рода имеется столь развитый графический интерфейс, как в программе OPAL,и существует возможность компилировать полученные знания непосредственно в правилапринятия решений. Реализация этих возможностей в OPAL существенно облегчаетсяособенностями структурирования планов лечения больных, на что обращали вниманиеи авторы этой разработки.
Опыт, приобретенный входе разработки программы OPAL, был затем использован при создании PROTEGE —системы более общего назначения. Последняя версия этой системы,PROTEGE-II, представляет собой комплект инструментальных средств, облегчающихсоздание онтологии предметной области и формирование программ приобретениязнаний, подобных OPAL, для различных приложений. Вместо того чтобыразрабатывать инструментальные средства общего назначения с нуля, авторы этойразработки пошли по пути повышения уровня абстракции ранее разработанного иуспешно используемого приложения, как это было сделано при разработке системыEMYCIN на основе MYCIN.
1.4. Экспертные системы
Практическим полемприменения баз знаний являются экспертные системы (ЭС). Экспертная система –это система искусственного интеллекта, включающая знания об определенной слабоструктурированной и трудно формализуемой узкой предметной области и способнаяпредлагать и объяснять пользователю разумные решения. Экспертная системасостоит из базы знаний, механизма логического вывода и подсистемы объяснений.Её основным компонентом является база знаний. База знаний – это семантическая модель,описывающая предметную область и позволяющая отвечать на такие вопросы из этойпредметной области, ответы на которые в явном виде не присутствуют в базе. Базазнаний является основным компонентом интеллектуальных и экспертных систем.
Для построения базызнаний необходим интеллектуальный редактор базы знаний. Интеллектуальныйредактор базы знаний – это программа, предоставляющая инженеру по знаниямвозможность создавать базу знаний в интерактивном режиме. Интеллектуальныйредактор включает в себя систему шаблонов языка представления знаний, подсказкии другие сервисные средства, облегчающих работу с базой.
Основной режим работыэкспертной системы – консультационный режим. Консультационный режим – этоинтерактивный режим эксплуатации базы знаний, при котором пользователь продвигаетсяк решению задачи.
Вторым существеннымкомпонентом ЭС является машина логического вывода или дедуктивная машина (илиблок логического вывода, или решатель). Машина логического вывода – этопрограмма, моделирующая механизм рассуждений и оперирующая знаниями и данными сцелью получения новых данных из знаний и других данных, имеющихся в рабочейпамяти. Обычно машина логического вывода использует программно реализованныймеханизм дедуктивного логического вывода или механизм поиска решения в сетифреймов или семантической сети.
Для контакта спользователем ЭС должна обладать подсистемой общения и подсистемой объяснений.Подсистема общения – это программа:
— входящая в составэкспертной системы;
— служащая для ведениядиалога с пользователем, в ходе которого ЭС запрашивает у пользователянеобходимые факты для процесса рассуждения;
— предоставляющаявозможность пользователю в определенной степени контролировать и корректироватьход рассуждений экспертной системы.
Подсистема объяснений –это программа, позволяющая пользователю получить ответы на вопросы:
— «Как было полученото или иное решение?»; обычно ответ на этот вопрос представляет собойтрассировку всего процесса вывода решения с указанием использованных фрагментовбазы знаний; и
-«Почему было принятотакое решение?»; обычно ответ на этот вопрос есть ссылка на умозаключение,непосредственно предшествовавшее полученному решению.
Хорошо если ЭС обладаетподсистемой приобретения знаний. Подсистема приобретения знаний – этопрограмма, предназначенная для корректировки и пополнения базы знаний.
Подсистема приобретениязнаний — в простейшем случае — интеллектуальный редактор базы знаний.Подсистема приобретения знаний — в более сложных случаях — средства дляизвлечения знаний:
— из баз данных;
— из неструктурированноготекста;
— из графическойинформации и т.д.
ЭС создаётся и существуетдля пользователя. Пользователь – это проблемный специалист, для которогопредназначена экспертная система. Считается, что квалификация пользователянедостаточно высока, и поэтому он нуждается в помощи и поддержке своейдеятельности со стороны экспертной системы.
ЭС является системой,основанной на знаниях. Система, основанная на знаниях – это системаискусственного интеллекта, в которой предметные знания представлены в явномвиде и отделены от прочих знаний системы.
