77532

Экспертные системы. Приобретение (извлечение) знаний

Лекция

Информатика, кибернетика и программирование

В экспертных системах знания отделены от данных и мощность ЭС обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач. системы функциональные возможности которых являются в первую очередь следствием их наращиваемой базы знаний БЗ и только во вторую очередь определяется используемыми методами принятия решения. Правильное функционирование ЭС как систем основанных на знаниях зависит от качества и количества знаний хранимых в их БЗ. Поэтому приобретение знаний для ЭС является очень...

Русский

2015-02-02

255.5 KB

5 чел.

Лекция 7

Экспертные системы.

В современном обществе при решении задач управления сложными многопараметрическими и сильно связанными системами, объектами и производственными и технологическими процессами приходится  сталкиваться с решением неформализуемых и трудноформализуемых задач. Такие задачи часто возникают в следующих областях: авиация, космос и оборона, нефтеперерабатывающая промышленность и транспортировка нефтепродуктов, энергетика, металлургия, машиностроительная промышленность, медицина, прогнозирование и мониторинг и другие.

В начале 60-х годов в рамках исследований по искусственному интеллекту (ИИ) сформировалось самостоятельное направление - экспертные системы (ЭС). В задачу этого направления входит исследование и разработка программ (устройств), использующих знания и процедуры вывода для решения задач, ранее решавшихся только человеком-экспертом. Области применения ЭС включают широкий проблемный спектр от медицинской диагностики и определения курса лечения до  систем управления различного рода, планирования и контроля процесса производства.

Экспертная система — система, объединяющая возможности компьютера со знаниями и опытом эксперта в такой форме, что система способна предложить разумный совет или осуществить разумное решение. Дополнительно желаемой характеристикой такой системы является способность пояснять ход своих рассуждений в понятной для человека форме.

Данное определение ЭС одобрено комитетом группы специалистов по экспертным системам Британского компьютерного общества.

Под экспертной системой понимают программу, которая, используя знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области, способна принять решение на уровне эксперта-профессионала.

Можно отметить двойственность толкования названия ЭС, т.к.  во-первых, в  них используется знания экспертов, а во-вторых, ЭС сами могут выступать в качестве экспертов.

Важность экспертных систем состоит в следующем:

- технология экспертных систем является важным средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая стоимость разработки сложных приложений;

- технология ЭС существенно расширяет круг практических задач, решаемых на компьютерах;

- объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет: обеспечения динамичной модификации приложений пользователем, а не программистом; лучшей графики; интерфейса и взаимодействия.

Специфика ЭС по сравнению с другими системами ИИ состоит в следующем:

  •  ЭС применяются для решения только трудных, плохо формализованных задач;
  •  По качеству и эффективности решения ЭС не уступают решениям эксперта-человека;
  •  ЭС способны пополнять свои знания в ходе взхаимодействия с экспертом;
  •  Решения ЭС обладают «прозрачностью», т.е. могут быть объяснены пользователю на качественном уровне.

Огромный интерес к экспертным системам со стороны пользователя вызван следующими причинами:

1. Специалисты, не знающие программирования, с помощью экспертных систем могут самостоятельно разрабатывать интересующие их приложения, что позволяет резко расширить сферу использования вычислительной техники.

2. Экспертные системы при решении практических задач достигают результатов, не уступающих, а иногда и превосходящих возможности людей экспертов, не оснащенных ЭС.

3. Решаемые экспертными системами задачи являются неформализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.

4. В экспертных системах знания отделены от данных, и мощность ЭС обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач.

Обычно к экспертным системам относят системы, основанные на знаниях, т.е. системы, функциональные возможности которых являются в первую очередь следствием их наращиваемой базы знаний (БЗ) и только во вторую очередь определяется используемыми методами принятия решения.

Правильное функционирование ЭС, как систем основанных на знаниях, зависит от качества и количества знаний, хранимых в их БЗ. Поэтому приобретение знаний для ЭС является очень важным процессом.

