5673056524

zadania. Agenty w zadaniu odpowiedniego wykorzystania wiedzy wspomaga moduł wnioskujący, którego zadanie jest szczególne, gdyż polega ono na produkowaniu nowych informacji na podstawie już pozyskanych, czyli — używając przytoczonych słów Tima Bernesa-Lee — czynienie odkryć. Przetworzone wyniki są prezentowane użytkownikom i systemom korzystającym z usług agentów.

1.6 Zakres, motywacje i cele pracy

Przedstawione dotychczas zagadnienia uzasadniają, w nadziei autora, ważność podejmowanego zakresu prac. W niniejszej rozprawie autor skupia się na wnioskowaniu ze zgromadzonej wiedzy. Moduły wnioskujące pełnią ważną rolę w systemach zarządzania wiedzą, pozwalając na wszechstronne wykorzystanie gromadzonej informacji. Szczególnego znaczenia nabiera ich wykorzystanie w środowisku Internetu, gdzie poszukiwana informacja jest często rozproszona, przedstawiana z różnych punktów widzenia i fragmentaryczna.

W pracy skupiono się na wnioskowaniu z ontologii opartych na logice opisowej. Ograniczenie to podyktowane jest faktem, że ontologie te stanowią zasadniczy element inicjatywy Semantic Web i można spodziewać się, że ich użycie będzie się upowszechniać.

Kwestie wnioskowania z ontologii opartych na logice opisowej są przedmiotem intensywnych badań, a ich owocem stały się prototypowe narzędzia wnioskujące. Jednak istniejące metody i narzędzia oraz powstające z ich zastosowaniem systemy zarządzania wiedzą wciąż wykazują niedojrzałość w zastosowaniach praktycznych.

W ramach badań stanowiących przygotowanie do niniejszej pracy przeanalizowano narzędzia: Jena [CDD03], FaCT [Hor98] oraz Racer [HMOl]. Wymienione systemy reprezentują przekrój trendów w rozwoju przetwarzania ontologii opartych na logice opisowej: Jena jest narzędziem przetwarzania trójek RDF rozwijanym przez firmę Hewlett-Packard, natomiast FaCT oraz Racer do wnioskowania wykorzystują zoptymalizowane wersje algorytmów tablicowych (ang. tableau algorithm). Zasadniczym niedostatkiem tych systemów okazała się przede wszystkim zła skalowalność, rozumiana jako wydajność systemu w funkcji liczby przechowywanych osobników (patrz też wyniki testów w rozdziale 5).

W niniejszej pracy podjęto próbę przełamania ograniczeń istniejących modułów wnioskujących. Jako drogę do tego celu zaproponowano wykorzystanie nowej metody wewnętrznej reprezentacji wiedzy ułatwiającej wnioskowanie z baz wiedzy zawierających dużą liczbę osobników.

Aby wyjaśnić pojęcie wewnętrznej reprezentacji wiedzy, sięgniemy najpierw do pozycji [SowOO], w której John F. Sowa przytacza następujące pryncypia dotyczące reprezentacji wiedzy'.

1.    Reprezentacja wiedzy jest surogatem rzeczywistego świata. Fizyczne obiekty, które nie mogą być przeniesione do wnętrza komputera, są tam reprezentowane przez symbole.

2.    Reprezentacja wiedzy to szereg uzgodnień ontologicznych. Ontologie reprezentują wyróżnione kategorie obiektów, które istnieją lub mogą istnieć w rzeczywistej dziedzinie zainteresowań.

3.    Reprezentacja wiedzy to fragmentaryczna teoria inteligentnego wnioskowania. Reprezentacja wiedzy dostarcza opisu interakcji pomiędzy obiektami w uniwersum. Opis ten konstytuuje teorię dziedziny zainteresowań, niezależnie od tego czy jest on skompilowany w ramach binariów programu komputerowego, czy wyrażony w postaci aksjomatów.

11