Теория искусственного интеллекта
Знания – это результат, полученный познанием окружающего мира и его объектов.
Знания – это система суждений с принципиальной и единой организацией, основанная на объективной закономерности.
Знания – это формализованная информация, на которую ссылаются или которую используют в процессе логического вывода.
Под знанием понимается совокупность фактов и правил манипулирования фактами.
Проблема выделения знаний, прежде всего, относится к областям преобладания эмпирического знания, где накопление фактов опережает развитие теории. Знания важны там, где определения размыты, понятия меняются, ситуация зависит от множества контекстов, где велика неопределенность и нечеткость информации (контекст – относительно законченная в смысловом отношении часть текста высказывания). Таким образом, знания – это специальная форма представления смысловой информации, позволяющая хранить, воспроизводить и понимать эту информацию.
Знания обычно представляют в форме фактов, характерных для окружающего мира, и правил манипулирования фактами. Причем под фактом понимают элементарное высказывание с некоторой оценкой. Любую осмысленную часть факта считают данными, т.е. факты – это совокупности данных.
Данные сами по себе не несут смысловой нагрузки. Например, число 16.40 не имеет в себе смысла до тех пор, пока мы не узнаем, что это время отправления поезда или цена товара, т.е. данные нуждаются в интерпретации. В отличие от данных знания несут в себе определенную смысловую нагрузку, представляя собой нечто большее, чем просто последовательность символов. Этот смысл позволяет путем символьной обработки получать новую информацию.
Отличия знаний от данных:
Интерпретируемость. Данные в ЭВМ могут интерпретироваться только соответствующей программой. Знания отличаются тем, что в них присутствует возможность содержательной интерпретации.
Наличие классификационных отношений. Разнообразные формы хранения данных не обеспечивают возможности компактного описания всех связей между различными типами данных. При переходе к знаниям между отдельными единицами знаний можно установить такие отношения как «элемент-множество», «тип-подтип», «ситуация-подситуация», отражающие характер их взаимосвязей.
Наличие ситуативных связей, которые определяют ситуативную совместимость отдельных событий или фактов, хранимых или вводимых в память.
Четыре важнейших свойства, которые отличают знания от данных:
1 – высокая структурированность;
2 – внутренняя интерпретируемость (истолкование, объяснение) знаний и их связей;
3 – семантическая (смысловая) компактность – кластеризованность;
4 – взаимозависимость и взаимоактивность.
Для того чтобы данные превратились в знания, они должны быть определенным образом структурированы. Знание с этих позиций - некоторая организационная форма мышления, отражающая существенные свойства, связи и отношения предметов и явлений. Полезные знания – это данные, организованные в понятия.
Знания представляют собой иерархические структуры. Общие знания, касающиеся целых подобластей данной предметной области, включают в себя более узкие, касающиеся каких-то отдельных признаков или специальных вопросов из предметной области.
Между элементами и объектами знаний существуют функциональные и каузальные (причинностные) отношения. Функциональные отношения несут процедурную информацию, позволяющую определять или вычислять одни объекты через другие. Каузальные отношения задают причинно-следственные связи.
Семантика (смысловое значение, содержание) отношений между объектами может носить декларативный (данные) или процедурный (программы) характер
Классификация знаний
Знания делятся на формализованные и неформализованные. Формализованные знания выражаются в виде законов, формул, алгоритмов, моделей и т.п. Такие знания описываются в книгах и руководствах и отражают точные и универсальные знания в виде строгих суждений.
Неформализованные знания (вербальные - словесные) субъективны и приблизительны. Они являются результатом обобщения многолетнего опыта работы и интуиции специалиста и представляют собой некоторое множество эмпирических приемов и правил логического вывода. Это - ключевые понятия для ИИ.
Типы знаний
Поверхностные знания - это в основном приблизительные знания, эвристики и некоторые закономерности, устанавливаемые опытным путем. Такие знания в силу их приблизительности называют также экспертными.
