Dati
Informazione
Operazioni sui dati
Durante il processo informativo, i dati vengono convertiti da un tipo all'altro. Con lo sviluppo del progresso scientifico e tecnico e la complessità generale delle connessioni nella società umana, i costi del lavoro per l'elaborazione dei dati sono in costante aumento (la costante complicazione delle condizioni per la gestione della produzione e della società + il rapido ritmo di nascita e implementazione dei nuovi media/ memorizzazione dei dati – un aumento del volume dei dati).
1. Raccolta– raccolta di dati al fine di garantire una sufficiente completezza delle informazioni per il processo decisionale;
2. Formalizzazione– riunire dati provenienti da fonti diverse in una stessa forma per renderli tra loro comparabili, ovvero per aumentarne il livello di accessibilità;
3. Filtrazione– escludere i dati “extra” che non sono necessari per il processo decisionale; allo stesso tempo, il livello di “rumore” dovrebbe diminuire e l’affidabilità e l’adeguatezza dei dati dovrebbero aumentare;
4. Ordinamento– ordinare i dati in base ad una determinata caratteristica ai fini della facilità d'uso; aumenta la disponibilità delle informazioni;
5. Raggruppamento– combinare i dati secondo una determinata caratteristica al fine di migliorare la facilità d'uso; aumenta la disponibilità delle informazioni;
6. Archiviazione– organizzare l’archiviazione dei dati in una forma comoda e facilmente accessibile; serve a ridurre i costi economici di archiviazione dei dati e aumenta l'affidabilità complessiva del processo informativo nel suo complesso;
7. Protezione– un insieme di misure volte a prevenire la perdita, la riproduzione e la modifica dei dati;
8. Trasporti– ricezione e trasmissione (consegna e fornitura) di dati tra partecipanti remoti al processo informativo; in questo caso, la fonte dei dati in informatica è solitamente chiamata server e il consumatore è chiamato client;
9. Trasformazione– trasferimento di dati da un modulo all'altro o da una struttura all'altra. Esempio: modifica del tipo di supporto; libri: carta, formato elettronico, pellicola microfotografica. La necessità di una conversione ripetuta dei dati sorge anche durante il trasporto, soprattutto se viene effettuato con mezzi non destinati al trasporto di questo tipo di dati.
2. Connessione dei concetti “informazione, dati, conoscenza”. Modello dikw
Non esistono definizioni universali.
Conoscenza- nella teoria dell'intelligenza artificiale e dei sistemi esperti - un insieme di informazioni e regole di inferenza (da un individuo, una società o un sistema di intelligenza artificiale) sul mondo, le proprietà degli oggetti, i modelli di processi e fenomeni, nonché le regole per utilizzarli nel processo decisionale. La principale differenza tra conoscenza e dati è la loro struttura e attività; la comparsa di nuovi fatti nel database o la creazione di nuove connessioni possono diventare fonte di cambiamenti nel processo decisionale.
Datiè una raccolta di informazioni registrate su un supporto specifico in una forma adatta all'archiviazione, alla trasmissione e all'elaborazione permanente. La trasformazione e l'elaborazione dei dati consente di ottenere informazioni.
Informazioneè il risultato della trasformazione e dell'analisi dei dati. La differenza tra informazioni e dati è che i dati sono informazioni fisse su eventi e fenomeni archiviati su determinati supporti e le informazioni appaiono come risultato dell'elaborazione dei dati durante la risoluzione di problemi specifici. Ad esempio, diversi dati vengono archiviati nei database e, su richiesta, il sistema di gestione del database fornisce le informazioni richieste.
Per risolvere il problema dati elaborati sulla base delle conoscenze esistenti, informazione analizzato utilizzando la conoscenza. Sulla base dell'analisi vengono proposte opzioni di soluzione, viene accettata la migliore e viene ampliata la conoscenza.
Le decisioni vengono prese sulla base delle informazioni ricevute e delle conoscenze esistenti. Prendere decisioni- questa è la scelta dell'opzione di soluzione migliore, in un certo senso, tra una serie di accettabili sulla base delle informazioni disponibili.
DIKW (dati inglesi, informazioni, conoscenza, saggezza - dati, informazioni, conoscenza, saggezza) è una gerarchia di informazioni, in cui ogni livello aggiunge determinate proprietà al livello precedente.
Il modello stesso trae le sue origini dalle opere del filosofo Mortimer Adler, ma per la prima volta in applicazione alla teoria della gestione della conoscenza è stato formalizzato da Nicolas Henry. Inoltre, nel 1989 Russell Ackoff propose un'estensione di questo modello con uno strato di “comprensione”: la comprensione richiede analisi e predeterminazione, per cui si colloca tra conoscenza e saggezza. Per quanto riguarda la distribuzione temporale degli strati, egli sottolinea il breve ciclo di vita dell'informazione rispetto al ciclo di vita della conoscenza; la comprensione è considerata volubile, ma la saggezza è considerata costante
Alla base c'è il livello dati.
Le informazioni aggiungono contesto.
La conoscenza aggiunge il "come" (meccanismo di fruizione)
La saggezza aggiunge "quando" (condizioni d'uso)
Dati e informazioni vengono spesso equiparati, ma esiste una differenza significativa tra i due termini:
● Informazione- conoscenza relativa a concetti e oggetti (fatti, eventi, cose, processi, idee) nel cervello umano;
● Dati- presentazione delle informazioni elaborate idonee alla trasmissione, interpretazione o elaborazione (file informatici, documenti cartacei, registrazioni in un sistema informativo).
La differenza tra informazioni e dati è che:
1) i dati sono informazioni fisse su eventi e fenomeni che vengono archiviate su determinati supporti e le informazioni appaiono come risultato dell'elaborazione dei dati durante la risoluzione di problemi specifici.
Ad esempio, diversi dati vengono archiviati nei database e, su richiesta, il sistema di gestione del database fornisce le informazioni richieste.
2) i dati sono portatori di informazioni, non l'informazione stessa.
3) I dati si trasformano in informazioni solo quando una persona se ne interessa. Una persona estrae informazioni dai dati, le valuta, le analizza e, sulla base dei risultati dell'analisi, prende una decisione o l'altra.
I dati si trasformano in informazioni in diversi modi:
Contestualizzazione: sappiamo a cosa servono i dati;
Conteggio: elaboriamo i dati matematicamente;
Correzione: correggiamo gli errori ed eliminiamo le omissioni;
Compressione: comprimiamo, concentriamo, aggreghiamo i dati.
Pertanto, se è possibile utilizzare i dati per ridurre l’incertezza della conoscenza su un argomento, i dati si trasformano in informazioni. Pertanto, si può sostenere che le informazioni siano i dati utilizzati.
