Концептуализация structurable задач развития, основанной на знаниях системы

РЕЗЮМЕ

Традиционные подходы к основанной на знаниях системы (KBS) развитие не подходят для строительства KBSs при подаче задача structurable (т.е. экспонатов определенной степени жестокого структура). Строительство KBS для structurable задач требует понимания стратегии решения проблем используются экспертов для управления жестокого структуры, и в то же время опираясь на область теории для понимания структурированной части задачи. Эта статья представляет собой методологию для разработки модели знаний для structurable задач в концепции этапа развития KBS. Это эквивалентно созданию логической модели для проектирования при разработке обычных информационных систем. Методология основывается на предыдущих исследований по разложению и характеристика групп, которые базируются на различных атрибутов. В документе также иллюстрирует применение методологии в случае развития KBS финансового хеджирования. В заключительной части документа приводятся некоторые замечания по поводу потенциального воздействия данной методики на другие этапы в процессе развития KBS.

Предметные области: Знание систем, основанных на знаниях моделирование, задача концептуализации и задач структурирования.

ВВЕДЕНИЕ

Многие областях, особенно в области управления, не спешат уступать knowledgebased технологии. Одна из причин этого является частое тенденция к созданию так называемых "мелких", основанной на знаниях системы (KBS), которые кодируют знания, как "situationaction" объединения, независимо от характера применения задачи. Для задач, которые имеют широкую сферу действия и решения летучих знаний, таких, как найти по экономике и финансам [13], строительство мелких KBSs имеет следующие недостатки: хрупкость, значительные усилия строительство и техническое обслуживание трудности.

Обычные развития KBS методологии [7] не уделено должного внимания на эти недостатки, отчасти из-за отсутствия у них акцент на построении модели подробные знания задачи до разработки KBS. (Термин "модели знаний" формально определяется в следующем разделе.) Знаний модель задачи, и эксперт-зависимых концептуальных лицо, которое включает в себя знание о глубинной структуре задачи, то есть свойства задачи, которые отражают присущие природе и организации задачи. Эти свойства включают, например, цели задачи, разложимости задачи и зависимости между подзадачи, размер решение задачи пространства и его организации, и в какой степени задач конкретной области знаний, могут быть применены с хорошо известными методами (например, , алгоритмического и конкретных задач методы доказали свою эффективность в существующих KBSs. В следующем разделе описаны эти методы формально). Поскольку эти свойства не всегда известны полностью, модели знаний может также содержать эвристических знаний, связанных с задачей свойства и упрощающих допущений, или оба, которые подпадают под конкретные ситуации и известны лишь специалистам. В общем, такого рода эвристические знания помогут специалисты ручкой жестокого структуры задачи, которые могут быть вызваны наличием конфликтующих целей задачи, неполнота и противоречивость задачи входа, или оба, неспособность определить подходящие процедуры для оценки качества решений и т. д. ..

Несколько крупных тел работы по моделированию знания могут быть выделены, в том числе KADS [30], компонентный подход [29], и задача-метод отображений [8]. KADS представляет собой методологию для построения модели знаний задачи. Предполагая, что знания для решения сложных задач, существует только с экспертами, KADS сторонники снизу вверх построения модели на основе анализа словесных протоколов экспертов. Однако, признавая, что задачи одного и того же общего типа (например, диагностика) часто включают аналогичные выводы (например, гипотезу причины) примерно в то же типы объектов (например, причины), KADS также содержит библиотеку типовых моделей знаний, которые могут быть адаптированных к различным прикладных задач. Тем не менее, опыт показывает, KADS два его недостатков [26]. Во-первых, потому что KADS 'типовых моделей знания носят слишком общий характер, они обычно подходят для большинства задач, либо частично, либо не на всех. Даже в первом случае значительных усилий адаптация необходима. Во-вторых, модель адаптации широко опирается на анализ протоколов экспертов, содержание которых обычно не хватает потому, что эксперты часто могут вспомнить и сформулировать только последние и доступные знания. Кроме того, в слишком полагаться на устные протоколов экспертов, один несет ответственность перед видом полезных документированных знаний нашли в хорошо установленных источников, таких как справочников и руководств практикующих ..

Связанные исследований [8] [29] по моделированию знаний признается, что сложные задачи, зачастую конгломераты из подзадач, некоторые из которых могут быть решены с помощью документально знания предметной области и четко определенных методов. Эта работа также признает, что общий тип задач может помочь в определении методов, пригодных для решения этой задачи. Он показал, что эксперты в различных областях часто используют подобные методы для решения различных задач одного общего типа. Например, ВЫРАБОТКИ-ANDREVISE способ был найден, который будет использоваться экспертами решения конструкторских задач в таких областях, конфигурации лифт и проектированию электронных схем, оборудование [9].

[29] Стали 'компонентный подход, который связан общий тип задачи, чтобы существующие методы, предполагает три этапа задача разложения. Начиная с общей задачей применения, следующие шаги: (1) определить общий тип задания; (2) определить вид область знаний, используемых рассуждать о задаче, и (3) Карта задача подходящий метод и экземпляр Метод либо решить задачу или разложим его на подзадачи. Если задача разложить эти три шаги повторяются для каждой подзадачи. Несмотря на свои интуитивные обращение, применение такого подхода не является тривиальной по двум причинам. Хотя данный подход признает, что задачи одного и того же общего типа может быть решена с использованием различных методов (например, классификация задач можно решить с помощью 6 различных методов [29]), это не дает руководящие принципы для выбора методов, пригодных для решения, разлагаясь, или оба , задачи и ее подзадач, что делает этот выбор весьма субъективны. Кроме того, этот подход не дает четкого определения всех составных частей модели знаний и, следовательно, не может объяснить, каким образом каждый шаг в процессе распада облегчает извлечение отдельных компонентов модели.

В связи с работой стали, Chandrasekaran, Джонсона, Смита [8] разработке явных отображений между методами и различных типов задач и подзадач, на основе синтеза четко определенных методов, используемых в существующих KBSs. Например, они показывают, что типичные задания на проектирование может быть отображен на такие методы, как-PROPOSEAND пересматривать и скелетные ПЛАН УТОЧНЕНИЕ, каждый из которых может означать новый подзадач, которые, в свою очередь, может быть сопоставлен с другими методами, и так далее. Эти авторы подчеркивают ту роль, которую задач метод отображения может играть в построении модели знаний задачи, однако они не дают рекомендации для построения такой модели.

Эта статья представляет методологию познания моделирование structurable задач (KMoST) в концепции этапа развития KBS. Задачи могут быть классифицированы как структурированных, structurable и неструктурированных [28]. Задача структура, если ее глубинной структуры очевидна. Она может быть решена, или разложить на структурированных подзадач, которые могут быть решены с помощью четко определенных методов и знаний предметной области. Модели знаний таких задач могут быть построены на основе документированных знаний, практически ни один эксперт не поможет. Задача состоит из неструктурированных если мало или нет имеющихся знаний о его глубинной структуры (например, коммерческой оценки кредита [27]). Она может быть решена только умело экспертов (если они существуют), которые, как известно, в основном полагаться на эвристических методов и знаний предметной области разрабатывается индивидуально, основываясь на многолетнем опыте. Таким образом, построение модели знаний таких задач, как правило, требует понимания рассуждения экспертов процессов с использованием утомительного анализа речевой протоколов. Задача structurable, если его глубинного строения известен в части. Он может быть разложен на подзадачи, некоторые структурированных и неструктурированных некоторые. Структурированных подзадач может быть решена с помощью четко определенных методов и знаний о предметной области, а неструктурированных подзадач может быть решена с помощью экспертов эвристических методов и знаний предметной области.

Построение модели знаний таких задач может быть достаточно сложной задачей. Модель застройщик должен постепенно разлагаются задачи, определить подходящие методы и знаний предметной области структурированных подзадач, и понять рассуждения процессов эксперты относятся к неструктурированным подзадач ..

KMoST, методология, представленная здесь, использует результаты работы "Аль Chandrasekaran и др. [8] и Смита [28], чтобы действие [29] Стали 'разложения подход со следующими изменениями. Во-первых, KMoST определяет именно компоненты модели знаний задачи, добываемого в каждом шаге (действие) процесса разложения. Во-вторых, KMoST обеспечивает всестороннюю характеристику задачу, основанную на различные атрибуты задания обсуждается в решении проблем литературы, и использует эту характеристику не только в целях выявления источников жестокого структуры задачи, но и поиск специалистов для соответствующих методов, которые решают задачи и ее подзадач. Общая цель заключается в аналогичной с обычными методологии системного анализа: получить логическую модель до системного проектирования.

Работа организована следующим образом. Мы определяем понятие модели знаний и их компонентов (см. рис LC) на основе синтеза предварительного исследования по распространению знаний и опыта. Затем, мы KMoST методологии (см. рис 1b) и иллюстрируют применение KMoST в финансовое хеджирование домена. Далее следует подробный сравнительный анализ KMoST, KADS и компонентный подход. Наконец, мы предоставляем заключительные замечания относительно потенциального воздействия KMoST на стадии проектирования KBS (рис. 1a), и указать на возможные расширения данного исследования.

