22180

ВВЕДЕНИЕ. ОБЩИЕ СВЕДЕНИЯ ОБ ЭКСПЕРТНЫХ СИСТЕМАХ

Лекция

Информатика, кибернетика и программирование

Наконец наиболее цитируемым определением третьего типа является следующее: ИИ – это область знаний которая находит применение при решении задач связанных с обработкой информации на естественном языке автоматизацией программирования управлением роботами машинным зрением автоматическим доказательством теорем разумными машинами извлечения и т. Способы получения и представления знаний в интересах проектирования СИИ в настоящее время составляют предмет сравнительно нового научного направления – инженерии знаний. Форма представления знаний...

Русский

2013-08-04

224 KB

13 чел.

20

ЛЕКЦИЯ №1

ТЕМА: ВВЕДЕНИЕ. ОБЩИЕ СВЕДЕНИЯ ОБ ЭКСПЕРТНЫХ СИСТЕМАХ

Вопросы:

1.Искусственный интеллект. История развития.

2. Классификация СИИ.

3. Экспертные системы.

4. Базовые функции ЭС

1. Искусственный интеллект. История развития

История ИИ насчитывает всего несколько десятилетий, хотя создать «думающую машину» мечтали многие поколения людей. Первый международный конгресс по искусственному интеллекту состоялся в США в 1969 г., ему предшествовавали исследования в разных странах и направлениях:

  •  в 50-е гг. XX в. были начаты работы по машинному переводу с одного языка на другой;
  •  в 1957 г. А. Розенблатом было предложено устройство для распознавания образов - персептрон, положивший начало разработке большого числа других устройств подобного типа (в том числе и в СССР – например, в Риге Л. Гореликом);
  •  в 1959 г. Г.Саймон и А. Ньюэдл разработали программу GPS (Generаl  Problem Solving Programme) – универсальный решатель, предназначенный для разрешения различных из самых разнообразных областей [12] и др.

Как явствует из перечисленных примеров, первоначально на системы, связанные с ИИ, пытались возложить различные, но весьма универсальные задачи.

Однако надежды, порожденные первыми успехами в данной области, полностью не оправдались. Задача машинного перевода оказалась гораздо сложнее, чем предполагаюсь, и ее реализация, прогнозировавшаяся на 60-е гг. XX в., отодвинулась на два десятилетия (кстати, гораздо большее распространение получили автоматизированные словари, позволяющие получить из исходного текста так называемый «подстрочный перевод», а не «переводчики» в полном смысле этого слова). Универсальный решатель задач, довольно успешно доказывавший достаточно простые логические теоремы, оказался крайне неэффективным при решении других задач, в частности при многочисленных попытках автоматизировать игру в шахматы. Не удавалось также достаточно эффективно распознавать реальные изображении устройствами персептронного типа.

Работы по ИИ продолжались, разрабатывались глубинные теоретические вопросы и их программная реализация. В частности, многие исследователи продолжили разработку алгоритмов и программ шахматной игры, завершившейся в 1967 г. первым чемпионатом мира по шахматам среди ЭВМ (его выиграла советская программа «Каисса», разработанная в Институте проблем управления АН СССР). Отметим, что до последнего времени продолжаются попытки решить спор о том, способна ли программа на ЭВМ переиграть человека (иногда такой процесс называют соревнованием «кремниевого» и «белкового» шахматистов). В частности, мира Г.Каспаров неоднократно играл с шахматными программами, разработанными в разных странах (США, Германии), с переменным успехом. Многие специалисты связывают успех или неудачу человека в игре с машиной с регламентом проведения матча; при проведении блиц-партий человек, действующий по интуиции, имеет больше шансов на выигрыш; при ограничении времени на партию 5 или 25 мин («быстрые шахматы») возможности ЭВМ по просчету вариантов в ряде случаев превышают человеческие; сложнее отдать преимущество одной из сторон при классической игре.

Новое развитие работы по ИИ получили в 80-е гг. XX в. Теоретический задел, созданный на первом этапе развития интеллектуальных систем при решении достаточно «мелких» задач (машинные игры в шашки, шахматы; сочинение стихов и музыки; перевод и т.п.), привел к важным практическим результатам – таким, как создание экспертных систем, интеллектуальных расчетно-логических и информационно-поисковых систем, интеллектуальных пакетов прикладных программ (ИППП) и т. д. Кроме того, практические успехи в создании СИИ вызволи к жизни новые проекты, в частности проекты разработки ЭВМ следующего (по наиболее распространенной классификации), 5-го поколения, которые должны уметь общаться с пользователем на естественном (или близком к нему) языке; решать не вполне структурированные задачи; давать разумные советы по широкому кругу проблем и т.д.

Вместе с тем специалисты продолжают обсуждать мнение основополагающие вопросы, например: что такое ИИ? искусственный разум? в чем их отличия? что является предметом теории ИИ?

Существует, по крайней мере, три подхода к определению этого понятия, носящие гораздо большую практическую направленность (рис. 1).

Рисунок 1 – Подходы к определению понятия «искусственный интеллект»

Достаточно полным определением понятия «искусственный интеллект» первого типа является следующее: ИИ - это область исследований, в рамках которых разрабатываются модели и методы решения задач, традиционно считавшихся интеллектуальными и не поддающимися формализации и автоматизации.

Применительно к данному определению является справедливым суждение, что интеллектуальной может считаться такая искусственно созданная система, для которой выполняется тест Тьюринга, состоящий в следующем: «Испытатель через посредника общается с невидимым для него собеседником – человеком или системой. Интеллектуальной может считаться та система, которую испытатель в процессе такого общения не может отличить от человека».

В качестве другого определения, достаточно точно отражающего характер второго подхода, может рассматриваться следующее: ИИ – это область исследований, в которой изучаются системы, строящие результирующий вывод для задач с неизвестным алгоритмом решения на основе неформализованной исходной информации, использующие технологии символьного программирования и средства вычислительной техники со специальной (не фон неймановской) архитектурой.

