автореферат диссертации по информатике, вычислительной технике и управлению, 05.13.11, диссертация на тему:Семантическая память адаптивных интеллектуальных систем

Носковский ордена Ленина, ордена Октябрьской революции я ордена Трудового Красного Знамени государственный университет им. М.В.Ломоносова

Факультет вычислительной математики и кибернетики

На правах рукописи УДК 519.68

БОГАЧЕВ Дмитрий Александрович

СЕМАНТИЧЕСКАЯ ПАМЯТЬ АДАПТИВНЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Специальность 05.13.11 - Математическое и программное обеспечение вычислительных иапшн, комплексов, систем и сетей

Автореферат диссертации на соискание ученой степени кандидата физико-математических наук

Москва 1991

Работа выполнена на кафедре алгоритмических языков факультета вычислительной математики и кибернетики Московского государственного университета им.М.В.Ломоносова

Официальные оппоненты:

доктор технических наук Е.С.Кузин

кандидат физико-математических наук С.Ю.Соловьев

Ведущая организация: Всесоюзный научно-исследовательский

институт системных исследований АН СССР

Защита состоится " 23 " 1991 г. в 1( часов

на заседании Специализированного совета Д.053.05.38 N 4 по математике при МГУ им.И.В.Ломоносова по адресу: 119899, Москва, ГСП, Ленинские горы, МГУ, факультет вычислительной математики и кибернетики, ауд. .

С диссертацией можно ознакомиться в библиотеке факультета вычислительной математики и кибернетики МГУ.

Автореферат разослан ¿уиДО^А 1991 г.

Ученый секретарь Совета

профессор* Н. П. ТРИФОНОВ

ОБЩАЯ ХАРАКТЕРИСТИКА РАБОТЫ

Актуальность темы. Для нашего времени характерен переход к качественно новому уровню развития информационной среды. Сутью этого перехода является широкое использование новых информационных технологий, основанных на методах искусственного интеллекта (ИИ). Одна из важных задач, связанных с переводом исследований по ИИ в практическое русло, - учет условий разработки и функционирования баз знаний реальной сложности. Для решения сложных задач необходимы более гибкие, чем в интеллектуальных системах первых поколений, схемы представления знаний и механизмы рассуждений, учитывающие возможность неполноты и противоречивости знаний. Создание и функционирование перспективных систем, основанных на знаниях, требуют интеграции в рамках единой системы не только средств решения задач в проблемной области (ПО), но и средств приобретения знаний из разных источников, а также средств, поддерживающих эволюцию знаний системы.

Основные цели работы:

- анализ свойств перспективных систем ИИ, ориентированных на решение задач реального уровня сложности и учитывающих особенности знаний о сложных ПО - возможную неполноту, неточность и противоречивость;

- анализ существующих подходов и методов в теории и практике ИИ, развитие и интеграция которых необходимы для реализации свойств перспективных систем ИИ;

- разработка структуры, принципов функционирования, необходимых алгоритмов и информационных массивов для реализации семантической памяти адаптивных интеллектуальных систем;

- апробация и практическое использование разработанных методов и средств при создании прототипов адаптивных интеллектуальных систем различного назначения.

Научная новизна. В диссертации на основе детального анализа проблематики адаптивных интеллектуальных систем предложены новые подходы к организации семантической памяти перспективных систем ИИ, обеспечивающие интеграцию процессов решения задач, самообучения и обучения на основе усвоения внешней информации в реальных условиях, характеризующихся неполными, неточными и противоречивыми знаниями.

Практическая значимость. Полученные результаты использовались при проведении НИР, выполнявшихся на кафедре алгоритмических языков факультета ВМиК ИГУ: "Кекс-МВО" - 1986-1990 гг., "Аламак-М" - 1987-1989 гг., "Абиссаль-М" - 1989-1991 гг. Внедрение результатов планируется продолжить в 1991 - 1995 гг. в рамках двух НИР особо важной тематики.

Полученные результаты позволяет расширить класс задач, решаемых системами, основанными на знаниях, уменьшить время на создание и модификацию сложных баз знаний, а также повысить достоверность информации в базах знаний.

Достоверность результатов подтверждается использованием разработанных ~ методов, алгоритмов и конкретных программных средств в составе адаптивных интеллектуальных систем различного назначения, созданных и разрабатываемых в Московском госуниверситете в рамках упомянутых выше НИР, а также в других организациях, в которых используются результаты диссертационной работы автира.