1.5. Визуальное проектирование баззнаний как инструмент обучения 
Визуальные методыспецификации и проектирования баз знаний и разработка концептуальных структурявляются достаточно эффективным гносеологическим инструментом или инструментомпознания. Использование ме­тодов инженерии знаний в качестве дидактическихинструментов и в качестве формализмов представления знаний способствует болеебыстрому и более полно­му пониманию структуры знаний данной предметной области,что особенно ценно для новичков на стадии изучения особенностей профессиональнойдеятельности.
Методы визуальнойинженерии знаний можно широко использовать в различ­ных учебных заведениях — отшкол до университетов — как для углубления про­цесса понимания, так и дляконтроля знаний. Большинство учеников и студен­тов овладевают навыкамивизуального структурирования в течение нескольких
От понятийных карт ксемантическим сетям
Было предложеноопределение поля знаний, которое позволяет инженеру по знаниям трактовать формупредставления поля достаточно широ­ко, в частности семантические сети илипонятийные карты (concept maps) являются возможной формой представления. Этоозначает, что сам процесс построения семантических сетей помогает осознавать познаватель­ныеструктуры.
/>
Программы визуализацииявляются инструментом, позволяющим сделать види­мыми семантические сети памятичеловека. Сети состоят из узлов и упорядочен­ных соотношений или связей,соединяющих эти узлы. Узлы выражают понятия или предположения, а связиописывают взаимоотношения между этими узлами. Поэтому разработка семантическихсетей подразумевает анализ структурных взаимодействий между отдельнымипонятиями предметной области.
В процессе созданиясемантических сетей эксперт и аналитик вынуждены анали­зировать структуры своихсобственных знаний, что помогает им включать новые знания в структуры ужеимеющихся знаний. Результатом этого является более осмысленное использованиеприобретенных знаний.
Визуальные спецификации вформе сетей могут использоваться новичками и эк­спертами в качествеинструментов для оценки изменений, произошедших в их мышлении. Еслисогласиться, что семантическая сеть является достаточно пол­ным представлениемпамяти человека, то процесс обучения с этой точки зрения можно рассматриватькак реорганизацию семантической памяти.
Kozma, один изразработчиков программы организации семанти­ческой сети Learning Tool, считает,что эти средства являются инструментами познания, усиливающими и расширяющимипознания человека. Разработка се­мантических сетей требует от учеников:
·         реорганизациизнаний;
·         исчерпывающегоописания понятий и связей между ними;
·         глубокойобработки знаний, что способствует лучшему запоминанию и извлечению из памятизнаний, а также повышает способности применять знания в новых ситуациях;
·         связывания новыхпонятий с существующими понятиями и представлениями, что улучшает понимание;
·         пространственногоизучения посредством пространственного представления понятий в изучаемойобласти.
Полезность семантическихсетей и карт понятий, пожалуй, лучше всего демонст­рируется их связями сдругими формами мышления высшего порядка. Они тес­но связаны с формальнымобоснованием в химии и спо­собностью аргументировать свои высказывания вбиологии. Также было показано, что семантические сети имеют связь с выполнениемисследований.
База знаний какпознавательный инструмент
Когда семантическая сетьсоздается как прообраз базы знаний, разработчик дол­жен фактически моделироватьзнания эксперта. Особенно глубокого понимания ' требует разработкафункциональной структуры.
Определение структурыЕСЛИ-ТО области знаний вынуждает четко форму­лировать принципы принятиярешения. Нельзя считать, что просто разработка поля знаний системы обязательноприведет к получению полных функциональ­ных знаний в данной области.
Разработка экспертныхсистем стала использоваться как инструмент познания сравнительно недавно.Lippert, который является одним из пио­неров применения экспертных систем вкачестве инструментов познания, ут­верждает, что задания по созданию небольшихбазисов правил являются очень / полезными для решения педагогических проблем иструктурирования знаний для учеников от шестого класса до взрослых. Изучениепри этом становится более осмысленным, так как ученики оценивают не только сампроцесс мышле­ния, но также и результаты этого процесса, то есть полученнуюбазу знаний. Со­здание базы знаний требует от учеников умения отделять друг отдруга факты, переменные и правила, относящиеся к связям между составляющимиобласти знаний.