ЗНАНИЯ МОДЕЛЬ ЗАДАЧИ

Знание компонентов экспертизы

Различные научные дисциплины, в том числе искусственного интеллекта [3], когнитивной психологии [15], и учебные [психологии 17]-характеризующие знания и опыт по-разному. Хотя каждая связана с различными аспектами опыта, их характеристики являются взаимозаменяемыми с, или дополнять друг друга. Поверхностное обобщение этих характеристик позволяет предположить, что опыт включает nontacit и неявные знания [17]. Nontacit знания состоят из "глубокое знание" и "рассуждения". Глубокое знание включает в себя декларативные знания часто ассоциируется с официальной теории домена, например, концепции, определения, факты, аксиомы, и причинно-следственные законы. Рассуждения включает в себя методы, способных построить публично согласованного вывода сети на основе глубоких знаний и вывода стратегий, которые обеспечивают общий подход к решению проблем. Молчаливое знание включает в себя эвристические (мелкий) ситуации действия ассоциации идентичны тем, которые обычно используются для решения неструктурированных задач.

Другие исследования по KBSs определяет различные виды знания, тонкие компоненты, связанные с молчаливого и nontacit знаний. Ранние работы [3, с 22], относится к базе данных фактов, набор эвристических операторов, а также стратегия управления. [11] [12] Кланси работа определяет объекты, источники знаний, вывод структуры стратегических знаний, и мета-знания. Более поздние работы [8] также упоминается домена моделей, методов и задач структуры.

Хотя некоторые из этих тонких компонентов в некоторой степени взаимозаменяемы, они характеризуются по-разному исследователями, которые расходятся по лежащие в их основе взгляд на решение проблем. Например, возьмем случай источники знаний и операторов. В соответствии с "рассуждения" перспективы [12], поскольку решающий воспринимается как сделать ряд выводов, которые генерируют предложение (знания), которая отвечает требованиям информационного цели, источник знаний говорят, что правила вывода, использующий имеющихся знаний для получения новых знаний. В отличие от этого, в соответствии с "проблемой-пространстве" перспективу [3, с 22], поскольку решающий воспринимается как применение ряда мер, которые преобразуют исходное состояние решателя в (описано то, что известно в начале решения проблем) в целях государственной решать в (описано, что должно быть известно в конце проблемы), оператор называется механизм, который преобразует одно состояние проблемы пространства в другое государство.

Компоненты модели знаний

Эта дискуссия означает, что любая попытка обобщить выше характеристики компонентов тонкие знаний, с тем чтобы определить примитивных составляющих модели знаний должна зависеть от конкретного решения проблем перспективе. Мы решили сосредоточить внимание на перспективе проблема пространства, поскольку она обеспечивает надежный аппарат для описания понятия метода. Напомним, что методы играют центральную роль в KMoST.

В перспективе проблема-пространство, решая задачу (или задачи) означает использование метода преобразования исходного состояния знаний (я) в пространство проблемы в состояние цели знаний (г). Если говорить более конкретно, с учетом всех состояний в задаче пространство (S) и множество операторов (O) для перехода от одного состояния в S к другому, метод постепенно строит путь из точки G, применяя конечная последовательность операторов в 0. Начиная с я, метод применим один оператор в то время, чтобы связать текущего состояния в другое государство на пути в стадии строительства. Во время обыска на следующий государства на пути, вполне возможно, что некоторые операторы в O будут применимы к текущему состоянию, в котором каждый оператор может ветки на другую следующее состояние. В таких случаях метод использует "поиск контроля знаний" для выбора оператора, что приводит в состояние ближе к Г. Перед оператора могут быть применены к тому или иному государству, знание его потребностей по превращению этого состояния в другое должны быть доступны в некоторых предопределенных форм (например, постоянно или определенные). Если этой информации не имеется, то оператор требует дальнейшего решения проблем с использованием другого метода со своей связанной пространственной задачи и операторов.

В этом смысле, оператор может рассматриваться как аналог концептуального подзадачи. Когда оператор может использовать альтернативные методы, мета-знания используются, чтобы выбрать наиболее подходящий метод ..

Этот формализм предоставляемый точки зрения проблема пространства является достаточно общим, чтобы описать все вычислительные методы [3]. Методы как правило, отличается в какой степени они эксплуатируют задач конкретной области знаний, направлять их поиск пути к цели государства, и, следовательно, в какой степени они могут быть описаны независимо от поставленной задачи. В этом смысле методы можно сказать, в диапазоне от слепого поиска методов вычислений. Слепой методы поиска могут быть применены к любой задаче, поскольку они не пользуются область знаний. Например, GENERATEAND-TEST это метод, который случайным образом генерирует следующее состояние проблемы пространства для похода и проверяет ее на цели государства. В отличие от алгоритмов, которые выполняют методы поиска не потому, что они полностью prespecify какой оператор будет применяться, задача которого-пространстве состояний и когда, и они считают, что все предпосылки для применения оператора будут удовлетворены. Алгоритмы весьма конкретные задачи, потому что они могут применяться только к классам одинаковых задач. Например, симплексный алгоритм может только решать задачи, которые могут быть смоделированы в виде линейных программ, в том поисках пути к цели государство (т. е. оптимальной точки опоры) вполне режиссер четко определенных знаний, она имеет около домена линейных программ.

Между этими двумя крайностями являются эвристические методы поиска, которые используют задач конкретной области знаний, направлять их поиск пути к цели государства. Эффективность поиска и эффективность этих методов зависит от объема знаний о предметной области у них и в какой степени это знание четко определены (полный, определенным, последовательным и т. д.). Строгие требования знания метода, тем более, что этот метод конкретных задач (например, это может решить только аналогичных задач). Например, TOP-DOWN уточнение метод, который может решить только классификация задач, для которых область знаний существует в виде иерархии эвристический специализации решения категории, он начинает сканирование иерархии сверху и систематически применяется операторами, постепенно сосредоточиться на каждом уровне по решению категорию, которая наиболее близка к цели. В отличие от ПРАВИЛО сцепление общего назначения эвристический метод поиска, который может быть применен к любой задаче, область знаний, может быть выражена как ситуация действие правил, что метод не требует четкого правила типов отношений (например, специализации, причинно-следственным), которые они улавливают между доменными объектов, упомянутых в их ситуации и действий частей ..

Опора на вышеуказанные проблемы формализм пространства приводит нас к выявлению примитивных составляющих знания модели, показанной на рис LC. Эти примитивы определяются следующим образом:

Объект: концепции, или например абстрактных знаний области моделирования. Объект описывается его атрибутами, которые являются объектами, а также и его отношения с другими объектами. Объект может быть конкретными (например, вирус), аннотация (например, гипотеза), примитивный (например, температуры пациента), или композитный других объектов (например, болезни и ее причины).

Домен Модель: созвездие объектов, которые фиксирует конкретные отношения (например, причинные, пространственные) между объектами. Примеры включают в себя набор уравнений моделирования структуры устройства захвата иерархии специализации и обобщения отношений между категорий заболеваний (также называется IS-иерархии), систематике обычно, необычные симптомы, а также сеть партнеров, что необычные симптомы заболевания на основе эмпирических корреляций.

Оператор: вычислительный механизм, который манипулирует doniain объектов в качестве средства преобразования знаний состоянии решать, например, оператор, который соединяет симптом объекта болезни объекта в причинно-следственной связи.

Метод: набор правил принятия решений (например, поиск контроль знаний), который динамически генерирует рационального плана для вызова операторов с конкретными моделями домена при достижении цели определенные (суб) задачи в медицинской диагностике, например, с учетом иерархии болезни категории "сверху вниз" УТОЧНЕНИЕ систематически проверяет иерархии, начиная сверху, постепенно фокусировки на каждом уровне по болезни, которая лучше всего объясняет наблюдаемые симптомы.

Целевая структура: функциональной декомпозиции задачи на подзадачи, которая определяет метод (ы) применяется ко всем подзадачи, либо для ее решения или дальнейшего разложения ее на подзадачи. Задача структуры, однако, не указать порядок, в котором эти методы вызываются в решении проблем. (Примеры приводятся ниже.)

Стратегия борьбы: набор правил принятия решений, который динамически генерирует рационального плана для вызова методов в решении задач структуры, с тем чтобы достичь общей цели задачи. Так, например, многие врачи используют гипотетико-дедуктивной стратегии управления формулировать гипотезы в начале медицинской диагностической сессии, а также исключить гипотезы и вряд ли продолжать вероятных диагнозов [24].

Мета-знаний: информация о вышеупомянутых примитивов, когда они применяются, и, когда исключения могут возникнуть. Мета-знания, определяет вид объектов и отношений каждого отражает модель предметной области, а также ввода каждого метода ожидает и цели он может достигнуть, между прочим. Она также включает в себя общие решения проблем принципов, таких как: если знание об объекте появляется в некоторых IS-иерархии нет, использовать знания, он наследует от более общего объекта. При определенных (суб) задач в структуре задачи отображаются на различных методов, мета-знания помогут определить, какой из этих методов могут и должны использоваться для тех подзадач при различных обстоятельствах.

