22184

Знания и их свойства. Структура и этапы разработки ЭС

Лекция

Информатика, кибернетика и программирование

Классификация знаний 3. Методология разработки интеллектуальных систем на примере СОЗ ЭС Знания и их свойства Тематика представления знаний Knowledge Representation KR уже давно считается одними из основных направлений работ в области искусственного интеллекта поскольку выбор правильного способа представления знаний является не менее значимым фактором от которого зависит успешное создание системы чем разработка самого программного обеспечения в котором используются эти знания. С тематикой представления знаний тесно связана не...

Русский

2013-08-04

193.5 KB

12 чел.

12

ЛЕКЦИЯ №2

ТЕМА: Знания и их свойства. Структура и этапы разработки ЭС.

Вопросы:

1.  Знания и их свойства

2. Классификация знаний

3. Структура экспертных систем

     4. Методология разработки интеллектуальных систем (на примере СОЗ  (ЭС)

 

  1.  Знания и их свойства

Тематика представления знаний (Knowledge Representation — KR) уже давно считается одними из основных направлений работ в области искусственного интеллекта, поскольку выбор правильного способа представления знаний является не менее значимым фактором, от которого зависит успешное создание системы, чем разработка самого программного обеспечения, в котором используются эти знания. С тематикой представления знаний тесно связана не менее важная тематика представления данных, которая рассматривается в такой области компьютерных наук, как проектирование баз данных. Безусловно, базы данных в основном рассматриваются как репозитарии текущих данных, таких как данные инвентарного чета товарно-материальных запасов на складах, данные о кредиторской задолженности, дебиторской задолженности и т.д., а не знаний, но в настоящее время многие компании проводят активную деятельность в направлении анализа скрытых закономерностей в данных для извлечения знаний.

“Знания”, как и “любовь”, является одними из тех слов, смысл которого понимает каждый, но затрудняется найти ему определение.

В качестве взаимозаменяемых со словом “знания” часто используются другие слова, такие как данные, факты и информация

Несмотря на широкое распространение и использование понятия «знания» в различных научных дисциплинах и на практике, строгого определения данного термина нет.

Довольно часто используют так называемый прагматический подход: говорят, что знания – это формализованная информация, на которую ссылаются и/или которую используют в процессе логического вывода. Однако такое определение ограниченно: оно фиксирует сознание на уже существующих методах представления знаниях и соответственно механизмах вывода, не давая возможности представить себе другие (новые).

Попытаемся на основе определения уже рассмотренного понятия «данные» выявить их свойства и особенности, сформировать дополнительные требования к ним и уже затем перейти к понятию «знания». Напомним, что данными называют формализованную информацию, пригодную для последующей обработки, хранения и передачи средствами автоматизации профессиональной деятельности.

Какие же свойства «превращают» данные в знания? Перечислим и кратко охарактеризуем шесть основных свойств знаний (часть из них присуща и данным).

1. Внутренняя интерпретация (интерпретируемость). Это свойство предполагает, что в ЭВМ хранятся, не только собственно (сами) данные, но и данные о данных, что позволяет содержательно их интерпретировать (табл. 1).

       Таблица  1                                    Внутренняя интерпретация

Предприятие

Место нахождения

Что выпускает

Завод им. Хруничева

Москва

Космическую технику

НПО «Энергия»

Королев

Космическую технику

НПО «Комета»

Москва

Конструкторскую документацию

Имея такую информацию, можно ответить на вопросы типа «Где находится НПО «Энергия»?» или «Какие предприятия выпускают космическую технику?». При этом в первой строке находятся данные о данных (метаданные), а в остальных – сами данные.

2. Внутренняя структура связей. Предполагается, что в качестве информационных единиц используются не отдельные данные, а их упорядоченные определенными отношениями (родовидовыми, причинно-следственными и др.) структуры (эти отношения называют классифицирующими).

Пример: факультет – курс – учебная группа – студент.

3.  Внешняя структура связей. Внутренняя структура связей позволяет описывать отдельный объект (понятие). Однако объекты (понятия) способны находиться и в других отношениях (вступать в ситуативную связь).

