Экспертные системы

Наиболее распространенный способ представления знаний - в  виде конкретных фактов и правил, по которым из имеющихся фактов могут  быть выведены новые. Факты представлены, например, в видетроек:

(АТРИБУТ ОБЪЕКТ ЗНАЧЕНИЕ).

 Такой факт означает, что заданный объект имеет  заданный атрибут (свойства) с  заданным значением. Например, тройка (ТЕМПЕРАТУРА ПАЦИЕНТ1 37.5) представляет факт " температурабольного, обозначаемого ПАЦИЕНТ1, равна 37.5" . В более простых случаях факт выражается неконкретным значением атрибута, а каким либо простым утверждением, которое может быть истинным или ложным, например: " Небо покрыто тучами" . В таких случаях факт можно обозначить каким-либо кратким именем (например, ТУЧИ) или использовать для представления факта сам текст соответствующей фразы.

Правила в базе знаний имеют  вид:

ЕСЛИ А ТО S, где А- условие; S- действие. Действие S исполняется, если А истинно. Наиболее часто действие S, так же, как и условие, представляет собой утверждение, которое может быть выведено системой (то есть становится ей известной), если истинно условие правила А.

 Правила в базе знаний  служат для представления эвристических  знаний (эвристик), т.е. неформальных  правил рассуждения, вырабатываемых  экспертом на основе опыта  его деятельности.

Простой пример правила из повседневной жизни:

ЕСЛИ небо покрыто тучами

ТО скоро пойдет дождь.

В качестве условия A может  выступать либо факт(как в данном примере), либо несколько фактов A1,...,AN, соединенные логической операцией и:

A1 и A2 и ... и AN.

В математической логике такое  выражение называется коньюнкцией. Оно считается истинным в том случае, если истинны все его компоненты. Пример предыдущего правила с более сложным условием:

ЕСЛИ 

небо покрыто тучами и  барометр падает

ТО

скоро пойдет дождь. (Правило 1).

Действия, входящие в состав правил, могут содержать новые  факты. При применении таких правил эти факты становятся известны системе, т.е. включаются в множество фактов, которое называется рабочим множеством. Например, если факты " Небо покрыто тучами" и " Барометр падает" уже имеются в рабочем множестве, то после применения приведенного выше правила в него также включается факт " Скоро пойдет дождь" .

Если система не может  вывести некоторый факт, истинность или ложность которого требуется  установить, то система спрашивает о нем пользователя. Например:

ВЕРНО ЛИ, ЧТО небо покрыто  тучами?

При получении положительного ответа от пользователя факт " Небо покрыто тучами" включается в  рабочем множество.

Существуют динамические и статические базы знаний. Динамическая база знаний изменяется со временем. Ее содержимое зависит и от состояния  окружающей. Новые факты, добавляемые  в базу знаний, являются результатом  вывода, который состоит в применении правил к имеющимся фактам.

В системах с монотонным выводом факты, хранимые в базе знаний, статичны, то есть не изменяются в процессе решения задачи. В системах с немонотонным выводом допускается изменение  или удаление фактов из базы знаний. В качестве примера системы с  немонотонным выводом можно привести ЭС, предназначенную для составления перспективного плана капиталовложения компании. В такой системе по вашему желанию могут быть изменены даже те данные, которые после вывода уже вызвали срабатывание каких-либо правил. Иными словами имеется возможность модифицировать значения атрибутов в составе фактов, находящихся в рабочей памяти. Изменение фактов в свою очередь приводит к необходимости удаления из базы знаний заключений, полученных с помощью упомянутых правил. Тем самым вывод выполняется повторно для того, чтобы пересмотреть те решения, которые были получены на основе подвергшихся изменению фактов.

Список литературы

1. И. Братко. Программирование на языке Пролог для искусственного интеллекта.- М.: Мир, 1990.

2. Г. Долин. Что такое  ЭС.- Компьютер Пресс, 1992/2.

3. Д. Р. Малпасс. Реляционный язык Пролог и его применение.

4. Д. Н. Марселлус. Программирование экспертных систем на Турбо Прологе.- М.: Финансы и статистика, 1994.

5. К. Нейлор. Как построить свою экспертную систему.- М.: Энергоатомиздат, 1991.

6. Н. Д. Нильсон. Искусственный интеллект. Методы поиска решений.- М.: Мир, 1973.

7. В. О. Сафонов. Экспертные  системы- интеллектуальные помощники специалистов.- С.-Пб: Санкт-Петербургская организация общества "Знания" России, 1992.

8. К. Таунсенд, Д. Фохт. Проектирование и программная реализация экспертных систем на персональных ЭВМ.- М.: Финансы и статистика, 1990.

9. В. Н. Убейко. Экспертные системы.- М.: МАИ, 1992.

10. Д. Уотермен. Руководство по экспертным системам.- М.: Мир, 1980.

11. Д. Элти, М. Кумбс. Экспертные системы: концепции и примеры.- М.: Финансы и статистика, 1987.