Приобретение (извлечение) знаний — получение информации о проблемной области различными способами, в том числе от специалистов, и выражение её на языке представления знаний с целью построения БЗ. Необходимо умело «скопировать» образ мышления эксперта.

Знания для ЭС могут быть получены из различных источников: книг, отчетов, баз данных, эмпирических правил, персонального опыта эксперта и т. п. Возможные  способ получения знаний: коммуникативные, текстологические. Первая группа включает индивидуальные методы работы с экспертами (анкетирование ,интервью, экспертные игры), активные методы ( мозговой штурм, круглый стол), пассивные методы (наблюдения, лекции). Вторая группа включает анализ литературы, учебников, инструкций и т.п. Все эти методы позволяют сформировать поле знаний. Основной алгоритм включает следующие шаги:

- определение входных и выходных данных, структура которых существенно влияет на форму и содержание поля знаний;

- составление словаря терминов и наборов ключевых фраз;

- выявление объектов и понятий, выбор значимых понятий и их признаков;

-выявление связей между понятиями, построение сети ситуаций, где связи только помечены, но пока не поименованы;

- структуризация понятий с выявлением понятий более высокого уровня обобщения и детализацией на более низком уровне;

- построение пирамиды знаний с иерархической лестницей понятий по уровню общности;

- определение временных, следственных и других отношений с их обозначением путем присвоения имен всем связям;

- определение стратегий принятия решений, выявление цепочек рассуждений, что связывает все сформированные ранее понятия и отношения в динамическую систему поля знаний.

Поле знаний – условное неформальное описание основных понятий и взаимосвязей между понятиями предметной области, выявленных из различных источников.

Классификация ЭС

Классификация экспертных систем приведена на рис. 28. По назначению: экспертные системы общего назначения; специализированные: а) проблемно-ориентированные для задач диагностики, проектирования, прогнозирования; б) предметно-ориентированные для решения специфических задач, например, контроль ситуации на АЭС.

По степени зависимости от внешней среды:

-статические экспертные системы, в которых исходная информация о предметной области не изменяется во время решения задачи;

- динамические, учитывающие динамику внешней среды и предназначенные для решения задач в реальном масштабе  времени. К динамическим ЭС предъявляются следующин требования:

- представлять изменяющиеся во времени данные, поступающие от внешних источников, обеспечивать хранение и анализ изменяющихся данных;

- выполнять временные рассуждения о нескольких различных асинхронных процессах одновременно;

- обеспечивать механизм рассуждения при ограниченных ресурсах. Реализация этого механизма предъявляет требования к высокой скорости работы системы, способности одновременно решать несколько задач;

- осуществлять постоянный мониторинг процесса, и при необходимости автоматически запускать механизм логического вывода решений по устранению критических ситуаций;

- моделировать окружающий мир, рассматриваемый в данном приложении, обеспечивать создание различных его состояний;

- протоколировать свои действия;

- обеспечивать наполнение базы знаний для приложений реальной степени сложности с минимальными затратами времени и труда;

- обеспечивать настройку системы на решаемые задачи;

- обеспечивать уровень защиты информации и предотвращать несанкционированный доступ.

По типу использования:

- изолированные экспертные системы;

- экспертные системы на входе/выходе других систем;

- гибридные экспертные системы, интегрированные с базами данных и другими программными средствами.

По сложности решаемых задач:

- простые экспертные системы, имеющие до 1000 простых правил;

- средние системы, имеющие от 1000 до 10000 правил;

-  сложные, имеющие более 10000 правил.

По стадии создания:

- исследовательский образец, разработанный за 1-2 месяца с минимальной базой знаний;

- демонстрационный образец, разработанный за 3-4 месяца на языках LISP, PROLOG и др.;

- промышленный образец, разработанный за 4-8 месяцев с полной базой знаний на языках типа CLIPS;

- коммерческий образец, разработанный за 1,5 – 2 года на современных языках с полной базой знаний.