Как правило, один может быть в состоянии построить несколько моделей знаний для данного (structurable или неструктурированных) задач, каждая из которых различные случаи выше примитивов. Различные эксперты могут просмотреть ту же задачу по-разному [10], и, таким образом отвлечься от его структуры различных задач и использование различных методов и моделей домена. Так, например, иметь дело с неструктурированными подзадачи с участием неполной вход, один эксперт может использовать значения по умолчанию, а другой может использовать имеющиеся материалы для создания частных решений, которые могут определить отсутствует ввода.

ЗНАНИЯ МОДЕЛИРОВАНИЕ STRUCTURABLE ЗАДАЧИ

Методология KMoST представлены в данном разделе может быть использована для построения детальной модели знаний structurable задачи с точки зрения примитивной трехсторонних знаний говорилось в предыдущем разделе. Концепций, лежащих этой методологии рассмотрены ниже, а затем обсуждение действия, используемые для выявления конкретных компонентов в модели знаний задачи.

Основная концепция

Как сталей [29], мы считаем, моделирование structurable задачи, как поступательный процесс разложения, чья главная цель заключается в карту данного приложения задача одна или несколько методов, которые либо решить задачу или разложим его на подзадачи, каждая из которых может быть структурированный, structurable или неструктурированной. Однако для практической реализации этой разложения процесса, то мы сначала разработать всестороннюю характеристику задачи и каждого из ее подзадач по различным атрибутам обсуждается в литературе problemsolving [28], а затем воспользоваться помощью существующих задач метод отображений [9] (см. Например, в рис. 2) предложить методы, подходящие для решения, разлагая (или оба) задачи.

Task-метод отображения организовать методы доказали свою эффективность в существующих KBSs в зависимости от их пригодности для различных категорий задачи. Например, как показано на рисунке 2 показано, диагностические задачи могут быть решены по обложке и дифференциации абдуктивного Ассамблеи, а также Байесов методов объяснения, каждый из которых предполагает новые подзадачи. Абдуктивного Ассамблея может означать один или более из четырех подзадачи: исключить гипотез и подтверждения гипотезы подзадач выберите вероятно, гипотезы, основанные на частоте их появления в "миру" быть проанализированы Создать подзадачи Правдоподобные гипотез добавляет множество правдоподобных гипотез, те, которые лучше объяснить симптомы еще не объяснил (например, добавить гипотеза не топливо "объяснить, почему" машина не запускается, "и" электрический сбой системы "гипотезу, объясняющую, почему, кроме того, выиграл` рог 'т работы "), а подзадачи Выберите гипотез выводит из этого множества лишних и несовместимых гипотез (например, удалить гипотеза не топливо", потому что "отказа электрооборудования системы объясняет как симптомы). В свою очередь эти подзадачи могут быть решены с помощью других методов.

Концептуально каждой итерации в процессе распада предполагает поиск наиболее подходящего метода, в котором данная (суб) задача должна быть нанесены на карты. Проведение такого поиска включает две проблемы. Во-первых, любая задача может возможно быть сопоставлен с несколькими методами. Во-вторых, вполне возможно, что метод, необходимых для данной задачи пока не существует, поскольку имеющиеся отображения задач метода являются неполными. Потому что любой метод способные обработки конкретных задач создан, чтобы соответствовать различные признаки того, что задачи (например, цель типа, типа входного сигнала, качество приемлемое решение), имеющих всестороннюю характеристику задачи по ее атрибуты могут помочь в решении этих проблем. Такая характеристика облегчает согласование группы по борьбе с существующим методом с аналогичными характеристиками, адаптация существующих методов, характеристики которых соответствуют частично характеристики задания, или даже разработки нового метода в случае необходимости.

В левом столбце таблицы 1 приведены основные признаки, по которым задачи могут быть охарактеризованы с целью отображения ее на правильный метод [28]. Для каждой конкретной задачи, некоторые атрибуты могут быть хорошо или плохо определены. Атрибут плохо определен, если она не может быть охарактеризованы с использованием домена теорий, если его характеристик является одним из источников жестокого структуры в деле, или обоих (например, решение пространства большие и не могут быть перечислены заранее, как и в При диагностике пациента, где решение может быть любая комбинация из одного или нескольких заболеваний). Таким образом, для характеристики недостаточно определенный атрибут, часто бывает необходимо, чтобы зонд стратегии решения экспертов, с тем чтобы определить, как они определяют, что атрибут, раскрыть эвристические средства они используют для решения его влияние на сложность задачи, или оба ( например, найти решение в satisficing preenumerable подмножество наиболее часто повторяющиеся решения, а не оптимальное решение). Соответственно, наша задача характеристика начинается с анализа четко определенные атрибуты, надеясь, что они могут указать подходящий метод (в случае структурированные задачи), или по крайней мере сузить выбор методов. Если подходящий метод не может быть определен, необходимо охарактеризовать неточно определенные атрибуты, отвечая на вопросы, которые перечислены в средней колонке таблицы 1.

Извлечение отдельных компонентов в модели знаний подразумевается в характеристике задачи по ее атрибуты. Например, атрибутов, связанных с проблемой пространства помогут выявить объекты, домен моделей, а также операторов, связанных с задачей, и в конечном итоге выявить метод (ы) необходимо и подразумеваемых структуры задачи. Кроме того, атрибуты, касающиеся отношений между подзадач подразумевается разложение поможет выявить стратегии управления и определить мета-знания.

На основании вышеизложенных концепций, оставшуюся часть этого раздела объясняется, конкретные шаги в методологии KMoST и связи между этими шагами и строительство модели знаний.

Концептуализация шаги

1, b представлены шаги в нашей методологии и их связь с конкретными примитивных составляющих модели знаний, рассмотренных выше. Эти шаги являются:

1. Охарактеризовать задачи по ее четко атрибуты, используя домен теорий. В принципе, этот шаг быстро сужает выбор методов для которых задача может быть отображен.

2. Исследование неточно определенные атрибуты зондирования стратегии решения экспертов. В принципе, этот шаг поможет различать среди возможных кандидатов далее методов.

3. Использование характеристика задач и задач метод отображения на карте задачу наиболее подходящий метод.

4. Инстанцировать определены методом либо решать задачи, прямо или разложим его на подзадачи. Если задача распадается, первые исследования местных потока данных и управления между подзадач, а затем повторите эти шаги для каждой подзадачи.

5. После завершения процесса разложения, анализ глобального потока управления среди всех подзадач (например, как взаимодействие между подзадач варьироваться в зависимости от ситуации) и определить мета-знания.

Шаг 1: Охарактеризовать четко определенные атрибуты Целевой

Цель здесь для характеристики (суб) задачи по ее четко определенных признаков. Анализ начинается с определения общего типа задачи на основе материалов и ожидаемых результатов (см. Рисунок 3). общий тип задач может предложить такой способ и область знаний, необходимых для решения поставленной задачи. Например, решая общие задачи диагностики как правило, включает выводы, которые используют соответствующие замечания, чтобы найти более глубокие причины, симптомы, или ликвидации части, модель предметной области связи признаках их причинами [24] [25].

Дальнейшие характеристики таких свойств как полноты, последовательности и достоверности материалов и достаточности выходных спецификаций, может означать, что задача имеет несколько общих типов. Например, диагностические задачи, которые получает неполную ввода (например, частичное описание государственной пациента) также могут быть характерны как общие задачи мониторинга, поскольку он требует принятия мудрых просьбы о дополнительной ввода (например, результаты медицинских тестов), так что диагноз "система" можно охарактеризовать достаточно хорошо, чтобы позволить выявления причин (например, менингит) наблюдаемые симптомы. Аналогичным образом, несовместимым характеристики выход может предложить, например, о том, что проектное задание может быть также характерны как общие задачи идентификации, что необходимо найти ключевые характеристики, которые соответствуют и достаточные для создания первоначального дизайна кандидата. В общем, таких случаев будет означать, что правильный метод, вероятно, будет одна, что разбивает задачу на подзадачи.

Как правило, общий тип задачи только помогает сузить выбор методов, даже если задача имеет одного общего типа. Этот момент можно проиллюстрировать на следующем примере. В случае задача схемы диагностики как один решена SOPHIE [3], так как решение одного неисправного компонента, аномальных состояний схемы может быть исчерпывающе preenumerated и причинную связь с выхода компонентов из строя. В этом случае, подходящий метод может быть один, который выбирает решение из ряда априори решений. С другой стороны, в случае медицинского диагноза, как задача решена одна кадуцей [25], потому что пациент может быть несколько заболеваний одновременно (например, кашель может быть вызван холода, болезней легких, или оба), то Слишком много комбинаций инфекций, preenumerated или исчерпывающе узнал. Здесь, подходящий метод может быть одна, что создает решения путем настройки последовательного сочетания отдельных процессов причинной, каждая из которых одна болезнь, которая объясняет подмножество наблюдаемых симптомов.