Наконец, наиболее цитируемым определением третьего типа является следующее: ИИ – это область знаний, которая находит применение при решении задач, связанных с обработкой информации на естественном языке, автоматизацией программирования, управлением роботами, машинным зрением, автоматическим доказательством теорем, разумными машинами извлечения и т.д. 

2. Классификация систем искусственного интеллекта

Рассмотрим классификацию этих систем, имея в виду, что, несмотря на значительное число попыток провести такую классификацию, ни одна из них не является совершенной. На рис. 2 представлена классификации СИИ, полученная путем сопоставления и обобщения  известных классификаций этих систем.

Рисунок 2 – Классификация систем искусственного интеллекта:

СОН – системы общего назначения; СС – специализированные системы.

Наиболее широкое распространение на практике в настоящее время получили СИИ, основанные на знаниях. Понятие «знания» для них имеет принципиальное значение. Под «знанием» в СИИ понимается информация о предметной области, представленная определенным образом и используемая в процессе логического вывода.

По своему содержанию данная информация является некоторым набором суждений и умозаключений, описывающих состояние и механизмы (логику) функционирования в выбранной, как правило, весьма ограниченной предметной области. Указанные суждения и умозаключения высказываются экспертом (специалистом) в этой области, либо формулируются в результате анализ литературы по данному предметному направлению.

Способы получения и представления знаний в интересах проектирования СИИ в настоящее время составляют предмет сравнительно нового научного направления – инженерии знаний.

Форма представления знаний имеет отличие от формы представления данных. Обычно под данными в АИС понимаются факты и идеи, представленные в формализованном виде, позволяющие лишь передавать, хранить или обрабатывать эти факты и идеи при помощи некоторого процесса. В отличие от данных знания предполагают сосредоточение не только фактов и идей в указанном выше смысле (так называемых первичных данных), но и дополнительных данных, которые описывают (интерпретируют) первичные данные с точки зрения следующих составляющих: того, что собой представляют эти данные, какие между ними имеются связи, какие действия с ними и каким образом могут выполняться и т. п.

В системах, основанных на знаниях, предполагается, что исходные знания способны в соответствии с запросами пользователей к системе порождать новые знания. При этом сама процедура порождения новых знаний называется логическим выводом (или просто выводом). Термин «логический» в данном случае не случаен с двух точек трения. Системы, основанные на знаниях, моделируют мыслительную деятельность людей лишь на логическом (а не на физиологическом) уровне, и, кроме того, основным математическим аппаратом, лежащим в основе систем итого типа, является аппарат математической логики.

К СИИ, полностью основанных на знаниях, относятся два класса систем: экспертные системы (ЭС) и Инструментальные пакеты прикладных программ (ИППП). Основные идеи этого направления частично (или даже в значительной части) реализуются и в других СИИ, в частности робототехнических системах распознавания и др. (см. рис. 2).

Под ИППП понимаются инструментальные пакеты прикладных программ, в которых механизм сборки отдельных подпрограмм (решения частных задач) в общую программу решения требуемой задачи осуществляется автоматически, на основе механизма логического вывода.

В самоорганизующихся системах реализуется попытка осуществить моделирование интеллектуальной деятельности человека (или более простых живых существ) не на логическом, а на физиологическом уровне работы головного мозга. В данном случае мозг человека моделируется сетью идеальных нейронов. В соответствии с доказанной' Дж. фон Нейманом теоремой при воздействии на такую сеть некоторых раздражителей она начинает вырабатывать адекватную реакцию, т.е. способна к самообучению путем самоорганизации. Несмотря на значительную теоретическую перспективность этого (исторически первого) направления в области ИИ, практически значимых результатов этот путь пока не дал. Последнее объясняется технической нереализуемостью на современном уровне достаточного числа взаимосвязанных нейронов в искусственно создаваемой сети.

В то же время, данное направление позволило получить весомые результаты в области исследования возможностей создания компьютеров сверхвысокого быстродействия и тем самым повысить возможности СИИ, создаваемых на других принципах. Кроме того, реальные результаты получены в создании нейросистем распознавания образов.

Основная идея, лежащая в основе создания нейросетей, базируется на теореме Мак-Кадлока и Питтса, которая утверждает: любую вычислимую функцию можно реализовать с помощыо сети идеальных нейронов, Эксперименты показывают, что реализация этих функций таким путем может осуществляться значительно быстрее, чем на традиционном компьютере. Компьютеры новой архитектуры, воплощающие данную идею, получили название нейрокомъютеры.

Третье направление разработки СИИ связано с реализацией эвристического подхода к построению таких систем. Главной особенностью, характерной для данного направления, является полный отказ от следования принципу аналогии при моделировании механизма интеллектуальной деятельности (ни на логическом, ни на физиологическом уровнях). Методологической основой систем эвристического пояска служит то утверждение, что любая интеллектуальная деятельность начинается с некоторых данных и завершается получением определенных результатов также в виде данных. Если техническое устройство позволяет по аналогичным исходным данным получить эквивалентные результаты, то оно может быть отнесено к классу интеллектуальных (см. первое определение ИИ). При этом механизм переработки исходных данных в результаты не оговаривается и, вообще говоря, может быть совершенно иным по сравнению с реальным. Системы этого типа выполняют функции, которые традиционно выполняются человеком, однако реализую их другими способами.

Широкое распространение, данное направление получило при решении различных игровых задач (шахматы, шатки и т.д.). Однако подходы, присущие этому направлению, нашли применение и в других СИИ, в частности системах общения (особенно в части речевого общения), системам распознавания, робототехнических системах и др.

3.  Экспертные системы (ЭС)

Экспертные системы (ЭС) представляют раздел искусственного интеллекта, получивший в последнее время (начиная с 70- годов ХХ-го века) бурное развитие в рамках нового самостоятельного направления – инженерии знаний. 