Например, Lai установил,что после того, как студенты-медики созда­дут медицинскую экспертную систему,они повышают свое умение в плане аргу­ментации и получают более глубокие знанияпо изучаемому предмету. Шесть студентов-первокурсников физического факультета,которые использовали экс­пертные системы для составления вопросов, принятиярешений, формулировки правил и.объяснений относительно движения частицы в соответствиис законами классической физики, получили более глубокие знания в данной областиблаго­даря тщательной работе, связанной с кодированием информации и обработкойбольшого материала для получения ясного и связного содержания, а следователь­но,и большей семантической глубины.
Таким образом, созданиебазы знаний экспертной системы способствует более глубокому усвоению знаний, авизуальная спецификация усиливает прозрач­ность и наглядность представлений.
Когда компьютерыиспользуются в обучении как инструмент познания, а не как контрольно-обучающиесистемы (обучающие компьютеры), они расширяют воз­можности автоматизированныхобучающих систем (АОС), одновременно раз­вивая мыслительные способности изнания учеников. Результатом такого со­трудничества учащегося и компьютераявляется значительное повышение эф­фективности обучения. Компьютеры не могут ине должны управлять процессом обучения. Скорее, компьютеры должны использоватьсядля того, чтобы помочь ученикам приобрести знания.
2. Разработка курса «Инженериязнаний»2.1. Анализ требований к содержаниюкурса с учётом заявленной цели
Исследуя проблемупредставления за небольшое количество часов будущим учителям информатики темы«Инженерия знаний», необходимо иметь в виду цель такого изучения. Этотраздел можно считать очень важным именно для будущих учителей информатики последующим причинам. С одной стороны учитель должен знать, как могут бытьструктурированы и представлены в формальном виде знания, которые мы традиционнопривыкли видеть представленными в виде текстов на естественном языке, или ввиде знаний, умений и навыков конкретных людей. С другой стороны особенно важнобудет для будущего учителя познакомиться с методами извлечения знаний изэксперта альтернативные педагогическим методам «извлечения знаний изучащегося». Всё это позволит будущему учителю с одной стороны углубить своёпонимание в области формирования и приобретения знаний обучаемым, а с другой –даст ему возможность расширить свой педагогический арсенал приёмами выявления иструктуризации знаний, применяемыми в инженерии знаний.
Поэтому необходиморазработать курс по выбору по теме «Инженерия знаний» такой, что его изучениепозволит обучающимся по специальности «учитель информатики» получить адекватноепредставление о современном состоянии данного раздела информатики. При этомнеобходимо избежать излишних технических подробностей.
2.2. Содержание курса 
Изучая построение курса,выделим темы, подлежащие изучению.
Во-первых, необходиморассмотреть основы инженерии знаний. В данном разделе надо раскрыть следующиепонятия: данные и знания, базы знаний, основные сферы применения баз знаний –экспертные системы, структура и классификация экспертных систем, этапыразработки экспертных систем, коллектив разработчиков экспертных систем.
Далее необходиморассмотреть теоретические аспекты извлечения знаний. В данном разделе надораскрыть следующие понятия: стратегии получения знаний, психологический аспект,лингвистический аспект, гносеологический аспект.
Следующая тема –когнитивная психология в инженерии знаний. В данном разделе надо раскрытьследующие понятия: основы когнитивной психологии, семантическая репрезентациязнаний, образная репрезентация, восприятие информации, организация памяти.
Основные темы курсаначинаются с темы «методы извлечения знаний». В данном разделе надо раскрытьследующие понятия: классификация методов, пассивные методы, активныеиндивидуальные методы, активные групповые методы, экспертные игры, текстологическиеметоды.
Далее идёт тема«методология структурирования знаний». В данном разделе надо раскрыть следующиепонятия: поле знаний, стадии структурирования, методы структурирования,психосемантика и методы многомерного шкалирования.
Следующая тема – машинно-ориентированныеприобретение и формирование знаний. В данном разделе надо раскрыть следующиепонятия: автоматическое формирование знаний, системы автоматическогоформирования знаний.
2.3. Тематическое планирование ирабочая программа курса 
Цель и задачи курса
Цель – дать студентамсистематическое представление о возможностях современных методов извлечения ипредставления знаний для ориентирования в современных информационныхтехнологиях, и проведения аналогий с приобретением знаний у учащихся. Задача –дать студентам умения работы со знаниями, их извлечения и структуризации.