4) Le informazioni possono essere misurate. La misura della misurazione del contenuto dell'informazione è associata a un cambiamento nel grado di ignoranza del destinatario e si basa su metodi di teoria dell'informazione.
2. Ambito disciplinare- questa è una parte del mondo reale, i dati sui quali vogliamo riflettere nel database. L'ambito tematico è infinito e contiene sia concetti e dati essenzialmente importanti, sia dati insignificanti o non significativi. Pertanto, l’importanza dei dati dipende dalla scelta del dominio.
Modello di dominio. Un modello di dominio è la nostra conoscenza di un dominio. La conoscenza può essere sotto forma di conoscenza informale nel cervello dell’esperto o espressa formalmente utilizzando alcuni mezzi. L'esperienza dimostra che il modo testuale di rappresentare un modello di dominio è estremamente inefficace. Molto più informative e utili nello sviluppo di database sono le descrizioni dell'argomento realizzate utilizzando notazioni grafiche specializzate. Esistono numerosi metodi per descrivere un'area tematica. I più noti includono la tecnica di analisi strutturale SADT e IDEF0 basato su di essa, i diagrammi di flusso di dati Gein-Sarson, la tecnica di analisi orientata agli oggetti UML, ecc. Il modello di dominio descrive piuttosto i processi che si verificano nell'area tematica e i dati utilizzati da questi processi. Il successo dell'ulteriore sviluppo dell'applicazione dipende dalla corretta modellazione dell'area tematica.
3. Banca dati- un insieme di materiali indipendenti presentati in forma oggettiva (articoli, calcoli, regolamenti, decisioni giudiziarie e altri materiali simili), sistematizzati in modo tale che questi materiali possano essere trovati ed elaborati utilizzando un computer elettronico (computer).
Molti esperti sottolineano l’errore comune di utilizzare erroneamente il termine “database” invece del termine “sistema di gestione del database” e sottolineano la necessità di distinguere tra questi concetti.
5.1. Differenze tra conoscenza e dati
Una caratteristica dei sistemi intelligenti è la presenza delle conoscenze necessarie per risolvere i problemi in un'area tematica specifica. Ciò solleva una domanda naturale: cos’è la conoscenza e in cosa differisce dai normali dati elaborati da un computer?
I dati sono informazioni di natura fattuale che descrivono oggetti, processi e fenomeni dell'area tematica, nonché le loro proprietà. Nei processi di elaborazione informatica i dati subiscono le seguenti fasi di trasformazione:
La forma iniziale di esistenza dei dati (risultati di osservazioni e misurazioni, tabelle, libri di consultazione, diagrammi, grafici, ecc.);
Presentazione in lingue speciali della descrizione dei dati destinati all'immissione e all'elaborazione dei dati iniziali in un computer;
Banche dati su supporti informatici.
La conoscenza è una categoria di informazioni più complessa rispetto ai dati. La conoscenza descrive non solo i fatti individuali, ma anche le relazioni tra di essi, motivo per cui la conoscenza viene talvolta chiamata dati strutturati. La conoscenza può essere ottenuta sulla base dell’elaborazione di dati empirici. Sono il risultato dell'attività mentale di una persona volta a generalizzare la sua esperienza acquisita come risultato dell'attività pratica.
Per fornire conoscenza a IIS, è necessario presentarla in una determinata forma. Esistono due modi principali per impartire conoscenza ai sistemi software. Il primo è inserire la conoscenza in un programma scritto in un normale linguaggio di programmazione. Tale sistema sarà un unico codice di programma in cui la conoscenza non sarà collocata in una categoria separata. Nonostante il problema principale verrà risolto, in questo caso è difficile valutare il ruolo della conoscenza e capire come viene utilizzata nel processo di risoluzione dei problemi. Modificare e mantenere tali programmi non è un compito facile e il problema dell'aggiornamento delle conoscenze può diventare insolubile.
Il secondo metodo si basa sul concetto di database e consiste nel collocare la conoscenza in una categoria separata, vale a dire la conoscenza è presentata in un formato specifico e inserita nella base di conoscenza. La base di conoscenza è facilmente aggiornabile e modificabile. È una parte autonoma di un sistema intelligente, sebbene il meccanismo di inferenza logica implementato nel blocco logico, così come i mezzi di dialogo, impongano alcune restrizioni alla struttura della base di conoscenza e alle operazioni con essa. Questo metodo è adottato nel moderno IIS.
Va notato che per inserire la conoscenza in un computer, questa deve essere rappresentata da determinate strutture di dati corrispondenti all'ambiente scelto per lo sviluppo di un sistema intelligente. Di conseguenza, quando si sviluppa un sistema informativo informativo, la conoscenza viene prima accumulata e presentata, e in questa fase è richiesta la partecipazione umana, quindi la conoscenza viene rappresentata da determinate strutture dati che sono convenienti per l'archiviazione e l'elaborazione in un computer. La conoscenza in IIS esiste nelle seguenti forme:
Conoscenza iniziale (regole derivate dall'esperienza pratica, dipendenze matematiche ed empiriche che riflettono le connessioni reciproche tra i fatti; modelli e tendenze che descrivono i cambiamenti dei fatti nel tempo; funzioni, diagrammi, grafici, ecc.);
Descrizione della conoscenza iniziale mediante il modello di rappresentazione della conoscenza selezionato (molte formule logiche o regole di produzione, rete semantica, frame, ecc.);
Rappresentazione della conoscenza mediante strutture di dati destinate alla memorizzazione e all'elaborazione su un computer;
Basi di conoscenza sui supporti di memorizzazione informatici.
Cos'è la conoscenza? Diamo alcune definizioni.
Dal dizionario esplicativo di S.I. Ozhegov: 1) "La conoscenza è la comprensione della realtà da parte della coscienza, della scienza"; 2) "La conoscenza è la totalità delle informazioni, conoscenza in qualsiasi area."
La definizione del termine “conoscenza” comprende per lo più elementi filosofici. Ad esempio, la conoscenza è un risultato testato nella pratica della cognizione della realtà, il suo riflesso corretto nella mente umana.
La conoscenza è il risultato ottenuto comprendendo il mondo circostante e i suoi oggetti. Nelle situazioni più semplici, la conoscenza è considerata come una dichiarazione di fatti e la loro descrizione.
I ricercatori sull’intelligenza artificiale forniscono definizioni più specifiche di conoscenza.
"La conoscenza è le leggi di un'area tematica (principi, connessioni, leggi), ottenute come risultato di attività pratiche ed esperienza professionale, che consentono agli specialisti di impostare e risolvere problemi in quest'area."
“La conoscenza è dati ben strutturati, o dati sui dati, o metadati”.
“La conoscenza è un’informazione formalizzata a cui si fa riferimento o che viene utilizzata nel processo di inferenza logica”.