Глубинные – отражают наиболее общие принципы, в соответствии с которыми развиваются все процессы в предметной области и свойства этих процессов. К глубинным относятся знания, основанные на теориях, абстракциях и аналогиях, в которых отражается понимание структуры предметной области. Для получения глубинных знаний необходимо понять внутренние механизмы, действующие в предметной области, и, прежде всего, основные закономерности, которые обуславливают принятие правильных решений. Глубинные знания используются прежде всего при решении неординарных ситуаций.
Процедурные знания – это знания, которые могут быть представлены процедурой или процессом. В компьютерной программе эти знания хранятся как код, а не как данные. Программные алгоритмы являются формой процедурных знаний, т.к. они содержат информацию о том, как решить конкретную задачу.
Декларативные – это знания, которые хранятся как данные. В декларативном представлении легко добавлять или изменять знания, т.к. они независимы от программы.
Статистические – тип знаний, которые не изменяются в процессе решения задачи.
Динамические – могут приобретаться с течением времени.
Жесткие знания позволяют получать однозначные четкие рекомендации при заданных начальных условиях.
Мягкие знания допускают множественные, расплывчатые решения и различные варианты рекомендаций.
Кроме указанных понятий используется понятие метазнания (знания о знаниях). Оно используется для обозначения знаний о способах использования знаний и свойств знаний.
В общем виде знания в ЭВМ представляются некоторой знаковой (семиотической) системой. С понятием «знак» непосредственно связаны понятия денотат и концент. Денотат – это объект, обозначаемый данным знаком. Концент – свойства денотата.
Экстенсионал знака определяет класс всех его допустимых денотатов. Интенсионал знака определяет содержание связанных с ним понятий.
Интенсиональные знания описывают абстрактные объекты, события, отношения. Например, поставщик, потребитель, транспорт. Экстенсиональные знания представляют собой данные, характеризующие конкретные объекты, их состояние, значения параметров в определенные отрезки времени. Экстенсионалом поставщика может быть завод, потребителя – предприятие, транспорта – автомобиль.
В семиотической (знаковой) системе выделяют три аспекта: синтаксический, семантический и прагматический.
Синтаксис описывает внутреннее устройство знаковой системы, т.е. правила построения и преобразования сложных знаковых выражений. Семантика определяет отношения между знаками и их концентами, т.е. задает смысл или обозначения конкретных знаков. Прагматика определяет знак с точки зрения конкретной сферы применения, либо субъекта, использующего данную знаковую систему.
Для хранения данных и знаний используются базы данных и базы знаний. База данных – это совокупность связанных данных, хранящихся с минимальной избыточностью и используемых различными приложениями посредством системы управления базами данных. База знаний – это совокупность описывающих предметную область правил и фактов, позволяющих с помощью механизма вывода решать вопросы, ответ на которые в явном виде в базе отсутствует. БЗ как программное средство обеспечивает поиск, хранение, преобразование и запись в память ПК сложно структурированных информационных единиц – знаний.
Совокупность модели представления знаний и связанных с ней процедур образуют систему представления знаний. База знаний и база данных рассматриваются как разные уровни информации, хранящейся в интеллектуальном банке информации. Системы управления базами знаний являются развитием систем управления базами данных..
Знания в ИС можно представить следующей схемой преобразования.
СХЕМА ПРЕОБРАЗОВАНИЯ ЗНАНИЙ

Блок представления знаний БПЗ связан с внешним миром (окружающей средой) двумя блоками преобразователей БП1 и БП2, которые преобразуют знания о предметной области из внешнего представления ВшП во внутреннее ВтП и наоборот.
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
![]()
БП3
имеет информационную
модель следующего
вида.
МОДЕЛЬ БЛОКА ПРЕДСТАВЛЕНИЯ ЗНАНИЙ
![]()
![]()
БПЗ
ИБД
Где БИ – блок интерпретаций, ИБД – интелл. банк данных,
БО – блок обучения, БЗ, БД – база знаний, база данных.