Требования к уровнюосвоения содержания курса
В результате изучениядисциплины студенты должны:
·         Иметьпредставление о современных методах извлечения знаний
·         Иметьпрактические умения работы со знаниями
·         Иметь умения извлекатьзнания из экспертов и текстов
·         Уметьорганизовать процесс извлечения знаний различными способами
·         
Учебный план Тема Содержание Часов Лекций Практических 1 основы инженерии знаний данные и знания, базы знаний, основные сферы применения баз знаний – экспертные системы, структура и классификация экспертных систем, этапы разработки экспертных систем, коллектив разработчиков экспертных систем 2 2 2 модели представления знаний семантические сети, фреймы, логические представления, продукции 2 2 3 теоретические аспекты извлечения знаний стратегии получения знаний, психологический аспект, лингвистический аспект, гносеологический аспект 2 2 4 когнитивная психология в инженерии знаний основы когнитивной психологии, семантическая репрезентация знаний, образная репрезентация, восприятие информации, организация памяти 2 2 5 методы извлечения знаний классификация методов, пассивные методы, активные индивидуальные методы, активные групповые методы, экспертные игры, текстологические методы 2 2 6 методология структурирования знаний поле знаний, стадии структурирования, методы структурирования, психосемантика и методы многомерного шкалирования 2 2 7 машинно-ориентированные приобретение и формирование знаний автоматическое формирование знаний, системы автоматического формирования знаний 2 2 14 14 Всего часов 28
Всего курсомпредусматривается 14 часов лекций, 14 часов практических занятий, и 54 часасамостоятельной работы.
2.4. Учебно-методические материалы 
В качестве учебныхпособий можно рекомендовать следующие книги.
Гаврилова Т. А.,Червинская К. Р. Извлечение и структурирование знаний для экспертных систем —М.: Радио и связь, 1992. — 200с. Книга посвящена одному из важнейших инедостаточно исследованных аспектов теории и практики искусственного интеллекта— извлечению и структурированию знаний при разработке экспертных систем. Присоздании так систем наибольшую трудность вызывает домашинный этап, на которомразработчики выявляют знания специалистов в конкретной предметной области иструктурируют их для последующей формализации и ввода в ЭВМ. Как и всеисследования по искусственному интеллекту, данная тема носит междисциплинарныйхарактер, и поэтому в книге освещены различные аспекты этой проблемы, (включаявопросы когнитивной психологии, психологии общения, лингвистики, гносеологии идр. Рассмотрены основные этапы разработки экспертных систем с акцентом напрактические приемы и методы инженерии знаний, в том числе извлечение знаний изтекстов, экспертные игры, техника интервьюирования и анкетирования и т. д.Введена классификация методов извлечения знаний и предложена методологияструктурного анализа знаний, которая проиллюстрирована на примере трехэкспертных систем — АВТАНТЕСТ, АВ-ТАНКЛИП и МИКРОЛЮШЕР. Дан обзор современногосостояния других способов создания баз знаний экспертных систем, включающийанализ систем индуктивного формирования знаний и автоматизированных системприобретения знаний в прямом диалоге «эксперт-ЭВМ».
Гаврилова Т. А.,Хорошевский В. Ф. Базы знаний интеллектуальных систем: Учебник длявузов. СПб: Питер,2001 год, 384 стр. Учебник для технических вузов по входящимв различные дисциплины вопросам разработки интеллектуальных систем. Актуальностьпредмета определяется стремительно развивающейся сферой применения инженериизнаний и системного анализа в различных областях деятельности. Особенностью изложенияявляется его практическая направленность: освоения имеющегося материала должнобыть достаточно для начала самостоятельной работы над созданием интеллектуальнойсистемы, основанной на знаниях. В учебнике учтена все возрастающая роль Интернетаи потому подробно рассматривается применение инженерии знаний в Сети.
2.5. Рекомендуемое программноеобеспечение для проведения лабораторных работ 
Из рассмотренных вышеспециализированных средств работы со знаниями для проведения практических работбыла выбрана система Prot?g?..
