Что такое база знаний сообщение

Обновлено: 28.06.2024

База знаний — совокупность систематизированных основополагающих сведений, относящихся к определённой области знания, хранящихся в памяти ЭВМ, объём которых необходим и достаточен для решения заданного круга теоретических или практических задач. В системе управления базами знаний используются методы искусственного интеллекта, специальные языки описания знаний, интеллектуальный интерфейс.

Содержание

Введение 3
База знаний 4
Процесс построения баз знаний 5
Модели представления знаний 6
Продукционные модели 6
Логические модели 7
Семантические сети или сетевые модели 8
Фреймовые модели 9
Система управления базами знаний 10
Заключение 12
Список использованных источников 13

Прикрепленные файлы: 1 файл

Реферат Базы знаний.docx

МИНИСТЕРСТВО ОБРАЗОВАНИЯ И НАУКИ РОССИЙСКОЙ ФЕДЕРАЦИИ

ВЫСШЕГО ПРОФЕССИОНАЛЬНОГО ОБРАЗОВАНИЯ

Кафедра электронных приборов

Студент: Аяганов Н. Ш.

Преподаватель: Невейко Е. Н.

Процесс построения баз знаний 5

Модели представления знаний 6

Продукционные модели 6

Логические модели 7

Семантические сети или сетевые модели 8

Фреймовые модели 9

Система управления базами знаний 10

Список использованных источников 13

Введение

Знания отличаются от данных рядом существенных свойств:

База знаний

Машины, реализующие алгоритмы искусственного интеллекта, называются машинами, основанными на знаниях, а подраздел теории искусственного интеллекта, связанный с построением экспертных систем, — инженерией знаний.

Знания о предметной области, ее объектах и закономерностях описываются на некотором формальном языке, называемом языком представления знаний. При этом, язык представления знаний должен обеспечивать не только возможность формальной записи знаний, но и необходимую обработку элементов этой записи. Совокупность знаний, хранящаяся во внешней памяти ЭВМ, называется системой знаний. Над ней производятся различные операции: поиск необходимой информации, ее модификация, интерпретация знаний, вывод новых знаний на основе имеющихся и т.д. Организация интеллектуальных компьютерных систем работы со знаниями, в той или иной прикладной области, зависят не только от специфики самих систем, но и в существенной мере от используемых языков представления знаний и метода хранения системы знаний в ЭВМ. В современных системах искусственного интеллекта знания хранятся в специальных базах данных — базах знаний. Существует самая непосредственная аналогия между понятиями модель данных, используемая в технологии баз данных и понятием способ представления знаний в технологии баз знаний. Грубо говоря, можно сказать, что если базы данных содержит собственно данные о некоторой предметной области, то базы знаний содержит как сами данные, так и описание их свойств.

Процесс построения баз знаний

Процесс построения баз знаний на основе информации эксперта состоит из трех этапов:

описание предметной области;
выбор способа и модели представления знаний;
приобретение знаний.

Сам процесс построения баз знаний достаточно сложен, как правило, плохо структурирован и носит итеративный характер, заключающийся в циклической модификации баз знаний на основе результатов ее тестирования. На первом шаге построения баз знаний четко очерчивается предметная область, на решение задач из которой ориентируется проектируемая экспертная система, т.е. инженер знаний определяет область применения будущей системы и класс решаемых ею задач. В перечень работ данного шага входят:

определение характера решаемых экспертной системой задач и основных понятий, объектов предметной области, а также отношений между ними;
установление специфических особенностей предметной области;
выбор модели представления знаний.

После решения первых двух вопросов инженер знаний формально описывает предметную область на языке представления знаний, т.е. создает модель представления знаний. В настоящее время универсальный способ представления знаний отсутствует, поэтому инженер знаний должен максимально учитывать специфику исходной предметной области. Полученная после формализации предметной области база знаний может быть уже конкретно реализована программными средствами, например, на язык вычислительных устройств таких, как Pascal, C, Prolog, Fortran, Forth и др.

Модели представления знаний

Во многих случаях для принятия решений в той или иной области человеческой деятельности неизвестен алгоритм решения, т.е. отсутствует четкая последовательность действий, заведомо приводящих к необходимому результату.

Совокупность знаний нужных для принятия решений, принято называть предметной областью или знаниями о предметной области.

В любой предметной области есть свои понятия и связи между ними, своя терминология, свои законы, связывающие между собой объекты данных предметной области, свои процессы и события. Кроме того, каждая предметная область имеет свои методы решения задач.