БВР – блок вывода решений,
Инженерия знаний
Проблемами проектирования баз знаний занимается инженерия знаний. В задачи инженерии знаний входит получение и структурирование знаний о некоторой предметной области, формирование для нее поля знаний и разработка баз знаний.
Поле знаний – это условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из различных источников, в том числе, полученных от экспертов, в виде графов, диаграмм, таблиц, текстов и т.п.
Если для естественных наук достаточно аппарата классической математики, то в инженерии знаний разработчики имеют дело с «мягкими» предметными областями. Здесь классический математический аппарат не обеспечивает выразительной адекватности, здесь важна эффективность представления, его компактность, ясность интерпретации, наглядность и т.п.
Специалист, способный делать заключения по проблемам определенной области называется экспертом. Он накапливает знания в этой предметной области в результате многолетней практики, что позволяет распознавать и оценивать ситуации.
Средний специалист в конкретной предметной области помнит от 50 до 100 тыс. чанков и использует их для решения задач и проблем. Здесь чанк – (англ. chank – большой кусок) символьные образы, объединенные в человеческом мозге в блоки, запоминаемые и извлекаемые как единое целое.
Всем этим объясняется представление знаний в ИС в виде БЗ как сложных иерархических структур с соответствующими связями между этими структурами.
Требования к специалисту-эксперту:
Применять знания и опыт для «оптимального» решения задач, делать достоверные выводы, исходя из неполных и ненадежных данных.
Уметь обосновать сделанные выводы.
Приобретать новые знания, в т.ч. путем общения с другими экспертами.
Периодически систематизировать свои знания.
Находить новые правила принятия решений, в т.ч. эвристики (эмпирические правила вплоть до угадывания).
Оценивать степень своей компетентности и обращаться за консультацией к другим источникам.
Представление знаний в ИС –это проблема науки «инженерии знаний».
Инженер по знаниям – специалист, проектирующий БЗ на основе модели представления знаний и наполнения их знаниями из предметной области.
Представление знаний – процесс формализованного описания для ввода знаний в БЗ, структуризация знаний для облегчения поиска решений.
Описание проводится с помощью языка представления знаний (ЯПЗ). ЯПЗ – знаковая система, в которой описываются объекты и явления (или обобщения) согласно принятому множеству соглашений по знакам, синтаксису (построение, порядок, способ соединения слов и предложений) и семантике (смысловое значение). ЯПЗ обеспечивает возможность формальной записи знаний + оперирование знаниями.
Программист – специалист, призванный воплотить разрабатываемую ИС в виде программного средства.
Требуемые личные качества:
Общительность,
Способность отказаться от традиционных навыков и осваивать новые методы,
Интерес к разработке.
Профессиональные качества:
Иметь опыт и навыки самостоятельной разработки программ,
Знакомство с основными структурами представления знаний и механизмами выводов,
Знакомство с состоянием рынка программных продуктов для разработки ИС и диалоговых интерфейсов.
Процесс формирования поля знаний экспертом и инженером по знаниям может быть представлен следующим алгоритмом:
Восприятие и интерпретация действительности предметной области некоторым экспертом, в результате образуется некоторая модель как семантическое представление действительности и его личного опыта.
вербализация опыта некоторого эксперта, когда он объясняет свои рассуждения и передает свои знания инженеру по знаниям. В результате образуется некоторое текстовое или речевое сообщение. Именно в процессе объяснения эксперт на размытые ассоциативные образы в лабиринтах своей памяти «надевает» четкие словесные ярлыки, т.е. вербализирует знания.
Восприятие и интерпретация некоторого сообщения инженером по знаниям. В результате в памяти инженера образуется некоторая модель предметной области.
Кодирование и вербализация модели в форме некоторого поля знаний, спроектированного инженером по знаниям для реализации в базе знаний.
Это трудная задача – добиться максимального соответствия между действительным состоянием предметной области и некоторым полем знаний. Поле знаний может быть представлено как пирамида, где следующий уровень служит для восхождения на новую ступень обобщения и углубления знаний.