Апробация. Результаты работы докладывались на IV Международной конференции "Program Designers - Budapest, .1988", I и II Всесоюзных конференциях по Искусственному интеллекту (Пе— реславль Залесский, 1988; Минск, 1990), III Всесоюзной конференции по Машинному фонду русского языка (Москва, 1989). Результаты докладывались также на различных республиканских, городских научных семинарах, на научных семинарах в ряде академических и отраслевых институтов.

Публикации. По теме диссертации опубликовано в открытой печати в СССР и за рубежом 12 работ, достаточно полно отражающих основные научные результаты диссертации. Прикладные результаты представлены также в ряде научных отчетов по НИР, ведущимся на кафедре алгоритмических языков факультета ВМиК ИГУ.

Структура и объем диссертационной работы. Диссертация состоит из введения, трех глав, заключения, списка литературы (включающего 89 названий) и приложений. Основной (без приложений) текст занимает 128 машинописных страниц.

СОДЕРЖАНИЕ РАБОТЫ Во введении определены свойства перспективных систем ИИ, ориентированных на решение задач реального уровня сложности. Среди них особо выделяются следующие свойства:

- система ИИ должна быть адаптивной, т.е. обладать встро-

енными механизмами развития знаний, обеспечивающими настройку на новые ПО и модификацию знаний системы в процессе ее эксплуатации ;

- система ИИ долина иметь механизм рассуждений, поддерживающий выводы при неполной и противоречивой базе знаний (БЗ), а также специальные средства, обеспечивающие снижение уровня неполноты и противоречивости знаний;

- система ИИ должна быть активной по отношению к информации, получаемой от внешней среды, должна уметь интегрировать в единую систему знания различных типов, из разных источников, разной общности и достоверности.

Система, обладающие выделенными свойствами и являющиеся подклассом адаптивных систем, предлагается называть открытыми интеллектуальными системами (ОИС).

В первой главе анализируются важнейшие подходы и методы, предложенные в различных подобластях КИ, таких как решение задач, машинное обучение, извлечение знаний, - развитие и интеграция которых необходимы для реализации выделенных свойств перспективных систем ИИ.

В пункте 1.1. на конкретных примерах рассмотрены принципы и методы, используемые в системах извлечения знаний. Системы этого класса обеспечивают создание новой БЗ на основе выявления знаний о ПО и их формализации с использованием некоторого языка представления знаний. Обычно основным источником знаний являются эксперты.

Важнейшей тенденцией, наблюдаемой при анализе систем извлечения знаний, является создание интегрированных систем, использующих различные методы извлечения знаний и работающих со знаниями разной общности, разного типа, формы представления, достоверности.

Перспективные системы извлечения знаний должны управлять процессом интеграции знаний, получаемых из разных источников. Они должны обнаруживать неполноту и противоречивость знаний и обнаруженные дефекты использовать для выбора стратегий приобретения знаний.

У методов извлечения знании существуют принципиальнее ограничения, связанные со сложностью объективации знаний. Отмечается, что в ряде случаев ?!Огут погдочь методы машинного обучения.

В пункте 1.2. на примере конкретных систем анализируются важнейшие парадигмы в области машинного обучения: индуктивное обучение (на основе конкретных фактов выявляются общие правила, закономерности), обучение на основе объяснений (на основе, глубинных знаний и конкретных фактов строятся обобщения, легко применимые для решения конкретных задач) и обучение по аналогии (на основе имеющихся знаний в одной сфере строятся знания для другой сферы).

В выводах подчеркивается важность интеграции различных методов мапинного обучения, а также вапность интеграции их с методами извлечения знаний, что позволит приблизиться к существу обучения, характерного для человека при освоении новой ПО.

Б пункте 1.3. на конкретных примерах рассмотрена общая концепция адаптивных систем, основанных на знаниях. На этапе создания такая система снабжается начальными знаниями. Определяются и встраиваются в программу законы.развития знаний (т.е. "правила игры", по которым моано модифицировать БЗ). Система помещается в проблемную среду. На основа текущего состояния БЗ, результатов взаимодействия системы со средой происходит модификация знаний по допустимым правилам. В диссертации анализируются различные возмонности в реализации развития знаний и выделяются поверхностные и глубинные правила развития.