Причины, приведшие СИИ к коммерческому успеху, следующие.

Интегрированность. Разработаны инструментальные средства ИИ, легко интегрирующиеся с другими информационными технологиями и средствами.

Открытость и переносимость. Инструментальные средства ИИ разрабатываются с соблюдением стандартов, обеспечивающих открытость и переносимость.

Использование языков традиционного программирования и рабочих станций. Переход от инструментальных средств ИИ, реализованных на языках ИИ (Lisp, Prolog и т. п.), к ИС ИИ, реализованных на языках традиционного программирования (С, С++ и т. п.), упростил обеспечение интегрированности, снизил требования приложений ИИ к быстродействию ЭВМ и объемам оперативной памяти. Использование рабочих станций вместо ПК резко увеличило круг приложений, которые могут быть выполнны на ВМ с использованием ИС ИИ.

Архитектура клиент-сервер. Разработаны ИС ИИ, поддерживающие распределенные вычисления по архитектуре клиент-сервер, что позволило: снизить стоимость оборудования, используемого в приложениях, децентрализовать приложения, повысить надежность и общую производительность.

Проблемно/предметно-ориентированные ИС ИИ. Переход от разработок ИС ИИ общего назначения к проблемно/предметно-ориентированным ИС ИИ обеспечивает сокращение сроков разработки приложений, повторную используемость информационного и программного обеспечения, увеличение эффективности использования ИС.

Рис.28.Функциональная структура  экспертной системы                                                                                                                                                                                    

Типичная экспертная система состоит из следующих основных компонентов (рис. 28): модуля принятия решения (интерпретатора), БД, БЗ, пользовательского интерфейса                          

Ввод входных данных и информации о текущей задаче – через пользователя.

База данных предназначена для хранения исходных и промежуточных данных, необходимых для решения текущей задачи. Термин база данных совпадает по названию, но не по значению с термином, используемым в информационно-поисковых системах и системах управления базами данных (СУБД), для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе

База знаний (БЗ) — совокупность описывающих предметную область правил и фактов, позволяющих с помощью механизма вывода выводить суждения в рамках этой предметной области, которые в явном виде в базе не присутствуют.

Решатель, используя информацию из БД и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению задачи. Этот модуль используется и на этапе обучения системы и на этапе проведения экспертизы. В начале обучения база знаний системы пуста. Используя данные из БД, решатель пытается выработать какое-то суждение. Поскольку в БЗ отсутствуют какие-либо правила, требуемые для решения задачи, суждение будет неверным, на что системе будет указано человеком-экспертом, а так же будет введен правильный ответ. Используя полученную от человека информацию (правильное суждение), решатель дополнит БЗ соответствующими правилами. Затем модуль принятия решений попытается вывести новое суждение. Если ответ, полученный системой в результате ее работы, является верным, модуль принятия решений еще раз подтвердит правила, участвовавшие в принятии ответа. Такой процесс обучения продолжается до тех пор, пока ЭС не начнет выводить только правильные суждения. К моменту проведения экспертизы база знаний уже заполнена при помощи модуля принятия решений необходимыми для решения поставленной задачи правилами. Применяя проверенные правила к данным из БД, модуль принятия решения выведет требуемое суждение.

Интерфейс пользователя предназначен для осуществления процесса взаимодействия между человеком-экспертом и экспертной системой. Он обеспечивает возможность высокоуровневого общения с ЭС, преобразуя входные данные, представленные на естественном языке, во внутреннее представление ЭС, а сообщения ЭС — в обратном направлении.

Таким образом, данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы преобразования данных, характерные для рассматриваемой проблемной области. Эксперт, используя интерфейс пользователя, наполняет систему знаниями, которые позволяют ЭС в режиме решения самостоятельно (без эксперта) решать задачи из проблемной области. 