Чтобы сузить выбор методов кроме того, оно необходимо для характеристики пространства решений задачи. Можно ли preenumerate все решения на практике с точки зрения приобретения знаний? Возможно ли prestore все решения, или решение пространства стабильным? Если решение пространства предприятия, может быть организована решения в некоторой области, модель, с тем чтобы ускорить выбор решения? Отвечая такие вопросы могут предложить, даже если необходимые метод один, который "выбирает" или "строит" решение. Например, во время слишком большое пространство решение потребует построения решений, зная, что эта задача требует поиска только satisficing решение может означать, что решение всегда можно выбрать из маленького preenumerable подмножество наиболее часто повторяющихся решений [9]. Альтернативы, даже если все альтернативные решения могут быть preenumerated и хранить, жестокого установленном порядке решения оценки (например, при выходе спецификации является неполным или не) может потребовать исчерпывающего сравнения всех альтернативных решений, тем самым делая выбор решения вычислений невозможно . Как показывают эти примеры показывают, зависимости между характеристика различных атрибутов может повлиять на выбор подходящего метода ..

Таким образом, первый шаг в KMoST характеризует (суб) Задача по атрибуты, перечисленные в левой колонке таблицы 1, где некоторые из этих атрибутов может оказаться хорошо или плохо определены. Если задача структурирована, ее атрибуты были четко определены, и их характеристика будет указывать на соответствующий метод (или позволить создание подходящих алгоритмического метода). В противном случае, этот шаг может просто помочь сузить выбор методов, в этом случае жестокого определенные атрибуты должны характеризоваться прежде правильный метод может быть идентифицирован.

Шаг 2: Охарактеризовать неточно определенные атрибуты Целевой

На этом этапе основное внимание уделяется анализу неточно определенные атрибуты (суб) задачи путем систематического изучения вопросов, как упомянутые в средней колонке таблицы 1. Как уже упоминалось ранее, это часто требует выявления эвристических средств и упрощающие предположения используются экспертами иметь дело с плохо определенными аспектами поставленной задачи. Например, если задача предполагает неопределенное материалов, делать специалисты используют по умолчанию предположения, основанные на опыте, или же они создают возможные решения, а затем сделать обоснованные предположения? Кроме того, когда решение пространства не preenumerable, делать эксперты предполагают, что в большинстве случаев решение может быть найдено в небольшой preenumerable подмножество, или же они начинаются с качественного решения и оптимизировать его для ситуации решать?

Информация, необходимая для ответа на подобные вопросы могут быть получены от экспертов, по-разному, с разной количество затраченные усилия. Один из способов это просто запрос экспертов. Тем не менее, запросы не всегда может извлечь необходимую информацию, потому, что эксперты могут не осознавать все аспекты своей стратегии решения [18].

Альтернативой является судов ситуаций, в которых влияние конкретных неточно определенные признаки очевидны, и выявить говорить вслух протоколов для таких ситуаций. Такие сосредоточены протоколы часто называют "конкретной ситуации модели" (ВСС). SSM состоит из предложений, считает эксперт, чтобы быть правдой в той или иной ситуации, и он отражает знания предметной области и рассуждения, использованные для решения этой проблемы. В медицинской диагностике, например, SSM, как правило, состоят из набора конкретных наблюдений, результатов испытаний, расстройств и их причинно-следственные связи считается, что в настоящее время пациент уже диагноз. Можно проанализировать ВСС на основе апробированных методов анализа протоколов, хотя такой анализ будет сосредоточена на понимании того, как эксперт занимается решением конкретных атрибутов априори известно, будет недостаточно четко определены. Это похоже, таким образом, чтобы структурированные интервью, который в основном в один запрос и помогает понять конкретные аспекты процесса рассуждения эксперта быстро [1]. Например, если один из неточно определенные признаки показывают, что вклад в задачу иногда неполной, эксперт будет представлен с ситуаций, связанных с неполным сигнала, так что анализ может сосредоточиться на изучении тех рассуждений, необходимых для урегулирования таких ситуаций ..

Некоторые неточно определенные атрибуты могут быть изучены, выставляя ВСС графически (см. рисунок 4), на основе руководящих принципов, предложенных Кланси [11]. Здесь, анализ ВСС будет сосредоточена на домен моделей, используемых экспертов организовать объектов (например, симптомы, расстройства) на основе их отношения (например, симптомов расстройства ассоциаций), а операторы (например, специализируются расстройство, классифицировать признаки ), используемые с этими моделями в решении проблемы. На рисунке 4, например, выводит часть образцов SSM, где объекты, отношения и операторы, используемые внутри пунктирной рамкой означает, что эксперт проводит пациента нарушения в иерархической модели предметной области на основе их "тип-'отношений. Этот домен Модель позволяет эксперта для сбора большего объема данных, вывод новых предложений, изменить существующие предложения, и в целом расширить SSM в ходе решения задачи. Чаще всего домена моделей и операторов, используемых эксперт будет определять вид метода необходимо.

Случаи, в которых задача настолько сложна, что выбор методов, которыми оно может быть сопоставлен не может быть сужен, приходится прибегать к nonfocused анализ говорить вслух протоколов. Такой анализ будет сосредоточено на понимание проблемы пространства задачи, то есть объекты, используемые для описания состояния в задаче пространства, исходное состояние, цели государства, операторы использовали, чтобы найти путь между этими двумя государствами, порядок , в которых эти операторы применяются, и так далее. Потому что любой метод можно охарактеризовать в терминах пространства состояний она пересекает, определение проблемы пространства задачи в конечном счете должно указывать на правильный метод. Однако, если один не может разработать определение проблемы пространства, которая объясняет весь процесс решения задачи эксперта Существуют две возможности. Во-первых, существует неопределенность относительно неприводимых роль операторов при прохождении проблема пространства, в этом случае задача предположительно неструктурированной и, вероятно, должна быть решена с помощью экспертов эвристические знания предметной области с общего назначения метод поиска (например, правила цепочки ). Другая возможность состоит в том, что проблема космического задачи включает в себя один или несколько подпространств, в этом случае подходящим методом, скорее всего, будет одна, что распадается задачи.

Трейс строительства SSM:

0. Дано: начальные симптомы являются "головной боли ', что в прошлом '12 часа.

1. Продолжительностью нахождения 12 часов переходит к более абстрактному "С. нахождения срок.

2. 'Нахождения головной боли' отображается на связанные беспорядок-

3. На основании связанные-функцию

4. На основании 'головной боли "и" ригидность затылочных мышц на сгибание выводы, менингит предположение.

5. Уточнение менингита (по типу отношений) создает изысканные гипотезы острого менингита.

6. Уточнение острого менингита, генерирует более утонченные гипотезы острого бактериального менингита.

7. Поддержка острого бактериального менингита на имеющихся результатах находится с "CNS продолжительность" через связанные-функцию

8. Попытка оказания дальнейшей поддержки острым бактериальным менингитом с использованием новых выводов триггеров связанные-функция

9. Ассосиэтед-функцию

10. Различных попытка поддержать менингита, посмотрев на категорические доказательства для более общей гипотезы. Попытка определяет инфекционного процесса. II ...

12. Менингит вызывает другие особенности, связанные, присутствие которого могли бы поддержать эту гипотезу ... сравниваются с характеристиками и друг с другом, значения параметров каждого кандидата дизайн рассчитаны, и т. д.), могут включать подпространства, в котором проектных заданий проверяется согласованность, ослабить, чтобы для отбора кандидатов конструкций, а также изменены с выбором кандидата конструкций. Здесь, проектное задание, возможно, придется решать с использованием метода, разлагает ее такой, что одна из подзадач будет заниматься только рассуждения о технических спецификаций.

Итак, второй этап предполагает изучение KMoST неточно определенные атрибуты (суб) задачи. Это исследование может быть сделано различными способами с различной степенью усилия, простой запросов к экспертам в этой области, ориентированный анализ ВСС, и подробный анализ говорить вслух протоколов. В конце этого шага, один, вероятно, обладают достаточной информацией о задаче, с тем чтобы определить правильный метод.

Шаг 3: Карта задачи для правильного метода

Цель этого шага заключается в карту (суб) задачу наиболее подходящие кандидаты методов, с помощью задач метод отображения (например, рисунок 2). Метод, избранный должен быть в состоянии справиться с источниками жестокого структуры с использованием модели определены области.

При попытке карту задача правильного метода, следует искать особых случаев, таких как: * Если несколько методов оказалась пригодной, каждый в разных условиях, карта задача всех тех, методы и определить условия, при которых каждый метод применяется. Например, если задача, которую предлагает схему конструкции можно решить с помощью вычислительных ресурсов метод, который настраивает схемы с нуля (с помощью конденсаторов, транзисторов и т.д.), а аналогичный метод рассуждения, который извлекает схемы конфигурации из набора prestored прототипов цепи, Оба метода могут быть выбраны при первом методе используется только в случае решения не могут быть найдены среди prestored прототипов.

* Если можно определить метод, который соответствует только некоторые из характеристик задачи, информации, полученной в предыдущем шаги могут помочь адаптировать этот метод. Например, если специалист использует уникальную методику для оценки решений создан с помощью иерархический подход классификации, то можно изменить существующие иерархический метод классификации в соответствие с этой процедурой оценки.

* Если Есть нет четко определенных моделей домена (например, решение пространство не может быть организовано для эффективного отбора раствора) или операторов, используемых в ВСС используются непоследовательно, нет подходящего метода могут быть обнаружены. Здесь задача состоит в неструктурированных и может быть решена с помощью общего назначения метод поиска (например, правила цепочки) с экспертами эвристический (мелкий) модели предметной области.