Пример: объемы «курс Государственного университета управления им. С. Орджоникидзе» и «урожай овощей в совхозе «Зареченский» могут находиться в ситуативной связи «принимает участие в уборке».

4.  Шкалирование. Предполагает введение соотношений между различными информационными единицами (т.е. их измерение в какой-либо шкале – порядковой, классификационной, метрической и т.п.) и упорядочение информационных единиц путем измерения интенсивности отношений и свойств.

Пример: «97/ЭИ.6-01 учебная группа занимает первое место на курсе по успеваемости».

5.Семантическая метрика. Шкалирование позволяет соотнести информационные единицы, но, прежде всего для понятий, имеющих «количественное» толкование (характеристики). На практике довольно часто встречаются понятия, к которым неприменимы количественные шкалы, но существует потребность в установлении их близости (например, понятия «искусственный интеллект» и «искусственный разум»). Семантики классифицируются следующим образом: 

- значение, т.е. объективное содержание;

- контекстуальный смысл, определяемый связями данного понятия с другими, соседствующими в данной ситуации;

- личностный смысл, т.е. объективный значение, отраженное через систему взглядов эксперта;

- прагматический смысл, определяемый текущим знанием о конкретной ситуации (например, фраза «информация получена» может иметь как негативную, так и позитивную оценку –  в зависимости от того, нужно эго было пли нет) [22].

6. Активность. Данное свойство принципиально отличает понятие «знание» от понятия «данные». Например, знания человека, как правило, активны, поскольку ему свойственна познавательная активность (обнаружение противоречий в знаниях становится побудительной причиной их преодоления и появления новых знаний, стимулом активности является неполнота знаний, выражается в необходимости их пополнения). В отличие от данных знания позволяют выводить (получать) новые знания. Будучи активными, знания позволяют человеку решать не только типовые, но и принципиально новые, нетрадиционные задачи.

Как правило, в процессе поиска решения задач применяются логические рассуждения и опыт. Общим термином, которым обозначается использование опыта для решения некоторой задачи, является эвристика. Уже давно принято называть конкретные примеры эвристического опыта рассуждениями на основе прецедентов. Это - один из основных типов рассуждений, применяемых в юридической практике, медицине и автосервисе; с помощью таких рассуждений юристы, врачи и автомеханики пытаются найти решение задачи по данным о встречавшихся ранее аналогичных случаях, называемых прецедентами.

Наука о знаниях называется эпистемологией. В рамках этой науки рассматриваются характер, структура и происхождение знаний. Некоторые категории эпистемологии показаны на рис. 1.

Рисунок 1- Категории эпистемологии

Экспертные системы формируют логические выводы с использованием фактов. Согласно определению знаний, знания входят в состав иерархии способов представления информации рис. 2..

Рисунок 2 - Иерархии способов представления информации

На нижнем уровне этой иерархии находится шум, состоящий из информационных элементов, которые не представляют интереса и могут лишь затруднить восприятие и представление данных. На более высоком уровне находятся бесформатные данные, содержащие элементы данных, которые в принципе могут представлять определенный интерес. На следующем уровне находится информация, т.е. обработанные данные, явно представляющие интерес для пользователей. За этим уровнем следует уровень знаний, на котором представлена настолько важная информация, что ее следует надежно хранить и обеспечить выполнение над ней необходимых операций. Знания в экспертной системе на основе правил определены как правила, которые активизируются фактами или другими правилами в целях выработки новых фактов или заключений.

Заключение рассматривается как конечный продукт цепи рассуждений, называемой логическим выводом, но при условии, что эти рассуждения осуществляются в соответствии с формальными правилами. Процесс формирования логических выводов является существенной частью процесса функционирования экспертной системы.

Почти на самом верхнем уровне иерархии над уровнем знаний находится уровень метазнаний. Префикс мета означает “свыше” или “дальше”.

