Stanovení relevantních kritérií při volbě reprezentace znalostí

Stanovení relevantních kritérií při volbě reprezentace znalostí Roman Kvasnička PEF, ČZU v Praze Katedra systémového inženýrství Kamýcká 129 165 21 Praha 6 - Suchdol [email protected] Abstrakt: Základem expertních systémů je báze znalostí, ve které jsou uloženy znalosti podniku. Při tvorbě experimentální báze znalostí je nezbytné vybrat vhodnou reprezentaci. Pro výběr reprezentace je nezbytné stanovit relevantní kritéria výběru. Ta jsou stanovena na základě požadavků jednotlivých rolí ve znalostním systému podniku. Pro sestavení kritérií byl využit systémový přístup a delfská metoda, běžně využívaná pro stanovení názoru expertů. Klíčová slova: Báze znalostí, kritérium, reprezentace znalostí, delfská metoda, systémový přístup Abstract: The basis of expert system is a knowledge base that stores the knowledge portfolio of company. During the experimental knowledge base creation is crucial to choose an appropriate representation of knowledge. For the choice of knowledge representation is necessary to provide the relevant criteria selection. These criteria are based on the requirements of individual roles in the knowledge system of the company and systems approach. To establish expert opinion a Delphi method was used as commonly used method for expert opinion determination. Keywords: Knowledge base, criteria, knowledge representation, Delphi method, systems approach

1. Úvod Tvorba znalostní báze je klíčová pro znalostní systém podniku. Při tvorbě báze je nezbytné zvolit vhodnou reprezentaci znalostí. Jak podotýká Kostka (2013) zásadním problémem při tvorbě informačního systému je neporozumění mezi tvůrcem systému a jeho uživateli. Z toho důvodu je při tvorbě znalostního systému nezbytné zahrnout názory zástupců všech rolí a to především při výběru vhodné reprezentace znalostí. V současné době neexistuje jednoznačně nejvhodnější reprezentace znalostí pro tvořenou bázi. Nejčastěji používaným typem reprezentace znalostí jsou produkční pravidla i přes jejich nedostatky. Cílem článku je stanovit relevantní kritéria pro hodnocení reprezentace znalosti pro experimentální bázi znalostí, do které by bylo možné uložit znalosti podniku.

2. Reprezentace znalostí Pro práci se znalostmi na podnikové úrovni je nezbytné znalosti zachycovat prostřednictvím reprezentace znalosti. V oblasti umělé inteligence je reprezentace znalostí považována za kritickou část řešení problému (Newell, 1982). SYSTÉMOVÁ INTEGRACE 3/2013

51

Roman Kvasnička

Reprezentaci znalostí, využívanou především v oblasti řízení znalostí a znalostního inženýrství je možné členit do tří základních skupin: procedurální, deklarativní a rámcová schémata (Olej a Petr, 1997), (Mařík a kol., 2003). Kendal a Creen (2007) přidávají k procedurálním a deklarativním znalostem ještě meta-znalost (Meta-knowledge), která pomáhá porozumět, jak experti používají znalosti ke svému rozhodování. V oblasti znalostního inženýrství existuje mnoho konceptů popisujících reprezentaci znalosti, ale vždy se v nich vyskytují dva typy reprezentace, procedurální a deklarativní reprezentace (Mařík a kol, 2003), (Kenadal a Creen, 2007). Souhrnně existují následující možnosti (viz. obr. 1): Deklarativní metody reprezentace – vyjadřují co je, nebo má být poznáno případně dokázáno (Mařík a kol., 2003). Procedurální metody reprezentace – ukazují jak poznávat nebo odvozovat (Mařík a kol., 2003). Asociativní metody reprezentace – důraz je kladen na to, aby se do reprezentace explicitně dostaly i souvislosti mezi reprezentovanými položkami (Kelemem, Hvorecký, 2008). Rámcová schémata – jsou kombinací procedurálního a deklarativního přístupu (Minsky, 1975).

deklarativní

asociativní

procedurální

Obr.1: Atributy znalostí (zdroj: Kelemem, Hvorecký, 2008) Problémem je, jaký způsob reprezentace je nejvhodnější. Minsky (1975) tvrdí, že „neexistuje jediný 'nejlepší' způsob reprezentace znalostí. Každý typ problémů vyžaduje odlišné typy myšlení a uvažování - a vhodné typy reprezentace."