Шаг 4: Создание экземпляра выбранного метода, анализ Подразумеваемая подзадачи, и вновь заявляем

После отображения задачу наиболее подходящий метод, экземпляр этого метода либо решает задачи непосредственно, либо распадается задачу на подзадачи. В последнем случае, разложение процесс должен быть повторен для каждого подразумеваемых подзадачи.

Однако, прежде чем повторить процесс разложения, надо изучить две вещи, которые помогают выявить дальнейшие задачи и структура управления стратегических компонентов модели знаний в стадии строительства. Во-первых, необходимо проанализировать подразумеваемых подзадач для содержания зависимость, или поток данных между собой и между подзадач, выявленные в ходе предыдущих итераций. Информация о каком выходе подзадач 'является вкладом в других подзадач будет определить, как вновь подразумевает подзадач вписывается в задачи структуры. Во-вторых, нужно определить последовательность зависимость, или местных поток управления, среди подразумеваемых подзадач. Есть заказ из подзадач фиксированной или в зависимости от ситуации? Есть подзадач выполняются от начала до конца, или они могут быть прерваны для включения других подзадач, которые могут предоставить некоторые необходимые вход? Отвечая такие вопросы, помогает выявить части стратегию управления.

Шаг 5: Полная стратегии контроля и идентификации мета-знаний

По окончании итерационного разложения задачи, необходимо завершить управления стратегии и определить мета-знания. Потому что вся информация о том, как взаимодействуют подзадач глобально не поверхности при анализе зависимости между местными подзадачи (в шаге 4), недостающая информация должна быть обнаружены по глобальному анализу зависимостей среди всех подзадач, в свете задачи структуры показали. Цель заключается в том, чтобы вернуться назад и проанализировать структуру задачи и ВСС в глобальном контексте, с тем чтобы определить задачи зависит от принципов, определяющих, во время выполнения программы, которые подзадачи решить, когда, в каком порядке и с помощью которой из многочисленных методов может быть сопоставлен с каждой подзадачи.

Что касается мета-знания, некоторые определяется в виде резюме выявленных моделей область в терминах объектов и связей, которые они улавливают, выбранных методов с точки зрения их целей и домен моделей они требуют, чрезвычайных ситуаций, при которых некоторые методы не применяются, и так далее. Некоторые мета-знания определяется путем определения условий, при которых каждый из нескольких методов отображается на том же подзадачи должна быть активизирована. Другие мета-знаний в виде общего решения проблем принципы (например, использование унаследованных значений атрибутов) обнаружено, проверяются такие принципы используются в ситуациях и подзадач на различных уровнях в решении задачи структуры.

Иллюстрация к "финансовое хеджирование" ТАСК

В данном разделе показано, каким образом методология KMoST используется для построения модели знаний для хеджирования финансовых задач. Мы начинаем с введения этой задачи и основные факторы, которые делают его structurable.

Финансовое хеджирование

Хеджирования сделок с дизайном "хеджировать транспортных средств" комбинации, торгуемых финансовых инструментов (облигаций, акций, опционов и т.д.) с целью предотвращения потери или получения выгоды в результате принятия рисков, связанных с конкретными будущих событий. Рассмотрим, например, фирма, которая планирует выпустить облигации, чтобы привлекать капитал для проекта. Фирма считает, что процентные ставки будут расти, причем вероятность того, что они будут снижаться, до даты выдачи. Если ставки пойдут вверх (снижение), фирма должна предложить больше (меньше) процент выхода годных по своим облигациям, тем самым увеличивая (снижение) выпуска затрат. Фирма, таким образом, стремится хеджевых транспортного средства для ограничения выдачи расходы, чтобы защитить себя от роста, а также сохранить возможность извлечь выгоду из снижения, процентных ставок. Приложение показывает, как трейдер идет о разработке соответствующего транспортного средства.

Хеджирование ограниченного многокритериальной задачи оптимизации [6]. Технико-экономические препятствия существуют для согласования сроков погашения, не превышающий пределы наличности в создании хедж транспортного средства, между прочим. Задачи включают в себя максимальное ликвидности, сводя к минимуму расходы на создание и кредитный риск, и так далее. Хотя хеджирования можно концептуально сформулировать в виде целого модель программирования, такая модель не может быть использована в день за днем. Решение пространства является взрывоопасной и неустойчивой. Можно создать бесконечное количество транспортных средств по продаже, покупке, или оба, комбинации из тысяч финансовых инструментов, обращающихся на рынке, где эти документы постоянно меняется (например, новые облигации выпускаются часто). В то же время, хеджирование задача не может быть решена грамотно основываться только на опыте эвристики трейдеров, так как трейдеры хеджирования Известно также, что полагаться на некоторой вполне определенной, основанного на теории моделей и методов в своей аргументации [19]. Таким образом, хеджирования structurable задача, и ее можно представить использование KMoST методике, изложенной в предыдущем разделе.

Построение модели знаний по хеджированию

После обсуждения объясняет частью концепции процесса хеджирования (см. [5] для полного анализа). Она показывает, как хеджирование распадается на подзадачи на основании его отображение на множество собственных методов. Она также показывает, что анализ этих подзадач колеблется от исследования, основанного на теории знания описаны в руководстве практикующих '[2] и учебники [14], в рамках целенаправленного изучения ВСС экспертов, для тщательного изучения проблемы рассматриваются в пространствах ВСС. Чтобы проследить обсуждения с большей легкостью, отсылаем читателя к задачам метод отображения показано на рисунке 2, а также частичное структуры задачи представлены на рисунке 5.

Хеджирование начинается с набором технических спецификаций и экономические условия по отношению к которому такое хеджирование (например, повышение процентных ставок), а также генерирует хедж автомобиль, который наилучшим образом соответствует входных спецификаций. Хеджирование общего задания на проектирование, потому что транспортные средства не существует априори (только документы имеются). Ее ввод и цель спецификации являются полными, но ее решение пространства практически не preenumerable. Зарегистрированные знаний определяет каких-либо конкретных средств для решения этого источника жестокого структуры. Тем не менее, анализ ВСС эксперта для решения этой задачи (см. пример в приложении) показывает, что он начинается с качественных автомобилей (типы финансовых инструментов, обращающихся без уточнения количества и сроков погашения), которые встречаются только профиль целью выигрыша (см. определение ниже) , а затем перерабатывает эти транспортные средства в соответствии с входных спецификаций. После рис. 2, поэтому задача отображается на ВЫРАБОТКИ и пересмотреть метод, который предполагает четыре подзадачи: Предложить транспортных средств, Убедитесь, транспортных средств, транспортных средств критике и пересмотреть транспортных средств.

Предложить транспорт получает цель "выигрыш профиля" качественных кусочно-линейной функцией с указанием о прибылях и убытках картина хеджером стремится получить в соответствии с рыночной ситуацией хеджируемого (см. пример в Приложении, и приходит к выводу о всех транспортных средств, удовлетворяющих этому выигрыша профиля. Это общее задание на проектирование, а транспортные средства не существуют априори не может быть preenumerated. Проанализировав домена теорий чтобы понять, как решения для выполнения этой задачи (например, транспортных средств) может быть построен, выяснилось, что теории последовательно проводит различие между двумя типами транспортных средств. Когда профиль цели выигрыш состоит не более чем два линейных края (где каждое ребро соответствует непрерывной поддиапазоне значений, хеджирование переменной можно считать, например, см. Приложение), "общие транспортные средства" создаются либо продавать или покупка документов одного типа (например, покупка опционов пут по облигациям), в противном случае "состав транспортных средств" создаются в виде комбинации общих транспортных средств (например, покупка опционов на облигации и продают опционы "колл" на акции). Таким образом, эта задача включает в себя 2 различных задач: предложить общие и предложить Compound-карту, и мы его

Разложения и превращения метода.

Этот метод подразумевает три подзадачи: Укажите подзадачи проверяет целью выигрыша анкету чтобы определить, когда это необходимо для решения общих Предложить или предложить подворье; Решить подзадачи инициирует решение, какая бы из этих двух подзадач указывается и Составьте решений играет определенную роль, которая станет ясно после того, итоги двух specifiable подзадач понятно.

Предложить общего профиля получает выигрыш цели и ожидаемые поведение хеджирования переменной, и создает все общие транспортные средства обеспечения режима целью выигрыша. Как отмечалось ранее, это общая задача дизайна. Домен теории говорят о том, что решения для выполнения этой задачи не может быть preenumerated. Каждое транспортное средство предоставляет различные профили выигрыша в различных рыночных ситуациях (например, повышение процентных ставок против роста процентных ставок и инфляции), а также тысячи инструментов, постоянно меняются. Кроме того, учитывая множество возможных ситуаций на рынке могут возникнуть одна, решения для этой задачи, зачастую уникальных (в отличие от часто повторяющихся). Тем не менее, область теории, обеспечить две руководящие принципы для создания подходящих общих транспортных средств. Во-первых, это невозможно хеджировать с транспортного средства, состоящие только из документов, которые нечувствительны к переменной хеджирования. Во-вторых, в конкретных ситуациях выигрыша профиля транспортного средства могут быть получены путем моделирования как прогнозируемого изменения в хеджирования переменная влияет на стоимость автомобиля, что учредительными документами. Эти принципы предполагают, что сложности в отношениях с большим количеством документов могут быть решены путем определения соответствующих документов до получения выигрыша профиля с участием транспортных средств общего с этими документами.