Идея инженерии знаний принадлежит американским ученым Э. Фейгенбауму и Д. Мозесу. Д. Мозес (массачусетский технологический институт) является основоположником алгебраической экспертной системы MACSIMA. В этой системе заложены знания по методам дифференциального и интегрального исчисления и другим методам компьютерной алгебры. Разработанная Фейгенбаумом программа DENDRAL применяет базу знаний для распознавания химического состава вещества.

Смысл основополагающих соображений по ЭС, высказанных в 1977 г. Э. Фейгенбаумом состоит в том, что он рассматривает знания эксперта как основной фактор высококвалифицированной деятельности. Большие возможности экспертной системы определяются решениями, которые ей доступны, а не конкретными формализмами и схемами вывода, которые она использует, т.е. экспертные знания сами по себе представляются и необходимыми, и почти достаточными для построения экспертной системы.

В настоящее время ЭС получили наибольшее распространение в проектировании интегральных микросхем, в поиске неисправностей, в военных приложениях автоматизации программирования, медицине, химии и др. областях. Исследования и разработки ЭС определены в ряде национальных проектов по информатике. В частности, в США запланировано финансирование стратегической компьютерной программы в размере 1,6 млрд. долларов; аналогичная Европейская, программа Esprit имеет объем финансирования порядка 1,94 млрд. долларов. При этом число разработок и объемы финансирования имеют тенденцию увеличения.

3.1 Основные понятия ЭС

Экспертные системыэто прикладной пакет программ, предназначенный для решения так называемых интеллектуальных задач на основе о проблемной области и опыта специалистов, представленного множеством машинных процедур и описаний.

Такие задачи имеют определенную специфику, которая заключается в следующем:

- нечеткой постановке или неполноте исходных данных задачи;

- отсутствии точного алгоритма решения задачи;

- огромного числа возможных исходов, подлежащих анализу;

- невозможности формализации задача (задача не может быть определена в числовой форме или цели задачи не могут быть выражены в терминах точно определенной целевой функции);

- существенном использовании механизмов индукции и других нетрадиционных логических исчислений. Индуктивный  способ – получения правдоподобных знаний на основе перехода от знаний меньшей общности к знаниям большей общности, а также установление правдоподобности общих утверждений на основе частных.

К задачам с указанными свойствами относятся так называемые неформализованные, интеллектуальные и частично определенные задачи. Так, к классу задач, решаемых в ЭС, можно отнести игру в шахматы, прогноз погоды, диагностику заболеваний, распознавание речи и изображений, установление мотивов и картины преступлений, анализ и предсказание месторождений полезных ископаемых, составление психологического портрета личности, принятие решений в сложных боевых условиях, составление расписаний для многопроцессорных (машинных) систем, проектирование конфигураций вычислительных систем, определение состава химических соединений и др.

Свойства ЭС. Накопление и организация знаний - важнейшее свойство всех ЭС   (рис. 3), которые обеспечивают:

Рисунок 3 – Свойства экспертных систем

1) Применение для решения проблем высококачественного опыта, который представляет уровень мышления наиболее квалифицированных экспертов в данной области, что ведёт к решениям творческим, точным и эффективным.

2) Наличие прогностических возможностей, при которых ЭС выдаёт ответы не только для конкретной ситуации, но и показывает, как изменяются эти ответы в новых ситуациях, с возможностью подробного объяснения каким образом новая ситуация привела к изменениям.

3) Обеспечение такого нового качества, как институциональная память, за счёт входящей в состав ЭС базы знаний, которая разработана в ходе взаимодействий со специалистами организации, и представляет собой текущую политику этой группы людей. Этот набор знаний становится сводом квалифицированных мнений и постоянно обновляемым справочником наилучших стратегий и методов, используемых персоналом. Ведущие специалисты уходят, но их опыт остаётся.

4) Возможность использования ЭС для обучения и тренировки руководящих работников, обеспечивая новых служащих обширным багажом опыта и стратегий, по которым можно изучать рекомендуемую политику и методы.

С функциональной точки зрения, задачи, решаемые ЭС, классифицируются по следующим группам:

  •  задачи интерпретации (ЗИ)
  •  диагностика (ЗД)
  •  контроль (ЗК)
  •  прогнозирование (ЗПрог)
  •  планирование (управление) (ЗПлан)
  •  проектирование (Зпроект)

Указанные классы задач связаны с определенными уровнями функциональных характеристик ЭС, такими, как понимание, компетентность, обучение, порождение эффектов, трактовка противоречий и объяснение.

Обозначим цифрами:

1 – слабо выраженная особенность;

2 – умеренно и средне выраженная особенность;

3 – полно выраженная особенность.

Тогда приведенные выше классы задач ЭС характеризуются следующим распределением уровней их функциональных характеристик (таблица 1).

Таблица 1 - Уровни функциональных характеристик классов задач ЭС

Функциональные

характеристики

Классы задач

ЗИ

ЭД

ЗК

ЗПрогн

ЗПлан

ЗПроект

Понимание

3

3

3

1

1

1

Компетентность

3

3

3

3

3

3

Обучение

1

3

3

1

2

2

Порождение эффекта

3

2

2

3

3

3

Трактовка противоречий

1

3

3

1

3

3

Объяснение

2

3

1

3

3

3

3.2 Состав и взаимодействие участников построения и эксплуатации ЭС

К числу основных участников построения и эксплуатации экспертных систем следует отнести саму экспертную систему, экспертов, инженеров знаний, средства построения ЭС и пользователей. Их основные роли и взаимоотношение приведены на рисунке 4.

Рисунок 4 - Взаимосвязи основных участников построения и эксплуатации экспертных систем

Экспертная система — это программное средство, использующее знания экспертов, для высокоэффективного решения задач в интересующей пользователя предметной области. Она называется системой, а не просто программой, так как содержит базу знаний, решатель проблемы и компоненту поддержки. Последняя из них помогает пользователю взаимодействовать с основной программой.