Nell’ambito dei sistemi di intelligenza artificiale e dell’ingegneria della conoscenza, la definizione di conoscenza è legata all’inferenza logica: la conoscenza è un’informazione sulla base della quale viene implementato il processo di inferenza logica, ovvero Sulla base di queste informazioni è possibile trarre diverse conclusioni dai dati disponibili nel sistema utilizzando l'inferenza logica. Il meccanismo di inferenza consente di collegare insieme singoli frammenti e quindi trarre una conclusione basata su questa sequenza di frammenti correlati.
La conoscenza è un'informazione formalizzata a cui si fa riferimento o che viene utilizzata nel processo di inferenza logica (Fig. 5.1.).
Riso. 5.1. Processo di inferenza in IS
Per conoscenza intendiamo un insieme di fatti e di regole. Il concetto di regola che rappresenta una parte di conoscenza ha la forma:
Se<условие>Quello<действие>.
Questa definizione è un caso speciale della definizione precedente.
Tuttavia, è riconosciuto che le caratteristiche qualitative distintive della conoscenza sono dovute alla presenza di grandi opportunità nella direzione della strutturazione e dell'interconnessione delle unità costitutive, della loro interpretabilità, della presenza di metriche, dell'integrità funzionale e dell'attività.
Esistono molte classificazioni della conoscenza. Di norma, con l'aiuto delle classificazioni, la conoscenza di aree tematiche specifiche viene sistematizzata. A livello astratto di considerazione, possiamo parlare delle caratteristiche in base alle quali è suddivisa la conoscenza, e non di classificazioni. Per sua natura, la conoscenza può essere divisa in dichiarativa e procedurale.
La conoscenza dichiarativa è una descrizione di fatti e fenomeni, registra la presenza o l'assenza di tali fatti e include anche descrizioni delle connessioni e dei modelli di base in cui questi fatti e fenomeni sono inclusi.
La conoscenza procedurale è una descrizione delle azioni possibili quando si manipolano fatti e fenomeni per raggiungere gli obiettivi prefissati.
Per descrivere la conoscenza a livello astratto, sono stati sviluppati linguaggi speciali: linguaggi di descrizione della conoscenza. Queste lingue si dividono anche in lingue procedurali e dichiarative. Tutti i linguaggi di descrizione della conoscenza orientati all’uso dei computer tradizionali con architettura von Neumann sono linguaggi procedurali. Lo sviluppo di linguaggi dichiarativi utili per rappresentare la conoscenza è oggi un problema urgente.
Secondo il metodo di acquisizione della conoscenza, questa può essere suddivisa in fatti ed euristiche (regole che consentono di fare una scelta in assenza di una precisa giustificazione teorica). La prima categoria di conoscenza di solito indica circostanze ben note in una determinata area tematica. La seconda categoria di conoscenza si basa sull'esperienza personale di un esperto che lavora in un'area tematica specifica, accumulata come risultato di molti anni di pratica.
In base al tipo di rappresentazione, la conoscenza si divide in fatti e regole: i fatti sono conoscenze del tipo “A is A”, tipiche delle basi di dati e dei modelli di rete. Le regole, o prodotti, sono conoscenze del tipo “SE A, ALLORA B”.
Oltre ai fatti e alle regole, esiste anche la metaconoscenza: conoscenza sulla conoscenza. Sono necessari per la gestione della conoscenza e per l'organizzazione efficace delle procedure di inferenza logica.
La forma di rappresentazione della conoscenza ha un impatto significativo sulle caratteristiche dei sistemi informativi informativi. Le basi di conoscenza sono modelli della conoscenza umana. Tuttavia, tutta la conoscenza che una persona utilizza nel processo di risoluzione di problemi complessi non può essere modellata. Pertanto, nei sistemi intelligenti è necessario separare chiaramente la conoscenza tra quella destinata ad essere elaborata da un computer e quella utilizzata dall'uomo. Ovviamente, per risolvere problemi complessi, la base di conoscenza deve avere un volume sufficientemente ampio, e quindi sorgono inevitabilmente problemi di gestione di un tale database. Pertanto, quando si sceglie un modello di rappresentazione della conoscenza, si dovrebbero prendere in considerazione fattori come l’uniformità della rappresentazione e la facilità di comprensione. L'omogeneità della presentazione porta ad una semplificazione del meccanismo di gestione della conoscenza. La facilità di comprensione è importante per gli utenti di sistemi intelligenti e per gli esperti la cui conoscenza è incorporata nel sistema informativo informativo. Se la forma di rappresentazione della conoscenza è difficile da comprendere, allora i processi di acquisizione e interpretazione della conoscenza diventano più complicati. Va notato che soddisfare contemporaneamente questi requisiti è piuttosto difficile, soprattutto nei grandi sistemi dove la strutturazione e la rappresentazione modulare della conoscenza diventa inevitabile.
La risoluzione dei problemi di ingegneria della conoscenza pone il problema di convertire le informazioni ricevute dagli esperti sotto forma di fatti e regole per il loro utilizzo in una forma che possa essere effettivamente implementata attraverso l'elaborazione meccanica di queste informazioni. A questo scopo sono stati creati diversi modelli di rappresentazione della conoscenza e utilizzati nei sistemi esistenti.
I modelli classici di rappresentazione della conoscenza includono modelli logici, di produzione, di frame e di rete semantica.
Ogni modello ha il proprio linguaggio di rappresentazione della conoscenza. Tuttavia, in pratica, raramente è possibile gestire lo sviluppo di un sistema informativo nell'ambito di un modello, ad eccezione dei casi più semplici, quindi la rappresentazione della conoscenza risulta essere complessa. Oltre alla rappresentazione combinata utilizzando vari modelli, vengono solitamente utilizzati strumenti speciali per riflettere le caratteristiche della conoscenza specifica sull'area tematica, nonché vari modi per eliminare e tenere conto della vaghezza e dell'incompletezza della conoscenza.
Dati e conoscenza
Informazione
Dati
Procedurale dichiarativo
Argomento
Conoscenza
Conclusione logica
fatti Euristico
meccanismo di uscita, conclusione logica O macchina di uscita.
interfaccia
Base di conoscenza,
Meccanismo di uscita
Interfaccia utente.
Il concetto di sistema formale
La base dei modelli logici è il concetto di un sistema formale definito dai quattro M = (T, P, UN, F).
Un mucchio di T ci sono molti elementi base di diversa natura, ad esempio parole appartenenti ad un vocabolario limitato. Si supponga che esista una procedura P( T) verificando se un elemento arbitrario appartiene a un insieme T.