Предложить инструменты является общей задачей идентификации. Она получает в качестве входных данных хеджирования переменной (например, процентная ставка), и определяются из имеющихся документов всех тех, чья стоимость чувствителен к этой переменной. Домен теории указывают, что эта задача предполагает четко определенных моделей домена. Они являются "модели оценки", используемый для расчета рыночной стоимости инструментов. Модель оценки документа представляет собой набор уравнений структурного моделирования причинно-следственных связей в экономических переменных, влияющих что стоимость инструмента [14]. Таким образом, соответствующих инструментов может быть найдена путем определения этих документов (например, опционы пут по облигациям), чьи модели оценки, или лежащих в их основе инструментов (например, облигации), ссылки хеджирования переменной. На основании этого наблюдения, мы карту задачу простой линейный поиск (классификация) метод.

Проверка транспортных средств общего находит среди всех документов, определенных предложить инструменты тех, чьи покупки или продажи предусматривает профиля целью выигрыша. Таким образом, каждый предлагаемый документ в настоящее время связаны с двумя общих транспортных средств: 1 создана путем покупки, другой за счет продажи этого документа. На основании теории домена, эта задача является общей задачей прогнозирования, потому что он требует моделирования как стоимость каждого из предлагаемых изменений транспортного средства зависит от поведения хеджирования переменной. То есть, где структура транспортного средства описывается модель оценки документа продается или покупается, вход ожидаемые изменения в хеджирования переменной (например, процентная ставка, скорее всего, расти, возможно, что снизится), и выход путь стоимость этого автомобиля меняется в зависимости от того, как хеджирование изменения переменной. Однако, поскольку ряд документов, чувствительных к хеджируемому переменной, как правило, большие, выполняя отдельные моделирования для каждого возможного транспортного средства непомерно высока. Домен теории не объясняют, как бороться с этим источником жестокого структуры, но анализ ВСС эксперта для выполнения этой задачи дает ответ. Например, следующие SSM строится проверить, является ли покупка опционов на облигации могут крышки стоимость выпуска корпоративных облигаций в условиях роста процентной ставкой (см. Приложение):.

Увеличение процентной ставки приведет цены на облигации, сокращаться, и в свою очередь вызывают опционов пут к увеличению стоимости. Прибыль от опции будут компенсировать дополнительные расходы на выпуск облигаций с более высокой доходности и, следовательно, скорости крышки выпуска затрат. Если процентная ставка снижается, цены на облигации будут расти, оказание опционов бесполезной, но снижение стоимости выпуска облигаций с более низкую производительность, скорость, более чем компенсируют потери ставит (т.е. стоимости приобретения ставит ').

Это показывает, что SSM эксперт использует качественный анализ причинной для получения конкретной ситуации выигрыша профиля с участием транспортных средств, документов того же типа (то есть любого опционов на облигации, в отличие от конкретных положить на определенные связи). В самом деле, наши последующие запросы экспертов показали, что документы могут быть организованы в иерархии на основе их обобщения / специализации отношений, то есть в IS-иерархии, как показано на рисунке 6. Эта задача, следовательно, отображается на качественный метод моделирования, которая эмулирует причинно-следственный анализ эксперта по оценке моделей [4]. Для каждой из наиболее общих классов документов в IS-иерархии, этот метод применяется дважды, чтобы предсказать, профили для выигрыша купить и продать действий.

Критика общих транспортных средств сравнивает профили выигрыша предсказал для отдельных категорий транспортных средств предлагается с целью выигрыша профиля, каждый класс приносит соответствует продать или купить действий определяется как общий класс автомобилей, который удовлетворяет цели профиля выигрыша.

Пересмотр общих транспортных средств не играет никакой роли, потому что никаких действий может быть применен на общие транспортные средства, чтобы вынудить их выигрыша профиля в соответствии с профилем целью выигрыша.

Анализ последних 4 подзадачи показывает, что предложить инструменты и проверки общего Автомобили последовательности зависимых. Учитывая большое количество инструментов, бывший подзадачи должны быть решены первые для того, чтобы последний вычислительно сговорчивым.

Из-за ограниченности пространства, мы перейти к анализу один из наиболее интересных подзадач, возникших в ходе разложения. После применения всех возможностей ограничения, один остается только возможные транспортные средства хеджирования, которые затем должны быть уточнены в целях удовлетворения целевых функций. Мы будем называть эту задачу в ранг транспортных средств.

Ранг Транспорт принимает множество целевых функций и набор возможных транспортных средств хеджирования, и уточняет транспортных средств, производят несколько таких автомобилей, которые наилучшим образом удовлетворить целевых функций. Это общая задача идентификации. Поскольку большинство атрибутов автомобиля фиксируются важным, производя несколько выше транспортных средств по сути означает очередности транспортных средств на основе целевых функций и определение рейтинга топ них. Наша попытка охарактеризовать задачи атрибуты, перечисленные в верхней части таблицы 1 указано, что некоторые из них плохо определены. В частности, цель спецификации плохо определены, поскольку он предполагает качественное и конкурирующих целевых функций, то есть она является неполной, в первую очередь потому, что объективные функции не являются приоритетными. Домен теории не дают способ борьбы с этим источником жестокого структуры. Тем не менее, они утверждают, что значение различных целевых функций в зависимости от рыночных условий, прогнозируемых на период хеджирования. Наш последующий анализ экспертов ВСС было сосредоточено на выявлении средств, используемых для обработки этого недостаточно определенный атрибут. Этот анализ показал, что различные части сделки ВСС с двумя отдельными вопросами. Ранее части посвящены исключительно приоритетности целевых функций в свете ожидаемых условиях рынка, а позднее части посвящены исключительно очередности транспортные средства вместе целевых функций (при условии, что цель функции были приоритетными).

Поскольку эти вопросы решаются по отдельности, мы пришли к выводу, что эта задача включает в себя два отдельных подзадач-приоритетность целей и получить порядков и отображается его метод DIVIDEAND властвуй ". Далее мы обобщить анализ этих подзадач. Для концептуальной ясности, мы начинаем с Вывести порядков подзадачи ..

Вывести порядков имеет ряд приоритетных целевых функций, а также производит ранга упорядочения транспортных средств, а атрибуты, на которые ссылается целевых функций (например, настройку, ликвидности). Домен теории указывают, что автомобиль атрибуты, на которые ссылается целевых функций несут четко определенных зависимостей (например, меньше индивидуальных транспортных средств, тем больше жидкости он есть). Концептуально, эти атрибуты могут быть организованы на основе их зависимостей в модели предметной области будем называть "оптимальности иерархия" (рис. 7, вверху). Наблюдаемая информации о транспортных средствах (например, сроков погашения, объемы торгов) обеспечивает основу для очередности автотранспортные средства по низким атрибутов в иерархии. Ранг упорядочения вдоль высших атрибутов в иерархии оптимальности получены путем распространения (или объединения) низкий уровень упорядоченности вверх по иерархии. Это распространение может быть сделано путем сопоставления различных задача четко определенных методов MULTISCORING. Напомним, однако, что распространение предполагает знание того, как ссылки в иерархии параметризованы (или взвешенный), то есть знание того, как объективные функции являются приоритетными. Это возвращает нас к подзадачи приоритетности целей.

Приоритетность задач является общей задачей прогноза. С учетом ряда объективных функций и ожидаемых рыночных условиях, указанных в условиях ожидаемого поведения экономических переменных, приоритетность целевых функций основан на прогнозировании последствий этих рыночных условиях на значение целевых функций (например, насколько важна ликвидность транспортных средств, учитывая, что колебания процентных ставок, скорее всего, расширить). Наш анализ показал, атрибуты задания, что входной о предполагаемых условиях рынка, как правило, неполной и неточной. Домен теории не дают любом домене моделей для получения полной спецификации ожидаемых рыночных условиях и их воздействия на целевые функции. Таким образом, мы приступили к целенаправленный анализ экспертов ВСС, надеясь определить конкретные средства, используемые для решения плохо определенной характер ввода (например, использование по умолчанию предположения). Потому что этот анализ не выявил таких средств, мы прибегли к nonfocused анализ ВСС, направленные на понимание проблемы пространства этой задачи, то есть, исходное состояние знаний, цели государства, операторы использовали, чтобы найти путь увязать эти два государства , и так далее. Анализ показал, что состояния в задаче пространстве описывают ожидаемый поведения различных экономических переменных (например, колебания процентных ставок, торговый баланс) и их влияние на транспортное средство атрибуты (например, ликвидности).