В пункте 1.4. рассматривается проблема моделирования рас-сундекий в условиях противоречивых и неполных знаний. Среди различных подходов к формализации неопределенностей особо выделяются в связи с проблематикой ОИС теоретические концепции К.Хьюитта (процессуальные рассуждения) и М.Кинского (когнитивные цензоры).

Основой процессуального рассундения является представление о том, что для выяснения справедливости некоторой гипотезы необходим сбор свидетельств и аргументов как в пользу гипотезы, так и против нее. Длй исследования гипотезы необходимо сопоставление различных точек зрения и критическая оценка представленных доказательств. Процессуальное р&ссуидение направлено на то, чтобы в сопоставлении различных мнений получить более ясную картину и сделать более обоснованный выбор.

Чрезвычайно важной для теории ОИС представляется концепция "когнитивных цензоров", прсдлоаенная Пинским. Если у Хью-6

итта основное внимание обращено на способ рассундений в условиях неполноты и противоречивости знаний, то в концепции Минского предлагаются механизмы, которые позволяют уменьшить противоречивость знаний - "когнитивные цензоры". Они обеспечивают распознавание и подавление ошибочных и противоречивых мыслительных процессов.

Система цензоров иепрерызко развивается. При освоении новой области действительности происходит тестирование тончайших вариаций и отклонений в поведении (и мышлении) и выявление того, какие из них следует закрепить, а какие подавить. При этом создаются новые цензоры или совершенствуются уже существующие.

В диссертации обоснована продуктивность использования Концепций Хыоитта и Минского для развития общих принципов построения ОИС и предложен вариант их конкретной реализации.

В конце главы показана взаимосвязь диссертации с работами коллектива, ведущего исследования в области ИИ на факультете ВМиК МГУ под руководством М.Г.Мальковского. Основные результаты диссертации можно рассматривать как органичное продоляение и развитие общей парадигмы адаптивных систем ИИ, которая была предложена в этом коллективе и ранее продемонстрирована для систем общения с ЭВМ на естественной языке.

Во второй главе предлагаются структура и принципы функционирования ОИС.

В пункте 2.1. выделен класс проблемных областей, анализируемых в диссертации. Определяются необходимые для реаенкя задач и для развития БЗ типы знаний, а такяе рассматриваются основные динамические процессы, происходящие в знаниях ОИС.

Разработка принципов ОИС в данной диссертации проводилась для достаточно широкого класса интеллектуальных задач - задач на'"понимание" ситуаций. Предполагается, что ОИС имеет знания о типах возможных ситуаций. Основной задачей такой системы является распознавание конкретной ситуации, частичные описания которой поступают в систему от внеиней среды.

В пункте 2.2. предлагается структура ОИС, обладающей следующими функциональными возможностями: решение задач с использованием имеющихся знаний; критический анализ имеющихся' знаний; обучение на основе собственного опыта; усвоение чувого опыта.

Предлагается распределенная архитектура, при которой вы-

7

деляются модули, решающие частные задачи: система управления базой знаний и система управления базой обоснований; модуль ответов системы; модуль извлечения знаний; решатель; модуль самообучения; критик; координатор; интерфейс.

В пунктах 2.3-2.10. второй главы подробно описываются отдельные модули система и способы их взаимодействия.

Основой решения задач на "понимание" является БЗ, содержащая как общие знания о возмошшх типах ситуаций, так и описания примеров ситуаций. БЗ связана с другими модулями системы через систему управления БЗ, реализующую основные операции над знаниями: добавление и удаление квантов знаний, изменение статуса хранимой информации, поиск ответов на вопросы об имеющейся информации.

При организации знаний о ПО наряду с квантами знаний вводятся и пакеты знаний. С каждым квантом знаний связана информация о его статусах. Квант знаний может быть предположением, гипотезой или убеждением. На основе гипотез и убеждений в процессе рассуждений выводятся новые кванты знаний.

Для общих утверждений задается также статус- общности. Предлагается различать четыре различных типа общих утверждений: аналитическое утверждение; эмпирический закон; стереотип; ассоциация.