Эксперт — это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста, умеющего находить правильные решения проблем в конкретной предметной области. Эксперт использует свои приёмы и ухищрения, чтобы сделать поиск решения более эффективным, и ЭС моделирует все его стратегии.

Цель замены эксперта мотивируется следующим образом:

Во-первых, эксперт может сменить место работы по ряду причин.

Во-вторых, знания одного эксперта "закрыты" для других

В-третьих, эксперт не в состоянии быстро накапливать и усваивать
знания в силу физиологических ограничений.

В-четвертых, использование человека-эксперта невозможно в системах реального времени.

Из этого, разумеется, не следует вывод об устранении эксперта из процесса решения задачи полностью. Очевидно, что одним из основных критериев применимости ЭС является достигаемая эффективность замены системой человека эксперта.

Инженер знаний — человек, как правило, имеющий познания в информатике и искусственном интеллекте и знающий, как надо строить ЭС. Инженер знаний опрашивает экспертов, организует знания, решает, каким образом они должны быть представлены в ЭС, и может помочь программисту в написании программ.

Средство построения ЭС — это программное средство, используемое инженером знаний или программистом для построения ЭС. Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокоуровневых понятий.

Пользователь — это человек, который использует уже построенную ЭС. Так, пользователем может быть юрист, использующий её для квалификации конкретного случая; студент, которому ЭС помогает изучать информатику и т. д. Термин пользователь несколько неоднозначен. Обычно он обозначает конечного пользователя. Однако из рисунка 4 следует, что пользователем может быть:

- создатель инструмента, отлаживающий средство построения ЭС;

- инженер знаний, уточняющий существующие в ЭС знания;

- эксперт, добавляющий в систему новые знания;

- клерк, заносящий в систему текущую информацию.

Важно различать инструмент, который используется для построения ЭС, и саму ЭС. Инструмент построения ЭС включает как язык, используемый для доступа к знаниям, содержащимся в системе, и их представления, так и поддерживающие средства – программы, которые помогают пользователям взаимодействовать с компонентой экспертной системы, решающей проблему.

Для реализации ЭС необходимо:

1. Определить круг задач, возлагаемых на систему;

2. Получить знания у экспертов;

З. Формализовать знания (эксперта) в виде машинных процедур, правил и описаний. Построить базу знаний;

4. Разработать программный интерфейс с пользователем ЭС;

5. Разработать механизмы обработки и "редактирования" знаний;

6. Разработать механизмы обучения и накопления новых знаний;

7. Построить подсистему объяснений.

Указанные задачи определяют теоретико-прикладную проблематику ЭС.

Рассмотрев вышеизложенное можно сделать следующие выводы:

а) Существует класс задач, решение которых невозможно традиционными формальными методами. Этот класс задач нами определен как интеллектуальные задачи. При этом ЭС есть некоторая парадигма (образец, подход) решения такого рода задач.

б)  ЭС базируется на знаниях, а ее центральными компонентами являются подсистемы работы со знаниями. В теоретическом плане разработка этих механизмов включает решение проблемы в пунктах 3-7.

3.3  Концептуальные основы решения задач в экспертных системах

3.3.1 Отличие экспертных систем от традиционных программ

Особенности ЭС, отличающие их от обычных программ, заключаются в том, что они должны обладать:

1. Компетентностью, а именно:

- достигать экспертного уровня решений (т.е. в конкретной предметной области иметь тот же уровень профессионализма, что и эксперты-люди);

-быть умелой (т.е. применять знания эффективно и быстро, избегая, как и люди, ненужных вычислений);

- иметь адекватную робастность (т.е. способность лишь постепенно снижать качество работы по мере приближения к границам диапазона компетентности или допустимой надёжности данных).

2. Возможностью к символьным рассуждениям, а именно:

- представлять знания в символьном виде;

- переформулировать символьные знания. На жаргоне искусственного интеллекта символ - это строка знаков, соответствующая содержанию некоторого понятия. Символы объединяют, чтобы выразить отношения между ними. Когда отношения представлены в ЭС они называются символьными структурами.

3. Глубиной, а именно:

- работать в предметной области, содержащей трудные задачи;

- использовать сложные правила (т.е. использовать либо сложные конструкции правил, либо большое их количество).

4. Самосознанием, а именно:

- исследовать свои рассуждения (т.е. проверять их правильность);

- объяснять свои действия.

Существует ещё одно важное отличие ЭС. Если обычные программы разрабатываются так, чтобы каждый раз порождать правильный результат, то ЭС разработаны с тем, чтобы вести себя как эксперты. Они, как  правило, дают правильные ответы, но иногда, как и люди, способны ошибаться.

3.3.2  Концептуальные основы решения задач в экспертных системах

Традиционные программы для решения сложных задач, тоже могут делать ошибки. Но их очень трудно исправить, поскольку алгоритмы, лежащие в их основе, явно в них не сформулированы. Следовательно, ошибки нелегко найти и исправить. ЭС, подобно людям, имеют потенциальную возможность учиться на своих ошибках.

Экспертная система как сложная программно-информационная система является результатом эволюции программного и математического обеспечения ЭВМ в направлении от традиционных пакетов программ с жесткой структурой и так называемым интеллектуальным пакетам программ. Процесс эволюции связан с переходом к решению новых, более сложных задач, переопределением роли человека и ЭВМ с точки зрения их участия в решении задач. В этой связи ЭС есть не что иное, как человеко-машинная система, в которой реализуется определенная технология решения задач человеком и машиной. Рассмотрим подробно этот ключевой вопрос.

Традиционная парадигма решения задач на ЭВМ связана с обсчетом составленного человеком и запрограммированного им же алгоритма. Цель написания программы, в конечном счете, связана с тем, что ЭВМ может делать что-то лучше с этой программой, чем человек с той же программой или без нее. Подавляющее большинство программ является придуманной и составленной человеком инструкцией для ЭВМ.

