Экспертные системы

Автор работы: Пользователь скрыл имя, 05 Января 2014 в 17:11, реферат

Краткое описание

Экспертные системы (ЭС) возникли как значительный практический результат в применении и развитии методов искусственного интеллекта (ИИ)- совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.
Область ИИ имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод (автоматический перевод с одного естественного языка на другой), распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

Вложенные файлы: 1 файл

реферат.docx

— 66.99 Кб (Скачать файл)

Нахождение желаемых объектов в общем случае уместно рассматривать  как двухэтапный процесс. На первом этапе, соответствующем процессу выбора по ассоциативным связкам, совершается  предварительный выбор в базе знаний потенциальных кандидатов на роль желаемых объектов. На втором этапе  путем выполнения операции сопоставления  потенциальных кандидатов с описаниями кандидатов осуществляется окончательный  выбор искомых объектов. При организации  подобного механизма доступа  возникают определенные трудности: Как выбрать критерий пригодности  кандидата? Как организовать работу в конфликтных ситуациях? и т.п.

Операция сопоставления  может использоваться не только как  средство выбора нужного объекта  из множества кандидатов; она может  быть использована для классификации, подтверждения, декомпозиции и коррекции. Для идентификации неизвестного объекта он может быть сопоставлен  с некоторыми известными образцами. Это позволит классифицировать неизвестный  объект как такой известный образец, при сопоставлении с которым  были получены лучшие результаты. При  поиске сопоставление используется для подтверждения некоторых  кандидатов из множества возможных. Если осуществлять сопоставление некоторого известного объекта с неизвестным  описанием, то в случае успешного  сопоставления будет осуществлена частичная декомпозиция описания.

Операции сопоставления  весьма разнообразны. Обычно выделяют следующие их формы: синтаксическое, параметрическое, семантическое и  принуждаемое сопоставления. В случае синтаксического сопоставления  соотносят формы (образцы), а не содержание объектов. Успешным является сопоставление, в результате которого образцы оказываются  идентичными. Обычно считается, что переменная одного образца может быть идентична любой константе (или выражению) другого образца. Иногда на переменные, входящие в образец, накладывают требования, определяющие тип констант, с которыми они могут сопоставляться. Результат синтаксического сопоставления является бинарным: образцы сопоставляются или не сопоставляются . В параметрическом сопоставлении вводится параметр, определяющий степень сопоставления. В случае семантического сопоставления соотносятся не образцы объектов, а их функции. В случае принуждаемого сопоставления один сопоставляемый образец рассматривается с точки зрения другого. В отличие от других типов сопоставления здесь всегда может быть получен положительный результат. Вопрос состоит в силе принуждения. Принуждение могут выполнять специальные процедуры, связываемые с объектами. Если эти процедуры не в состоянии осуществить сопоставление, то система сообщает, что успех может быть достигнут только в том случае, если определенные части рассматриваемых сущностей можно считать сопоставляющимися.

Методы поиска решений  в экспертных системах

Методы решения задач, основанные на сведении их к поиску, зависят от

психодиагностика в психосоматике, а также другие системы. особенностей предметной области, в которой решается задача, и от требований, предъявляемых пользователем к решению. Особенности предметной области с точки зрения методов решения можно характеризовать следующими параметрами:

размер, определяющий объем  пространства, в котором предстоит  искать решение;

изменяемость области, характеризует  степень изменяемости области во времени и пространстве (здесь  будем выделять статические и  динамические области);

полнота модели, описывающей  область, характеризует адекватность модели, используемой для описания данной области. Обычно если модель не полна, то для описания области используют несколько моделей, дополняющих  друг друга за счет отражения различных  свойств предметной области;

 определенность данных  о решаемой задаче, характеризует  степень точности (ошибочности) и  полноты (неполноты) данных. Точность (ошибочность) является показателем  того, что предметная область  с точки зрения решаемых задач  описана точными или неточными  данными; под полнотой (неполнотой) данных понимается достаточность (недостаточность) входных данных для однозначного решения задачи.