2.1 Rámce Rámce (frames) jsou struktury pro reprezentaci objektů či propojených objektů nebo obecných pojmů (výroků), navíc mohou definovat vztahy dědičnosti mezi těmito objekty (Minsky, 1975). Často se rámce dělí na dva typy: rámce tříd (class frames), které definují třídy věcí, případové rámce, které přímo zachycují existující objekt (konkrétní entitu) a jeho vlastnosti (Karp, 1993). 52

SYSTÉMOVÁ INTEGRACE 3/2013

Stanovení relevantních kritérií při volbě reprezentace znalostí

Rámcová schémata jsou kombinací procedurálního a deklarativního přístupu. Deklarativnost spočívá ve způsobu zachycování informací o objektech reality pomocí slotů (vlastnosti objektu, pro který je daný rámec sestaven) a faset (hodnoty vlastností rámce). Přitom každý slot může obsahovat několik faset (Husáková, 2008). Procedury, které mohou být součástí rámcové struktury, se nazývají „démoni“ a jsou přiřazeny k některé fasetě, ke každé fasetě může být přiřazeno i více procedur (Mařík a kol., 2003).Podle Karpa (1993) je koncept rámců velmi vhodný k algoritmickému zpracování.

2.2 Sémantické sítě V roce 1968 byly Collinsem a Quillianem (1969) využity sémantické sítě, původně navržené Richensem (1956), pro porozumění přirozenému jazyku jako model paměti člověka. Později byly zobecněny jako jedna z reprezentací znalostí. Sémantické sítě jsou grafickou formou pro reprezentaci znalostí pomocí uzlů (objekty) a hran (vztahy mezi objekty). Reprezentace umožňují automatizovanou práci, některé ze sémantických sítí jsou vysoce neformální a některé naopak striktně formálně definované. Sowa (1992) uvádí šest nejčastějších typů sémantických sítí: Definiční síť zachycuje vztahy dědičnosti (vazba is-a) mezi prvky a sítí, a umožňuje díky tomu definovat nové prvky. Prohlašovací sítě navržené k zachycení tvrzení. Na rozdíl od definičních sítí se předpokládá, že tvrzení jsou podmíněně pravdivá, pokud není změněn modální operátor. Některé z prohlašovacích sítí byly navrženy jako konceptuální model pro porozumění sémantiky přirozeného jazyka. Implikační sítě používají implikaci jako hlavní vztah pro pojení uzlů. Mohou být použity pro reprezentaci vzorů myšlenek a představ, kauzalit nebo závěrů. Spustitelné sítě zahrnují některé mechanismy, značkování nebo propojené procedury, které umožňují provádět závěry, procházet zprávy, nebo hledat vzory a souvislosti. Učící se sítě se budují nebo rozšiřují díky získávání znalostí z příkladů. Nové znalosti mohou přidávat či mazat části takovéto sítě. Hybridní sítě kombinují dva nebo více předchozích typů. Sémantické sítě jsou snadno použitelné a dobře pochopitelné, pro uživatele znalosti jsou velmi vhodné jako zobrazení, naopak pro zachycení v databázích je takový typ reprezentace složitý.