Эта инструкция четкая и недвусмысленная. В ней человек уже представляет ЭВМ алгоритм решения задачи. Таким образом, роль ЭВМ и цель программирования здесь сводятся только к "ускорению" выполнения алгоритма. Возможности ЭВМ как формального решателя в этой парадигме используются недостаточно.

Рассмотрим подход к определению концепции программирования по тому, как в ней решаются следующие два ключевых вопроса:

А) Как решать задачу (вообще)?

Б) Кто ее решает и каким образом (в частности)?

Традиционная парадигма, очевидно, такова:

А) Как это может каждый отдельный индивид;

Б) Машина обеспечивает ускорение выполнения алгоритма, составленного человеком.

 Парадигма подхода на основе экспертных систем:

А) Как это может группа наиболее квалифицированных экспертов;

Б) Машина выводит решение из базы знаний  на  основе той  или иной стратегии вывода.

Как видим, существенное отличие парадигмы решения задач на основе ЭС заключается в пункте "Б". Это отличие связано с тем, что алгоритм решения задачи (в традиционном формальном смысле) предварительно не известен. Решение ищется на основе некоторой стратегии, например, на основе процедуры логического вывода или байесовского вероятностного подхода. В качестве стратегии может использоваться также некоторая эвристика (метапринцип) или набор эвристик.

Таким образом, разработка стратегий неформализованного вывода решений является важнейшей частью теории ЭС. Указанные выше парадигмы можно представить иначе. Так, традиционная парадигма базируется на схеме:

                              Данные + Алгоритм  =  Программа,                              (1.1)

В то время как парадигме ЭС соответствует схема:

                 Знание + Стратегия вывода  =  Решение проблем              (1.2)

На самом деле и знания, и стратегия вывода очень тесно связаны друг с другом, иначе говоря, стратегия вывода существенно определяется тем, как представлены знания, а так же тем, какова логическая структура знания. Например, язык Пролог, как язык работы со знаниями, характеризуется следующей концептуальной схемой:

А) Перебор - как универсальная процедура решения задач;

Б) Каждый   индивид   по-своему   составляет   спецификацию задачи; машина ищет решение с помощью некоторой организованной  процедуры  перебора.

Сопоставляя схемы (1.1) и (1.2), можно видеть, что последняя является обобщением (развитием) первой. Действительно, "данные" - это частный случай знаний, а "алгоритм" - частный случай стратегии вывода. Не существует строгого определения "знания". Так, определение знания, данное в энциклопедическом словаре таково: "знание - проверенный практикой результат познания действительности, верное ее отражение в мышлении человека". Известному голландскому специалисту Дейкстре принадлежит определение знания, по которому "знания - это данные и правила работы с ними". Дополнительно укажем, что знания - это также понятия (категории), суждения (умозаключения), законы (теории), модели и закономерности, алгоритмы (методы), исчисления, эвристики, а также метазнания (знания о знаниях).

Следует отметить, что ЭС реализует более общую парадигму решения задач, чем традиционное программирование. Очевидно, что потенциальная эффективность ЭС в первую очередь определяется "уровнем" знаний системы, поскольку стратегия вывода в определенной мере инвариантна к существу (смыслу) знаний и в значительной мере зависит от способа формализованного представления знаний и их логической структуры. В терминологии ЭС знания определяются как база знаний, а стратегии вывода - как машина вывода. Отметим, однако, что концептуальная схема (1.2) не определяет места человека, решающего задачу и поэтому представляется неполной. Эта схема может быть расширена следующим образом:

Знания + Стратегии вывода + Интерфейс с пользователем  == Система решения проблем                                                                                                          (1.3)

Схема (1.3) может быть непосредственно положена в основу структуризации ЭС.

3.4  Базовые функции экспертных систем

Поскольку теория экспертных систем выросла из более общей концепции искусственного интеллекта, то нет ничего удивительного в том, что проблематика этих областей имеет много общего. На некоторых из таких связей акцентируется внимание в последующих разделах при обзоре литературы. Вы также встретите в них ссылки на последующие главы этой книги, в которых та или иная тема будет рассмотрена подробно.

3.4.1 Приобретение знаний

Приобретение знаний это передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид,  который позволяет использовать эти знания в программе.

Передача знаний выполняется в процессе достаточно длительных и пространных собеседований между специалистом по проектированию экспертной системы (будем в дальнейшем называть его инженером по знаниям) и экспертом в определенной предметной области, способным достаточно четко сформулировать имеющийся у него опыт. По существующим оценкам, таким методом можно сформировать от двух до пяти "элементов знания" (например, правил влияния) в день. Конечно, это очень низкая скорость, а потому многие исследователи рассматривают функцию приобретения знаний в качестве одного из главных "узких мест" технологии экспертных систем.

Причин такой низкой производительности предостаточно. Ниже перечислены только некоторые из них.