Аналитические утверждения отражают используемую в БЗ для описания внешней среды систему общих понятий. Эмпирические законы отражают связи, выявляемые в среде. Стереотипы фиксируют наиболее типичные, а ассоциации - возможные связи. Утверждения с разным статусом общности используются различными схемами рассуждений и играют различную роль в' процессе устранения выявленных в знаниях конфликтов.

Для каждого стереотипа хранится список исключений. Одной из возможных причин возникновения конфликтов являются стереотипные рассуждения, в которых стерёотипй применяются ошибочно. В этой ситуации конфликт может быть устранен модификацией списка исключений.

Система управления базой обоснований обеспечивает хранение и выполнение основных операций над обоснованиями - специальными информационными структурами, показывающими происхождение тех или иных квантов знаний в БЗ.

Подсистема обоснований содержит иерархическую систему

возможных типов обоснований, которые в свою очередь связаны с возможными в ОИС источниками знаний (сообщение от среды, собственные наблюдения, различные виды рассуждений). Кванты знаний могут иметь несколько различных обоснований. В ходе рассуждений строятся и удаляются конкретные обоснования - примеры соответствующих классов обоснований. В предлагаемой архитектуре обоснованиями пронизаны все кванты знаний, связанные как с общими ситуациями, так и с конкретными. Подсистема обоснований может отвечать на вопросы других модулей системы, касающиеся обоснований определенных квантов знаний.

Решатель обеспечивает рассуждение о конкретных объектах и отношениях. При этом задачи могут ставиться решателем самостоятельно, могут быть получены от внешней среды, а могут быть поставлены другими модулями ОИС. В основе рассуждений лежит следующий цикл процедур: выбор некоторого вопроса для подробного рассмотрения, поиск (или обновление) предположений, принятие решения по данному вопросу, учет последствий решения. При возникновении в процессе рассуждений конфликтов работа Решателя может быть прервана Критиком.

Основной задачей Модуля самообучения является развитие общих знаний о ПО. В этом модуле используются различные алгоритмы машинного обучения, ориентированные на определенные входные данные и вырабатывающие знания определенного типа. Модуль самообучения на основе текущих знаний формирует и помещает в БЗ предположения с соответствующими обоснованиями. При объединении предположений с уже имеющейся в БЗ информацией возможно возникновение конфликтов, которые выявляются и фикси-. руются Критиком.

Модуль извлечения знаний выполняет функции специалиста по извлечению информации из внешней среды. Модуль может содержать специализированные механизмы извлечения информации, ориентированные на знания различных типов. В этом модуле содержатся также сведения о различных типах источников информации. Модуль может работать как при инициативе взаимодействия со стороны внешней среды, так и по собственной инициативе. В первом случае вводимая от внешней среды информация классифицируется по типу сообщаемых знаний, а также в соответствии с классом источника информации. Делается предварительная оценка важности и достоверности вводимой информации. В виде предположений (с

9

указанием соответствующих обоснований, например, "авторитетное мнение") вводимая информация записывается в БЗ. Во втором случае модуль получает от других модулей системы задание на извлечение определенной информации и использует имеющиеся процедуры для извлечения необходимых знаний. Принимаемая и извлекаемая информация может быть как конкретной, так и общей.

Модуль ответов анализирует вопросы, которые поступают в систему рт внешней среды по поводу описаний ситуаций. В нем определены классы возможных вопросов и правила использования других модулей системы для поиска ответа. После анализа вопроса модуль дает задания другим модулям. Получив ответ, модуль преобразует его в необходимый формат и передает через интерфейс во внешнюю среду. Другие модули системы в процессе своей работы через модуль ответов могут посылать сообщения пользователю или внешним информационным системам. Модуль ответов выполняет функции, обратные в некотором смысле к функциям модуля извлечения знаний.

Как уже отмечалось, знания в системе в общем случае являются неполными и противоречивыми. Критик постоянно сканирует БЗ и выявляет конфликты в знаниях, формируя соответствующие информационные записи.

Основу знаний Критика составляет иерархическая система описаний возможных типов конфликтов.

В диссертации вводится следующая классификация конфликтов: явные и неявные; противоречия, неполнота и новизна; сильные и слабые; непосредственные и упреждающие конфликты.