Un mucchio di P ci sono molte regole di sintassi. Con il loro aiuto dagli elementi T formare espressioni sintatticamente corrette, ad esempio, le espressioni sintatticamente corrette sono costruite da parole con un vocabolario limitato. Deve esserci una procedura P( R), permettendoti di determinare se
alcune espressioni sono sintatticamente corrette.
In abbondanza R viene allocato un sottoinsieme UN espressioni vere a priori (assiomi). Deve esserci una procedura P( UN) controllando se qualche espressione sintatticamente corretta appartiene a un insieme UN.
Un mucchio di F ci sono molte regole di inferenza semantica. Applicarli agli elementi UN, puoi ottenere nuove espressioni sintatticamente corrette, alle quali puoi nuovamente applicare le regole da F. Ecco come si forma insieme di output in un dato sistema formale di espressioni. Se esiste una procedura P( F), che rende possibile determinare per ogni espressione sintatticamente corretta se è deducibile, allora il sistema formale corrispondente è chiamato decidibile.
Per la conoscenza inclusa nella knowledge base, possiamo supporre che il set UN formano tutte le unità di informazione inserite nella base di conoscenza e, utilizzando le regole di inferenza, ne derivano di nuove conoscenza derivata. In altre parole, un sistema formale è un generatore di nuova conoscenza che forma un insieme produzione in questo sistema conoscenza.
Questo modello è alla base della costruzione di molti IIS deduttivo. In tali sistemi, la base di conoscenza è descritta sotto forma di proposizioni e assiomi della teoria, e il meccanismo di inferenza implementa le regole per costruire nuove proposizioni da quelle esistenti nella base di conoscenza. L'input del sistema riceve una descrizione del problema nel linguaggio di questa teoria sotto forma di interrogazione (frase, teorema), che non è presentata esplicitamente nella base di conoscenza. Il processo del meccanismo di inferenza è chiamato dimostrazione di una query (teorema).
L'utilizzo di logiche di vario tipo nella costruzione di regole sintattiche e semantiche dà origine a modelli logici di vario tipo.
Calcolo proposizionale
Il calcolo proposizionale studia proposizioni che possono essere vere o false. Non tutte le frasi sono un'affermazione. Ad esempio, non ha senso parlare della verità delle frasi interrogative. Le frasi per le quali non c'è consenso sul fatto che queste frasi siano vere o false non sono affermazioni. A quanto pare, non tutti saranno d’accordo con l’affermazione “la logica matematica è un argomento affascinante”.
Anche la frase "Ha nevicato" non è un'affermazione, poiché per giudicare la sua verità sono necessarie ulteriori informazioni su quando e dove ha nevicato.
Combinare frasi usando connettivi come "E", "O","se poi...", puoi formare nuove frasi.
Il calcolo proposizionale utilizza cinque connettivi logici: negazione, congiunzione, disgiunzione, implicazione ed equivalenza.
Congiunzione (logica E) è vera solo se entrambe le sue affermazioni costitutive sono vere.
Disgiunzione (logica O) è falsa solo se entrambe le sue affermazioni costitutive sono false.
L’implicazione (corrisponde al connettivo “ Se poi..."") il primo operando è chiamato premessa e il secondo è chiamato conclusione. Un’implicazione è falsa solo se la sua premessa è vera e la sua conclusione è falsa.
Operazione logica equivalenza corrisponde al connettivo " allora e solo allora" Il suo risultato è VERO, se entrambe le affermazioni sono contemporaneamente vere o contemporaneamente false.
Booleano negazione eseguito su una dichiarazione. Un enunciato e la sua negazione hanno sempre valori di verità opposti.
Vengono chiamati i simboli utilizzati per rappresentare le istruzioni atomi.
Le formule ben formate nella logica proposizionale sono definite ricorsivamente come segue:
1) un atomo è una formula;
2) se UN E B– formule, allora le formule sono
e Ø UN, UN Ù B, UN Ú B, UN ® B, UN « B.
Qui i collegamenti sono indicati dai simboli:
Ú - logico O(disgiunzione);
Ù - logico E(congiunzione);
® - logico DOVREBBE(coinvolgimento);
" - logico EQUIVALENTE(equivalenza);
Ø - negazione logica.
Interpretazione formula è l'assegnazione di un valore di verità a ciascun atomo compreso nella formula ( VERO O menzogna).
Formula composta da N atomi diversi, ne ha 2 N interpretazioni diverse.
Viene chiamata una formula che è vera sotto tutte le interpretazioni universalmente valido(Per esempio, UN Ú Ø UN).
Viene chiamata una formula che è falsa sotto tutte le interpretazioni controverso(Per esempio, UN ÙØ UN).
Viene chiamata una formula per la quale esiste almeno un'interpretazione in base alla quale è vera fattibile.
Equivalente sono chiamate formule i cui valori di verità coincidono sotto tutte le interpretazioni. Utilizzando sostituzioni equivalenti, le formule possono essere convertite da una forma all'altra.
Per trasformare le formule del calcolo proposizionale si utilizzano le seguenti equivalenze:
1) UN Ú Ø UN = VERO(VERO);
UN Ù Ø UN = falso(menzogna);
2) regola della doppia negazione
Ø (Ø UN) = UN;
3) UN ® B = Ø UN Ú B;
4) UN « B = (UN ® B) Ù ( B ® UN);
5) leggi di commutatività
UN Ú B = B Ú UN, UN Ù B = B Ù UN;
6) leggi di associatività
(UN Ú B) Ú C =UN Ú ( B Ú C), (UN Ù B) Ù C = UN Ù ( B Ù C);
7) leggi della distributività
UN Ú ( B Ù C) = (UN Ú B) Ù ( UN Ú C), UN Ù ( B Ú C) = (UN Ù B) Ú ( UN Ù C);
8) Leggi di De Morgan
Ø( UN Ú B) = Ø UN Ù Ø B, Ø( UN Ù B) = Ø UN Ú Ø B;
9) UN ® B = Ø B ® Ø UN.
Calcolo dei predicati
L'apparato del calcolo proposizionale in molti casi non consente una descrizione soddisfacente dell'area disciplinare. Una parte significativa delle aree disciplinari può essere descritta mediante il calcolo dei predicati del primo ordine. Per fare ciò si prendono in considerazione:
a) costanti che denotano un oggetto o concetto individuale;
b) variabili che possono rappresentare oggetti diversi in tempi diversi;
c) termini, i più semplici dei quali sono costanti e variabili, e in un caso più generale, rappresentati da espressioni come , dove è un simbolo funzionale, e sono termini;
d) predicati utilizzati per rappresentare relazioni tra oggetti in un determinato ambito disciplinare;
e) quantificatori – un mezzo per specificare le caratteristiche quantitative di un'area tematica.
Predicatoè una funzione logica che accetta solo valori di verità" VERO" O " menzogna».