Prot?g? – локальная,свободно распространяемая Java-программа, разработанная группой медицинскойинформатики Стенфордского университета (первая версия – 1987, последняяProt?g?-3.0 – июнь 2004). Программа предназначена для построения (создания,редактирования и просмотра) онтологий прикладной области. Её первоначальнаяцель – помочь разработчикам программного обеспечения в создании и поддержкеявных моделей предметной области и включение этих моделей непосредственно впрограммный код. Prot?g? включает редактор онтологий, позволяющий проектироватьонтологии разворачивая иерархическую структуру абстрактных или конкретныхклассов и слотов. Структура онтологии сделана аналогично иерархическойструктуре каталога. На основе сформированной онтологии, Prot?g? может генерироватьформы получения знаний для введения экземпляров классов и подклассов.Инструмент имеет графический интерфейс, удобный для использования неопытнымипользователями, снабжен справками и примерами.
Prot?g? основан нафреймовой модели представления знания OKBC и снабжен рядом плагинов, чтопозволяет его адаптировать для редактирования моделей хранимых в разныхформатах (стандартный текстовый, в базе данных JDBC, UML, языков XML, XOL,SHOE, RDF и RDFS, DAML+OIL, OWL).
Prot?g? имеет 3-хуровневую архитектуру, где существует четкое разделение между хранениемонтологий, модулями бизнес-логики логики приложений и приложениями интерфейсапользователя. Эти инструменты обладают большими возможностями по наращиванию(например, при помощи плагинов). Большинство инструментов хранит свои онтологиив текстовых файлах, что ограничивает размер онтологий. Только Prot?g? (иWebODE) могут хранить свои онтологии в базах данных и таким образом управлятьбольшими онтологиями. Наконец, большинство инструментов реализовано на Java.
Prot?g? обеспечиваетграфические средства редактирования и просмотра онтологий, где классы обычнопредставлены узлами на графах, а отношения — дугами между ними. Дополнительно кэтим графическим функциям, Prot?g? предоставляет некоторую поддержку внаписании формальных аксиом и сложных выражений.
Описание Prot?g? –2000
Prot?g?-2000 – этоинтегрированное инструментальное программное средство, которое используетсяразработчиками систем и экспертами по предметным областям для разработкисистем, основанных на знаниях. Приложения, разработанные при помощиProt?g?-2000, используются при решении задач и принятии решений в конкретнойпредметной области.
В то время как в болеераннем средстве Prot?g?/Win, как в классической системе баз данных, отдельноопределялись классы информации (схема) и хранились экземпляры этих классов,Prot?g?-2000 облегчает работу и с классами, и с экземплярами. Так, отдельныйэкземпляр может быть использован на уровне описания класса, а класс можно хранить,как экземпляр. Подобным образом, слоты, которые ранее использовались тольковнутри классов, сейчас поднялись до уровня, на котором находятся классы.Используя эту новую модель знаний, также обеспечивается соответствие протоколуОКВС (Open Knowledge Base Connectivity) для доступа к базам данных, хранящимсяв системах представления знаний. В конечном счете, приложения из этихкомпонентов также исполняются внутри интегрированной среды Prot?g?-2000.
Средство Prot?g?-2000получает доступ ко всем этим частям при помощи унифицированного графическогоинтерфейса пользователя, верхний уровень которого включает перекрывающиесявкладки для компактного представления частей и удобного их совместногоредактирования. Такой дизайн верхнего уровня со вкладками позволяет интеграцию(1) моделирования онтологии классов, описывающей определенную дисциплину, (2)создания средства приобретения знаний для сбора информации, (3) ввода отдельныхэкземпляров данных и создание базы знаний и (4) выполнения приложений.Онтология определяет набор понятий и их отношения. Средство приобретения знанийразрабатывается специально для предметной области, позволяя экспертам попредметной области легко и свободно вводить свои знания в предметной области.Конечная база знаний затем может быть использована вместе с методом поискарешения задач для ответа на вопросы и решения задач в предметной области. Вконечном счете, приложение является конечным продуктом, созданным, когда базазнаний используется для решения задачи конечного пользователя с использованиемподходящих методов поиска решения задач, методов «эксперт-система» или методовподдержки принятия решений.