В искусственном интеллекте используется термин – формирование знаний, который обозначает процесс анализа данных и выявления скрытых закономерностей с использованием специального математического аппарата и программных средств ЭВМ. Основные методы извлечения знаний представлены на рис.

Все эти методы позволяют сформировать поле знаний на основании следующего алгоритма:
1.Определение входных и выходных данных, структура которых существенно влияет на форму и содержание поля знаний.
2.Составление словаря терминов и наборов ключевых фраз, при этом особенно важен словарь терминов.
3.Выявление объектов и понятий, выбор значимых понятий и их признаков.
4.Выявление связей между понятиями, построение сети ситуаций, где связи только намечены, но пока не поименованы.
5.Структуризация понятий с выявлением понятий более высокого уровня обобщенгия и детализацией на более низком уровне.
6.Построение пирамиды знаний с иерархической лестницей понятий по уровню общности.
7.Определение временных, причинно-следственных и других отношений с их обозначением путем присвоения имен свеем связям.
8.Определение стратегий принятия решений. Выявление цепочек рассуждений связывает все сформированные ранее понятия и отношения в динамическую систему поля знаний.
Модели представления знаний
От формы представления знаний зависит характеристика и свойства систем искусственного интеллекта. В отличие от знаний, используемых человеком, в компьютере используется моделирование знаний. Под моделью знаний понимается способ описания знаний в базе знаний.
В общем случае модели представления знаний могут быть условно разделены на декларативные и процедурные. Декларативная модель основывается на предположении, что проблема представления некоторой предметной области решается независимо от того, как эти знания будут использоваться. Поэтому модель состоит как бы из двух частей: структур, описывающих знания и механизма вывода, оперирующего этими структурами, независимо от содержательного наполнения структур. При этом синтаксические и семантические аспекты разделены. Описания выполняемых процедур не содержатся в явном виде. Предметная область представляется в виде описания ее состояния, а вывод решения основывается в основном на процедурах поиска в пространстве состояний.
Процедурная модель основывается не небольших программах (процедурах), которые определяют, как поступать в конкретных ситуациях. В этой модели семантика заложена непосредственно в описании элементов базы знаний. Общие правила представлены в виде специальных целенаправленных процедур.
Требования к моделям представления знаний:
- однородность представления;
- простота понимания;
- упрощение механизма управления выводом.
Наиболее распространенными являются четыре модели представления знаний в интеллектуальных системах и их комбинации:
- логическая или логика предикатов;
- продукционная;
- семантические сети;
- фреймовая модель.
Представление знаний с помощью логики предикатов
Логика предикатов используется как один из языков представления знаний. В любом языке для создания языковых форм должно быть определено следующее:
- множество знаков, которое можно в нем использовать;
- полное определение слов через знаковые последовательности;
- грамматические правила образования предложений из слов (синтаксические правила).
Каждое слово из предложения соответствует объектам и действиям того реального мира, который описывается этим языком. Таким образом в языке присутствуют слова, которые описывают сущности, и слова, которые описывают атрибуты сущностей и действия над ними.
Для формулировки знаний о некоторой предметной области средствами логики предикатов в проблемной области выделяют два основных типа понятий:
- дискретные объекты, которые называют сущностями;
- отношения между сущностями.
Именам отношений соответствует термин «предикат», а сущностям – аргументы. Символы, используемые для обозначения высказываний, называют атомами. Таблицей истинности формулы называется таблица, содержащая истинностные значения формулы при всех возможных комбинациях истинностных значений входящих в нее атомов..
Логика предикатов (исчислений) основана на логике (исчислении) высказываний. Высказыванием (суждением) называют предложение, принимающее только два значения – «истина» или «ложь». Логический вывод (силлогизм) в классической логике строится двумя путями: дедукцией и индукцией. В современной логике вывод строится также абдукцией. Индукция и абдукция называются вероятностными силлогизмами.
Дедукция – вывод, позволяющий получать заключение из большой или малой посылки. Большая посылка называется дедуктивным правилом, малая – фактическим заявлением (декларацией).
Пример: Большая посылка: рыба – живое существо, умеющее плавать.