Требования пользователя к результату задачи, решаемой с  помощью поиска, можно характеризовать  количеством решений и свойствами результата и (или) способом его получения. Параметр "количество решений" может  принимать следующие основные значения: одно решение, несколько решений, все  решения. Параметр "свойства" задает ограничения, которым должен удовлетворять  полученный результат или способ его получения. Так, например, для  системы, выдающей рекомендации по лечению  больных, пользователь может указать  требование не использовать некоторое  лекарство (в связи с его отсутствием  или в связи с тем, что оно  противопоказано данному пациенту). Параметр "свойства" может определять и такие особенности, как время решения ("не более чем", "диапазон времени" и т.п.), объем памяти, используемой для получения результата, указание об обязательности (невозможности) использования каких-либо знаний (данных) и т.п.

Итак, сложность задачи, определяемая вышеприведенным набором параметров, варьируется от простых задач  малой размерности с неизменяемыми  определенными данными и отсутствием  ограничений на результат и способ его получения до сложных задач  большой размерности с изменяемыми, ошибочными и неполными данными  и произвольными ограничениями  на результат и способ его получения. Из общих соображений ясно, что  каким-либо одним методом нельзя решить все задачи. Обычно одни методы превосходят другие только по некоторым  из перечисленных параметров.

Рассмотренные ниже методы могут работать в статических  и динамических проблемных средах. Для того чтобы они работали в  условиях динамики, необходимо учитывать  время жизни значений переменных, источник данных для переменных, а  также обеспечивать возможность  хранения истории значений переменных, моделирования внешнего окружения  и оперирования временными категориями  в правилах.

Существующие методы решения  задач, используемые в экспертных системах, можно классифицировать следующим  образом:

методы поиска в одном  пространстве - методы, предназначенные  для использования в следующих  условиях: области небольшой размерности, полнота модели, точные и полные данные;

методы поиска в иерархических  пространствах - методы, предназначенные  для работы в областях большой  размерности;

методы поиска при неточных и неполных данных ;

методы поиска, использующие несколько моделей, предназначенные  для работы с областями, для адекватного  описания которых одной модели недостаточно.

Предполагается, что перечисленные  методы при необходимости должны объединяться для того, чтобы позволить  решать задачи сложность которых возрастает одновременно по нескольким параметрам.

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

Рассмотрим особенности  инструментальных средств для создания статических ЭС на примере комплекса  ЭКО, разработанного в РосНИИ ИТ и АП. Наиболее успешно комплекс применяется для создания ЭС, решающих задачи диагностики (технической и медицинской), эвристического оценивания (риска, надежности и т.д.), качественного прогнозирования, а также обучения.

Комплекс ЭКО используется: для создания коммерческих и промышленных экспертных систем на персональных ЭВМ, а также для быстрого создания прототипов экспертных систем с целью  определения применимости методов инженерии знаний в некоторой конкретной проблемной области.

На основе комплекса ЭКО  было разработано более 100 прикладных экспертных систем. Среди них отметим следующие:

поиск одиночных неисправностей в персональном компьютере;

оценка состояния гидротехнического  сооружения (Чарвакская ГЭС);

 

подготовка деловых писем  при ведении переписки с зарубежными  партнерами;

 проведение скрининговой оценки иммунологического статуса;

оценка показаний микробиологического  обследования пациента, страдающего  неспецифическими хроническими заболеваниями  легких;

Средства представления  знаний и стратегии управления

Комплекс ЭКО включает три компонента.

Ядром комплекса является интегрированная оболочка экспертных систем ЭКО, которая обеспечивает быстрое  создание эффективных приложений для  решения задач анализа в статических  проблемных средах типа 1 и 2.

При разработке средств представления знаний оболочки преследовались две основные цели: эффективное решение достаточно широкого и практически значимого класса задач средствами персональных компьютеров; гибкие возможности по описанию пользовательского интерфейса и проведению консультации в конкретных приложениях. При представлении знаний в оболочке используются специализированные (частные) -утверждения типа "атрибут - значение" и частные правила, что позволяет исключить ресурсоемкую операцию сопоставления по образцу и добиться эффективности разрабатываемых приложений. Выразительные возможности оболочки удалось существенно расширить за счет интегрированности, обеспечиваемой путем вызова внешних программ через сценарий консультации и стыковки с базами данных (ПИРС и dBase IV) и внешними программами. В оболочке ЭКО обеспечивается слабая структуризация БЗ за счет ее разделения на отдельные компоненты - для решения отдельных подзадач в проблемной среде - модели (понятию "модель" ЭКО соответствует понятие "модуль" базы знаний системы G2).