2.3 Produkční pravidla Jednou z nejvýznamnějších reprezentací znalostí pro databázové zachycení znalostí jsou produkční pravidla (rules), zachycované ve tvaru Situace→Akce (IF-THEN)(Mařík a kol., 2003), (Dvořák, 2004). Častými uváděnými způsoby zápisu jsou, (Partridge, 1991),(Dvořák, 2004): IF podmínka THEN akce, IF předpoklad THEN závěr, SYSTÉMOVÁ INTEGRACE 3/2013

53

Roman Kvasnička

IF výroky p1 a p2 jsou pravdivé THEN potom výrok p3 je pravda. Systém produkčních pravidel obsahuje globální pravidla a fakta vztahující se k určené doméně. V systému produkčních pravidel je možné při práci inferenčního mechanismu použít dva základní postupy (Sklenák, 2001), (Berka, 2007): Zpětné řetězení (odvozované řízené daty) začíná ve výchozím stavu, při odvozování metodou zpětného řetězení jsou východiskem cíle, které mají být odvozeny a je nezbytné nalézt pravidla umožňující cíle potvrdit nebo vyvrátit. V bázi znalostí existují pravidla, která mají cíl ve svém závěru. Pravidla se pokoušíme aplikovat (za použití dedukce), abychom zjistili, zda je pravidlo aplikovatelné. Přímé řetězení je založeno na faktech, které jsou splněny a cílem je nalézt aplikovatelná pravidla. Z aplikovatelných pravidel lze odvodit vhodný závěr, to umožní nalézt další aplikovatelná pravidla a v odvozování tak pokračovat.

2.4 Znalostní jednotky V posledních několika letech vzniklo několik nových teorií v oblasti uchovávání znalostí, většina z nich se reprezentace znalostí pouze dotýká (Dömeová, 2008). Současný rozvoj v oblasti znalostního inženýrství je založen především na produkčních pravidlech a možnosti jejich zlepšování. Jedním z nových konceptů jsou speciální typy produkčních pravidel, tzv. rozšířená produkční pravidla. Cílem rozšíření je odstranit nedostatky produkčních pravidel a naopak využít jejich přednosti. Rozšířené produkční pravidlo, které je vhodné využít je znalostní jednotka (ZJ), (Dömeová a kol., 2008). Znalostní jednotka zachycuje „elementární znalost“. Termín “elementární” zahrnuje tři podstatné charakteristiky a přístupy ke znalostním jednotkám. Znamená to, že: znalostní jednotka je elementární ve smyslu její atomicity (pokud by z ní bylo cokoliv odebráno, přestane reprezentovat znalost), je elementární ve smyslu hierarchického přístupu k systému (vzhledem ke zvolené rozlišovací úrovni) a je elementární z hlediska jejího uživatele (ten ji musí být schopen pochopit a aplikovat). K práci s těmito “elementárními znalostmi” navrhuje Dömeová a kol. (2008) speciální, strukturovaný typ znalostní jednotky, uložen pomocí jednoho rozšířeného produkčního pravidla, které slouží k úspěšnému řešení elementárního problému. Formálně lze znalostní jednotku (ZJ) zapsat takto: ZJ = {X, Y, Z, Q}, kde X–popis problémové situace, Y– elementární problém, který vychází z problémové situace X, Z–cíl, ke kterému směřuje řešení problému, Q–postup vedoucí k řešení definovaného problému. Výhodou znalostní jednotky je větší popis, spjatost znalosti s řešeným problémem a cílem. Produkční pravidlo rozšiřuje o cíl a širší popis problémové situace. 54



3. Použité metody 3.1 Systémový přístup Systémový přístup je založen na předpokladu, že v rámci zkoumání jakékoliv reality, ve které probíhající procesy, je možné takovou část reality zobrazit pomocí abstraktního systému. Ten je poté možné zkoumat a testovat. Popsaný postup je obecný a univerzální a je možné ho aplikovat do jakýchkoliv oblastí lidských činností. Obecnou disciplínou, která aplikuje metody systémového přístupu a systémového modelování, především pro řešení komplexních problémů, je systémová analýza (Vlček, 1999). Podle Janíčka (2002) je systémový přístup nástroj vědeckého poznání přispívající k efektivní realizaci poznávacího procesu. Ve své práci popisuje Janíček dvacet prvků (atributů) systémového přístupu, které vedou k absolutnímu popsání systému. Popisuje atributy, které je možné v rámci zkoumané problematiky dodržovat, některé jsou označeny jako nezbytné a jiné je vhodné pominout. Cílem systémového přístupu je tedy identifikovat ty prvky, které musí být dodrženy.