 

Лекции 7-8: Экспертные системы 

 

 

Назначение Экспертных Систем

 

Структура Экспертных Систем

 

Этапы разработки экспертных систем

 

Интерфейс с конечным пользователем

 

Представление Знаний В ЭС

 

Уровни Представления И Уровни Детальности

 

Организация Знаний В Рабочей Системе

 

Организация Знаний В Базе Данных

 

Методы Поиска Решений В Экспертных Системах

 

Инструментальный Комплекс Для Создания Статических Экспертных Систем (На Примере Интегрированного Комплекса Эко)

 

Средства Представления  Знаний И Стратегии Управления

 

Инструментальный комплекс для создания экспертных систем реального  времени (на примере интегрированной  среды g2-gensym corp., Сша)

 

 

Назначение экспертных систем

 

В начале восьмидесятых годов  в исследованиях по искусственному интеллекту сформировалось самостоятельное  направление, получившее название "экспертные системы" (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных  для эксперта-человека, получают результаты, не уступающие по качеству и эффективности  решениям, получаемым экспертом. Исследователи  в области ЭС для названия своей  дисциплины часто используют также  термин "инженерия знаний", введенный  Е.Фейгенбаумом как "привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов".

Программные средства (ПС), базирующиеся на технологии экспертных систем, или  инженерии знаний (в дальнейшем будем  использовать их как синонимы), получили значительное распространение в  мире. Важность экспертных систем состоит  в следующем:

технология экспертных систем существенно расширяет круг практически  значимых задач, решаемых на компьютерах, решение которых приносит значительный экономический эффект;

технология ЭС является важнейшим  средством в решении глобальных проблем традиционного программирования: длительность и, следовательно, высокая  стоимость разработки сложных приложений;

высокая стоимость сопровождения  сложных систем, которая часто  в несколько раз превосходит  стоимость их разработки; низкий уровень  повторной используемости программ и т.п.;

 объединение технологии ЭС с технологией традиционного программирования добавляет новые качества к программным продуктам за счет: обеспечения динамичной модификации приложений пользователем, а не программистом; большей "прозрачности" приложения (например, знания хранятся на ограниченном ЕЯ, что не требует комментариев к знаниям, упрощает обучение и сопровождение); лучшей графики; интерфейса и взаимодействия.

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  революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих  модулей.

ЭС предназначены для так называемых неформализованных задач, т.е. ЭС не отвергают и не заменяют традиционного подхода к разработке программ, ориентированного на решение формализованных задач.

Неформализованные задачи обычно обладают следующими особенностями:

ошибочностью, неоднозначностью, неполнотой и противоречивостью  исходных данных;

ошибочностью, неоднозначностью, неполнотой и противоречивостью  знаний о проблемной области и  решаемой задаче;

большой размерностью пространства решения, т.е. перебор при поиске решения весьма велик;

динамически изменяющимися  данными и знаниями.

Следует подчеркнуть, что  неформализованные задачи представляют большой и очень важный класс  задач. Многие специалисты считают, что эти задачи являются наиболее массовым классом задач, решаемых ЭВМ.

Экспертные системы и  системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический  поиск решения (а не исполнение известного алгоритма).

Экспертные системы применяются  для решения только трудных практических (не игрушечных) задач. По качеству и  эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять  свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что  в настоящее время технология экспертных систем используется для  решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление ) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

Коммерческие успехи к  фирмам-разработчикам систем искусственного интеллекта (СИИ) пришли не сразу. На протяжении 1960 - 1985 гг. успехи ИИ касались в основном исследовательских разработок, которые  демонстрировали пригодность СИИ  для практического использования. Начиная примерно с 1985 г. (в массовом масштабе с 1988 - 1990 гг.), в первую очередь  ЭС, а в последние годы системы, воспринимающие естественный язык (ЕЯ-системы), и нейронные сети (НС) стали активно  использоваться в коммерческих приложениях.

Следует обратить внимание на то, что некоторые специалисты (как правило, специалисты в программировании, а не в ИИ) продолжают утверждать, что ЭС и СИИ не оправдали возлагавшихся  на них ожиданий и умерли. Причины  таких заблуждений состоят в  том, что эти авторы рассматривали  ЭС как альтернативу традиционному  программированию, т.е. они исходили из того, что ЭС в одиночестве (в  изоляции от других программных средств) полностью решают задачи, стоящие  перед заказчиком. Надо отметить, что  на заре появления ЭС специфика используемых в них языков, технологии разработки приложений и используемого оборудования (например, Lisp-машины) давала основания  предполагать, что интеграция ЭС с  традиционными, программными системами  является сложной и, возможно, невыполнимой задачей при ограничениях, накладываемых  реальными приложениями. Однако в  настоящее время коммерческие инструментальные средства (ИС) для создания ЭС разрабатываются  в полном соответствии с современными технологическими тенденциями традиционного  программирования, что снимает проблемы, возникающие при создании интегрированных  приложений.

Причины, приведшие СИИ  к коммерческому успеху, следующие.

Интегрированность. Разработаны  инструментальные средства искусственного интеллекта (ИС ИИ), легко интегрирующиеся  с другими информационными технологиями и средствами (с CASE, СУБД, контроллерами, концентраторами данных и т.п.).

Открытость и переносимость. ИС ИИ разрабатываются с соблюдением  стандартов, обеспечивающих открытость и переносимость [14].

Использование языков традиционного  программирования и рабочих станций. Переход от ИС ИИ, реализованных на языках ИИ (Lisp, Prolog и т.п.), к ИС ИИ, реализованным на языках традиционного программирования (С, C++ и т.п.), упростил обеспечение интегриро-ванности, снизил требования приложений ИИ к быстродействию ЭВМ и объемам оперативной памяти. Использование рабочих станций (вместо ПК) резко увеличило круг приложений, которые могут быть выполнены на ЭВМ 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 (так как сокращается количество информации, пересылаемой между ЭВМ, и каждый модуль приложения выполняется на адекватном ему оборудовании).