Основное предположение вProt?g?-2000 – это то, что системы баз знаний обычно очень дорого строить иподдерживать. Например, предполагается, что разработкой системы, основанной назнаниях, занимается команда, включая как разработчиков, так и экспертов попредметной области, которые могут быть в меньшей степени знакомы с компьютернымПО. Prot?g?-2000 предназначено для того, чтобы вести разработчиков и экспертовпо предметной области в процессе разработки системы. Prot?g?-2000 предназначенодля того, чтобы позволить разработчикам повторно использовать онтологии предметныхобластей и методы поиска решения задач, таким образом уменьшая время, необходимоедля разработки и поддержки программы. Несколько приложений могут использоватьодну и ту же онтологию предметной области для решения различных задач; один итот же метод поиска решения задач может быть использован с различными онтологиями.Более подробно о построении систем, основанных на знаниях, и о подходе, используемомв Prot?g?-2000, можно узнать в разделе Планирование Проекта Prot?g?-2000.  
В настоящее времяProt?g?-2000 используется в клинической медицине и биометрических науках, хотяее можно использовать в любой области, в которой понятия можно представить ввиде иерархии классов.
2.6. Лабораторные работы 
По всем темам курса:
·          основы инженериизнаний
·          моделипредставления знаний
·          теоретическиеаспекты извлечения знаний
·          когнитивнаяпсихология в инженерии знаний
·          методы извлечениязнаний
·          методологияструктурирования знаний
·          машинно-ориентированныеприобретение и формирование знаний
были разработанылабораторные работы.
Например, работа по теме«методы извлечения знаний» приведена ниже.
Заполнитьсемантическую сеть.Решите, про что будет сеть. Например, «Меня беспокоят мои отношения смоими друзьями или коллегами. Значит, цель моей сети — »Мои отношения сколлегами ". Если я выбраю себе автомобиль, цель решетки — «Какиебывают автомобили». Чтобы перейти к вводу элементов — кнопка«Стоп!»
Напишите 8-15 людей илипредметов, отвечающих названию сети. Лучше, если вам поможет составить списокэлементов ваш консультант. Если работаете самостоятельно, постарайтесь, чтобывведенные элементы примерно равномерно описывали проблему. Для примера, здесьлежит список ролей, предложенный самим Дж.Келли. Можете, воспользовавшись им,подставить свои значения. Далее переходим к выявлению конструктов.
Сравните трипредъявленных элемента, расположите их так, чтобы два элемента отличались отодного, по наиболее важному, на ваш взгляд, качеству. Если это качество вамнравится, запишите его в графу «конструкт». Если не нравится — вграфу «контраст». Затем, стараясь не использовать частицу не-,сформулируйте качество по значению противоположное записанному, запишите его всвободное окно и нажмите кнопку «Добавить».
Этап называется«Ранжирование». Предполагается, что все, по очереди предъявляемыеэлементы, вы отнесете к более соответствующему полюсу конструкта.
После этого вы увидитеновую тройку элементов. Проделайте с ней все то же самое, но следите, чтобызаписываемые вами конструкты-контрасты не повторялись. Предполагается, чтотаким образом вы выявите примерно столько же конструктов, сколько у вас былозаписано элементов.
Посмотрим, чтополучилось. Если вы все сделали правильно, вы получите два кластерных дерева.Одно образовано связями между элементами, другое — между конструктами. Чем вышеуровень связи между элементами или конструктами, тем меньше вы видите различиймежду ними.
Вот теперь самое времяподумать, почему конструкции получились именно такими, какая связь междукластерами — образовавшимися группами конструктов. Если хотите оценить степеньвлияния какого-то элемента или конструкта, выделите его и нажмите на кнопку«спрятать». Вы увидите, как будет выглядеть ваша система конструктовбез этого конкретного. Посмотрите, как изменилось и другое дерево.
2.7. Контрольно-измерительныематериалы 
/>Повсем темам курса:
·          основы инженериизнаний
·          моделипредставления знаний
·          теоретическиеаспекты извлечения знаний
·          когнитивнаяпсихология в инженерии знаний
·          методы извлечениязнаний
·          методологияструктурирования знаний
·          машинно-ориентированныеприобретение и формирование знаний
были разработаныконтрольные вопросы.
Например, вопросы по теме«методы извлечения знаний» приведены ниже.
1. Что называетсяизвлечением знаний и в чем состоит его главный аспект?
2. Назовите основныеуровни общения. Чем определяются потери информации при общении?
3. Нарисуйте структурупсихологического аспекта извлечения знаний.
4. Что такое контактный,процедурный, когнитивный слои извлечения знаний?
5. Назовите основныезакономерности проведения процедуры извлечения знаний.