Режимы работы ЭС

Существует 2 режима работы ЭС: режим приобретения знаний и режим решения задач. В режиме приобретения знаний ЭС заполняется знаниями при помощи инженера по знаниям и эксперта в какой-то проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил, которые инженер по знаниям заносит в том или ином виде  в базу знаний. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют способы манипулирования с данными, характерные для рассматриваемой области.

В режиме решения задач необходимо посредством интерфейса пользователя заполнить БД данными о задаче. При этом данные пользователя о задаче, представленные на привычном для пользователя языке, преобразуются во внутренний язык системы.

Итак, на основе входных данных из БД и данных и правил о проблемной области из БЗ модуль принятия решения выводит суждение, являющееся решением поставленной перед ЭС задачи. Если ответ ЭС не понятен пользователю, то он может потребовать объяснения, как этот ответ получен.  Алгоритм работы ЭС в режиме обучения показан на рис. 29.

Рис. 29. Алгоритм работы ЭС в режиме обучения

В архитектуру динамической ЭС по сравнению со статической вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением.

Технология проектирования и разработки 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.

Создавать ЭС следует только тогда, когда разработка ЭС возможна, оправдана и методы инженерии знаний соответствуют решаемой задаче.

Чтобы разработка ЭС была возможной для данной проблемной области, необходимо одновременное выполнение, по крайней мере, следующих требований:

1. К экспертам:

- существуют эксперты в данной области, которые решают задачу значительно лучше, чем начинающие специалисты;

- эксперты сходятся в оценке предлагаемого решения, иначе нельзя будет оценить качество разработанной ЭС;

- эксперты способны вербализовать (выразить на естественном языке) и объяснить используемые ими методы, в противном случае трудно рассчитывать на то, что знания экспертов будут «извлечены» и вложены в ЭС;

- решение задачи требует только рассуждений, а не действий;

-  задача не должна быть слишком трудной (т.е. ее решение должно занимать у эксперта несколько часов или дней, а не недель);

- задача хотя и не должна быть выражена в формальном виде, но все же должна относиться к достаточно "понятной" и структурированной области, т.е. должны быть выделены основные понятия, отношения между ними и известные (хотя бы эксперту) способы получения решения задачи.

- решение задачи не должно в значительной степени использовать «здравый смысл» (т.е.широкий спектр общих сведений о мире и о способе его функционирования, которые знает и умеет использовать любой нормальный человек), т.к. подобные знания пока не удается (в достаточном количестве) вложить в системы искусственного интеллекта.

Использование ЭС в данном приложении может быть возможно, но не оправдано. Применение ЭС может быть оправдано одним из следующих факторов:

1. решение задачи принесет значительный эффект, например экономический;

2. использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

3. использование ЭС целесообразно в тех случаях, когда при передаче информации эксперту происходит недопустимая потеря времени или информации;

4. использование ЭС целесообразно при необходимости решать задачу в окружении, враждебном для человека.

Приложение соответствует методам инженерии знаний, если решаемая задача обладает совокупностью следующих характеристик:

1) задача может быть  решена посредством манипуляции с символами (т.е. с помощью символических рассуждений), а не манипуляций с числами, как принято в математических методах и в традиционном программировании;

2) задача должна иметь эвристическую, а не алгоритмическую природу, т.е. ее решение должно требовать применения эвристических правил. Задачи, которые могут быть гарантированно решены (с соблюдением заданных ограничений) с помощью некоторых формальных процедур, не подходят для применения ЭС;

3) задача должна быть достаточно сложна, чтобы оправдать затраты на разработку ЭС. Однако она не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;

4) задача должна быть достаточно узкой, чтобы решаться методами ЭС, и практически значимой.

При разработке ЭС, как правило, используется концепция "быстрого прототипа". Смысл ее состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создают прототип (прототипы) ЭС. Прототип – это усеченная версия ЭС, спроектированная для проверки правильности кодирования фактов, связей, стратегий рассуждения.  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  технология их разработки, включающая шесть следующих этапов (рис.30):

идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию. На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

 На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их   взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

Таким образом, процесс разработки промышленной ЭС можно разделить на следующие этапы: выбор проблемы; разработка прототипа; доработка до промышленной ЭС; оценка ЭС для проверки точности и надежности; стыковка ЭС с другими программными средствами; обучение пользователей.