Метазнания представляют собой знания об обычных и экспертных знаниях. Безусловно, экспертная система может быть спроектирована с учетом знаний о нескольких различных проблемных областях, но, как правило, это нежелательно, поскольку в результате система становится менее качественно определенной.Опыт показывает, что наиболее успешно работают такие экспертные системы, применение которых ограничивается наименьшей проблемной областью из всех возможных. Например, если экспертная система спроектирована для выявления заболеваний, вызванных бактериями, то нет смысла применять ее также для диагностирования неисправностей в автомобилях.

Наконец, вершиной всех знаний является мудрость, рассматриваемая в ее философском толковании. Мудрость — это метазнания, позволяющие определять наилучшие цели в жизни и находить пути их достижения. Например, одно и зправил мудрости можно выразить следующим образом:

IF мне удастся заработать достаточно денег для того, чтобы

моя семья ни в чем не нуждалась

THEN я уволюсь с работы и буду наслаждаться жизнью

2 Классификация знаний 

Классифицировать знания можно по самым различным основаниям.

По способу существования различают факты (хорошо известные обстоятельства) и эвристики (знания из опыта экспертов). Термином факты обозначается информация, рассматриваемая как надежная.

По способу  использования в экспертных системах – фактические знания (факты) – знания типа «А – это А»; правила – знания для принятия решений («Если – то»); метазнания (знания о знаниях – указывают системе способы использования знаний и определяют их свойства). Классическими примерами метазнаний являются народные пословицы и поговорки, каждая из которых характеризует знания (рекомендации по деятельности) в широком классе конкретных ситуаций (например, пословица «Семь раз отмерь, один – отрежь» применима не только в среде хирургов или портных).

По формам представления знания делят на декларативные (факты в виде наборов структурированных данных), процедурные (алгоритмы в виде процедур обработки фактов) и неявные.

Процедурные знания часто называют знаниями о том, как сделать то или другое. К примерам процедурных знаний относятся знания о том, как вскипятить кастрюлю воды.

Термин декларативный применяется к знаниям, выраженным в форме декларативных утверждений, подобных следующему: “Не    опускайте пальцы в кастрюлю с кипящей водой”.

Неявные знания иногда называют подсознательными знаниями, поскольку они не могут быть выражены с помощью языка. Например, знания, представленные в искусственной нейронной системе, напоминают неявные знания, поскольку обычно нейронная сеть неспособна непосредственно объяснить суть содержащихся в ней знаний, но могла бы приобрести такую способность при наличии соответствующей программы.

По способу приобретения знания делятся на научные (полученные в ходе систематического обучения и/или изучения) и житейские, бытовые (полученные в «ходе жизни»).

Дадим еще ряд определении, часто встречающихся в литературе.

Интенсиональные знания – знания, характеризующие или относящиеся к некоторому классу объектов.

Экстенсиональные знания – знания, относящиеся к конкретному объекту из какого-либо класса (факты, сведения, утверждения и т.д.).

Заметим: отношения интенсиональных и экстенсиональных знаний – это родовидовые отношения. Например, понятие «технологическая операция» – это интервал, а понятие «пайка» – это экстенсионал, так как пайка – одна из технологических операций. Очевидно, что эти понятия относительны. Так, понятие «пайка», в свою очередь, можно считать интенсионалом по отношению к понятиям «пайка серебром» и «па1ка оловом». Как правило, такого рола знания относятся к декларативным.

Физические знания – знания о реальном мире,

Ментальные знания –  знания об отношениях объектов.

Мир задачи – совокупность знаний, используемых в задаче.

Мир пользователя – совокупность знаний пользователя.

Мир программы – совокупность знаний, используемых в программе.

Морфологические и синтаксические знания – знания о правилах построении структуры описываемого явления или объекта (например, правила написания букв, слов, предложений и др.).

Семантические знания – знания о смысле и значении описываемых явлений и объектов.

Прагматические знания – знания о практическом смысле описываемых объектов и явлений в конкретной ситуации (например, редкая монета для нумизмата и  филателиста имеет различную прагматическую ценность).