6. В чем состоитлингвистический аспект извлечения знаний?
7. Нарисуйте и объяснитесхему получения общего кода.
8. В чем заключаетсянеоднозначность проблемы интерпретации?
9. Что такое понятийнаяструктура?
10. Что такоегносеологический аспект извлечения знаний?
11. В чем заключаетсямодальность знаний?
12. Что такоесистемно-структурный подход к познанию?
13. Нарисуйте структурупознания.
14. В чем состоитустановление связей и закономерностей?
15. Для чего необходимопостроение идеализированной модели?
16. Назовите пассивныеметоды извлечения знаний.
17. Назовите активныегрупповые методы извлечения знаний.
18. Назовите активныеиндивидуальные методы извлечения знаний.
19. Подготовьте анкетуизвлечения знаний по лечению простуды народными методами.
20. Назовитетекстологические методы извлечения знаний.
21. Что могут потребоватьсеансы наблюдений от инженера по знаниям?
22. В чем заключаетсяпротоколирование мыслей вслух?
23. Назовите достоинстваи недостатки каждого из пассивных методов извлечения знаний.
24. В чем заключаетсяметод анкетирования?
25. В чем заключаетсяметод интервьюирования?
26. Какова схемаподготовки к свободному диалогу?
27. Назовите достоинстваи недостатки каждого из активных индивидуальных методов извлечения знаний.
28. В чем заключаетсяметод круглого стола?
29. Что такое мозговойштурм?
30. Дайте классификацию экспертныхигр.
31. Что такое игры сэкспертом?
32. Что такое ролевыеигры?
33. Назовите достоинстваи недостатки каждого из видов экспертных игр.
34. Нарисуйте схемуизвлечения знаний из текста.
35. Как образуетсясемантическая структура текста?
36. Что такое наборключевых слов?
37. Что называетсяструктурированием знаний?
38. Что представляетсобой концептуальная и функциональная струкгура предметной области?
39. Опишитеконцептуальную структуру для экспертной системы «Как делать подарки».
40. Создайте функциональнуюструктуру, отражающую модель рассуждении эксперта по выбору подарка.
Заключение
В результате выполненияданной работы была исследована возможность построения курса обучения основаминженерии знаний для будущих учителей информатики. Для этого были реализованыследующие задачи:
·         Было проведеноознакомление с таким разделом искусственного интеллекта как инженерия знаний.
·         Были определеныразделы, темы, понятия и методы области «инженерия знаний», представляющиезначимость для освоения учащимися и формирования их взгляда на эту область.
·         Были собраныматериалы по теме «инженерия знаний», имеющие ценность для построения учебногокурса и обучения.
·         Было определено инайдено программное обеспечение, позволяющее на практике закрепить необходимыезнания по инженерии знаний.
·         Было разработанотематическое планирование и рабочая программа курса, позволяющие при проведениизанятий по ним достичь заявленную цель и доказать заявленную гипотезу.
·         Были разработанылабораторные работы, упражнения и контрольные вопросы по темам курса.
В результате чего былоподтверждение положения о возможности построения курса «Инженерия знаний» вподдержку базового курса «Основы искусственного интеллекта» так, что будущиеучителя информатики смогут познакомиться с методами и технологиями этой областиисследований в искусственном интеллекте.
Литература
1.        Гаврилова Т. А.,Хорошевский В. Ф. Базы знаний интеллектуальных систем: Учебник длявузов. СПб: Питер,2001 год, 384 стр.
2.        Осипов Г.С.Приобретение знаний интеллектуальными системами. М.: Наука, 1997.
3.        Частиков А.П.,Гаврилова Т.А., Белов Д.Л. Разработка экспертных систем. Среда CLIPS. BHV-Санкт-Петербург, 2003
4.        Дюк В. А.,Самойленко А. П. Data Mining (+CD). Учебный курс 1-е издание, 2001 год, 368стр.
5.        Осуга С.,Обработка знаний; М., 1989.
6.        Уэно Х., КаямоТ.,. Окомото Т. Представление и использование знаний / Под ред. Х. Уэно, М.Исидзухо.- М.: Мир, 1989.- 205 с.
7.        Осуга С., СаэкиЮ. Приобретение знаний. Пер. с япон. 1990. 304 с.