Малая посылка: карась – рыба.
Вывод: карась – живое существо, умеющее плавать.
Большая и малая посылка называются данными о знаниях или просто знаниями и их объем должен быть достаточно большим.. Упорядоченное множество таких знаний составляет базу знаний..
Дедуктивное правило позволяет детализировать и формализовать причинно-следственные связи явлений (процессов) и дел (предметов), т.е. это знания, необходимые для выполнения алгоритма принятия решений. Основная часть знаний кодируется не только арифметическими, но и логическими символами. Таким образом требуется специальный язык для ЭВМ.
Индукция – получение большой посылки из заключения ее малой посылки. Можно ли считать правомерным определение «рыба – это живое существо, умеющее плавать»» в качестве большой посылки, исходя из того, что известны многие виды рыб? Вывод неправомерен, т.к. могут быть неизвестные виды рыб, перемещающиеся по суше. По мере накопления наблюдений повышается достоверность большой посылки.
Абдукция – получение малой посылки из заключения и большой посылки. На основании факта, что некоторые из живых существ умеют плавать, делается заключение, что это живое существо – рыба. Однако этот вывод нельзя считать безусловно достоверным. Человек в обыденной жизни имеет постоянно дело с нечеткими, вероятностными оценками.
Пример силлогизма:
- Все металлы электропроводны;
- медь – металл;
Заключение: медь электропроводна.
Предикатом или логической функцией называется функция от любого числа аргументов, принимающая истинностные значения «истина» или «ложь». Аргументы принимают значения из произвольного конечного или бесконечного множества М, называемого предметной областью. Предикат от n аргументов является n-местным предикатом.
Все операции исчисления высказываний переносятся в исчисления предикатов и используются для связывания предикатов и формул, т.е. позволяют получить из простых высказываний сложные. Основные операции алгебры логики:
Отрицание. Высказывание истинно, если высказывание А ложно. А ложно, если А истинно.
Конъюнкция. А ^ В (А*В) – логическое умножение. Высказывание истинно только в тех случаях, когда истинны А и В.
Дизъюнкция. А В – логическое сложение А+В. Высказывание истинно только в случае, если истинно хотя бы одно из слагаемых.
А В (А В) Импликация или следование В из А. Читается также «если А, то В». Высказывание ложно только в том случае, если А истинно и В ложно.
А В – эквивалентность. «А тогда и только тогда, когда В». Высказывание истинно тогда и только тогда, когда А и В имеют одно и то же истинное значение.
В логике предикатов используются основные свойства логических операций: свойства ассоциативности, коммутативности, дистрибутивности, законы идемпотентности и де Моргана.
В логике
предикатов
для компактной
записи высказываний
типа « для любого
x истинно
F(x)» и
«существует
такое x, для
которого истинно
F(x)»,
дополнительно
вводятся две
операции –
квантор общности
и квантор
существования
.
Вышеприведенные
высказывания
можно записать
в следующем
виде:
xF(x)
– высказывание
истинно, когда
F(x) истинно
для всех x
M и ложно
в противоположном
случае.
xF(x)
– высказывание
истинно, когда
существует
элемент x
M, для которого
F(x) истинно
и ложно в противоположном
случае.
В логике предикатов обычно используются шесть типов символов:
А) Предикатные переменные x, y, z, u, v, w или те же буквы с индексами.
Б) Предметные константы a, b, c, d, e или те же буквы с индексами.
В) Функциональные символы – f, g, h или те же буквы с индексами.
С) Предикатные символы p, q, r, s, t или те же буквы с индексами.
Д) Логические
символы
![]()
Е) Вспомогательные символы – круглые скобки, запятые и т.п.
Вывод, дающий заключение из двух посылок можно представить следующим образом:
Предпосылка 1. Все металлы электропроводны.
Предпосылка 2. Медь металл.
Заключение: медь электропроводна.
Если вместо имен субъектов поставить переменные x, y, z, то можно получить логическую формулу:
Предпосылка 1. металл (x) электропроводен (x)
Предпосылка 2. металл (медь)
Заключение: электропроводна (медь).