Решая задачи такого вида на ЭВМ, используют информационные системы, ядром которых являются базы знаний, содержащие основные характеристики предметных областей.

При построении баз знаний традиционные языки, основанные на численном представлении данных, являются неэффективными. Для этого используются специальные языки представления знаний, основанные на символьном представлении данных. Они делятся на типы по формальным моделям представления знаний:

продукционные модели;
логические модели;
семантические сети или сетевые модели;
фреймовые модели.

Продукционные модели

Основные достоинства систем, основанных на продукционных моделях, связаны с простотой представления знаний и организации логического вывода. К недостаткам таких систем можно отнести следующее: отличие от структур знаний, свойственных человеку; неясность взаимных отношений правил; сложность оценки целостного образа знаний; низкая эффективность обработки знаний.

При разработке небольших систем проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

Логические модели

Основная идея при построении логических моделей знаний заключается в следующем — вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода.

Семантические сети или сетевые модели

Однозначное определение семантической сети в настоящее время отсутствует. В инженерии знаний под ней подразумевается граф, отображающий смысл целостного образа. Узлы графа соответствуют понятиям и объектам, а дуги – отношениям между объектами.

Семантическая сеть как модель наиболее часто используется для представления декларативных знаний. С помощью этой модели реализуются такие свойства системы знаний, как интерпретируемость и связность, в том числе по отношениям IS-A и PART-OF. За счет этих свойств семантическая сеть позволяет снизить объем хранимых данных, обеспечивает вывод умозаключений по ассоциативным связям.

Одной из первых известных моделей, основанных на семантической сети, является TLC-модель (Teachaple Languge Compre-hender — доступный механизм понимания языка), разработанная Куиллианом в 1968 году. Модель использовалась для представления семантических отношений между концептами (словами) с целью описания структуры долговременной памяти человека в психологии.

Фреймовые модели

Фреймовая модель основана на концепции Марвина Мински (Marvin Minsky) — профессора Массачусетского технологического института, основателя лаборатории искусственного интеллекта, автора ряда фундаментальных работ. Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Фреймы образуют иерархию. Иерархия во фреймовых моделях порождает единую многоуровневую структуру, описывающую либо объект, если слоты описывают только свойства объекта, либо ситуацию или процесс, если отдельные слоты являются именами процедур, присоединенных к фрейму и вызываемых при его актуализации.

Фреймы подразделяются на:

фрейм-экземпляр — конкретная реализация фрейма, описывающая текущее состояние в предметной области;
фрейм-образец — шаблон для описания объектов или допустимых ситуаций предметной области;
фрейм-класс — фрейм верхнего уровня для представления совокупности фреймов образцов.

Состав фреймов и слотов в каждой конкретной фреймовой модели может быть разный, однако в рамках одной системы целесообразно единое представление для устранения лишнего усложнения.

В целом фреймовая модель допускает представление всех свойств декларативных и процедурных знаний. Глубина вложенности слотов во фрейме (число уровней) зависит от предметной области и языка, реализующего модель.

Давайте без лишних слов начнем строить базу
знаний в вашей компании. Если, конечно, такой базы знаний еще у
вас нет.

По долгу службы мне доводилось бывать в
разных российских организациях — в маленьких и больших,
коммерческих и государственных, столичных и провинциальных. Так
вот: нет у них никаких баз знаний. То ли руки у начальства не
доходят, то ли они не знают, с какого конца эту базу знаний
начать создавать. А зачастую они даже и не осознают — что это
такое и зачем она им нужна.

Читайте, читайте — вам строить, а не вашему
начальнику. Назначаю вас Chief Knowledge Officer.

Что такое база знаний и зачем она нужна

Национальная трагедия, тысячи погибших людей.
Но мало кто знает еще об одной печальной стороне этого
террористического акта. В этих зданиях располагались сотни
процветающих компаний. Новейшая оргтехника, современнейшие
компьютерные сети. А на другой стороне Гудзона, в специальных
помещениях — резервные серверы для хранения информации,
автоматически поступающей из бизнес-центров.

Если он скажет, — мол, типун тебе на язык, то
вы ему объясните, что уход из компании ведущих специалистов с
ноутбуками в голове равен террористическому акту. Сработает.

Если ваш начальник к тому же еще и
продвинутый управленец, то он должен и сам понимать, что
грамотно построенная база знаний увеличивает скорость получения
необходимой информации, и, следовательно, повышает качество
управленческих решений. А тут появляетесь вы — и говорите, что
умеете строить такую базу знаний.