Предметные знания – знания о предметной области, объектах из этой области, их отношениях, действиях над ними и др. 

2.1 Классификация методов извлечения знаний

Рисунок 1 – Методы извлечения знаний 

  •  коммуникации (общение);
  •  ID3-индуктивный алгоритм;
  •  хранилища данных включают в себя источники данных, ориентированные на хранение и анализ информации. Такие источники могут объединять информацию из нескольких транзакционных систем и позволяют анализировать ее в комплексе с применением современных программных инструментов делового анализа данных.

Хранилище данных является предметно-ориентированной, интегрированной, некорректируемой, зависимой от времени коллекцией данных, предназначенной для поддержки принятия управленческих решений

Обнаружение (извлечение) знаний. Этап обнаружения знаний  является ядром процесса интеллектуального анализа и обработки знаний. Технология обнаружения знаний включает много методов и основана на  идеи, что существует больше знаний, скрытых в данных, чем видно на поверхности.  В настоящее время специалисты выделяют следующие основные методы извлечения знаний:  инструментальные средства запроса,  статистическая техника,  визуализация, интерактивная аналитическая обработка (OLAP), обучение, основанное на прецедентах  (k-ближайший сосед),  деревья решений, ассоциативные правила, нейронные сети,  генетические  алгоритмы.

Фактически, в технологии обнаружения знаний необходимо различать четыре различных типа знания, которые могут быть извлечены из данных:

1). Поверхностное знание. Это информация, которая может быть  легко найдена   из баз данных, использующих инструментальное средство запроса типа структурированного языка запросов (SQL).

2). Многомерное знание. Это информация, которая может быть проанализирована, используя интерактивные аналитические инструментальные средства обработки OLAP. С помощью инструментальных средств OLAP  можно быстро исследовать все виды кластеризации  и различные  упорядочения данных, но важно понимать, что большинство операций, которые можно делать с инструментом OLAP, могут также быть выполнены, используя SQL. Преимущество инструментальных средств OLAP состоит в том, что они оптимизированы для этого вида операций поиска и  анализа. Однако, процедуры OLAP не так мощны, как процедуры обнаружения знаний, ибо они не могут искать оптимальные решения.

3). Скрытое  знание.  Это информация, которая может быть найдена относительно легко, используя алгоритмы распознавания образцов или  машинного обучения. Для нахождения этих образцов также можно было бы использовать средства SQL, но это потребовало бы невероятно много времени. Алгоритм распознавания образцов может найти регулярности в базе данных за минуты или, в крайнем случае, всего за несколько часов, и в то же время чтобы достигнуть близкий  результат, используя SQL средства, необходимо затратить месяцы.

4). Глубокое знание. Это информация, которая хранится в базе данных, но может быть обнаружена только, если имеется ключ, который сообщит нам, где смотреть. Различие между глубоким и скрытым знанием лучше всего можно объяснить в терминах пространства поиска. Скрытое знание - результат поиска в пространстве с пологим холмистым ландшафтом; алгоритм поиска может легко найти приемлемое оптимальное решение. Глубокое знание - это обычно результат поиска в пространстве, где существует только локальный оптимум, и отсутствуют какие-либо указания о любых возвышенностях по соседству. Алгоритм поиска может  передвигаться вокруг этого ландшафта сколь угодно долго, не достигая хоть какого либо значительного результата. Примером этого может служить зашифрованная информация, хранимая в базе данных. Почти невозможно декодировать сообщение, которое зашифровано, если Вы не имеете  ключа, который указывает что искать.

5) Сообщение. Сообщение о результатах процесса обнаружения знаний может принимать много форм. В общем случае, можно использовать любой редактор сообщений или графическое инструментальное средство, чтобы сделать  доступными результаты процесса.

3 Структура экспертных систем

Основой любой ЭС является совокупность знаний, структурированная в целях упрощения процесса принятия решения. Для специалистов в области искусственного интеллекта термин знания означает информацию, которая необходима программе, чтобы она вела себя «интеллектуально». Эта информация принимает форму фактов и правил. Факты и правила в ЭС не всегда либо истинны, либо ложные. Иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэффициентом доверия».