Логика предикатов рассматривает вопрос, можно ли, представляя предложения в виде логических формул, с помощью выводов получить из нескольких логических формул некоторую конечную логическую формулу.
Таким образом в логике предикатов основным объектом исследования является формула. При ее определении используется понятие «терм» (некоторая сущность), объединяющая название элементарных функций, к которым применима предикатная буква. Терм определяется следующим образом:
- всякая предметная переменная или предметная константа являются термами;
- если f – n-местная функция из n аргументов и t1 …..tn – термы, то f(t1…..tn) есть терм;
Выражение p (t1…..tn), где p – предикатный символ m аргументов и t1…..tm – термы называется атомарной функцией или атомом.
Атомы и всякие выражения из них есть правильно построенные формулы (ППФ).
Пример;
Предпосылка 1. (логическая формула) x (p(x)) q(x)
Предпосылка 2. (атом) p(a)
Заключение (атом) q(a)
Здесь p – металл, q – электропроводность, a – медь.
Интерпретация. Формула имеет определенный смысл, т.е. обозначает определенное высказывание, если существует какая-либо интерпретация.. Интерпретировать формулу – значит связать с ней определенное множество М, т.е. конкретизировать предметную область, называемую областью интерпретации и указать соответствие, относящееся:
- каждой предметной константе в формуле конкретный элемент из М;
- каждой n-местной функциональной букве в формуле – конкретную n-местную функцию на М;
- каждой n-местной предикатной букве в формуле конкретное отношение между n элементами из М.
Иными словами – интерпретирование формул исчисления предикатов это конкретизация предметной области М и соответствия между символами, входящими в формулы с одной стороны, и элементами, функциями и отношениями на М с другой.
Пример: элементарная формула G(f(a,b), g(f,b))
Интерпретация: М – множество действительных чисел; a,b –числа 2 и 3 соответственно; f – функция сложения (f(a,b) = a+b); g – функция умножения (g(a,ba0 =ab); G - отношение «не меньше» . Формула обозначает высказывание « сумма 2+3 не меньше произведения 2*3». Результат «ложь». Если изменить интерпретацию, b = 1 или b = 2, то результатом будет «истина».
Другая формула при той же интерпретации:
G(f(g(x,x),g(y,y),g(a,g(x,y)))
Формула обозначает высказывание
x2 + y2> 2xy
Высказывание верно при любом x и y из М и всегда истинно.
Для описания высказываний на языке предикатов в заданной предметной области часто для обозначения предикатных букв и констант используются слова или сокращения, которые являются названиями определяемых ими свойств, отношений, объектов.
( x) [ Дельфин (x) умный (x)]
Дельфин наделен умственными способностями
( x) [Слон (x) --- цвет (x, серый)]
Все слоны имеют серую окраску.
Логика предикатов применяется для решения сравнительно простых задач.
Продукционные модели знаний
Продукционные модели занимают особое положение, т.к. они являются наиболее декларативным способом представления знаний. Продукционная модель представления знаний – это набор правил вида
ЕСЛИ «условие, ТО «действие»,
где «условие» образец для поиска в базе данных (утверждение о состоянии базы данных); «действие» - действие, выполняемое при успешном исходе поиска в базе (процедуры, которые могут изменять состояние базы данных). Действия могут быть промежуточными, выступающие далее как условия и целевыми, завершающими работу системы.
В продукционных моделях используются некоторые элементы логических моделей, что позволяет организовать из них эффективные процедуры вывода, а с другой стороны, более наглядно отражают знания, чем классические логические модели. Правила вывода в этих моделях называются продукциями.
Системы продукций – это набор правил, используемый как база знаний, поэтому его еще называют базой правил. Продукции соответствуют навыкам в долгосрочной памяти человека. Подобно навыкам в долгосрочной памяти эти продукции не изменяются при работе системы. Они вызываются «по образцу» для решения данной проблемы.. Рабочая память продукционной системы соответствует краткосрочной памяти или текущей области внимания человека. Содержание рабочей области после решения задачи не сохраняется.