  •  Специалисты в узкой области, как правило, пользуются собственным жаргоном, который трудно перевести на обычный "человеческий" язык. Но смысл жаргонного "словечка" отнюдь не очевиден, а потому требуется достаточно много дополнительных вопросов для уточнения его логического или математического значения. Например, специалисты по военной стратегии говорят об "агрессивной демонстрации" иностранной военной мощи, но при этом не могут объяснить, чем такая "агрессивная" демонстрация отличается от демонстрации, не несущей угрозы.
  •  Факты и принципы, лежащие в основе многих специфических областей знания эксперта, не могут быть четко сформулированы в терминах математической теории или детерминированной модели, свойства которой хорошо понятны. Так, эксперту в финансовой области может быть известно, что определенные события могут стать причиной роста или снижения котировок на фондовой бирже, но он ничего вам не скажет точно о механизмах, которые приводят к такому эффекту, или о количественной оценке влияния этих факторов. Статистические модели могут помочь сделать общий долговременный прогноз, но, как правило, такие методы не работают в отношении курсов конкретных акций на коротких временных  интервалах.
  •  Для того чтобы решить проблему в определенной области, эксперту недостаточно просто обладать суммой знаний о фактах и принципах в этой области. Например, опытный специалист знает, какого рода информацией нужно располагать для формулировки того или иного суждения, насколько надежны  различные источники информации и как можно расчленить сложную проблему на более простые, которые можно решать более или менее независимо. Выявить в процессе собеседования такого рода знания, основанные на личном опыте и плохо поддающиеся формализации, значительно сложнее, чем получить простой перечень каких-то фактов или общих принципов.
  •  Экспертный анализ даже в очень узкой области, выполняемый человеком, очень часто нужно поместить в довольно обширный контекст, который включает и многие вещи, кажущиеся эксперту само собой разумеющимися, но для постороннего отнюдь таковыми не являющиеся. Возьмем для примера эксперта-юриста, который принимает участие в судебном процессе. Очень трудно очертить количество и природу знаний общего рода, которые оказываются, вовлечены в расследование того или иного дела.

3.4.2 Представление знаний

Представление знаний — еще одна функция экспертной системы. Теория представления знаний — это отдельная область исследований, тесно связанная с философией формализма и когнитивной психологией. Предмет исследования в этой области - методы ассоциативного хранения информации, подобные тем, которые существуют в мозгу человека. При этом основное внимание, естественно, уделяется логической, а не биологической стороне процесса, опуская подробности физических преобразований.

Синтаксис и семантика представления семейных отношений

Основная часть представления знаний, на которую часто даже не обращают особого внимания, состоит в том, что представление должно каким-то образом" стандартизировать" семантическое разнообразие человеческого языка. Вот несколько предложений.                                                                                            

"Сэм - отец Билла"

"Сэм - Биллов отец".

"Биллов отец  - Сэм".                                                                                   

"Отцом Билла является Сэм".

Все эти фразы выражают одну и ту же мысль (семантически идентичны). При  машинном представлении этой мысли (знания) мы стараемся найти более простой метод сопоставления формы и содержания, чем в обычном человеческом языке, т.е. добиться того, чтобы выражения с одинаковым (или похожим) содержанием были одинаковыми и по форме. Например, все приведенные выше фразы могут быть сведены к выражению в такой форме:     отец (сэм, билл).

В семантике этого выражения должно быть специфицировано (наряду с прочими вещами) и то, что первое имя принадлежит родителю, а второе - потомку, а не наоборот.

В 70-х годах исследования в области представления знаний развивались в направлениях раскрытия принципов работы памяти человека, создания теорий извлечения сведений из памяти, распознавания и восстановления. Некоторые из достигнутых в теории результатов привели к созданию компьютерных программ, которые моделировали различные способы связывания понятий (концептов). Появились компьютерные приложения, которые могли некоторым образом отыскивать нужные "элементы" знания на определенном этапе решения некоторой проблемы. Со временем психологическая достоверность этих теорий отошла на второй план, а основное место, по крайней мере, с точки зрения проблематики искусственного интеллекта, заняла их способность служить инструментом для работы с новыми информационными и управляющими структурами.

В общем, вопрос представления знания был и, скорее всего, останется вопросом противоречивым. Философы и психологи зачастую бывают шокированы бесцеремонностью специалистов по искусственному интеллекту, которые бойко болтают о человеческом знании на жаргоне, представляющем дикую смесь терминологии, взятой из логики, логистики, философии, психологии и информатики. С другой стороны, компьютерный формализм оказался новаторским средством постановки, а иногда и поиска ответов на трудные вопросы, над которыми столетиями бились метафизики.

В области экспертных систем представление знаний интересует нас в основном как средство отыскания методов формального описания больших массивов полезной информации с целью их последующей обработки с помощью символических вычислений. Формальное описание означает упорядочение в рамках какого-либо языка, обладающего достаточно четко формализованным синтаксисом построения выражений и такого же уровня семантикой, увязывающей смысл выражения с его формой. Символические вычисления означают выполнение нечисловых операций, в которых могут быть сконструированы символы и символьные структуры для представления различных концептов и отношений между ними.

В области искусственного интеллекта ведется интенсивная работа по созданию языков представления. Под этим термином понимаются компьютерные языки, ориентированные на организацию описаний объектов и идей, в противовес статическим последовательностям инструкций или хранению простых элементов данных. Основными критериями доступа к представлению знаний являются логическая адекватность, эвристическая мощность и естественность, органичность нотации. Эти термины, скорее всего, нуждаются в пояснениях.

