В области извлечения знаний можно выделить два основных направления: формализация качественных знаний и интеграция знаний. Первое направление связано с созданием разнообразных методов, позволяющих переходить от знаний, выраженных в текстовой форме, к их аналогам, пригодным для ввода в память интеллектуальной системы. В связи с этой проблемой развивались не только традиционные методы обработки экспериментальных данных, но и совершенно новое направление, получившее название нечеткой математики.

Нечеткая математика и ее методы оказали существенное влияние на многие области искусственного интеллекта и, в частности, на весь комплекс проблем, связанных с представлением и переработкой качественной информации.

Когда инженер по знаниям получает знания из различных источников, он должен интегрировать их в некоторую взаимосвязанную и непротиворечивую систему знаний о предметной области. Знаний, содержащихся в источниках информации, отчужденных от специалиста, как правило, недостаточно. Значительная часть профессионального опыта остается вне этих источников, в головах профессионалов, не могущих словесно их выразить. Такие знания часто называют профессиональным умением или интуицией. Для того, чтобы приобрести такие знания, нужны специальные приемы и методы. Они используются в инструментальных системах по приобретению знаний, создание которых – одна из современных задач инженерии знаний.

Следующая большая проблема, изучаемая в искусственном интеллекте, – это представление знаний в памяти системы. Для этого разрабатываются разнообразные модели представления знаний. В настоящее время в интеллектуальных системах используются четыре основные модели знаний. Первая модель, возможно, наиболее близка к тому, как представляются знания в текстах на естественном языке. В ее основе лежит идея о том, что вся необходимая информация может быть описана как совокупность троек вида: (a R b), где a и b два объекта или понятия, а R – двоичное отношение между ними. Такая модель графически может представляться в виде сети, в которой вершинам соответствуют объекты или понятия, а дугам – отношения между ними. Дуги помечены именами соответствующих отношений. Такая модель носит название семантической сети.

3. Интеллектуальное программирование. Трудоемкость разработки интеллектуальных приложений зависит от использованного языка, инструментальных систем, парадигмы программирования, средств разработки ИИС и приобретения знаний, систем когнитивной графики, рис.3.5.

Рис. 3.5. Инструментальные средства интеллектуальных систем.

Особняком стоят языки для представления знаний. Это языки, ориентированные на фреймы KL-1, KRL, FRL или язык ПИЛОТ, ориентированный на модель знаний в виде продукций

Системы когнитивной графики одно из направлений в интеллектуальном программировании. Одна из центральных идей искусственного интеллекта – это идея о том, что суть самого феномена интеллекта состоит в совместной работе двух систем переработки информации: зрительной, создающей образную картину мира, и символической, способной к абстрактному мышлению, к оперированию с понятиями, интегрирующими образы внешнего мира.

Возможность перехода от зрительной картины к ее текстовому (символическому) описанию и от текста к некоторой зрительной картине, составляет, по-видимому, основу того, что называется мышлением. Мы пока еще точно не знаем о том, как хранятся зрительные образы в памяти человека, как они обрабатываются, как они соотносятся с текстами, им соответствующими. Когнитивная графика и занимается приемами соотнесения текстов и зрительных картин через общее представление знаний, интегрирующих текстовые и зрительные образы. Примерами являются программы оживления картин, но не на основе жестких процедур, а в соответствии с некоторыми текстами на ограниченном естественном языке.