3.2 Delfská metoda Delfská metoda je technika vytvořená pro průzkumy vývoje technologií (Gupta a Clarke,1996)především pro potřeby americké armády. Výzkum v projektu DELPHI byl zaměřen na správné pochopení a využití názorů expertů (Dalkey a Helmer, 1963). Autoři (Gracht 2012; Gupta a Clarke,1996), se shodují na pozitivních charakteristikách Delfské metody, které jsou: Anonymita – účastníci výzkumu jsou vůči sobě anonymní. Opakování, je prováděna v několika kolech, nejčastěji je volena dvoukolová varianta. Kontrolovaná zpětná vazba – výzkumník volí vhodnou zpětnou vazbu směrem k účastníkům průzkumu. Způsob realizace Delfské metody sebou nese i nevýhody. Jako hlavní nevýhody jsou nejčastěji uváděny (Fitzsimmons a Fitzsimmons, 2006): Časová náročnost – metoda je pracná a její provádění tak bývá často drahé. Problémy zpětné vazby – při vyhodnocování a použití statistických metod může dojít ke zkreslení. Nedbalý výkon – počet opakování snižuje výkon expertů a to vede k negativním dopadům na výsledky (Gupta a Clarke, 1996). Okoli a Pawlowski (2004) doporučují využívat Delfskou metodou především v raných fázích probíhajícího výzkumu a to pro identifikaci otázek a priorit.

4. Výsledky Při volbě vhodné reprezentaci znalostí byl použit systémový přístup pro identifikaci klíčových atributů reprezentace doplněný o názory expertů zjišťované prostřednictvím delfské metody.


55

Roman Kvasnička

4.1 Stanovení kritérií výběru Při konfiguraci systémového přístupu bylo dvacet atributů ohodnoceno na ordinální škále od zásadního atributu pro irelevantní. Vedle zásadních a relevantních prvků systémového přístupu je nezbytné hodnotit reprezentaci znalostí na základě práce s ní. Proto jsou do hodnocení zapojeny tři role a názorů expertů zastupujících tyto role (viz obr.2): uživatele znalostního systému, programátorů a informatických pracovníků a znalostního inženýra. Každou roli reprezentovali tři odborníci dané oblasti. Systémové atributy konfigurovány dvěma spoluprací dvou systémových inženýrů. Systémové atributy

Programátor

Reprezentace znalosti

Znalostní inženýr

Uživatel

Obr. 2: Výběr vhodné reprezentace znalosti Při zjišťování názorů expertů (viz obrázek č. 2) bylo využito dvoukolové delfské metody. Postup delfské metody je znázorněn následujícími postupovými kroky: 1. První kolo oslovení expertů a seznámení s předvýzkumem v oblasti tvorby znalostní báze podniku, oslovený expert navrhoval vhodná kritéria pro hodnocení reprezentace znalostí Zpětná vazba Experti získali úplný výčet stanovených kritérií s odstraněním redundance. 2. Druhé kolo Na základě rolí ve výzkumu, ohodnocoval expert příslušná kritéria bodovou hodnotou na škále 1-10 (1 – nejméně důležité kritériu, 10 - nejdůležitější kritérium). Na základě bodové škály byly zkonstruovány váhy jednotlivých kritérií. 56



Zpětná vazba Seznam souhrnně vybraných kritérií.

4.2 Výsledky předvýzkumu 4.2.1

Výsledky konfigurace systémového přístupu

Reprezentace znalostí, vhodná pro tvorbu báze znalostí by měla maximálně odpovídat následujícím sestaveným atributům systémového přístupu: Problémy jsou formulovány na základě analýzy problémové situace K entitám je žádoucí přistupovat strukturovaně Entity jsou posuzovány hierarchicky Entity jsou posuzovány dynamicky Vedle těchto atributů je vhodné, aby reprezentace znalosti umožnila kauzální a hierarchickou orientaci.