  •  Логическая адекватность означает, что представление должно обладать способностью распознавать все отличия, которые вы закладываете в исходную сущность. Например, невозможно представить идею, что каждое лекарство имеет какой-либо побочный нежелательный эффект, если только нельзя будет провести отличие между предназначением конкретного лекарственного препарата и его побочным эффектом (например, аспирин усугубляет язвенную болезнь). В более общем виде выражение, передающее этот эффект, звучит так: "каждое лекарство обладает нежелательным побочным эффектом, специфическим для этого препарата".
  •  Эвристическая мощность означает, что наряду с наличием выразительного языка представления должно существовать некоторое средство использования представлений, сконструированных и интерпретируемых таким образом, чтобы с их помощью можно было решить проблему. Часто оказывается, что язык, обладающий большей выразительной способностью в терминах количества семантических отличий, оказывается и больше сложным в управлении описанием взаимосвязей в процессе решения проблемы. Способность к выражению у многих из найденных формализмов может оказаться достаточно ограниченной по сравнению с английским языком или даже стандартной логикой. Часто уровень эвристической мощности рассматривается по результату, т.е. по тому, насколько легко оказывается извлечь нужное знание применительно к конкретной ситуации. Знать, какие знания более всего подходят для решения конкретной проблемы, — это одно из качеств, которое отличает действительно специалиста, эксперта в определенной области, от новичка или просто начитанного человека.
  •  Естественность нотации следует рассматривать как некую добродетель системы, поскольку большинство приложений, построенных на базе экспертных систем, нуждается в накоплении большого объема знаний, а решить такую задачу довольно трудно, если соглашения в языке представления слишком сложны. Любой специалист скажет вам, что при прочих равных характеристиках лучше та система, с которой проще работать. Выражения, которыми формально описываются знания, должны быть по возможности простыми для написания, а их смысл должен быть понятен даже тому, кто не знает, как же компьютер интерпретирует эти выражения. Примером может служить декларативный программный код, который сам по себе дает достаточно четкое представление о процессе его выполнения даже тому, кто не имеет представления о деталях реализации компьютером отдельных инструкций. За прошедшие годы было предложено немало соглашений, пригодных для кодирования знаний на языковом уровне. Среди них отметим порождающие правила, структурированные объекты и логические программы. В большинстве экспертных систем используется один или несколько из перечисленных формализмов, а доводы в пользу и против любого из них до сих пор представляют собой тему для оживленных дискуссий среди теоретиков.

1.3.3. Управление процессом поиска решения

При проектировании экспертной системы серьезное внимание должно быть уделено и тому, как осуществляется доступ к знаниям и как они используются при поиске решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться - важная часть процесса функционирования экспертной системы. Такие знания получили наименование метазнаний - т.е. знаний о знаниях. Решение нетривиальных проблем требует и определенного уровня планирования и управления при выборе, какой вопрос нужно задать, какой тест выполнить, и т.д.

Использование разных стратегий перебора имеющихся знаний, как правило, оказывает довольно существенное влияние на характеристики эффективности программы. Эти стратегии определяют, каким способом программа отыскивает решение проблемы в некотором пространстве альтернатив. Как правило, не бывает так, чтобы данные, которыми располагает программа работы с базой знаний, позволяли точно "выйти" на ту область в этом пространстве, где имеет смысл искать ответ.

Большинство формализмов представления знаний может быть использовано в разных режимах управления, и разработчики экспертных систем продолжают экспериментировать в этой области.

Пример [1]: Представьте себе, что ваш автомобиль с трудом заводится, а в пути явно чувствуется снижение мощности. Сами по себе эти симптомы недостаточны для того, чтобы принять решение, где искать источник неисправности - в топливной или электросистеме автомобиля. Познания в устройстве автомобиля подсказывают  нужно еще поэкспериментировать, прежде чем звать на помощь механика. Возможно, плоха топливная смесь, поэтому присмотритесь к выхлопу и нагару на свечах. Возможно, сбоит распределитель - посмотрите, не повреждена ли его крышка. Эти довольно специфические эвристики не гарантируют, что отыщется действительная причина, но вдруг вам улыбнется фортуна, и вы найдете неисправность без утомительной процедуры последовательной проверки всех систем.

Скорее всего, ваших знаний достаточно для того, чтобы выполнить общую проверку, прежде чем заниматься доскональным изучением отдельных узлов. Например, посмотреть, достаточно ли мощная искра в свече (если это так, то подозрения с электросистемы можно снять), прежде чем проверять аккумулятор. При отсутствии специальных эвристик, чем более методично вы будете действовать, тем больше шансов быстро найти причину неисправности. Общее эвристическое правило гласит:

"Сначала проверь весь узел, а уже потом приступай к проверке его компонентов".  

Это правило можно считать частью режима управления— систематической стратегии применения имеющихся знаний. Другое эвристическое правило можно сформулировать, например, так:                                                                    

"Сначала меняй более дешевые детали, а уже потом берись за более дорогие".

В некоторых случаях эти две эвристики могут противоречить друг другу, так что нужно заранее выбрать, какая из них имеет приоритет в случае, если обе включены в один и тот же режим управления.

3.4.3   Разъяснение принятого решения

Вопрос о том, как помочь пользователю понять структуру и функции некоторого сложного компонента программы, связан со сравнительно новой областью взаимодействия человека и машины, которая появилась на пересечении таких областей, как искусственный интеллект, промышленная технология, физиология и эргономика. На сегодня вклад в эту область исследователей, занимающихся экспертными системами, состоит в разработке методов представления информации о поведении программы в процессе формирования цепочки логических заключений при поиске решения.

Представление информации о поведении экспертной системы важно по многим причинам.

  •  Пользователи, работающие с системой, нуждаются в подтверждении того, что в каждом конкретном случае заключение, к которому пришла программа, в основном корректно.
  •  Инженеры, имеющие дело с формированием базы знаний, должны убедиться, что сформулированные ими знания применены правильно, в том числе и в случае, когда существует прототип.
  •  Экспертам в предметной области желательно проследить ход рассуждений и способ использования тех сведений, которые с их слов были введены в базу знаний. Это позволит судить, насколько корректно они применяются в данной ситуации.
  •  Программистам, которые сопровождают, отлаживают и модернизируют систему, нужно иметь в своем распоряжении инструмент, позволяющий заглянуть в "ее нутро" на уровне более высоком, чем вызов отдельных языковых процедур.
  •  Менеджер системы, использующей экспертную технологию, который в конце концов несет ответственность за последствия решения, принятого программой, также нуждается в подтверждении, что эти решения достаточно обоснованы.

Способность системы объяснить методику принятия решения иногда называют прозрачностью системы. Под этим понимается, насколько просто персоналу выяснить, что делает программа и почему. Эту характеристику системы следует рассматривать в совокупности с режимом управления, о котором шла речь в предыдущем разделе, поскольку последовательность этапов принятия решения тесно связана с заданной стратегией поведения. Отсутствие достаточной прозрачности поведения системы не позволит эксперту повлиять на ее производительность или дать совет, как можно ее повысить. Прослеживание и оценка поведения системы - задача довольно сложная и для ее решения необходимы совместные усилия эксперта и специалиста по информатике.