При поиске причин конфликта Критик анализирует имеющиеся обоснования. При этом учитываются статусы доводов (гипотезы, убеждения), типы рассуждений (индуктивные или дедуктивные, с использованием стереотипов или без), глубина обоснований и т.д. Критик пытается устранить обнаруженные конфликты. Это может быть достигнуто путем пересмотра убеждений, формирования исключений в стереотипных рассуждениях и/или новых квантов знаний.

В диссертации рассмотрен вопрос о развитии знаний Критика на основе модификации иерархической системы классов конфликтов, позволяющей фиксировать накапливаемый Критиком опыт по обнаружению, поиску причин и устранению конфликтов в знаниях о ПО. 10

Помимо качественных оценок конфликтности знаний предлагается ввести и количественную оценку конфликтности - когнитивный диссонанс. Количественная оценка конфликтности дает дополнительные ориентиры Критику. Например, Критик может выделить области знаний, требующие его особого внимания. Модифицируя знания, Критик пытается уменьшить их конфликтность.

Координатор обеспечивает согласованную работу всех других модулей. В Координаторе, определены наиболее типичные режимы работы (например, "Решение задачи", "Тренировка", "Сон"). В каждом таком режиме предполагается некоторая стандартная схема взаимодействия между модулями. В зависимости от текущего состояния системы Координатор моиет рекомендовать допустимые и наиболее приемлемые режимы (например, в начале работы над новой ПО рекомендуется режим "Извлечение знаний").

Интерфейс обеспечивает необходимые согласования форматов сообщений на физическрм уровне и поддерживает интерактивную работу пользователя с системой.

Реализация всех функций открытой интеллектуальной системы в автоматическом' реяиме в настоящее время является чрезвычайно трудной задачей. Поэтому (особенно для прикладных систем) представляется разумным компромиссом разделение функций между человеком и компьютером. Подобный компромиссный вариант был реализован автором в нескольких экспериментальных и прикладных системах.

В третьей главе рассматривается использование предложенных методов и средств для создания экспериментальной адаптивной экспертной системы (ЭС) классификационного типа, а также, ряда компонентов для прикладных адаптивных интеллектуальных систем различного назначения, разрабатываемых на кафедре алгоритмических языков факультета ВМиК МГУ.

В пункте 3.1. описывается созданная для экспериментальной проверки предложенных общих принципов построения ОИС прикладная система ОИС-1.0. В этой системе принят ряд ограничений: используется упрощенный язык представления знаний, часть функций ОИС реализуется при активном участии человека.

В системе ОИС-1.0 используется предположение, что общие знания о ПО могут быть описаны в рамках древовидной системы классов. ДЛя каждого класса хранится следующая информация:

11

ссылка на непосредственный суперкласс; ссылка на непосредственные подклассы; список обязательных признаков с указанием для каждого признака разрешенных и запрещенных значений; список запрещенных признаков; множество правил классификации, позволяющих от данного класса перейти к подклассам; множество правил, описывающих взаимосвязи между признаками; ссылка на примеры данного класса.

Знания о конкретных сущностях представляются в ОИС-х.В в виде описаний примеров известных классов. Для каждого примера хранится информация о принадлежности к некоторым классам, список имеющихся признаков с ограничениями на возможные значения, а "также список запрещенных признаков.

Система ОИС-1.0 использует взаимодействие общих знаний (представленных в описании классов) и конкретных знаний (из описаний примеров) как для контроля и уточнения описания примеров, так и для развития общих знаний.

В системе ОИС-1.0 принято определенное разделение функций между человеком и машиной по устранению конфликтов. Основная задача системы ОИС-1.0 состоит в обнаружении, локализации конфликтов и в обеспечении человека предварительным описанием возможных причин. Система также выдает рекомендации по проверке причин и устранению конфликта. Однако основную роль в разрешении конфликта играет человек. Используя рекомендации системы, а также информацию, получаемую от подсистемы обоснований, человек решает, какую модификацию знаний необходимо провести.

Анализ результатов разработки, а также эксперименты с системой ОИС-1.0 позволили уточнить принципы реализации основных идей открытых систем с использованием более выразительных средств представления знаний. Система ОИС-1.0 имеет и практическое значение, так как ее можно рассматривать как оболочку для создания экспертных систем классификационного типа со встроенными средствами развития знаний.