Un predicato è costituito da un simbolo di predicato e da un corrispondente insieme ordinato di termini, che sono i suoi argomenti. Simbolo del predicato P utilizzato per denominare le relazioni tra oggetti. Se lo ha fatto N vengono chiamati argomenti n-locale simbolo del predicato.
La voce, che è la formula (atomica) più semplice, significa che l'affermazione è vera: gli oggetti sono legati dalla relazione P.
Utilizzando gli stessi connettivi logici del calcolo proposizionale ( E O NON DOVREBBE EQUIVALENTE), è possibile creare formule più complesse.
Per determinare la portata delle variabili nelle formule, vengono utilizzati quantificatori (universalità) e (esistenza). I quantificatori consentono di costruire affermazioni su un insieme di oggetti e formulare affermazioni che sono vere per questo insieme.
Le formule di calcolo dei predicati (PPF - formule ben formate) sono definite ricorsivamente come segue:
1. un atomo è una formula;
2. se UN E B sono formule, allora le formule sono e
Ø UN, UN Ù B, UN Ú B, UN ® B, UN « B;
3. se - è una formula, le formule sono e e .
L'interpretazione delle formule nel calcolo dei predicati è l'assegnazione di intervalli di valori a tutte le costanti, simboli funzionali e predicativi. Formula interpretata sull'area D, assume valori VERO O menzogna secondo le seguenti regole:
a) se vengono forniti i valori della formula UN E B, quindi i valori di verità delle formule Ø UN, UN Ù B, UN Ú B, UN ® B, UN « B sono ottenuti da tavole di verità valide per il calcolo degli enunciati;
b) la formula ottiene il valore VERO, se per ciascuno di D ha il significato VERO, altrimenti il suo valore è menzogna.
c) la formula ottiene il valore VERO, se per almeno uno di D ha il significato VERO, altrimenti il suo valore è falso.
Formula UN C'è conseguenza logica formule, se e solo se per qualsiasi interpretazione in cui la formula 
vero, formula UNè anche vero.
Oltre alle formule di trasformazione equivalenti fornite per il calcolo proposizionale, nel calcolo dei predicati sono valide le seguenti:
Ø($ ) = () (Ø );
Ø() = () (Ø ).
Tipi di cornici
Per scopi didattici Esistono due tipi di frame: un frame prototipo e un frame di esempio. Telaio - prototipo riflette la conoscenza dei concetti astratti stereotipati che sono classi di alcuni oggetti specifici. Le cornici dei prototipi riflettono intensionale conoscenza, cioè conoscenza generalizzata dei modelli inerenti alla classe di oggetti in esame. Cornici - esempi riflettere la conoscenza di fatti specifici dell'area tematica, o il cosiddetto estensionale conoscenza. La transizione da un frame prototipo a un frame istanza viene eseguita durante la procedura di designazione del frame prototipo durante il funzionamento del meccanismo di inferenza logica.
Ad esempio, considera un diagramma semplificato di un frame, un prototipo del concetto DATE:
<ДАТА> (<МЕСЯЦ><имя>)(<ДЕНЬ><целые числа {1,2,…, 31}>)
(<ГОД><функция>)(<ДЕНЬ НЕДЕЛИ><перечень {ПНД,ВТР,…,ВСК}>
<функция>)
Il nome del telaio prototipo è DATE. Nello slot MESE viene scritto il NOME al posto del valore, ad es. il valore dello slot può essere qualsiasi espressione letterale. I valori dello slot GIORNO sono numeri interi e nello slot viene fornito un elenco di essi. Lo slot ANNO contiene una funzione che può implementare le seguenti azioni. Se nella frase di input è specificato l'anno, viene inserito nel campo del valore dello slot nel frame di esempio; se l'anno non è specificato, il valore mancante viene sostituito con l'anno corrente. Questi tipi di funzioni sono chiamate funzioni predefinite.
Lo slot GIORNO DELLA SETTIMANA definisce anche una funzione che, durante l'elaborazione di un messaggio di input, verrà chiamata automaticamente per verificare eventuali errori.
incoerenza nel valore del giorno della settimana specificato dall'utente o in quello calcolato
Questo valore viene eliminato se l'utente non lo ha specificato.
Un frame specifico: un esempio di frame DATE potrebbe assomigliare a questo:
<È UN DATA>(<МЕСЯЦ><ИЮНЬ>)(<ДЕНЬ><5>)
Etichetta È UN indica che questo frame è un frame di esempio. Qui sono occupati solo 2 posti. I restanti valori possono essere calcolati mediante apposite procedure.
Le procedure incluse nello slot si dividono in due tipologie: procedure daemon e
le procedure sono servi.
Le procedure sono demoni vengono attivati automaticamente ogni volta che i dati entrano o vengono rimossi dal frame corrispondente - esempio. Pertanto, la procedura incorporata nello slot GIORNO DELLA SETTIMANA nell'esempio sopra descritto è una procedura rappresentativa: un demone. Utilizzando procedure di questo tipo vengono eseguite tutte le operazioni di routine legate al mantenimento dei database e della conoscenza.
Procedure - servi attivato solo su richiesta. Un esempio di tale procedura è una funzione incorporata nello slot YEAR nel frame prototipo DATE, che viene chiamata solo se l'utente non ha specificato un anno.
Riso. 4.6 Rete di frame
al riquadro Bambino. Ereditare lo slot "Mi piace" dal frame Bambino.
Domanda 2. Qual è l'età degli studenti?
Risposta: 6-17 – il valore dello slot “età” è preso dal riquadro Studente. Il valore del frame Child non viene preso, perché il significato è indicato esplicitamente nella cornice “studente” stessa, rispetto alla quale viene posta la domanda.
Per scopo funzionale Si distinguono i seguenti tipi di frame:
Cornici – oggetti (esempio sopra);
Frame – operazioni (ad esempio, il frame “processo di sintesi dei dispositivi correttivi”, slot: modello, algoritmo di calcolo, parametri, ecc.);
Frame – situazioni (ad esempio, il frame “Modalità di funzionamento di emergenza di un sensore analogico”, slot: tensione, corrente, ecc.);
Frame – scenari (ad esempio, il frame “Estinzione incendio”, slot: posizione dell'incendio, mezzi di estinzione, ecc.).
Il modello frame della rappresentazione della conoscenza è utilizzato nelle lingue FRL(Linguaggio di rappresentazione dei frame) ,KRL(Linguaggio di rappresentazione della conoscenza) e così via.