Трудности при разработке экспертных систем.

Разработка ЭС связана с определенными трудностями, к числу которых можно отнести следующие:

1. Проблема извлечения знаний экспертов. Ни один специалист никогда просто так не откроет секреты своего профессионального мастерства, свои сокровенные знания в профессиональной области. Он должен быть заинтересован материально или морально. Часто такой специалист опасается, что раскрыв свои секреты, он будет не нужен компании. Вместо него будет работать экспертная система. Необходимо выбирать высококвалифицированного специалиста, заинтересованного в сотрудничестве.

2. Проблема формализации знаний экспертов. Эксперты-специалисты в определенной области, как правило, не в состоянии формализовать свои знания. Часто они принимают правильные решения на интуитивном уровне и не могут аргументировано объяснить, почему принято то или иное решение. Иногда эксперты не могут прийти к взаимопониманию. В таких ситуациях поможет выбор эксперта, умеющего ясно формулировать свои мысли и легко объяснять другим свои идеи.

3. Проблема нехватки времени у экспертов. Выбранный для разработки эксперт не может найти достаточно времени для выполнения проекта. Чтобы избежать такой ситуации, необходимо получить от эксперта, прежде чем начнется проект, согласие тратить на проект время в определенном фиксированном объеме.

4. Правила, формализованные экспертом, не дают требуемой точности. Проблему можно избежать, если решать вместе с экспертом реальные задачи. Эксперт, как правило, легче понимает правила, записанные на языке, близком к естественному.

5. Недостаток ресурсов. В качестве ресурсов выступают персонал (инженеры знаний, разработчики инструментальных средств, эксперты) и средства построения ЭС (средства разработки и средства поддержки). Удвоение персонала не сокращает время разработки наполовину, т.к. процесс создания ЭС – это процесс со множеством обратных связей.

6. Неадекватность инструментальных средств решаемой задаче. Часто определенные типы знаний (например, временные или пространственные) не могут быть легко представлены на одном ЯПЗ, так же как и разные схемы представления (например, фреймы и продукции) не могут быть достаточно эффективно реализованы на одном ЯПЗ. Некоторые задачи могут быть непригодными для решения по технологии ЭС (например, отдельные задачи по анализу сцен). Необходим тщательный анализ решаемых задач, чтобы определить пригодность предлагаемых инструментальных средств и сделать правильный выбор.

Методология построения экспертных систем. Рассмотрим методику формализации экспертных знаний на примере создания экспертных диагностических систем. Целью создания таких систем является определение состояния объекта диагностирования (ОД) и имеющихся в нем неисправностей.

Состояниями ОД могут быть: исправно, неисправно, работоспособно. Неисправностями, например, радиоэлектронных ОД являются: обрыв связи, замыкание проводников, неправильное функционирование элементов и т.п. Число неисправностей может быть велико. В ОД могут быть одновременно несколько неисправностей.

Разные неисправности ОД проявляются во внешней среде информационными параметрами. Совокупность значений информационных параметров определяет «информационный образ» (ИО) неисправности ОД. ИО может быть полным, т.е. содержать всю необходимую информацию для постановки диагноза, или, соответственно, неполным. В последнем случае постановка диагноза носит вероятностный характер.

Основой для построения эффективных экспертных диагностических систем являются знания эксперта для постановки диагноза, записанные в виде информационных образов, и система представления знаний, встраиваемая в информационные системы обеспечения функционирования и контроля ОД, интегрируемые с соответствующей технической аппаратурой.

Для описания своих знаний эксперт с помощью инженера по знаниям должен выполнить следующее.

1.Выделить множество всех неисправностей ОД, которые должна различать система.

2. Выделить множество информативных (существенных) параметров, значения которых позволяют различить каждую неисправность ОД и поставить диагноз с некоторой вероятностью.