4.2.2

Výsledky delfské metody

Z pohledu programátorů, kteří pracují na tvorbě a správě báze znalostí je podstatné jak zachytit znalost do báze ve formě informatické „informace“, ta je primárně dvourozměrná. Konkrétní reprezentaci znalosti je nezbytné rozložit na informaci do tabulek a zpětně poskládat do složitější struktury, kritéria vycházející z tohoto pohledu jsou následující: 1. možnost rozkladu a zpětného složení znalosti jako celku a. znalost je explicitní a není monolitická (např. neproniknutelný text, ..) 2. skladba znalosti z hlediska struktury informací a. znalost je možné determinsticky popsat strukturovaným textem, s vymezením (vytěžením) klíčových slov, vazeb, frází b. nebo znalost je možné rozložit na množiny prvků, kdy prvky se v rámci více znalostí překrývají, a unikátní znalost je tvořena incidencí prvků těchto množin (např. u sémantických síťí to jsou vazby mezi uzly) 3. dobrá strukturovatelnost dílčích částí znalosti (informací, struktur informací): a. dobrá rozlišitelnost / oddělitelnost těchto částí znalosti navzájem od sebe b. možnost tyto menší části (kousky znalosti) zařadit do tříd s možností ekvivalence (zastupitelnosti) = tj. odstranit redundanci v dat. modelu 4. Používání reprezentací v existujících systémech – reprezentace je využívána a jsou pro ní zavedeny standardy pro převod a sdílení znalostí z ostatních systémů. Z hlediska uživatele Uživatelé soustřeďují svou pozornost především možnost práce se znalostmi již zachycenými v systému. Výsledky delfské metody je možné shrnout do tří hlavních kritérií: Schopnost řešení problémů na základě předložené reprezentace znalosti simulující doménového experta. Délka času potřebná k pochopení znalosti pomocí dané reprezentace. Srozumitelnost předložené reprezentace. SYSTÉMOVÁ INTEGRACE 3/2013

57

Roman Kvasnička

Z hlediska znalostního inženýra Kritéria, podle kterých by reprezentaci znalostí posuzoval znalostní inženýr, který je v úzkém kontaktu jak s programátorem znalostního systému, tak s uživateli znalostního systému. Výsledky z delfské metody reprezentují následující kritéria: Srozumitelnost reprezentace znalostí pro uživatele Vhodnost reprezentace pro zvolený typ programovacího jazyka Snadnost tvorby reprezentace pro konkrétní znalost. (relativně pevné uspořádání reprezentace) Hierarchické vnímání reprezentací – možnost přechodu po jednotlivých hierarchických úrovních Silná vazba znalosti na řešení problému. Jak je patrné z volených kritérií, jednotlivé nároky kladené na zvolenou reprezentaci znalostí se překrývají v totožných oblastech. Komparací preferencí klíčových uživatelů báze znalostí spolu se zapojením atributů systémového přístupu byly sestaveny následující relevantní kritéria pro výběr vhodné reprezentace znalosti. Relevantní kritéria pro hodnocení reprezentace znalostí: Srozumitelnost reprezentace (pro klíčové uživatele). Strukturovanost reprezentace. Rozložitelnost a složitelnost reprezentace. Možnost tvorby hierarchií. Formulování znalosti na základě analýzy problémové situace. Vazba reprezentace na cíl. Snadná práce s reprezentací. Zachycení dynamiky reprezentace.

5. Závěr Na základě konfigurace systémového přístupu a dvoukolové delfské metody bylo stanoveno 8 relevantních kritérií pro výběr vhodné reprezentace znalosti na podnikové úrovni. Tato kritéria jsou klíčová při volbě reprezentace znalostí a pro další práci při přípravě znalostní báze firmy. Na uvedený prezentovaný předvýzkum navazuje volba vhodné reprezentace znalosti vybraná na základě stanovených kritérií. Volba bude probíhat na základě pokusů s typickými zástupci všech zúčastněných rolí (programátoři báze, uživatelé systému a znalostní inženýři) a následného ohodnocení reprezentací znalostí. Pokusy budou sestávat z vybraných typů znalostí různých oborů zapsaných ve všech formách zmíněných reprezentací znalostí. Na základě kritérií stanovených v tomto článku budou účastníci ohodnocovat tyto reprezentace. Díky tomuto hodnocení bude vybrána vhodná forma reprezentace znalosti.