Коэффициент доверия - это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным или справедливым.

Знания в ЭС организованы так, чтобы знания о предметной области отделить от других типов знаний системы, таких как общие знания о том, как решать задачи или знание о том, как взаимодействовать с пользователем. Структура ЭС приведена на рисунке 3.

Рисунок 3 - Статическая ЭС

Такие ЭС получили название статических ЭС. Эти ЭС используются в тех приложениях, где можно не учитывать изменения окружающего мира за время решения задачи.

Выделенные знания о предметной области называются базой знаний. .База знаний содержит факты (данные) и правила (или другие представления знаний), использующие эти факты как основу для принятия решений.

Механизм (машина) логического вывода - часть ЭС (системы, основанной на знаниях), реализующая анализ поступающей в ЭС и имеющейся в ней информации и формирование (вывод) на ее основе новых заключений (суждений) в ответ на запрос к системе. В подавляющем большинстве систем, основанных на знаниях, механизм вывода представляет собой небольшую по объему программу и включает два компонента.

1) Интерпретатор, определяющий как применять правила для вывода новых знаний на основе информации, хранящейся в БЗ.

Интерпретатор продукций работает циклически. В каждом цикле он просматривает все правила, чтобы выявить те, посылки которых совпадают с известными на данный момент фактами из рабочей памяти. После выбора правило срабатывает, его заключение заносится в рабочую память, и затем цикл повторяется сначала. В одном цикле может сработать только одно правило. Если несколько правил успешно сопоставлены с фактами, то интерпретатор производит выбор по определенному критерию единственного правила, которое срабатывает в данном цикле.  Цикл работы интерпретатора схематически представлен на рисунке 4.

Рисунок 4 -  Цикл  работы интерпретатора

Информация из рабочей памяти последовательно сопоставляется с посылками правил для выявления успешного сопоставления. Совокупность отобранных правил составляет так называемое конфликтное множество. Для разрешения конфликта интерпретатор имеет критерий, с помощью которого он выбирает единственное правило, после чего оно срабатывает. Это выражается в занесении фактов, образующих заключение правила, в рабочую память или в изменении критерия выбора конфликтующих правил. Если же в заключение правила входит название какого-нибудь действия, то оно выполняется. Работа машины вывода зависит только от состояния рабочей памяти и от состава базы знаний. На практике обычно учитывается история работы, то есть поведение механизма вывода в предшествующих циклах.

2) Диспетчер, устанавливающий порядок применения этих правил.

База данных (рабочая память) предназначена для информационного обеспечения работы механизма логического вывода, прежде всего в части хранения и обработки поступивших (новых) фактов (суждений) и промежуточных результатов логического вывода. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных, хранимых в системе. Программные средства, которые работают со знаниями, организованными таким образом, называются системами, основанными на знаниях.

Компонент приобретения знаний автоматизирует процесс наполнения ЭС знаниями, осуществляемый пользователем-экспертом.

Объяснительный компонент. Наличие компонента объяснений, обеспечивающего по запросу пользователя выдачу информации о ходе и исходе логического вывода, принципиально отличает ЭС от всех других программных систем. Дело в том, что в большинстве случаев конечному пользователю недостаточно сообщить лишь конечное заключение ЭС, которое он должен (может) использовать в своей профессиональной деятельности. Гораздо большее доверие вызывает у него конечный вывод, подтвержденный понятными промежуточными рассуждениями. Кроме того, с помощью компонента объяснений можно организовать процесс обучения конечных пользователей работе с ЭС. В обучающих ЭС компонент объяснений играет еще более важную роль.

Диалоговый компонент ориентирован на организацию дружественного общения с пользователем, как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

Однако существует более высокий класс приложений, где требуется учитывать динамику изменения окружающего мира за время исполнения приложения. Такие экспертные системы получили название динамических ЭС, и  их обобщённая структура будет иметь вид, приведённый на рисунке 5.