С точки зрения технологии разработки ЭС оболочка поддерживает подходы, основанные на поверхностных  знаниях и структурировании процесса решения.

Оболочка функционирует  в двух режимах: в режиме приобретения знаний и в режиме консультации (решения  задач). В первом режиме разработчик  ЭС средствами диалогового редактора  вводит в БЗ описание конкретного  приложения в терминах языка представления  знаний оболочки. Это описание компилируется  в сеть вывода с прямыми адресными  ссылками на конкретные утверждения  и правила. Во втором режиме оболочка решает конкретные задачи пользователя в диалоговом или пакетном режиме. При этом решения выводятся от целей к данным (обратное рассуждение).

Для расширения возможностей оболочки по работе с глубинными знаниями комплекс ЭКО может быть дополнен компонентом К-ЭКО (конкретизатором знаний), который позволяет описывать закономерности в проблемных средах в терминах общих (абстрактных) объектов и правил. К-ЭКО используется на этапе приобретения знаний вместо диалогового редактора оболочки для преобразования общих описаний в конкретные сети вывода, допускающие эффективный вывод решений средствами оболочки ЭКО. Таким образом, использование конкретизатора обеспечивает возможность работы с проблемными средами типа 2 (см. гл.З).

Третий компонент комплекса - система ИЛИС, позволяющая создавать  ЭС в статических проблемных средах за счет индуктивного обобщения данных (примеров) и предназначенная для  использования в тех приложениях, где отсутствие правил, отражающих закономерности в проблемной среде, возмещается обширным экспериментальным  материалом. Система ИЛИС обеспечивает автоматическое формирование простейших конкретных правил и автономное решение  задач на их основе; при этом используется жесткая схема диалога с пользователем. Поскольку при создании реальных приложений эксперты представляют, как  правило, и знания о закономерностях  в проблемной среде, и экспериментальный  материал (для решения частных  подзадач), возникает необходимость  в использовании правил, сформированных системой ИЛИС, в рамках более сложных  средств представления знаний. Комплекс ЭКО обеспечивает автоматический перевод таких правил в формат оболочки ЭКО. В результате удается получить полное (адекватное) представление реальной проблемной среды, кроме того, задать гибкое описание организации взаимодействия ЭС с конечным пользователем.

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

История развития ИС для  создания ЭС реального времени началась в 1985 г., когда фирма Lisp Machine Inc. выпустила систему Picon для символьных ЭВМ Symbolics. Успех этого ИС привел к тому, что группа ведущих разработчиков Picon в 1986 г. образовала частную фирму Gensym, которая, значительно развив идеи, заложенные в Picon, в 1988 г. вышла на рынок с ИС под названием G2, версия 1.0. В настоящее время функционирует версия 4.2 и готовится к выпуску версия 5.0.

Основное предназначение программных продуктов фирмы  Gensym (США) - помочь предприятиям сохранять и использовать знания и опыт их наиболее талантливых и квалифицированных сотрудников в интеллектуальных системах реального времени, повышающих качество продукции, надежность и безопасность производства и снижающих производственные издержки. О том, как фирме Gensym удается справиться с этой задачей, говорит хотя бы то, что сегодня ей принадлежат 50% мирового рынка экспертных систем, используемых в системах управления.

С отставанием от Gensym на 2 - 3 года другие фирмы начали создавать свои ИС для ЭС РВ. С точки зрения независимых экспертов NASA, проводивших комплексное исследование характеристик и возможностей некоторых из перечисленных систем, в настоящее время наиболее продвинутым ИС, безусловно, остается G2 (Gensym, США); следующие места со значительным отставанием (реализовано менее 50% возможностей G2) занимают RTWorks - фирма Talarian (США), COMDALE/C (Comdale Techn. - Канада), COGSYS (SC - США), ILOG Rules (ILOG - Франция).

Информация о работе Экспертные системы