58



Poděkování Článek je výsledkem podpory projektu IGA PEF ČZU v Praze č. 20121048 - Tvorba experimentální báze znalostí pro interoperabilitu znalostí.

Literatura Berka, P. 2007. Úvod do Umělé Inteligence. [online] Praha: VŠE v Praze. [cit. 201103-14] Dostupný z WWW: Collins, A., M., Quillian M., R. 1969. Retrieval Time from Semantic Memory. Journal of Verbal Learning and Verbal Behavior., vol. 8, no. 2, s. 240-248. doi:10.1016/S00225371(69)80069-1 Dömeová, L. 2008 "Containers of Knowledge as a Basis for Knowledge maps", Journal on Efficiency and Responsibility in Education and Science, Vol. 1, No. 1, pp. 27-31, ISSN 1803-1617 Dömeová, L., Houška, M., Houšková Beránková, M. 2008. Systems Approach to Knowledge Modelling, 1. vyd. Hradec Králové, , 282 s., ISBN 978-80-86703-30-5 Dvořák, J. 2004. Expertní Systémy. Brno: Vysoké učení technické v Brně. Dostupný z WWW: . Fitzsimmons, J.A.;Fitzsimmons, M.J. 2006. Service management: operations, strategy, and information technology. McGraw-Hill/Irwin.605 s. ISBN 9780072982305 Gracht, H. A. 2012. Consensus measurement in Delphistudies. Review and implications for futurequality assurance. Technological Forecasting & Social Change. ISSN 1525–1536 Gupta, U.G., Clarke, R.E. 1996. Theory and applications Delphi technique: a bibliography (1975–1994), Technol. Forecast. Soc. Change. 53, 185–211. ISSN: 0040-1625 Janíček, P. 2002. Systémová metodologie. Sborník konference SYSTE 02. Plzeň. 5785 s. ISBN 80-86596-06-0 Karp, P. D. 1993. The Design Space of Frame Knowledge Representation Systems. [Artificial Inteligence Center]. [online]USA: SRI AI Center Technical Note, [cit. 2012-04-14]Dostupný z WWW: Kelemen, J., Hvorecký, J. 2008. On Knowledge, Knowledge Systems, and Knowledge Management. Maďarsko. vyd. Budapešť: Proceedings of the 9 th International Symposium of Hungarian Researchers on Computational Intelligence and Informatics, 27-35 s. ISBN 978-963-7154-82-9 Kendal, S.L., Creen, M. 2007. An Introduction to Knowledge Engineering. London: Springer, ISBN 978-1-84628-475-5 Kostiha, F. 2013. Společenská dimenze informačních systémů. Systémová integrace, vol. 20, no. 1. ISSN 1804-2716, Mařík, V. a kol., 2003. Umělá inteligence 2. 1. vydání, dotisk. Praha: Academia, 366 s. ISBN 80-200-0504-8 SYSTÉMOVÁ INTEGRACE 3/2013