Примеры фактов и правил.
Факт 1. Зажженная плита – горячая.
Правило 1. Если положить руку на зажженную плиту, то можно обжечься.
В общем виде под продукцией понимается выражение следующего вида:
( I ); Q; P; A B; N
Здесь I – имя продукции, с помощью которого эта продукция выделяется из всего множества продукций. В качестве имени может выступать какое-то словосочетание или порядковый номер продукции. Q - характеризует сферу применения продукции. Примерами сфер применения могут быть «роботизированный участок», «приготовление пищи» и другие. Разделение знаний на отдельные сферы позволяет экономить время на поиск нужных знаний.
Основным элементом продукции является ее ядро А В. Интерпретация ядра продукции может быть различной, но чаще всего звучит так: ЕСЛИ А, ТО В1, ИНАЧЕ В2. Элемент Р – условие применимости. Обычно Р представляет собой логическое выражение. Когда Р принимает значение «истина» ядро активизируется. Если Р «ложно», то ядро не может быть использовано. Элемент N описывает постусловия продукции. Это действия, которые выполняются только в том случае, если ядро продукции реализовалось.
В системе продукций должны быть заданы специальные процедуры управления продукциями, с помощью которых происходит активизация продукций и выбор для выполнения той или иной продукции из числа активизированных. Продукционные системы имеют давнюю историю. Их ограничение – в применении к крупномасштабным задачам, т.к. большое число правил приводит к замедлению скорости вывода. Кроме того, продукционная модель не имеет механизма вывода из тупиковых состояний в процессе поиска. Она продолжает работать, пока не будут исчерпаны все допустимые продукции.
Преимущества продукционной модели представления знаний:
- простота и гибкость выделения знаний;
- отделение знаний от программы поиска;
- модульность продукционных правил (правила не могут вызывать другие правила);
- простота пополнения и модификации;
- возможность эвристического управления поиском;
- возможность трассировки «цепочки рассуждений»;
- простота механизма вывода;
- независимость от выбора языка программирования;
- для ПК это простой и точный механизм использования знаний с высокой однородностью, описанных по одному синтаксису;
- продукционные правила являются правдоподобной моделью решения задачи человеком.
Фрагмент управления транспортным роботом:
Правило 1: Если i-й накопитель пуст – перейти к i+1 накопителю.
Правило 2: Если в i-том накопителе есть детали И тележка робота не заполнена, то освободить накопитель и перейти к i+1 накопителю.
Правило 3: Если тележка робота заполнена, то отвезти детали на склад и вернуться к i-тому накопителю.
Продукционная система имеет три компонента. Это знания, представленные в виде системы продукций в базе правил (БП), образцы условий в рабочей памяти (РП) и механизм вывода (МВ) (рис. ).

Машина (механизм) вывода.
Программа, управляющая перебором правил называется машиной вывода (интерпретатором правил). МВ выполняет две функции: а) просмотр существующих фактов из рабочей памяти (базы данных) и правил из базы знаний с добавлением (по мере возможности) в рабочую память новых фактов; б) определение порядка просмотра и применения правил.
Этот механизм управляет процессом консультации, сохраняя для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в РП оказывается недостаточно данных.
МВ представляет собой небольшую по объему программу и включает два компонента – один реализует вывод, второй управляет этим процессом.
Действие компонента вывода основано на применении правила, называемого modus ponens. «Если известно, что истинно утверждение А и существует правило ЕСЛИ А ,ТО В, тогда утверждение В также истинно». Правила срабатывают, когда находятся факты, удовлетворяющие их левой части. «Если истинна посылка, то должно быть истинно и заключение». Компонент вывода должен функционировать даже при недостатке информации.
Управляющий компонент определяет порядок применения правил и выполняет четыре функции:
1. Сопоставление = образец правила сопоставляется с известным фактом.
2. Выбор – если в конкретной ситуации может быть применено сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию (разрешение конфликтов).
3. Срабатывание – если