В пункте 3.2. описывается использование технологии открытых систем в ЭС ПРОГНОЗ, ориентированной на автоматизацию поискового научно-технического прогнозирования. Работа над прогнозирующей системой велась совместно с организацией-заказчиком по одной из НИР. Основная задача исполнителя состояла в создании средств извлечения знаний из текстовых источников, собс-12

твенно прогнозирование осуществлялось заказчиком на основе его методик и программных средств. Параллельно разрабатывалась самостоятельная версия системы - ЭС ПРОГНОЗ, где используются принципиально другие (основанные на методах машинного обучения) способы получения информации о возможных реализациях изучаемого класса объектов. Основное внимание обращено на работу с неполной и противоречивой информацией.

Исходной информацией для работы ЭС ПРОГНОЗ служат описания известных примеров изучаемого класса объектов, а также доступные общие характеристики этого класса. На первом этапе ПРОГНОЗ, сравнивая и анализируя предложенные.примеры и общие сведения о классе, строит обобщенную модель, в которой представлены закономерности построения объектов данного класса.

Следующий этап - исследование модели - циклически повторяющаяся совокупность следующих процессов: синтез системой новых примеров на основе имеющейся обобщенной модели; изучение этих примеров экспертом; уточнение обобщенной модели по указаниям эксперта. Результатом работы системы является дополненная модель указанного класса объектов, а также построенная на ее основе совокупность новых возможных примеров.

Для представления общих знаний об объектах прогнозирования используется иерархическая система описаний классов возможных объектов. Конкретные реализации представляются как примеры соответствующих классов. Сбор и объединение информации о примерах, автоматизированное построение описаний классов объектов выполняются модулями ЭС ПРОГНОЗ, построенными в соответствии с общей концепцией ОИС. ЭС ПРОГНОЗ содержит и дополнительный модуль - Генератор. Б задачу этого модуля входит построение новых примеров для известных классов объектов. Для синтеза новых примеров используются три основные стратегии: порождение и проверка, моделирование эволюции и метод "что будет, если...".

За синтезом новых примеров наблюдает Критик системы ПРОГНОЗ. Для каждого примера он формирует оценку по шкале "возможно-невозможно". В начале работы над новой задачей прогнозирования большая часть закономерностей еще не выявлена и не представлана в обобщенной модели. Поэтому оценка, предлагаемая системой дЛя первых генерируемых примеров, может существенно отличаться от мнения эксперта по этому поводу. В такой ситуа-

13

ции ЭС ПРОГНОЗ начинает диалог с экспертом, чтобы выявить ту закономерность, которая не учтена в модели или учтена неправильно. Знания об объекте прогнозирования постепенно уточняются и обобщенная модель все более адекватно описывает исследуемый класс объектов. Это в свою очередь дает возможность получить искомое множество новых примеров объекта прогнозирования.

Первая (модельная) версия ЭС ПРОГНОЗ реализуется с использованием рассмотренной выше системы ОИС-1.0 и добавлением специализированного модуля - Генератора примеров.

В пункте 3.3. рассматривается применение принципов ОИС в системе ЛИНАР - интеллектуальной системе контроля и редактирования русскоязычных научно-технических текстов. ЛИНАР существенно расширяет функции имеющихся в настоящее время текстовых редакторов и автокорректоров за счет использования мощного адаптивного лингвистического процессора (ЛП) и мощных средств обработки концептуальной информации. ЛИНАР способен контролировать текст на орфографическом, лексическом, синтаксическом, семантическом, стилистическом и структурном уровнях.

При семантическом контроле ЛП системы ЛИНАР пытается построить семантическое представление очередной фразы текста. Для этого используются как лингвистические знания, так и концептуальные знания о проблемной области. Работу на семантическом уровне реализует специализированный модуль системы ЛИНАР - семантическая память, построенная на принципах ОИС. Критик следит за конфликтами в семантическом представлении. Часть выявленных конфликтов устраняют ЛП и Критик, работая совместно (как источник информации ЛП характеризуется определенными особенностями) . Часть конфликтов возможно не удается ликвидировать таким способом, и именно эти конфликты предъявляются пользователю.

В пункте 3.4. описывается использование семантического компонента, построенного на принципах ОИС, в составе разрабатываемого на факультете ВМиК ИГУ комплекса СИСФОРМ, обеспечивающего приобретение знаний из текстовых источников.