Создаем тело

Подготовим все самое необходимое для рождения
и жизни вашей будущей базы знаний.

Можно вообще создать единственный каталог

… и сваливать в него всю информацию. Но так
не годится, потому что такую базу знаний вам будет очень
неудобно обслуживать.

Самые общие рекомендации по каталогизации.

Следующий шаг: кодирование каталогов. Зачем
это нужно? Опять же — для удобства обслуживания. Администраторы
базы знаний, как оказалось, очень любят общаться на цифрах.

— Сережа, куда положить такой-то документ?

— Че там в нем? а, ну это в 020.030

010. Организационные документы

020. Внешние проекты

030. Внутренние проекты

Допустим, появляются в компании инновационные
проекты, и, по ряду соображений, информацию по ним требуется
хранить в отдельном каталоге. Безболезненно добавляем новый
каталог:

010. Организационные документы

020. Внешние проекты

025. Инновационные проекты

030. Внутренние проекты

Навигатор

Поднимайте ваши записи, которые вы делали,
знакомясь со структурой каталогов ваших коллег, обобщайте
информацию и конструируйте критерии, по которым пользователями
будут отбирать информацию. Главный совет: не плодите лишних
сущностей (категорий отбора) без особой надобности. Каждый
дополнительный критерий — это увеличение трудоемкости по
обслуживанию базы знаний и уменьшение удобства при ее
использовании.

Создаем в файле колонки, соответствующие
согласованным критериям отбора. Создаем информационные строки;
привязываем с помощью гиперссылок к этим строкам соответствующие
файлы. Включаем кнопки фильтров отбора на необходимые колонки.
Вот и весь навигатор. Очень удобный, кстати.

В книге Excel вы можете сделать несколько
страниц для хранения различной информации. Но учтите, что в этом
случае пользователям придется выбирать данные по заданному
критерию (критериям) поочередно на разных страницах.

База знаний сама по себе полноценно
существовать не может. Без хозяина она медленно, но верно
превращается в обычную, никому не нужную информационную помойку.
Чтобы этого не случилось, вам, самозванцу, нужно сильно
постараться. Кроме этого, на самом старте нужно выполнить ряд
моих обязательных рекомендаций.

Отныне все файлы, передаваемые пользователями
в базу знаний, должны кодироваться (именоваться) по следующим
схемам.

[Код проекта]—[Дата]—[Название документа]

Разработайте классификатор ваших проектов.
Можно остановиться на 3-х символьной кодировке. Предусмотрите в
коде проекта служебный символ для обозначения типа проекта
(внешний, внутренний, инновационный и т.д.)

Название документа должно начинаться с типа
документа, например: [ Договор на разработку…], [ План
развития …]

[Код проекта]—[Название документа]

Оживление базы знаний

Чтобы база знаний сразу зажила, задышала,
создайте и разместите в ней справочные файлы:

Особо потрудитесь над формированием
телефонного справочника — не пропустите в нем ни одного
сотрудника, партнера и клиента. Однажды мне довелось участвовать
в целом детективе по поиску номера телефона одного редкого, но
важного клиента. Информация в итоге оказалась лишь у человека,
который: недавно уволился из компании (раз), в это время отдыхал
за границей (два) и в момент, когда ему дозвонились, был сильно
пьян (три). Судя по его реакции, можно было догадаться, чем он
занимался в тот момент, когда мы его достали.

Начальное обучение персонала

Как вы теперь будете работать? А вот так:

Как видно из схемы, пользователь сам ничего
не записывает в базу знаний, а только лишь пользуется
информацией из нее. Системный администратор поставит в системе
запрет на запись в базу знаний всем сотрудникам компании, за
исключением администраторов базы знаний. Таким образом, заносить
информацию в базу знаний будут лишь специальные люди — только
таким способом база знаний не превращается в обычную свалку
документов.

Теперь о самом неприятном в этом деле.
Возможно, что администратором базы знаний на первых порах будете
вы. А больше некому. Пока база знаний не заработала в полную
силу, вы никому не докажете ее эффективность и полезность. Да и
за опыт нужно платить.

Что будем хранить?

Вот теперь настала самая пора, чтобы
окончательно разобраться с тем, что же вы будете хранить в базе
знаний.