Caratteristiche dell'inferenza logica
Nei linguaggi frame, l'operazione principale è ricerca per modello. Un campione è un frame in cui non sono riempite tutte le unità strutturali, ma solo quelle in cui i frame richiesti verranno trovati tra i frame memorizzati nella memoria del sistema. Il modello può, ad esempio, contenere il nome del frame, così come il nome di qualche slot nel frame, indicando il valore dello slot. Tale modello verifica la presenza nella memoria del sistema di un frame con un dato nome e un dato valore di slot specificato nel modello. Il campione può indicare il nome di uno slot e il suo valore. Quindi la procedura di ricerca del modello deve garantire che vengano recuperati tutti i frame che contengono uno slot con lo stesso nome e valore di slot del modello. Infine, è possibile specificare alcune funzioni logiche dal nome del frame, alcuni nomi di slot e valori di slot. Pertanto, l'inferenza in una rete di frame si basa sull'operazione di corrispondenza.
Altre procedure caratteristiche dei linguaggi frame sono le procedure per riempire gli slot con dati, nonché le procedure per introdurre nuovi frame prototipo (cioè nuova conoscenza) nel sistema e introdurre nuove connessioni tra loro.
Consideriamo un frammento della descrizione dal "mondo dei blocchi" (Fig. 4.7) sotto forma di frame nel linguaggio FRL.
Riso. 4.7 "Mondo a blocchi"
(telaio (nome (Cubo)) (lunghezza (NULLO)) (larghezza (SE-DEFAULT (utilizzare la lunghezza))) (altezza (SE-DEFAULT (utilizzare la lunghezza)))) (F rame (nome (B 1)) (AKO (Cubo)) (colore (rosso)) (lunghezza(80))) (f rame (nome (B 2)) (AKO (Cubo)) (colore (verde)) (lunghezza (65))))
Fessura AKO indica che gli oggetti B 1 e B 2 sono un sottotipo dell'oggetto Cubo ed ereditano le sue proprietà, vale a dire lunghezza = larghezza = altezza. La procedura è un demone SE-DEFAULT riempie i valori di slot predefiniti.
Supponiamo che al robot venga dato l'ordine "Prendi l'oggetto giallo che sostiene la piramide". Nel linguaggio della rappresentazione della conoscenza la domanda si scrive così:
(oggetto X (colore (giallo)) (tieni Y (tipo (piramide))))
Il programma di corrispondenza dei modelli trova una descrizione degli oggetti nella base di conoscenza:
(telaio (nome (B 3)) (tipo (bloccare)) (colore (giallo)) (misurare (20 20 20)) (coordinata (20 50 0)) (Presa (P 2)))
(telaio (nome(P 2)) (tipo (piramide)) ...)
Risposta ricevuta: X = B 3, Y = P 2, e al robot viene dato un comando Prendere(oggetto B 3).
I vantaggi dei frame come modello per rappresentare la conoscenza sono la capacità di strutturare una base di conoscenza grazie alle proprietà di gerarchia ed ereditarietà. Lo svantaggio è la complessità dell'organizzazione dell'inferenza logica.
Conferenza. Nozioni di base per costruire un sistema di prodotto
Applicazione delle metaregole
A volte, per decidere quale regola attivare, è auspicabile utilizzare conoscenze specifiche piuttosto che seguire una strategia generale di risoluzione del conflitto. A tal fine, alcuni interpreti di regole includono strumenti che consentono al programmatore di formulare e inserire meta-regole nel programma. Le meta-regole definiscono le regole in base alle quali selezionare dall'elenco delle applicazioni quelle regole che dovrebbero essere considerate per prime o, soprattutto, devono essere rispettate.
Le metaregole consentono di restringere in modo significativo la gamma di regole candidate in base ad alcuni criteri o modificare l'ordine delle priorità delle regole. Le metaregole spesso utilizzano conoscenze specifiche del dominio. Un esempio è la seguente meta-regola relativa al sistema:
tema della diagnostica medica MICINO.
METARULA 001
SE (1) l'infezione appartiene alla classe ascesso pelvico, E
(2) ci sono regole le cui premesse menzionano
enterobatteri, E
(3) ci sono regole le cui premesse menzionano
colorazione Gram-positiva,
POI con confidenza 0,4 la priorità dovrebbe essere data alla prima delle regole elencate.
Conferenza. Concetti di base nel campo dell'intelligenza artificiale
Il campo della scienza, chiamato “intelligenza artificiale”, mira a identificare i meccanismi fondamentali alla base dell’attività umana al fine di applicarli nella risoluzione di specifici problemi scientifici e tecnici. I sistemi “intelligenti” vengono creati per operare in ambienti in cui la presenza umana è impossibile o pericolosa per la vita. Questi dispositivi dovranno funzionare in un’ampia varietà di situazioni possibili. È impossibile descrivere queste situazioni in anticipo con il grado di dettaglio e univocità che consentirebbe di incorporare algoritmi di comportamento codificati nel sistema in fase di creazione. Pertanto, i sistemi dotati di intelligenza artificiale devono disporre di meccanismi di adattamento che consentano loro di costruire programmi di attività adeguate per risolvere i compiti loro assegnati in base alla situazione specifica che si sta attualmente sviluppando nel loro ambiente.
Questa formulazione del problema pone ai ricercatori compiti speciali che non sono mai sorti prima nella progettazione di sistemi tecnici. Tali compiti includono: descrivere il ricco ambiente esterno e il suo riflesso all'interno del sistema (questo compito è chiamato compito di rappresentazione della conoscenza); gestione della banca della conoscenza, sua ricostituzione, individuazione delle contraddizioni e delle carenze di conoscenza; percezione dell'ambiente esterno mediante vari tipi di recettori (visivi, tattili, uditivi, ecc.); comprensione del linguaggio naturale, che funge da mezzo di comunicazione universale per gli esseri umani; percezione del testo stampato e del parlato orale e trasformazione delle informazioni contenute nei messaggi in una forma di rappresentazione della conoscenza; la pianificazione delle attività è un compito la cui soluzione consentirà al sistema di formulare piani per raggiungere un obiettivo utilizzando i mezzi a sua disposizione; adattamento e apprendimento basati sull’esperienza accumulata.
Questo è il campo di attività degli specialisti nel campo dei sistemi di intelligenza artificiale. Si trova all'intersezione di un'ampia varietà di discipline: programmazione e psicologia, tecnologia e linguistica, matematica e fisiologia.
Quindi, la teoria dell'intelligenza artificiale è la scienza della conoscenza, di come estrarla, presentarla in sistemi artificiali, elaborarla all'interno del sistema e utilizzarla per risolvere problemi pratici. In altre parole, i sistemi studiati nell’ambito dell’intelligenza artificiale e creati in linea con questa scienza sono sistemi il cui lavoro si basa sulla conoscenza che riflette la semantica e la pragmatica del mondo esterno in cui operano i sistemi intelligenti.