3.Для выбранных параметров следует выделить информативные значения или информативные диапазоны значений, которые могут быть как количественными, так и качественными. Например, точные количественные значения могут быть записаны: задержка 25 нсек, задержка 30 нсек и т. Д. Количественный диапазон значений может быть записан: задержка 25-49 нсек, 40-50 нсек, 50 нсек и выше. Качественный диапазон значений может быть записан: индикаторная лампа светится ярко, светится слабо, не светится. Для более удобного дальнейшего использования диапазон значений может быть закодирован.

4. Процедура создания полных или неполных ИО каждой неисправности в алфавите значений информационных параметров может быть определена следующим образом. Составляются диагностические правила, определяющие вероятный диагноз на основе различных сочетаний диапазонов значений выбранных параметров ОД. Правила могут быть записаны в различной форме. Механизм записи последовательности проведения тестовых процедур в виде правил реализуется, например, следующим образом:

ЕСЛИ: Р» = 1

ТО: таст = Т1, Т3, Т7,

Где Т1, Т3, Т7 – тестовые процедуры, подаваемые на ОД при активизации (срабатывании) соответствующей продукции. В ЭС приоритет отдается прежде всего знаниям и опыту, а лишь затем логическому выводу.

Оболочки ЭС.

К настоящему времени ЭС стали одной из серьезных отраслей информационной индустрии. Программное обеспечение в этой области быстро расширяется. При создании первых ЭС  было отмечено, что механизм логического вывода и язык представления знаний могут быть отделены от конкретных знаний и использованы в различных проблемных областях. "Пустые" проблемно-независимые ЭС с незаполненной базой знаний называются оболочками ЭС.

Внутренние средства оболочки ЭС обеспечивают манипуляцию знаниями, генерацию объяснений, а также сервис разработки и отладки базы знаний. Для создания прикладной ЭС пользователь должен написать свою собственную базу знаний, используя предлагаемый оболочкой язык представления знаний.

Несмотря на обилие оболочек ЭС — CxPERT, Exsys, GoldWorks, Guru, KDS3, KnowledgePro, Nexpert, Rule Master, VP Expert — можно выделить ограниченное число методов построения механизмов вывода ЭС: применение правил продукций, использование механизма исчисления предикатов, символьная обработка знаний, представленных в текстовой форме, использование вероятностного подхода к обработке знаний.

Вывод заключения может быть произведен экспертной системой двумя способами:

Прямой ход — определяются все входные данные, и на их основании выводится заключение.

Обратный ход — выбирается гипотеза и проверяются на истинность ее признаки. Если они истинны, то верна и гипотеза, если нет — проверяется следующая гипотеза.

Области применения ЭС.

     Задачи, которые решают ЭС:

Системы интерпретации выявляют описания ситуации из наблюдений и включают наблюдение, понимание речи, анализ образов, интерпретацию сигналов и другие виды интеллектуального анализа.

Системы предсказания включают прогнозирование погоды, демографические предсказания, экономическое прогнозирование, оценку урожайности, а также военное, маркетинговое и финансовое прогнозирование.

Системы диагностики включают диагностику в медицине, электронике, механике и программном обеспечении. Диагностирующие системы обычно соотносят наблюдаемые поведенческие отклонения с причинами, лежащими в их основе.

Системы проектирования разрабатывают конфигурацию объектов, которые удовлетворяют определенным требованиям задачи проектирования. Такие задачи включают конструирование машиностроительных узлов, зданий, планировку расположения оборудования и т.п.

Системы планирования специализируются на задачах планирования. Они также работают с управлением проектами, маршрутизацией, производственным и финансовым планированием.

Системы мониторинга сравнивают наблюдения поведения системы со стандартами, которые представляются для достижения цели.

Системы управления и контроля адаптивно управляют общим поведением системы.