Наиболее ценная информация из
вышеприведенного списка — это документы, обобщающие опыт
деятельности. Если всю остальную информацию можно обязать
передавать в базу знаний силовым, административным способом, то
заставить описывать проектные решения — увы… Мозги ценных
специалистов не вывернешь наружу приказом или распоряжением. В
лучшем случае вам родят эдакого формального уродца —
бесполезного, никому не нужного.

Попросить подразделения или сотрудников
добровольно поделиться со всеми своими наработками? Попросите —
и вы немедленно столкнетесь с …Жабой.

Жаба — это самое сильное животное в мире,
потому что она задушила три четверти населения планеты.

Как задушить Жабу

…В конце месяца к дому, где жил учитель, потянулись жители
селения с полными ведрами в руках. Бочка, стоящая во дворе дома,
где жил учитель, быстро заполнилась. Как вы думаете —чем?
Чистейшей…водой.

Надеюсь, что вы уловили мою аллегорию. Теперь
придумайте организационный механизм защиты информации от утечки
наружу — конкурентам. Технические решения, связанные с
разделением прав доступа, не спасут вашу компанию. Напишите мне
ваши идеи, обсудим.

Создаем коллективные привычки

База знаний должна жить и развиваться, а вам
нужно много работать. В области управления знаниями, как нигде
больше, действует библейский принцип: чтобы много получать,
нужно еще больше отдавать. И еще: нужно постараться, чтобы народ
привык к базе знаний и почувствовал ее нужность — для этого
создайте в вашей компании целый ряд обязательных ритуалов.

Пройдет каких то два-три месяца и ваши люди
уже не будут представлять, как можно работать, не имея базы
знаний.

Да, чуть не забыл сказать о самом главном.
Вам теперь нужно будет много, очень много уделять своего времени
обучению сотрудников компании. Знания должны работать, плодиться
и размножаться, а не вылеживаться в архиве. Если в вашей
компании есть учебный центр, крепко задружитесь с
преподавателями — они теперь ваши самые главные союзники.
Подумайте вместе очень серьезно о том, как объединить ваши цели
и планы.

Ну вот, пожалуй, для начала достаточно. Дальше сами. Отработаете
основы, начнете строить более серьезную базу знаний — на основе
интернет-технологий

Экспертные системы – сложные программные комплексы, аккумулирующие знания в конкретных предметных областях с целью их тиражирования и получения новых знаний.

Интеллектуальные пакеты прикладных программ- инструментальные пакеты прикладных программ, являющиеся упрощенным прототипом экспертных систем, дающие возможность пользователю решать прикладные задачи по их описаниям и исходным данным без программирования под задачу, а автоматически с помощью механизма логических выводов.

Нейросистемы- основаны на применении технологии нейронных сетей. Нейронная сеть- это самообучающаяся интеллектуальная система, которая по примерам реальной практики строит ассоциативную сеть понятий (нейронов), для параллельного поиска на ней решений. Нейронные сети могут быть реализованы на программном и аппаратном уровне. На аппаратном уровне- в виде нейрокомпьютеров с ассоциативной памятью.

Робототехнические системы- системы, которые не только воспринимают информацию из окружающего мира, но и вырабатывают на ее основе определенные оценочные выводы и в соответствии с ними вносят изменения в окружающую среду.

Системы распознавания образов- основаны на решении задач преобразования большого количества сенсорных данных по наблюдаемой проблемной ситуации и их оценке.

Игровые системы- ориентированы на создание сложных интеллектуальных игр шахматы, игры в кибергпространстве и др.

Системы общения- программные средства обработки текстов, машинный перевод, автоответчики, оранжировщики музыки

Технологии Business Intelegence (BI)- технологии бизнес-интеллект в широком смысле определяют:

· процесс превращения данных в информацию и знания о бизнесе для поддержки и принятия оптимальных и неформальных решений;

· информационные технологии (методы и средства) сбора данных, консолидации информации и обеспечения доступа бизнес-пользователей к знаниям;

· знания о бизнесе, полученные в результате углубленного анализа данных и консолидированной информации.

Современные BI-продукты включают BI-инструменты и BI-приложения.

Знания – формализованная информация, на которую ссылаются или используют в процессе логических выводов.

Рис. 2. Свойства знаний

1. Внутренняя интерпретация- предполагает, что в базе знаний хранятся не только знания, но и метазнания или знания о знаниях.

2. Внутренняя структура связей- предусматривает, что в качестве информационных единиц используются не отдельные знания, а упорядоченные отношениями структуры.

3. Внешняя структура связей- описывает отношения ситуативные связи) между отдельными объектами (понятиями) базы знаний.