Pertanto, i principali problemi dell’intelligenza artificiale sono la rappresentazione e l’elaborazione della conoscenza. La soluzione a questi problemi consiste sia nello sviluppo di modelli efficaci per rappresentare la conoscenza, metodi per ottenere nuova conoscenza, sia nella creazione di programmi e dispositivi che implementino questi modelli e metodi.
Elementi di intelligenza artificiale sono ampiamente utilizzati per creare software per computer intelligente, sistemi di controllo automatizzato (ACS), sistemi di progettazione assistita da computer (CAD), sistemi di recupero delle informazioni (IRS), sistemi di gestione di database (DBMS), sistemi esperti (ES), sistemi supporto alle decisioni (DSS), ad es. consentono di aumentare il livello di intelligenza dei sistemi informativi realizzati.
I progressi nel campo dell’intelligenza artificiale vengono utilizzati nell’industria (scoperta e sviluppo minerario, astronautica, automobilistica, chimica, ecc.), nell’economia (finanza, assicurazioni, ecc.), nella sfera non industriale (trasporti, medicina, comunicazioni ecc.), in agricoltura.
Gli strumenti di intelligenza artificiale consentono di sviluppare modelli e programmi per la risoluzione di problemi per i quali non sono noti metodi di soluzione diretti e affidabili. Tali compiti appartengono al campo dell'attività creativa umana. Gli specialisti dell'intelligenza artificiale pongono problemi scientifici come la dimostrazione di teoremi matematici, la diagnosi di malattie o malfunzionamenti delle apparecchiature, l'analisi finanziaria di entità aziendali, la sintesi di programmi basati su specifiche, la comprensione di testi in linguaggio naturale, l'analisi di un'immagine e l'identificazione del suo contenuto, il controllo di un robot, ecc. .
Dati e conoscenza
Forniamo le definizioni dei concetti di base della disciplina studiata e consideriamo le differenze tra i concetti di "dati" e "conoscenza".
Informazione– un insieme di informazioni percepite dall'ambiente, rilasciate nell'ambiente o archiviate all'interno di un sistema informativo (IS).
Dati– informazioni specifiche presentate in forma formalizzata sugli oggetti dell'area tematica, sulle loro proprietà e relazioni, che riflettono eventi e situazioni in quest'area.
I dati vengono presentati in un formato che consente l'automazione della loro raccolta, archiviazione e ulteriore elaborazione. I dati sono una registrazione di informazioni in una forma appropriata adatta per archiviare, trasmettere, elaborare e ottenere nuove informazioni.
Le informazioni trattate dal computer si dividono in procedurali e dichiarative.
Procedurale le informazioni sono rappresentate da programmi che vengono eseguiti nel processo di risoluzione dei problemi e dichiarativo– dati elaborati da questi programmi.
Qualsiasi attività intellettuale si basa sulla conoscenza dell'area tematica in cui i problemi vengono impostati e risolti.
Argomento chiamare un insieme di informazioni correlate necessarie e sufficienti per risolvere un determinato insieme di problemi. La conoscenza dell'area tematica include descrizioni di oggetti, fenomeni, fatti, nonché le relazioni tra loro.
Conoscenza– si tratta di informazioni generalizzate e formalizzate sulle proprietà e leggi dell'area tematica, con l'aiuto delle quali vengono implementati i processi di risoluzione dei problemi, trasformazione dei dati e conoscenza stessa e che vengono utilizzate nel processo di inferenza logica.
Conclusione logicaè la generazione di nuove affermazioni (giudizi) basate su fatti iniziali, assiomi e regole di inferenza.
La conoscenza dal punto di vista dei problemi da risolvere in una determinata area tematica è divisa in 2 grandi categorie: fatti ed euristiche. Sotto fatti di solito comprendono verità e circostanze generalmente conosciute in una determinata area tematica. Euristico– si tratta di algoritmi empirici basati su considerazioni informali che limitano il numero di opzioni di soluzione e forniscono comportamenti mirati del sistema decisionale, senza però garantire la soluzione migliore. Tale conoscenza si basa sull'esperienza di uno specialista (esperto) in una determinata area tematica.
Il concetto di una procedura per ottenere soluzioni ai problemi (strategia di elaborazione della conoscenza) è associato all'impasto della conoscenza. In IIS questa procedura viene chiamata meccanismo di uscita, conclusione logica O macchina di uscita.
La conoscenza con cui funziona il sistema è archiviata in una base di conoscenza (KB).
Per organizzare l'interazione con l'IIS, è necessario che esso disponga di mezzi di comunicazione con l'utente, ad es. interfaccia. L'interfaccia fornisce lavoro con la base di conoscenza e il meccanismo di output in un linguaggio di livello abbastanza alto, vicino al linguaggio professionale degli specialisti nell'area tematica a cui appartiene il sistema informativo informativo. Inoltre, le funzioni dell’interfaccia includono il supporto per il dialogo dell’utente con il sistema, consentendo all’utente di ricevere spiegazioni sulle azioni del sistema, partecipare alla ricerca di una soluzione a un problema e aggiornare e adattare la base di conoscenza. Pertanto, le parti principali dell'IIS sono:
Base di conoscenza,
Meccanismo di uscita
Interfaccia utente.
Caratteristiche della conoscenza che la distinguono dai dati
Esempio. Lasciamo che i legami familiari fungano da argomento. Gli oggetti di quest'area tematica sono concetti come madre,
padre, figlia, uomo, donna, ecc.
Facciamo conoscere i fatti:
Victor è il padre di Tanya.
Vladimir è il padre di Victor.
In Prolog questi fatti sono descritti come segue:
padre (Victor, Tanya).
padre (Vladimiro, Victor).
Qui "padre" è un nome o predicato di relazione, e "Victor", "Tanya" e "Vladimir" sono costanti.
Permettere X, Y, Z– variabili. Utilizzo delle variabili X E Z, possiamo generalmente scrivere la relazione “ Xè il padre Z» nel Prologo:
padre ( X, Z).
Utilizzando il predicato "padre" e le variabili X, Y, Z, formuliamo una nuova relazione “nonno”, vale a dire:
Se Xè il padre Z E
Zè il padre Y
Quello Xè un nonno Y.
Questa forma di registrazione della relazione si chiama “Se...Allora”. regola di produzione, prodotti o semplicemente regola.
In Prolog, la relazione “nonno” è scritta come segue:
nonno ( X, Y): - padre ( X, Z), padre ( Z, Y).
Il simbolo “: –” viene interpretato come “Se”.
Utilizzando l'esempio della relazione “nonno”, viene formulato uno schema generale per definire il concetto di “nonno” attraverso il concetto di “padre”. Il nome “Vladimir”, preso indipendentemente dalla parentela, non indica nulla. Forse è il nome di una persona o il nome di una città. I dati numerici o di altro tipo, ad esempio in un file di dati, vengono trattati allo stesso modo. Il dato, preso insieme alla relazione, determina un certo significato e costituisce quindi la conoscenza.