Исходное состояние описывает ожидаемое поведение лишь несколько учитывая экономические переменные. Операторы достижения последовательных состояний на пути к цели государство, путем распространения на поведение данного экономических показателей на другие соответствующие переменные и транспортных средств признаков, на основе причинно-следственных связей между этими переменными и транспортных средств признаков. Например, в одной из серий оператора приложений может следующей последовательности причинных propagations. Если колебания процентных ставок растет, иностранные инвестиции и торговый баланс будет расти, а объемы торгов будет расширяться, и в этом случае ликвидность автомобилей меньше беспокойства. Концептуально, кажется, что операторы используются для оценки ожидаемых результатов взаимодействия между экономическими переменными (рис. 7, внизу), с тем чтобы параметризовать оптимальность иерархии (рис. 7, вверху). Тем не менее, длительный анализ проблемы пространства привели нас к выводу о том, что эксперт использует каузальных операторов распространения в непоследовательным и непредсказуемым образом. Так Есть так много соответствующих экономических переменных с таким количеством возможных взаимодействий, экспертов, похоже, использует эвристические знания предметной области, что составляет (кратко) результаты длинные цепи причинной propagations применительно к ключевых экономических переменных.

Таким образом, вышеизложенное показывает, как процесс разложения постепенно раскрывает модели знаний хеджирования. Анализ, проведенный в ходе этого процесса открывает новые подзадачи, показывает, средства для решения их плохо определенных атрибутов, а также определяет домен модели захвата соответствующих объектов и отношений (например, IS-иерархии документов, оценка моделей). В конечном итоге это дает возможность отображения подзадач множество собственных методов. Анализ также показывает, части стратегии управления с точки зрения принципов, которые определяют местные поток управления между подзадач. Например, задача Укажите подзадачи примет решение в каждой конкретной ситуации, какие транспортные средства, универсальные или соединения, будут созданы на основе принципа о том, что только транспортные средства, соединение может удовлетворить целью выигрыша профиля с тремя и более линейных края. Другие принципы появиться только на основе совместного анализа задачи и ее прямых подзадач. Качественные абстракции, например, оказывается полезным в процессе решения задачи Предложить транспортных средств и всех ее подзадач.

ОБСУЖДЕНИЕ

Переходя от применения KMoST, в этом разделе сравниваются KMoST к KADS и компонентный подход Стали ", чтобы определить пробел заполнен KMoST в существующих объем работы над задачей моделирования для развития KBS. KMoST, KADS и компонентный подход, доля важных функций, поскольку все они опираются на фундаментальные исследования в области общих задач [8] и методов решения проблем [23]. Ориентируясь на производство модели знаний задачи, они определяют подзадачи на различных уровнях абстракции выше уровня исполнения, а также типы знания и стратегии решения тесно связаны с этими подзадач. Тем не менее, как видно из таблицы 2 показывает, эти подходы различаются в нескольких конструктивных путей, которые влияют на форму модели знаний они производят и их подход к производству этой модели.

Что самое главное различие этих подходов лежит в основе решения проблем философии, которым они доверяют, чтобы прийти к модели знаний. На основании Смита [28] категории задача, KMoST признает, что некоторые из прикладных задач KBSs строятся для решения привлекать знания, которые могут прийти с обеих теорий домена и экспертов. Другими словами, некоторые части таких задач достаточно хорошо понимать быть надежно решить на основе документированных знаний. Для выполнения таких задач, опираясь на чрезмерно эвристики экспертов "может быть рискованно, так как в результате KBS могут столкнуться признание проблемы. Это наблюдается в областях, как аудит и финансы. Хорошим примером является Paine Webber в Хеджирование Консультативного System, который был построен в 1988 на основе эвристических знаний экспертов рынка, но широко не используются другими трейдерами в связи с отсутствием использование устоявшихся моделей и методов, как известно, существуют [22] . Компонентный подход, как представляется, похожий по своей философии KMoST, в отличие от KADS, которая предполагает, что знаний для решения сложных задач, которые являются объектом KBSs может прийти только со стороны специалистов. По словам Хикман, Киллин, Земля, Малхолл, Портер, и Тейлором [16, стр. 115], "все дело к моделированию экспертизы является то, что она основана прагматично в реальном мире опыт.

Это философское различие приводит к некоторым прагматические различия. Одно из отличий можно найти в типы прикладных задач, для которых эти подходы являются наиболее подходящими. Хотя KMoST четко ориентированы на structurable задач, KADS и Стали "подход не задать, какие типы задач, которые они призваны решать. философии KADS 'Представляется, однако, быть более в соответствии с неструктурированных задач.

Связанных относится разница требуемую функциональность перспективных KBS. KADS имеет своей целью произвести KBS, которое имитирует экспертов, в то время KMoST и подход целью стали производить KBS, который обеспечивает функциональность, необходимую в прикладной области. Клингер, Линстер, Маркес, McDermott, и Йост [20] принять аналогичные целью разработки оболочки для создания KBSs, которые решают задачи распределения ресурсов.

Третье отличие связано с решения проблем перспективе, принятые в этих подходов. Как подхода стали, KMoST принимает проблемы пространстве точки зрения, а KADS принимает аргументацию точки зрения. Эти перспективы приводят к различным примитивов в модели знаний. В перспективе проблема-пространство, центральное понятие метода приводит нас к выявлению модели примитивов определены во втором разделе. Обратите внимание, что подход Стали 'отображает только часть наших примитивов. Например, его задача структуры понятие простое дерево задач-подзадачи, которые не показывает методы, используемые для решения или разложить задачу применения, возможно, потому что она предполагает, что (суб) задачи не должны быть привязаны к более чем один метод. В мотивировочной перспективы принятой KADS, основное внимание на выводы сделанные экспертом в ходе решения проблем приводит к различным набором примитивов модели [30]. Среди этих примитивов вывода структуру, которая показывает, выводы (или источников знаний), участвующих в решении задач и их ввода и вывода отношений, задача модель показывает задачи разложения на подзадачи по принципу "снизу-вверх абстракции и группировки выводы в заключение структуры и стратегии модель, которая включает в себя планы для заказа активации выводов для достижения цели задачи.

Таким образом, в KADS, методы являются вторичными по важности, а Wielinga, Schereiber и Breuker объяснить [30, стр. 26]: "фактический путь, в котором вывод осуществляется, предполагается, не относящимися к делу от цели, для моделирования опыта.".

Эти различия, в свою очередь, привести к различиям в процессе анализа используются для производства модели знаний. Из центральной роли, которую играют методы в problemspace точки зрения, главная цель KMoST и подход Стали заключается в постепенно выявить задачи структуры декомпозиции задачи сверху вниз. Однако, в отличие от подхода, стали, KMoST четко относится извлечение из составляющих модели знаний для конкретных шагов в процессе распада. Кроме того, линия KMoST по расследованию, показано в таблице 1, помогает сосредоточить внимание на один сбор достаточной информации для характеристики задачи и, возможно, отображение его на правильный метод как часть задачи разложения. Еще дальше, атрибуты, перечисленные в таблице 1 не только обеспечивают точный контекст для структурированных линий расследования (см. Таблицу 1, средний столбец), которые могут уменьшить общие усилия концепции задачи, но и помогают выявить роль экспертных знаний в решении задачи на основе выявления конкретных неточно определенные атрибуты задачи.

Анализ процесса KADS, однако, включает в себя два этапа. В первом этапе общие модели знаний (включая вывод структура, задачи модели, и модели стратегического) выбирается из библиотеки таких моделей с помощью функции поиска, что библиотека "сверху вниз" (по таксономии родовых типов задач) для модели чьи выводы структуры матчи высокого уровня атрибуты задания (например, цели типа), выделенных после предварительного анализа речевой протоколов экспертов. На втором этапе, выбранный общую модель адаптирована к задаче по принципу "снизу-вверх абстракции problemsolving поведения, отраженные в протоколах словесные экспертов. (Если нет надлежащей общей модели будет найден, стадии адаптации влечет за собой построения модели знаний для выполнения этой задачи "с нуля".) Линстер и Musen [21] утверждают, что, исходя из своего опыта, KADS содержится мало указаний, которые могут помочь инженер по знаниям, так как На стадии адаптации включает в себя множество специальных решений. Rademakers и Vanwelkenhuysen [26] сообщают о более конкретные проблемы, возникающие в стадии адаптации: поиск вывода структуру, которая лишь частично соответствует задача может быть обманчивым. Как они объясняют:

Опасности, которую мы на самом деле произошли в том, что [типовой модели] в значительной степени влияет то, что мы воспринимаем. Это заставляет нас искать определенные данные, игнорируя другие вопросы, которые в конечном итоге оказываются весьма актуальными. [26, стр. 368] (курсивом слово добавлено) и др. Хикман. [16, стр. 144] Доклад о той же проблеме в контексте реальных проектов мира:

Первоначальный [типовой модели толкования] был выбран для того, чтобы помочь в приобретении знаний .... Тем не менее, стало очевидно, через месяц после анализа, что эта конкретная структура вывода не модели динамичный и конструктивный характер знаний. (Курсивом слово добавлено)

Таким образом, при общей модели, которая была выбрана на основе нескольких задач на высоком уровне атрибутов неправильно начать с того, что последствия могут быть дорогостоящими. Без дальнейшей разработки на стадии адаптации KADS, этой проблемы наглядно иллюстрирует ненужного риска, связанные с применением KADS к structurable задач, которые структурированных подзадач можно охарактеризовать систематически на основе документированных знаний по линии используются KMoST.