 

Рисунок 5 - Динамическая ЭС

По сравнению со статической ЭС, в динамическую вводится ещё два компонента:

- подсистема моделирования внешнего мира;

- подсистема сопряжения с внешним миром.

Динамические ЭС осуществляет связи с внешним миром через систему контроллеров и датчиков. Кроме того компоненты БЗ и механизма вывода существенно изменяются, чтобы отразить временную логику происходящих в реальном мире событий. К разряду таких динамических сред разработки ЭС относится семейство программных продуктов фирмы Gensym Corp (США). .

Один из таких продуктов система G2 - базовый программный продукт, представляющий собой графическую, объектно-ориентированную среду для построения и сопровождения экспертных систем реального времени, предназначенных для мониторинга, диагностики, оптимизации, планирования и управления динамическим процессом.

Режимы работы ЭС

Экспертная система работает в двух режимах: режиме приобретения знании и в режиме решения задачи (называемом также режимом консультации или режимом использования ЭС).

В режиме приобретения знаний общение с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

Отметим, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного подхода в случае ЭС разработку программ осуществляет не программист, а эксперт (с помощью ЭС), не владеющий программированием.

В режиме консультации (режиме решения задачи) общение с ЭС осуществляет конечный пользователь, которого интересует результат и способ его получения. Необходимо отметить, что, в зависимости от назначения ЭС, пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат), но он обращается к ЭС с целью либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу.

В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Машина логического вывода (МЛВ) на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. В отличие от традиционных программ ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее. Если реакция системы непонятна пользователю, то он может потребовать объяснения.

Структура ЭС, представленная на рисунках 4 и 6, отражает только компоненты (функции), и многое остается «за кадром». «Мощная» ЭС должна иметь компоненты, обеспечивающие моделирование, анимацию, активную графику, механизм общих правил и т.д.

4.  Методология разработки интеллектуальных систем (на примере СОЗ  (ЭС)

Разработка ЭС имеет существенные отличия от разработки обычного программного продукта. Опыт создания ЭС показал, что использование при их разработке методологии, принятой в традиционном программировании, либо чрезмерно затягивает процесс создания ЭС, либо вообще приводит к отрицательному результату. Дело в том, что неформализованность задач, решаемых ЭС, отсутствие завершенной теории ЭС и методологии их разработки приводят к необходимости модифицировать принципы и способы построения ЭС в ходе процесса разработки по мере того, как увеличивается знание разработчиков о проблемной области.

Перед тем как приступить к разработке ЭС, инженер по знаниям должен рассмотреть вопрос, следует ли разрабатывать ЭС для данного приложения. В обобщенном виде ответ может быть таким: использовать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче.

Экспертные системы привлекают значительные денежные инвестиции и человеческие усилия. Попытки решить слишком сложную, малопонятную или, другими словами, не соответствующую имеющейся технологии проблему могут привести к дорогостоящим и постыдным неудачам. Поэтому были выработаны критерии оправданности решения данной задачи с помощью экспертной системы.

1) Необходимость решения оправдывает стоимость и усилия по разработке экспертной системы. Многие экспертные системы были построены в таких областях, как разведка минералов, бизнес, оборона и медицина, где существует большой потенциал для экономии денег, времени и защиты человеческой жизни.

2) Отсутствие человеческого опыта в ситуациях, где он необходим. В геологии, например, существует необходимость удаленной экспертизы при выполнении работ по минированию и бурению. Геологи и инженеры часто сами проходят большие расстояния, что связано с большими затратами и потерями времени. При использовании экспертной системы многие проблемы удаленных районов могут быть решены без их посещения.

3)  Проблема может быть решена с использованием символьных рассуждений. Решение проблемы не требует физической ловкости или конкретных навыков. Современным роботам и системам технического зрения не хватает разума и гибкости, присущих человеку.

4) Проблемная область является хорошо структурированной и не требует рассуждений на основе здравого смысла. Высокотехнологичные области очень удобны для изучения и формализации: для них четко определена терминология и построены ясные и конкретные концептуальные модели. Рассуждения на основе здравого смысла трудно автоматизировать.