59

Roman Kvasnička

Minsky, M. 1975. A framework for representing knowledge. Cambridge, Mass: Massachusetts Inst. of Technology, AI Lab., ID: 258512537 Newell, A. 1982. The Knowledge Level. Artificial Intelligence., vol. 18, s. 87-127. ISSN 0004-3702. Okoli, C., Pawlowski, S.D. 2004. The Delphi method as a research tool: an example, design considerations and applications. Information & Management 42(1): pp. 15-29. ISSN 0378-7206/$ Olej, V., Petr, P. 1997. Expertní systémy. Pradubice: Univerzita Pardubice, ISBN 80-7194-095-X Husáková, M. 2008. Znalostní Technologie I. [on-line] Hradec Králové: Univerzita Hradec Králová, [cit.2012-04-05] Dostupný z WWW: . Partridge, D. 1991. A new guide to artificial intelligence. Norwood, N.J.: AblexPub. Corp., 546 s. Dostupný z WWW . ISBN 0893916072. Richens, R. H. 1956. General Program for Mechanical Translation between any Two Languages Via an Algebraic Interlingua. in: Report on Research: Cambridge Language Research Unit. Mechanical translation, vol. 3, no. 2, s. 37. Sklenák, V. a kol. 2001. Data, informace, znalosti a Internet. 1. vydání. Praha: C. H. Beck, 507 s. ISBN 80-7179-409-0. Sowa, J. F. 1992. Encyclopedia of Artificial Intelligence. revised and extended for the second edition. New York: Shapiro, S. C., Wiley, Semantic networks. s. 1219. ISBN 9780471629740. Vlček, J. 1999. Systémové inženýrství. 1. vydání. Praha: ČVUT, 291 s. ISBN 80-01-01905-5. JEL Classification: D83

60



Přílohy Realizace Delfské metody, otázky kladené expertům: 1. První kolo a) b)

Stručně popište svou funkci Ve vztahu ke znalostnímu systému byste svou funkci popsal jako: a. Programátor b. Znalostní inženýr (ontologický inženýr) – specialista práce se znalostmi c. Uživatel systému c) Definujte jaké vlastnosti by měla mít vhodná reprezentace znalostí pro znalostní systém. Pokuste se nadefinovat všechny pro vás zásadní vlastnosti z hlediska Vaší práce se znalostním systémem. Zpětnou vazbou je úplný výčet vlastností reprezentace znalostí. 2.

Druhé kolo Druhé kolo bylo realizováno následující tabulkou:

Po reprezentaci znalosti požaduji následující:

Bodové ohodnocení 10 - absolutně souhlasím, 5 tento požadavek je irelevantní, 1 absolutně nesouhlasím

Problémy jsou formulovány na základě analýzy problémové situace Reprezentace jsou strukturované Reprezentace jsou uloženy hierarchicky Reprezentace zachycují dynamiku Možnost rozkladu a zpětného složení znalosti jako celku Možnost odstranění redundance v modelu Znalost je složena ze struktury informací Znalost je možné determinsticky popsat strukturovaným textem, s vymezením (vytěžením) klíčových slov, vazeb, frází Znalost je možné rozložit na množiny prvků, kdy prvky se v rámci více znalostí překrývají, a unikátní znalost je tvořena incidencí prvků těchto množin (např. u sémantických sítí to jsou vazby mezi uzly


61

Roman Kvasnička

Bodové ohodnocení 10 - absolutně souhlasím, 5 tento požadavek je irelevantní, 1 absolutně nesouhlasím

Po reprezentaci znalosti požaduji následující:

Znalost je dobře strukturována do dílčích částí (informací, struktur informací) Znalost je dobře rozlišitelná a oddělitelná Části reprezentace jsou dělitelné do tříd s možností ekvivalence (zastupitelnosti) Používání reprezentací v existujících systémech Reprezentace zachycuje řešení problémů na základě předložené reprezentace znalosti simulující doménového experta Je pro mě důležitá: délka času potřebná k pochopení znalosti pomocí dané reprezentace Je pro mě důležitá: srozumitelnost předložené reprezentace. Je pro mě důležitá: Dobrá grafická úprava. Je pro mě důležitá: Vhodnost reprezentace pro zvolený typ programovacího jazyka Je pro mě důležitá: Snadnost tvorby reprezentace pro konkrétní znalost. (relativně pevné uspořádání reprezentace) Je pro mě důležité: Hierarchické vnímání reprezentací – možnost přechodu po jednotlivých hierarchických úrovních Je pro mě důležitá: silná vazba znalosti na řešení problému. Zpětnou vazbou druhého kola byl seznam vybraných kritérií.

62


Stanovení relevantních kritérií při volbě reprezentace znalostí

Recommend Documents