По мнению ведущих специалистов, в недалекой перспективе ЭС найдут следующее применение:

- ЭС будут играть ведущую роль во всех фазах проектирования, разработки, производства, распределения, продажи, поддержки и оказания услуг;

- технология ЭС, получившая коммерческое распространение, обеспечит прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.

На сегодняшний день ЭС охватывают медицину, геологию, научные исследования, военное и инженерное дело, космическую технику, экологию, производство, управление процессами, маркетинг, финансы и др.

В заключение стоит отметить, что несмотря на все эти ограничения и недостатки, экспертные системы уже доказали всю свою ценность и значимость во многих важных приложениях.

Привлекательность ЭС – искусственная компетенция. Доводы в пользу искусственной компетентности:

- Постоянство искусственной компетенции;

- Легкость, с которой ее можно воспроизводить и передавать;

- У искусственной компетенции более устойчивые и воспроизводимые результаты, чем у человеческой;

- Невысокая стоимость (разработка дорога, но эксплуатация дешева).

 

Инструментальные средства для разработки  экспертных систем.

Инструментальные средства можно классифицировать по уровню методов представления и обработки знаний следующим образом:

  1.  Традиционные (в том числе объектно-ориентированные) языки программирования

типа С, С++ (как правило, эти инструментальные средства используются не для создания ЭС, а для создания более развитых инструментальных средств).

  1.  Символьные языки программирования (например,Lisp, Prolog и их разновидности). Эти ИС в последнее время, как правило, не используются в реальных приложениях в связи с тем, что они плохо приспособлены к объединению с программами, написанными на языках традиционного программирования.
  2.  Инструментарий, содержащий многие, но не все компонентыЭС. Эти средства предназначены для разработчика, от которого требуются знание программирования и умение интегрировать компоненты в программный комплекс. Примерами являются OPS 5, ИЛИС и др.
  3.   Оболочки ЭС общего назначения , содержащие все программные компоненты, но не имеющие знаний о конкретных предметных  средах. Средства этого и последующего типов не требуют от разработчика приложения знания программировпания. Примерами являются ЭКО, Leonardo, Kappa, Nexpert Objekt ESWin  и др. Надо иметь в виду, что в последнее время термин «оболочка» используется реже, его заменяют на более широкий термин «среда разработки». Если хотят подчеркнуть, что средство используется не только на стадии разработки приложения, но и на стадиях использования и сопровождения, то используют термин «полная среда»». Примерами таких средств для создания статических ЭС являются Nexpert Objekt, Prokappa и дрр.
  4.  Проблемно/предметно-ориентированные средства:
  •  проблемно ориентированные средства, ориентированные на некоторый класс решаемых задач и меющие в своем составе соответствующие этому классу альтернативные функциональные модули ( примерами таких задач являются задачи поиска, управления, диагностики, планирования, прогнозирования и т.п.)
  •  предметно-ориентированные средства, включающие знания  о некоторых типах предметных областей, что сокращает время разработки БЗ.
  1.  Пустые ЭС, получающиеся исключением БЗ из разработанной для какого-либо конкретного применения ЭС.

Применение ЭС на основе нейронных сетей.

За рубежом интерес к нейронным сетям стремительно растет. На нейронной технологии в сочетании с использованием проводящих полимеров основано устройство распознавания запахов, разработанное совместно фирмами Neotronics и Neoral Technologies. Системы на основе одного из типов нейронной сети осуществляют контроль за энергоустановками в некоторых городах США. Сеть РАРNЕТ после пробного рассмотрения нескольких тысяч образцов определяет пораженные раком клетки быстрее и точнее, чем это делает лаборант. "Гибридная" система анализа данных Clementine, разработанная ISL, применяется  банком Чейз Манхэттен (Chase Manhattan Bank) для изучения вкусов и склонностей части своей клиентуры. Датский институт мясной промышленности приспособил нейронную сеть для анализа качества свинины. Фирма АЕА Technology разработала на основе нейронной сети средство определения идентичности подписи.