8.        Э.Дзуки Введениев методологию социально-психологического исследования, Милан-Новосибирск, 1997
9.        В.А.Дюк«Компьютерная психодиагностика», С.-Петербург, 1994
10.     Франселла,Банниствер «Новый метод исследования личности», М., 1987
11.     Дж.Келли«Психология личности, теория личных конструктов», С-Петербург, 2000
12.     Петренко В.Ф.«Психосемантика сознания», М.,1988
13.     Н.Л.Иванова«Репертуарные личностные методики», Ярославль, 1995,
14.     Дж.Келли«Психология личности, теория личных конструктов», С-Петербург, 2000,
15.     В.В.СеменоваКачественные методы в социологии, 1998
16.     Р.Л.СолсоКогнитивная психология, 1996
17.     Шкуратова И.П,«Руководоство по применнению репертуарного текста Дж.Келли»,
18.     АлексеевскаяМ.А., Недоступ А.В Диагностические игры в медицинских задачах. Вопросыкибернетики. Задачи медицинской диагностики и прогнозирования с точки зренияврача. 1988. N112.
19.     Величковский Б.М.Когнитивная психология. М.: Наука, 1987.
20.     Гаврилова Т.А.,Червинская К.Р. Извлечение и структурирование знаний для экспертных систем. М.:Радио и связь, 1992.
21.     Гинкул Г.П.Игровой подход к приобретению знаний и его реализация в системе КАПРИЗ.Проблемы применения экспертных систем в народном хозяйстве. Тез. докл. респ.школы-семинара. Кишинев. 1989.
22.     Мицич П.П. Какпроводить деловые беседы. — М.: Экономика, 1987.
23.     Нейлор К. Какпостроить свою экспертную систему. М.: Атомиздат, 1991.
24.     Ноэль Э. Массовыеопросы: Пер. с нем. М.: Прогресс, 1978.
25.     Погосян Г.А.Метод интервью и достоверность социологической информации. Ереван: АНАрм.ССР,1985.
26.     Построениеэкспертных систем / Под. ред. Ф.Хейсс-Рота, Д.Уотермена, Д.Лената., М.: Мир,1987.
27.     Соколов А.Н.Внутренняя речь и мышление. М.: Просвещение, 1968.
28.     Таунсенд К., ФохтД. Проектирование и реализация экспертных систем на ПЭВМ. М., Финансы истатистика, 1991.
29.     Шепотов Е.Г.,Шмаков Б.В., Крикун П.Д. Методы активизации мышления. Челябинск: ЧПИ, 1985
30.     Шумилина Т.В.Интервью в журналистке. М.: МГУ, 1973.
31.     Вассерман Л. И.,Дюк В. А., Иовлев Б. В., Червинская К. Р. Психологическая диагностика и новыеинформационные технологии. — СПб.: СЛП, 1997.
32.     Гаврилова Т. А.,Червинская К. Р. Извлечение и структурирование знаний для экспертных систем. —М.: Радио и связь, 1992.
33.     Коов М. И.,Мацкин М. Б., Тыугу Э. X. Интеграция концептуальных и экспертных знаний вСАПР//Изв. АН СССР. Техн. кибернетика. — 1988. — №5.- С. 108-118.
34.     Минский М. Фреймыдля представления знаний. — М.: Мир, 1979. Попов Э. В. Экспертные системы.Решение неформализованных задач в диалоге с ЭВМ. — М.: Наука.
35.     Поляков А. О.Технология интеллектуальных систем: Учеб. пособие. — СПб.: СПбГТУ, 1995.
36.     Ю.Попов Э. В.Особенности разработки и использования экспертных систем// Искусственныйинтеллект. Кн. 1. Системы общения и экспертные системы. — М.: Радио и связь,1990.
37.     П.Поспелов Д. А.Данные и знания. Представление знаний//Искусственный интеллект. Кн. 2. Модели иметоды: Справочник/Под ред. Д. А. Поспелова. — М.: Радио и связь, 1990. — С.7-13.
38.     Представление ииспользование знаний/Под ред. К. Уэно, М. Исидзука. — М.: Мир, 1989.
39.     Таунсенд К., ФохтД. Проектирование и программная реализация экспертных систем на персональныхЭВМ. — М.: Финансы и статистика, 1990.
40.     Франселла Ф.,Баннистер Д. Новый метод исследования личности. — М.: Прогресс, 1987.