Consideriamo le caratteristiche della conoscenza che la distinguono dai dati.
1. Interpretabilità. I dati archiviati nella memoria del computer possono essere interpretati solo dal programma appropriato. I dati senza programma non trasportano alcuna informazione, mentre la conoscenza ha un'interpretazione, poiché contiene contemporaneamente sia dati che nomi, descrizioni, relazioni ad essi corrispondenti, ad es. Insieme ai dati vengono presentate strutture informative che consentono non solo di archiviare la conoscenza, ma anche di utilizzarla.
Presentazione senza titolo
Definizione della banca dati
Un insieme di materiali indipendenti presentati in forma oggettiva (articoli, calcoli, regolamenti, decisioni dei tribunali e altri materiali simili), sistematizzati in modo tale che questi materiali possano essere trovati ed elaborati utilizzando un computer elettronico (computer).
Il database è una raccolta di dati archiviati secondo uno schema di dati, che viene manipolato in conformità con le regole degli strumenti di modellazione dei dati.
Un database è una raccolta di dati organizzata secondo una struttura concettuale che descrive le caratteristiche di tali dati e le relazioni tra essi, una raccolta di dati che supporta uno o più ambiti di applicazione.
Un database è una raccolta di dati organizzati secondo determinate regole e mantenuti nella memoria del computer, che caratterizzano lo stato attuale di un determinato argomento e utilizzati per soddisfare le esigenze informative degli utenti.
Un database è un determinato insieme di dati permanenti (memorizzati in modo permanente) utilizzati dai sistemi software applicativi di qualsiasi azienda.
Un database è un insieme condiviso di dati logicamente correlati (e una descrizione di tali dati) progettato per soddisfare le esigenze informative di un'organizzazione.
Base di conoscenza
Una base di conoscenza (KB) nella ricerca in informatica e intelligenza artificiale è un tipo speciale di database progettato per funzionare con la conoscenza (metadati). Una base di conoscenza contiene informazioni strutturate che coprono una determinata area di conoscenza per l'utilizzo da parte di un dispositivo cibernetico (o di una persona) per uno scopo specifico. Le moderne basi di conoscenza funzionano insieme ai sistemi di recupero delle informazioni e hanno una struttura di classificazione e un formato di presentazione della conoscenza.
Le basi di conoscenza complete contengono non solo informazioni fattuali, ma anche regole di inferenza che consentono inferenze automatiche sui fatti appena introdotti e, di conseguenza, un'elaborazione significativa delle informazioni. Il ramo della scienza dell'intelligenza artificiale che studia le basi della conoscenza e i metodi per lavorare con la conoscenza è chiamato ingegneria della conoscenza.
Un modo gerarchico di rappresentare un insieme di concetti e le loro relazioni in una base di conoscenza è chiamato ontologia. L'ontologia di una determinata area della conoscenza, insieme alle informazioni sulle proprietà di oggetti specifici, può anche essere definita base di conoscenza.
Differenze
Una base di conoscenza è un modello semantico che descrive un'area tematica e consente di rispondere a domande relative a tale area tematica, le cui risposte non sono esplicitamente presenti nel database. La base di conoscenza è la componente principale dei sistemi intelligenti ed esperti.
Un database è una raccolta di dati correlati organizzati secondo determinate regole che forniscono principi generali per la descrizione, l'archiviazione e la manipolazione, indipendentemente dai programmi applicativi. Un database è un modello informativo di un'area tematica. L'accesso ai database avviene utilizzando un sistema di gestione del database (DBMS)
Proprietà di base
Definizioni di base. Le informazioni trattate dai computer si dividono in procedurali e dichiarative. Le informazioni procedurali sono incorporate nei programmi che vengono eseguiti nel processo di risoluzione dei problemi, le informazioni dichiarative sono incorporate nei dati con cui funzionano questi programmi. La forma standard di rappresentazione delle informazioni in un computer è una parola macchina, costituita da un numero di cifre binarie - bit - determinate per un dato tipo di computer. La parola macchina per rappresentare i dati e la parola macchina per rappresentare le istruzioni che formano il programma possono avere lo stesso numero di bit o un numero diverso. Lo stesso numero di bit nelle parole del computer per comandi e dati consente loro di essere considerati nel computer come unità di informazione identiche e di eseguire operazioni sui comandi come sui dati. Il contenuto della memoria costituisce una base di informazioni. La parola macchina è la caratteristica principale della base informativa, perché la sua lunghezza è tale che ogni parola macchina viene memorizzata in una cella di memoria standard, dotata di un nome individuale: l'indirizzo della cella. Utilizzando questo nome, le unità di informazione vengono estratte dalla memoria del computer e vi vengono scritte. I linguaggi di programmazione di alto livello utilizzano tipi di dati astratti, la cui struttura è specificata dal programmatore. L’emergere dei database (DB) ha segnato un altro passo verso l’organizzazione del lavoro con informazioni dichiarative. I database possono archiviare contemporaneamente grandi quantità di informazioni e strumenti speciali che formano un sistema di gestione del database (DBMS) consentono di manipolare efficacemente i dati e, se necessario, recuperarli dal database e scriverli nell'ordine richiesto nel database. Con lo sviluppo della ricerca sull’IS, è emerso il concetto di conoscenza, che combinava molte delle caratteristiche delle informazioni procedurali e dichiarative. In un computer, la conoscenza, come i dati, viene visualizzata in forma simbolica - sotto forma di formule, testo, file, matrici di informazioni, ecc. Pertanto, possiamo dire che la conoscenza è costituita da dati organizzati in un modo speciale. Nei sistemi di IA la conoscenza è l’oggetto principale di formazione, elaborazione e ricerca. Una base di conoscenza, insieme a un database, è una componente necessaria di un pacchetto software di intelligenza artificiale. Le macchine che implementano algoritmi di intelligenza artificiale sono chiamate macchine basate sulla conoscenza e la sottosezione della teoria dell’intelligenza artificiale associata alla costruzione di sistemi esperti è chiamata ingegneria della conoscenza. differenze tra dati e conoscenza: 1. interpretabilità interna della conoscenza (ad esempio: dati - 243849..., conoscenza - frasi in linguaggio naturale) 2. attività di conoscenza. Se c'è conoscenza, l'emergere di nuova conoscenza può portare a cambiamenti nella vecchia conoscenza e all'emergere di nuova. 3. coerenza della conoscenza. La conoscenza non è interessante in sé, è interessante nella sua totalità (un sistema di conoscenza). 4. la conoscenza è dinamica e i dati sono solitamente statici. La conoscenza intensionale è definita attraverso il concetto di livello superiore, che indica specifici