Опыт показал, что применение нейронных сетей оправданно там, где закономерности не изучены, а входные данные избыточны, иногда противоречивы и засорены случайной информацией.

Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:

- Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.

-  Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.

-  Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.

-  Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям.   Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.

Контрольные вопросы:

  1.  При каких условиях целесообразно использовать ЭС?
  2.  Из каких этапов состоит процесс проектирования и построения ЭС?
  3.  Как классифицируются ЭС?


 

А также другие работы, которые могут Вас заинтересовать

47397. Национальный вопрос в Испании в Новейшее время 426 KB
  Показать борьбу национальных меньшинств за национально-территориальную автономию в 1918-1939 годах; рассмотреть национальную политику режима Франко в 1939-1975 годах; охарактеризовать децентрализацию государственного устройства Испании; выделить политико-правовое положение иммигрантов в Испании
47398. Изучение хозяйственно-ценных признаков у сортов озимой мягкой пшеницы 269.5 KB
  В воздушно-сухом зерне пшеницы содержится: белка. Зерно пшеницы используется для получения муки а также в крупяной макаронной и кондитерской промышленности 37. Велико и организационно-хозяйственное значение озимой пшеницы. Во-вторых более раннее созревание озимой пшеницы по сравнению с яровыми культурами уменьшает напряженность и уборочных работ дает возможность уйти от летней засухи.
47399. Особенности обработки зерна на примере ТОО “Пригородное” 586.5 KB
  Хозяйство расположено на территории со сложным рельефом: долины рек Шограш, Содимы, Емы и многочисленных ручьёв. По почвенно-геоботаническому районированию относится к подзоне средней тайги. Лесные массивы неоднородны, с преобладанием ели и берёзы; в подлеске – рябина, черёмуха и др.Почвенный покров хозяйства сложный.
47400. Современное положение пластиковых карт в России 731.5 KB
  Пластиковые карты как платежный инструмент. Держатель карты. Далее рассматривается процедура расчетов с использованием платежной карты. они выпускают и обслуживают карты международных национальных и локальных систем.
47401. Интернет-трейдинг в России и за рубежом: состояние и перспективы развития 335 KB
  Интернеттрейдинг в России и за рубежом: состояние и перспективы развития. Развитие Интернеттрейдинга в России. Функционирование систем Интернеттрейдинга: российский и зарубежный опыт. Интернеттрейдинг в России и за рубежом: состояние и перспективы развития.
47402. Банковские операции: состояние и перспективы развития 318.5 KB
  Роль коммерческого банка в развитии экономики. в Генуе “Банка ди Сан Джорджоâ€. Через коммерческие банки осуществляются безналичные расчеты через корреспондентские счета в центральных банках. До 80 капитала акционерных коммерческих банков которых насчитывалось около 50 было сосредоточено в 18 банках.
47403. Оценка конкурентоспособности предприятий торговли и основные направления её повышения 441 KB
  Конкурентоспособность предприятия торговли. Сущность конкурентоспособности предприятия торговли и факторы ее определяющие. Методы оценки конкурентоспособности торгового предприятия. Управление конкурентоспособностью предприятия.
47404. Проектирование заготовочно-сборочного цеха 365 KB
  После вырубания стельку надсекают в носочнопучковой части для увеличения гибкости на ширину 2560 мм. Обычно удаляемые газы выводят по высоким трубам рассеивания и большой скоростью. Среднемесячная заработная плата одного работающего руб. Среднемесячная заработная плата одного рабочегосдельщика руб.
47405. Анализ работы технологии Тандем на Покамасовском месторождении НГДУ Лангепаснефть 1.27 MB
  Подсчет запасов нефти и растворенного газа по состоянию на 1. Начальные балансовые извлекаемые запасы нефти составляли по категории С1 – 163356 75920 тыс. Повышенный газовый фактор низкая продуктивность пластов существенная не стационарность процессов фильтрации тяжелый вывод скважин на режим после глушения и другие осложнения значительно затрудняют работу серийного насосного погружного оборудования для добычи нефти.