СИСФОРМ имеет в своем составе мощный ЛП, обеспечивающий извлечение знаний из текста при совпадении знаний системы и знаний, необходимых для понимания текста, а также ряд специализированных модулей, обеспечивающих восстановление неявней 14

информации, содержащейся в тексте.

ЛП и специализированные модули извлечения знаний выступают в качестве источников знаний для семантической памяти комплекса СИСФОРМ. Семантическая память обеспечивает интеграцию знаний из разных источников, поиск и устранение неполноты и противоречивости знаний, пополнение знаний за счет способности проводить рассуждения на основе имеющейся информации. Для разрешения выявленных конфликтов в сложных ситуациях может привлекаться эксперт.

Начиная с базовых лингвистических, концептуальных и процедурных знаний, содержащихся в комплексе до начала работы с новой проблемной областью, СИСФОРМ на основе анализа текстов, взаимодействия с экспертом должна пополнять свои знания, создавая тем самым проблемно-ориентированную базу знаний.

В заключении приведены основные результаты работы:

1) Сформулированы требования к перспективным системам ИИ, ориентированным на решение задач реального уровня сложности. Разработанй структура и принципы функционирования адаптивных интеллектуальных.'систем, удовлетворяющие этим требованиям.

2) Разработаны методы структуризации семантической памяти адаптивных интеллектуальных систем, процедуры работы с ней, соответствующие структуры данных и алгоритмы, обеспечивающие интеграцию процессов решения задач, самообучения и приобретения знаний.

3) Разработаны и реализованы экспериментальная адаптивная интеллектуальная система для классификационных экспертных задач, а также программно-информационные компоненты ряда прик-. ладных систем ИИ.

Основные публикации по теме диссертационной работы:

1. Богачев Д.А., Мальковский М.Г., Экспертная система ПРОГНОЗ.// Технол. разр. эксп. систем./ Тез. докл. Республ. семинара. - Кишинев, 1987. - С. 14-17.

2. Богачев Д.А., Лукашевич Н.В., Мальковский М.Г. Настройка лингвистического процессора АДАМАНТ на проблемную область.// Развитие интеллектуальных возможностей современных и перспективных ЭВМ/ Матер, семинара - М.: МДНТП им. Ф.Э.Дзержинского, 1987. - С. 102-109.

3. Мальковский М.Г., Лукашевич Н.В., Богачев Д.А. База знаний системы Т0ЫР5-2. // Вестник МГУ, сер. 15, 1988, К 4

- С. 56-62.

4. Bogachev D.A. , Malkovsky M.G. Forecasting Automation System. // Proc.of the IV Conf. of Program Designers -Budapest, 1988. - P. 19-24.

5. Богачев Д.А., Лукашевич H.B. Автоматизированное формирование понятийной модели проблемной области по текстам.//Тез. I Всесоюзной конф. по искусств, интеллекту.- Переславль-За-лесский, L988. - С. 299-304.

6. Богачев Д.А., Лукашевич Н.В., Мальковский И.Г. Лингвистический процессор и экспертная система.//Экспертные системы в научных исследованиях, автоматизации проектирования и производства. Тез. докл. Всесоюзн. научн.-тех. семинара. - Саратов, 1988. - С. 80-86.

~7."Богачев Д.Л., Лукашевич Н.В., Мальковский М.Г. Извлечение знаний из текста.// III Всес. конф. по созданию Машинного фонда русского языка/ Тез. докладов, ч. 1 - М., 1989.- С. 132-135.

8. Богачев Д.А., Мальковский М.Г. Обработка знаний в открытых интеллектуальных системах.// Тез. II Всесоюзной конф. по искусств, интеллекту., т. 1. - Минск, 1990. - С. 12-16.

9. Богачев Д.А., Мальковский М.Г., Чиркова Р.Ю. Приобретение знаний о решении задач.// Матер, научно-техн. семинара "Знание-диалог-решение". - Ленинград, 1991. - С. 52-55.

10. Богачев Д.А. Развитие знаний в системах искусственного интеллекта. //Вестник МГУ, сер. 15, 1991, N 3-С. 54-59.

Подписано в печать 10.09.91 г. Форлат 60x84/16. Объём 1,0 п.л. Тираж 100 экз. Заказ № 42. Бесплатно.

Ротапринт НИВЦ МГУ II9899, Москва, Ленинские горы.