Окончательный разница между KMoST, KADS и компонентный подход касается способности к документу лежащей в основе содержания знаний модели. В KADS, потому что адаптация этап включает специальные решения принимаются на основе анализа речевой протоколов экспертов, обоснование этих решений не может быть легко документально [21]. Однако, поскольку KMoST касается идентификации модели примитивы для систематического характеристика различных атрибутов задача, она позволяет документации об основаниях для конкретной модели знаний (например, какой атрибут плохо определены, почему, и последствия для выбора метода). Наличие таких документов имеет важное значение 1 заключается в пересмотре KBS. Знаний о глубинном строении конкретных задач может меняться вместе с изменениями в областях знаний (например, диагноз редкий случай, когда проще новейшими достижениями медицинской науки обеспечить новые объяснения симптомов) и разработка новых методов (например, новые оптимизации алгоритмы). Такие факторы могут потребовать пересмотра или даже заменить эксперта-зависимым, эвристического компонентов KBS с теми, которые домена теории основаны. Подробную документацию Обоснование модели знаний позволяет инженер по знаниям связать KBS к изменяющимся условиям окружающей среды и сохранения ее актуальности с течением времени ..

Таким образом, надо иметь в виду, что сильные KMoST над KADS выше действует только в случае structurable задач. KMoST использует процесс Перевернутые анализ на предпосылке, что structurable задачи можно охарактеризовать достаточно хорошо, чтобы облегчить его отображение на правильный набор методов, которые решают, распадаются (или оба), то задача. В этом смысле, применяя к KADS structurable задач, вероятно, будет включать ненужные риски из-за упомянутых проблем (например, излишне полагаясь на знания экспертов, и вводит в заблуждение роль ненадлежащее общей модели знания могут играть в задаче анализа). Тем не менее, в случае неструктурированных задач, KADS может оказаться более полезным, несмотря на его недостатки. KADS использует восходящий анализ вербальных протоколов экспертов на предпосылке, что неструктурированных задач могут быть решены только с ведома экспертам в этой области. По этой причине, она предоставляет набор примитивов модели знаний (например, вывод структуры), которые могут оказаться полезными в структуризации знаний и абстракции решения проблем поведения, отраженные в протоколах словесные экспертов.

Заключение и будущих исследований

KMoST, методология задача концепции представлены в данном документе, направлен на оказание помощи знаний инженеров, построить модели знаний для structurable задач. Использование системного анализа задачи по различным атрибуты задания обсуждается в решении проблем литературе [28], можно получить, что знание требований задачи и представлять их в форме знаний модели. Эта методика основывается на результатах работы "Аль Chandrasekaran и др. [8], который фокусируется на выявлении возможных разложения различных категорий задачу отображения каждой из этих к узкому набору известных методов (без, однако, говорит инженер по знаниям, как определить, какой метод должен быть выбран для возможного распада). Мы использовали эту методику в финансовое хеджирование применения. Хотя это не позволяет нам сделать общий вывод о ее сильные стороны, опыт в строительстве KBS для хеджирования позволяет сделать ряд замечаний относительно ее потенциальной ценности и определить области для дальнейшего исследования.

Ведение первичного очага на этапе концептуализации при этом зависят от вопросов представления знаний позволяет меньше проблем изобразительного несоответствие. (Эмпирические исследования [7] показывает, что рассмотрение вопросов в ходе представления выявление знаний для решения задачи причин знания инженера сосредоточить внимание только на те аспекты знаний, которые могут быть легко выражены с использованием конкретного представления знаний рассматриваются.) Для structurable задач, этот вопрос имеет решающее значение, поскольку можно использовать набор представления знаний формализмов (например, логика предикатов, фреймы, продукционные правила) для построения гибридных представленности, с целью удовлетворения различных потребностей в технологии обработки знаний. Знания, необходимые для решения задачи может быть представлено по-разному, в зависимости от того, как оно используется в решении проблемы. Например, использование IF-THEN правил может быть более подходящим для рассуждений с высоко эвристические знания, в то время как использование традиционных алгоритмических подходов может быть более подходящим для рассуждений с четко определенными знаниями. Основываясь на нашем опыте в хеджирования, расстояние между моделирования задачи знаний и этапы KBS дизайн включен создания благоприятных гибридных представление для рассуждений с эвристический, а также формальных методов и моделей.

Имея подробную характеристику задачи может помочь карта задача подходящим способом. Однако, это предполагает, что инженер по знаниям знает все доступные методы и их собственных характеристик (параллельно с этим в таблице 1, например, цели типа, тип входа, и предположили, организация домена модели ожидалось). Поскольку число доступных каналов постоянно растет, поэтому необходима поддержка для мониторинга и оценки значимости этих методов. Таким образом, ценные расширение данного исследования заключается в разработке каталогов, в которых точно классифицировать методы, основанные на их характеристики. Более фундаментальный вопрос, как представлять и индекс методы в библиотеке так, что захватывает их многочисленные сходства и различия по различным атрибутам типов задач, которые они могут решить. [В редакцию: 18 апреля 1994. Принято редколлегией: Ноябрь 16,1995.]

Ссылки

[1] Agarwal Р.,

[2] Бачер Е.,

[3] Барр, А.,

[4] Benaroch, М.,

[5] Benaroch, М. На строительство глубоких экспертных систем для широкого и летучих областях бизнеса. Докторская диссертация, стволовых школы бизнеса Нью-Йоркского университета, 1992.

[6] Benaroch, М.,

[7] Бьюкенен, B., Барстоу Д., Bechtal, Р. Беннетт, J., Кланси, W., Kulikowski, К. Митчелл, T.,

[8] Chandrasekaran, Б. Джонсон, T.R.,

[9] Chandrasekaran, Б. Дизайн решения задачи: задача анализа. А. И. Magazine, 1990, 11 (4), 59-71.

[10] Чи, метрическая тонна, Feltovitch, PJ.,

[11] Кланси, В. J. операторов модели строительства. Искусственный интеллект, 1992, 53 (1), 1-115.

[12] Кланси, WJ. Эвристической классификации. Искусственный интеллект, 1985, 27 (4), 289-350.

[13] Пальто, П. Почему экспертных систем неудачу. Финансовый Менеджмент, 1988, 17 (3), 77-86.

[14] Элтон, J.E.,

[15] Фитс, PM. Восприятие-двигательного навыка обучения. В А. Мелтон (ред.), Категории

человека обучения. Нью-Йорк: Academic Press, 1964.

[16] Хикман, F., Киллин, J., Земля, L., Малхолл, Т. Портер, Д.,

[17] Джакоби, L.,

[18] Джонсон, P Какой специалист должен быть система. Журнал медицины и философии, 1983, 8 (1), 77-97.

[19] Кейес, J. Где экспертов в экспертных системах? Аль-Эксперт, 1990, 5 (3), 61-66.

[20] Клингер Г. Линстер, М., Marques Д., McDermott, J.,

[21] Линстер, М.,

[22] Мартин, T.J.,

[23] McDermott, J. Предварительные шаги по систематике методов решения проблем. В С. Маркус (ред.), Автоматизация приобретения знаний для экспертных систем. Boston, MA: Kluwer, 1985.

[24] Патил, протоколист, Szolovits П.,

[27] Шоу, MJ, ес-Джентри, J. Использование экспертной системы с индуктивного обучения для оценки бизнеса кредиты. Журнал финансового управления, 1988, 17 (3), 45-56.

[28] Смит, G.F. На пути к теории эвристического задачи структурирования. Управление науки, 1988, 34 (12), 1489-1506.

[29] Стали, Л. компоненты знаний. А. И. Magazine, 1990, 11 (2), 30-49.

[30] Wielinga, B., Schereiber Г.

Мишель Benaroch

Школа менеджмента, Сиракузский университет, Сиракузы, штат Нью-Йорк 13244, адрес электронной почты: <a href="mailto:mbenaroc@mailbox.syr.edu"> mbenaroc@mailbox.syr.edu </ A> Мохан Tanniru

Школа менеджмента, Сиракузский университет, Сиракузы, штат Нью-Йорк 13244

* Авторы выражают благодарность член редколлегии и 2 анонимных судей для их тщательного и рассмотрения претензий по существу этого документа.

Мишель Benaroch является доцент кафедры информационных систем в Школе менеджмента, Syracuse University. Он получил докторскую степень в области делового администрирования Школы бизнеса Стерна Нью-Йоркского университета в 1992 году. Его исследовательские интересы лежат в знаниях систем, основанных на применении искусственных методов в области финансов и управления и использования финансовых методов опционов для оценки инвестиций в информационные технологии. Д-р Benaroch опубликовал в системах поддержки принятия решений, IEEE Сделки по знаниям и инжиниринг данных, Международный научный журнал "Человек-компьютер исследований, Журнал экономической динамики и управления, журнал организационного компьютерное и информатики и другие.

Мохан Tanniru является доцент MIS в Сиракузский университет, Сиракузы, штат Нью-Йорк он получил докторскую степень в МДП из Northwestern University. В настоящее время его научные интересы в области поддержки принятия решений и экспертных систем, управление информационных технологий и процесса / объекта моделирования. Он опубликовал в журнале "MIS, систем поддержки принятия решений, Decision Sciences, информационные системы исследований, экспертных систем с приложениями и Международный научный журнал" Человек-компьютер исследований и представлены на различных национальных и международных конференциях.

Он провел консультации с операторского UTC, Bristol-Myers Squibb, P