4. Шкалирование- установление соотношений между различными информационными единицами и их упорядочение в соответствии с ними.

5. Наличие семантической метрики- определение смысловых зависимостей.

· глубокие и поверхностные

· качественные и количественные

· приближенные (неопределенные) и точные (определенные)

· конкретные и общие

· описательные и предписывающие

Форма представления знаний на внутримашинном уровне- Базы знаний.

База знаний – совокупность моделей, правил и фактов (данных), позволяющих провести анализ и сделать выводы при решении сложных интеллектуальных задач в некоторой предметной области.

База знаний – позволяет выполнять рассуждения не только и не столько на основе формальной (математической) логики, но на основе:

т.е приближенных к человеческой логике.

База знаний обладает следующими основными свойствами:

- обучение и тренировка.

В базе знаний реализуется те же функции, что и в БД:

- создание и накопление

- поддержание в актуальном состоянии

- обработка знаний и формирование новых знаний

Отличия БД и БЗ:

1) по свойствам данных:

БД – структурированная БЗ – нет

2) по способу обработки:

БД – с помощью алгоритмов

БЗ – эвристический подход, сложные логические преобразования

3) по назначению, широте охвата:

Данные БД – для тактических действий и оценки деятельности конкретных организаций

БЗ – стратегические задачи, широкий круг пользователей.

Одной из наиболее важных проблем является проблема представления знаний.

Предоставление знаний – это выбор способа формализации и структурирования знаний или соглашение о том, как описывать реальный мир.

Существуют следующие способы или модели представления знаний в БЗ:

Рис. 3. Классификация моделей представления знаний

Используется в простейших системах, позволяет описать знания по схеме:

Объект	Атрибут	Значение
Студент	Успеваемость	Двоечник
Предприятие	Организационно-правовая форма	Общество с ограниченной ответственностью
Корова	Порода	Черно-пестрая

В такой же форме представлены данные в БД.

2. Продукционная модель или модель правил, модель продукций используется в экспертных системах. Продукционные правила записываются в виде:

Где А_i и B_j _– некоторые высказывания, к которым применяются логические операции И и ИЛИ . Если высказывание в левой части правила ( условие, причина) истинно, то истинно и высказывание в правой части (следствие).

Предположим в базе знаний хранятся следующие правила (суждения):

ü Правило 1- ЕСЛИ на предприятии падает производительность труда ТО снижаются объемы производства продукции;

ü Правило 2 – ЕСЛИ снижается загрузка производственных мощностей ТО производительность труда падает;

ü Правило 3 – ЕСЛИ объемы производства снижаются ТО уровень дохода предприятия падает

Факт 1 – Правило 2- правило 1 –правило3

Недостаток такой модели- при большом количестве правил трудно избежать их непротиворечивости.

3. Фреймовая модель- понятие введено Марком Минским (США) в 1975г.

Frame- рамка, скелет, сгусток. Фрейм- это минимальная структура информации, необходимая для представления знаний о стереотипных классах объектов, ситуаций, процессов. Примерами стереотипных ситуаций могут быть процедура банкротства, совещание специалистов, защита дипломной работы, выбор невесты, бракосочетание и др. В качестве стереотипных понятий можно назвать алгоритм, методика, последовательность действий и др.

Фреймовые модели достаточно универсальны.

Н-р 1) фреймы – структуры для объектов и понятий

2) фреймы роли (менеджер, кассир, клиент)

1) фреймы – сценарии (банкротство, собрание акционеров)

2) фреймы ситуации (тревога, авария и т.п)

4. Модель семантической сети (Модель Куилиана)

Семантическая сеть – это направленный граф, с поименованными вершинами (узлами) и дугами (отношениями между объектами). Семантическую сеть можно построить для любой предметной области и различных объектов и отношений. В семантических сетях используют три типа вершин:

ü Вершины- понятия (имена существительные);

ü Вершины- события (глаголы);

ü Вершины- свойства (определения).

Рис. 4 Семантическая сеть для ситуации

Основное преимущество семантических сетей и их разновидностей- фреймов при моделировании знаний- это универсальность и удобство представления знаний.

К недостаткам следует отнести сложность построения и внесения изменений, необходимость использования разнообразных процедур обработки при большом количестве вершин и дуг.