5) Проблема не может быть решена традиционными вычислительными методами. Технология экспертных систем не должна использоваться там, где это не является необходимостью. Если проблема может быть удовлетворительно решена более традиционными методами, она не должна рассматриваться как кандидат для решения экспертными системами.

6) Известны эксперты, способные взаимодействовать между собой и четко выражать свои мысли. Знания, используемые экспертными системами, формируются из опыта и суждений людей, работающих в данной области. Важно, чтобы эти эксперты не только хотели, но и были способны поделиться знаниями.

7) Проблема имеет приемлемые размеры и границы. Например, программа, пытающаяся воплотить весь опыт врача, нереальна. Программа, подсказывающая медицинские решения по использованию конкретного медицинского оборудования или конкретного множества диагнозов, более практична.

Процесс создания ЭС занимает немало времени, поэтому определенный интерес представляет классификация ЭС по стадиям разработки:

- демонстрационный прототип (база знаний содержит 10—100 правил);

- исследовательский прототип (200 - 500 правил);

действующий прототип (500 - 1000 правил);

промышленный образец (1000 - 1500 правил);

- коммерческий образец (1500 - 3000 правил).

При разработке ЭС, как правило, используется концепция «быстрого прототипа». Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создают прототип (прототипы) ЭС. Прототипы должны удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, а с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить процесс накопления и отладки знаний (осуществляемый экспертом) с процессом выбора (разработки) программных средств (осуществляемым инженером по знаниям и программистом). Для удовлетворения указанным требованиям, как правило, при создании прототипа используются разнообразные средства, ускоряющие процесс проектирования.

Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения. В случае успеха эксперт с помощью инженера по знаниям расширяет знания прототипа о проблемной области. При неудаче может потребоваться разработка нового прототипа или разработчики могут прийти к выводу о непригодности методов ЭС для данного приложения. По мере увеличения знаний прототип может достигнуть такого состояния, когда он успешно решает все задачи данного приложения. Преобразование прототипа ЭС в конечный продукт обычно приводит к перепрограммированию ЭС на языках низкого уровня, обеспечивающих как увеличение быстродействия ЭС, так и уменьшение требуемой памяти. Трудоемкость и время создания ЭС в значительной степени зависят от типа используемого инструментария.

В ходе работ по созданию ЭС сложилась определенная технология их разработки, включающая ряд этапов, представленных на рисунке  6.

Рисунок 6 – Этапы разработки экспертных систем

Неявно обозначают следующие этапы:

1 этап: АСТП (анализ системных требований пользователя)

  •  проводится системный анализ

Если в IT-индустрии для проведения системного анализа существует две методологии: структурная и объектно-ориентированная, то здесь нет стандартизованного подхода. Для проведения системного анализа проблемной области существует методология, которая требует проведение исследования на применимость или не применимость системы.

3 вида исследований:

  •  уместность (релевантность) применения
  •  оправданность применения
  •  возможность применения

Для каждого из исследований существует множество критериев.

2 этап:

  •  извлечение знаний;
  •  приобретение знаний;
  •  формирование знаний;

 (обучение: эволюционное и т. п.)

3 этап: (новый этап)

Методы обработки экспертных знаний.

4 этап: 

ЯПЗ (язык представления знаний): программирование полученной информации.(модель).

5 этап: 

Фаза проектирования, фаза разработки, фаза внедрения.

Реализация:

  •  проектирование
  •  разработка
  •  внедерение

6 этап:

Нет тестирования БЗ, верификация БЗ.


 

А также другие работы, которые могут Вас заинтересовать

60684. Уроки интегрированного типа как пример развития креативности детей (английский язык + музыка) 44 KB
  Кроме того благодаря широкому распространению звуко и видеозаписи а также авангардному положению англоязычной музыкальной массовой культуры песни на английском языке наиболее популярны среди учащихся и являются объектом их особого интереса.