3.5 Преимущества использования экспертных систем

Возникает вопрос: "Зачем разрабатывать экспертные системы? И не лучше ли обратиться к человеческому опыту, как это было в прошлом?". Отметим лишь основные преимущества, которые даёт использование ЭС. Преимуществами и положительными качествами искусственной компетенции являются:

1) Её постоянство. Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьёзно отразиться на его профессиональных качествах.

2) Лёгкость передачи или воспроизведения. Передача знаний от одного человека другому - долгий и дорогой процесс. Передача искусственной информации - это простой процесс копирования программы или файла данных.

3) Устойчивость и воспроизводимость результатов. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты ЭС - стабильны.

4) Стоимость. Эксперты, особенно высококвалифицированные обходятся очень дорого. ЭС, наоборот, сравнительно недороги. Их разработка дорога, но они дёшевы в эксплуатации.

Вместе с тем разработка ЭС не позволяет полностью отказаться от эксперта-человека. Хотя ЭС хорошо справляется со своей работой, тем не менее, в определённых областях человеческая компетенция явно превосходит искусственную. Однако и в этих случаях ЭС может позволить отказаться от услуг высококвалифицированного эксперта, оставив эксперта средней квалификации, используя при этом ЭС для усиления и расширения его профессиональных возможностей.


 

А также другие работы, которые могут Вас заинтересовать

21802. Принятие решений в условиях нестохастической неопределенности 116.5 KB
  Критерий среднего выигрыша. Данный критерий предполагает задание вероятностей состояния обстановки . Эффективность системы оценивается как среднее ожидаемое значение МОЖ оценок эффективности по всем состояниям обстановки оптимальной системе будет соответствовать эффективность Критерий Лапласа. Критерий Лапласа – частный случай критерия среднего выигрыша.
21803. Модели основных функций организационно-технического управления 190 KB
  Центральными понятиями в теории принятия решений являются: универсальное множество вариантов альтернатив из которых осуществляется выбор; предъявление множество альтернатив предъявленных для выбора ; множество выбранных альтернатив в частности одна ; С принцип выбора функция выбора правило по которому осуществляется выбор наилучшей альтернативы . Функция выбора может задаваться поэлементно или в виде графика какойлибо зависимости или как целостное множество удовлетворяющее некоторым условиям. Часто в задачах принятия...
21804. Оценка сложных систем в условиях риска на основе функции полезности 105 KB
  В этом случае целесообразно использовать аксиоматический подход к оценке систем на основе теории полезности. Эффективность систем в вероятностных операциях находится через математическое ожидание функции полезности на множестве исходов . все компоненты векторного критерия на основе предпочтений ЛПР преобразуются в функции полезности компонентов и лишь затем осуществляется свертывание.
21805. Принципы и структура системного анализа 106.5 KB
  Специфической особенностью методики системного анализа является то что она должна опираться на понятие системы и использовать закономерности построения функционирования и развития систем. Общим для всех методик системного анализа является определение закона функционирования системы формирование вариантов структуры системы нескольких альтернативных алгоритмов реализующих заданный закон функционирования и выбор наилучшего варианта осуществляемого путем решения задач декомпозиции анализа исследуемой системы и синтез системы снимающей...
21806. Роль и место теории принятия решений в структуре подготовки специалиста 76 KB
  1 Роль и место теории принятия решений в структуре подготовки специалиста Общие свойства управления исследуются в кибернетике см. Проблемы управления техническими системами без участия человека – в теории автоматического управления ТАУ. Особенности управления в социальноэкономических системах изучаются в рамках менеджмента управление в современных организационно технических системах предмет настоящей дисциплины – в теории автоматизированных систем управления АСУ. Системный анализ наиболее конструктивное направление используемое...
21807. Основы построения автоматизированных систем управления 71.5 KB
  Рисунок 1 Блоксхема системы управления СУ Источником информации является объект управления ОУ посылающий по каналу связи информацию в своем состоянии. Управляющая система УС в зависимости от количества и содержания информации об объекте управления вырабатывает решение о воздействии на него. В реально функционирующих СУ на все элементы воздействует среда внося свои коррективы как в количество информации так и в качество. Основными группами функций являются: функции принятия решений функции преобразования содержания информации ...
21808. Концептуальные понятия теории систем и системного анализа 124.5 KB
  Основными задачами системного анализа являются: задача декомпозиции – представление систем из подсистем состоящих из элементов; задача анализа – определение свойств систем или окружающей среды определение закона преобразования информации описывающего поведение системы; задача синтеза – по описанию закона преобразования информации построить систему.1 – Понятие системы Множество элементов А системы S можно описать в виде: где i=ый элемент системы: число элементов в системе.2 Элемент системы Отсюда систему можно...
21809. Методы качественного оценивания систем 38 KB
  Качественные методы используются на начальных этапах системного анализа если реальная система не может быть описана в количественных характеристиках отсутствуют закономерности систем в виде аналитических зависимостей. Количественные методы используются на последующих этапах моделирования для количественного анализа вариантов системы. Во всех методах смысл задачи оценивания состоит в сопоставлении рассматриваемой системе альтернативе вектора из критериального пространства Km координаты точек которого рассматриваются как оценки по...
21810. Модели основных функций организационно-технического управления 337 KB
  2 Модель функции контроля Задача контроля объекта управления включает решение трех частных задач: задачи наблюдения классификации и идентификации распознавания образов. Определенные заранее такие агрегированные состояния играют роль своеобразных эталонов для распознавания реальных состояний объекта в процессе его контроля. Решение задачи идентификации заключается в отыскании такого отображения которое определяет оптимальную в некотором смысле оценку состояния ОУ по реализации входных и выходных сигналов объекта. Наблюдаемое реальное...