Технология использования базы знаний и содержание ее структурных компонентов выглядит следующим образом:

Рис. 5. Структурные компоненты базы знаний

Рис. 1. Классификация интеллектуальных систем

Технологии Business Intelegence (BI)- технологии бизнес-интеллект в широком смысле определяют:

· знания о бизнесе, полученные в результате углубленного анализа данных и консолидированной информации.

Современные BI-продукты включают BI-инструменты и BI-приложения.

Знания – формализованная информация, на которую ссылаются или используют в процессе логических выводов.

Рис. 2. Свойства знаний

5. Наличие семантической метрики- определение смысловых зависимостей.

· глубокие и поверхностные

· качественные и количественные

· приближенные (неопределенные) и точные (определенные)

· конкретные и общие

· описательные и предписывающие

Форма представления знаний на внутримашинном уровне- Базы знаний.

т.е приближенных к человеческой логике.

База знаний обладает следующими основными свойствами:

- обучение и тренировка.

В базе знаний реализуется те же функции, что и в БД:

- создание и накопление

- поддержание в актуальном состоянии

- обработка знаний и формирование новых знаний

Отличия БД и БЗ:

1) по свойствам данных:

БД – структурированная БЗ – нет

2) по способу обработки:

БД – с помощью алгоритмов

БЗ – эвристический подход, сложные логические преобразования

3) по назначению, широте охвата:

Данные БД – для тактических действий и оценки деятельности конкретных организаций

БЗ – стратегические задачи, широкий круг пользователей.

Одной из наиболее важных проблем является проблема представления знаний.

Существуют следующие способы или модели представления знаний в БЗ:

Рис. 3. Классификация моделей представления знаний

Используется в простейших системах, позволяет описать знания по схеме:

Объект	Атрибут	Значение
Студент	Успеваемость	Двоечник
Предприятие	Организационно-правовая форма	Общество с ограниченной ответственностью
Корова	Порода	Черно-пестрая

В такой же форме представлены данные в БД.

Предположим в базе знаний хранятся следующие правила (суждения):

ü Правило 1- ЕСЛИ на предприятии падает производительность труда ТО снижаются объемы производства продукции;

ü Правило 2 – ЕСЛИ снижается загрузка производственных мощностей ТО производительность труда падает;

ü Правило 3 – ЕСЛИ объемы производства снижаются ТО уровень дохода предприятия падает

Факт 1 – Правило 2- правило 1 –правило3

Недостаток такой модели- при большом количестве правил трудно избежать их непротиворечивости.

3. Фреймовая модель- понятие введено Марком Минским (США) в 1975г.

Фреймовые модели достаточно универсальны.

Н-р 1) фреймы – структуры для объектов и понятий

2) фреймы роли (менеджер, кассир, клиент)

1) фреймы – сценарии (банкротство, собрание акционеров)

2) фреймы ситуации (тревога, авария и т.п)

4. Модель семантической сети (Модель Куилиана)

ü Вершины- понятия (имена существительные);

ü Вершины- события (глаголы);

ü Вершины- свойства (определения).

Рис. 4 Семантическая сеть для ситуации

Технология использования базы знаний и содержание ее структурных компонентов выглядит следующим образом:

Это банк данных, где информация стркутурирована для возможности её использования либо другими
системами в автоматическом режиме (например, экспертными системами) , либо человеком в "ручном режиме" (как пример - та же Википедия) .

Как правило, базы знаний специализированы под определённую тематику и отличаются от обычной базы
данных тем, что могут как-бы "вытягивать" целые цепочки из отдельных компонентов, увязывая данные
по релевантности в соответствии с установленными системой правилами.

На примере:
ты хочешь завести аквариум с рыбками, но не имеешь понятия что тебе делать. Но есть база знаний по
этой теме, куда ты формируешь соответствующий запрос: "аквариум, хочу всё знать", а дальше происходит следующее:

1. База знаний находит объект "аквариум" и определяет, что он связан с объеками "зоомагазин", "рыбки", "вода", "растения".
2. Далее база знаний по заложенным в неё правилам определяет, что "аквариум" завсит от объекта "зоомагазин".
3. Далее она определяет, что "рыбки" и "вода" не имеют смысла без "аквариума".
4. ..Ещё куча всяких шагов.. .

А на выходе ты получаешь примерно следующее, как ответ (я немного упрощаю, чтобы понятнее было) .
"сначала - зоомагазин. вот тебе схема проезда и расписание автобуса. там купишь аквариум. нальёшь в него воду.. . положишь растения.. . снова зоомагазин. купишь рыбок.. . запустишь их в аквариум. "

Читайте также: