Что такое экспертные системы

Искусственный интеллект, как научная дисциплина, состоит из нескольких крупных течений. Одно из них – экспертные системы.

Экспертные системы это направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.

Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Экспертная система – это не простая программа, которая пишется одним или несколькими программистами.

Экспертная система является плодом совместной работы экспертов в данной предметной области, инженеров по знаниям и программистов.

Но стоит отметить, что встречаются случаи, когда программы пишутся самими экспертами в данной области.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Например, при создании экспертной системы диагностики заболеваний врач рассказывает инженеру по знаниям об известных ему заболеваниях. Далее эксперт раскрывает список симптомов, которые сопровождают каждое заболевание и в заключение рассказывает об известных ему методах лечения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

Первую экспертную систему, которую назвали Dendral, разработали в Стэнфорде в конце 1960-х г.г. Эта была экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем. Органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико. Благодаря эвристическим знаниям экспертов-химиков, заложенных в экспертную систему, правильное решение из миллиона возможных находилось всего за несколько попыток. Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру.

Экспертная система Dendral одной из первых использовала эвристические знания специалистов для достижения уровня эксперта в решении задач, однако методика современных экспертных систем связана с другой разработкой – Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови.

Экспертная система Mycin, разработанная в том же Стэнфорде в середине 1970-х г.г., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации. Все рассуждения экспертной системы Mycin были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта Mycin.

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. 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.

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.

Экспертные системы: назначение, область применения

Экспертные системы (ЭС)- это яркое и быстро прогрессирующее направление в области искусственного интеллекта (ИИ). Причиной повышенного интереса, который ЭС вызывают к себе на протяжении всего своего существования, является возможность их применения к решению задач из самых различных областей человеческой деятельности. Пожалуй, не найдется такой проблемной области, в которой не было бы создано ни одной ЭС или по крайней мере, такие попытки не предпринимались бы.

ЭС — это набор программ или программное обеспечение, которое выполняет функции эксперта при решении какой-либо задачи в области его компетенции. ЭС, как и эксперт-человек, в процессе своей работы оперирует со знаниями. Знания о предметной области, необходимые для работы ЭС, определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы.

ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых “с потолка”, что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа.

Главное достоинство ЭС — возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.
Практическое применение искусственного интеллекта на машиностроительных предприятиях и в экономике основано на ЭС, позволяющих повысить качество и сохранить время принятия решений, а также способствующих росту эффективности работы и повышению квалификации специалистов.
Основными отличиями ЭС от других программных продуктов являются использование не только данных, но и знаний, а также специального механизма вывода решений и новых знаний на основе имеющихся. Знания в ЭС представляются в такой форме, которая может быть легко обработана на ЭВМ. В ЭС известен алгоритм обработки знаний, а не алгоритм решения задачи. Поэтому применение алгоритма обработки знаний может привести к получению такого результата при решении конкретной задачи, который не был предусмотрен.


Качество ЭС определяется размером и качеством базы знаний (правил или эвристик). Система функционирует в следующем циклическом режиме: выбор (запрос) данных или результатов анализов, наблюдения, интерпретация результатов, усвоение новой информации, выдвижении с помощью правил временных гипотез и затем выбор следующей порции данных или результатов анализов (рис.2). Такой процесс продолжается до тех пор, пока не поступит информация, достаточная для окончательного заключения.

В любой момент времени в системе существуют три типа знаний:

— Структурированные знания — статические знания о предметной области. После того как эти знания выявлены, они уже не изменяются.

— Структурированные динамические знания — изменяемые знания о предметной области. Они обновляются по мере выявления новой информации.

— Рабочие знания- знания, применяемые для решения конкретной задачи или проведения консультации.
Все перечисленные выше знания хранятся в базе знаний. Для ее построения требуется провести опрос специалистов, являющихся экспертами в конкретной предметной области, а затем систематизировать, организовать и снабдить эти знания указателями, чтобы впоследствии их можно было легко извлечь из базы знаний.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

а) Медицинская диагностика.

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях.

б) Прогнозирование.
Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система “Завоевание Уолл-стрита” может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу.

в) Планирование.
Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных.

г) Интерпретация.
Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

д) Контроль и управление.

Системы, основанные на знаниях, могут применяться в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

е) Диагностика неисправностей в механических и электрических устройствах.

В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.

ж) Обучение.
Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта.
Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования.
Даже лучшие из существующих ЭС, которые эффективно функционируют как на больших, так и на мини-ЭВМ, имеют определенные ограничения по сравнению с человеком-экспертом.
1. Большинство ЭС не вполне пригодны для применения конечным пользователем. Если вы не имеете некоторого опыта работы с такими системами, то у вас могут возникнуть серьезные трудности. Многие системы оказываются доступными только тем экспертам, которые создавали из базы знаний.

2. Вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений. Например, без системы MYCIN врач может (а часто и должен) принять решение значительно быстрее, чем с ее помощью.

3. Навыки системы не возрастают после сеанса экспертизы.

4. Все еще остается проблемой приведение знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию.

5. ЭС не способны обучаться, не обладают здравым смыслом. Домашние кошки способны обучаться даже без специальной дрессировки, ребенок в состоянии легко уяснить, что он станет мокрым, если опрокинет на себя стакан с водой, однако если начать выливать кофе на клавиатуру компьютера, у него не хватит “ума” отодвинуть ее.

6. ЭС неприменимы в больших предметных областях. Их использование ограничивается предметными областями, в которых эксперт может принять решение за время от нескольких минут до нескольких часов.

7. В тех областях, где отсутствуют эксперты (например, в астрологии), применение ЭС оказывается невозможным.

8. Имеет смысл привлекать ЭС только для решения когнитивных задач. Теннис, езда на велосипеде не могут являться предметной областью для ЭС, однако такие системы можно использовать при формировании футбольных команд.

9. Человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.
Системы, основанные на знаниях, оказываются неэффективными при необходимости проведения скрупулезного анализа, когда число “решений” зависит от тысяч различных возможностей и многих переменных, которые изменяются во времени. В таких случаях лучше использовать базы данных с интерфейсом на естественном языке.

Экспертная система компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться. — презентация

2 Экспертная система компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

3 Экспертная система — это возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов. Накопление знаний позволяет повышать квалификацию специалистов, работающих на предприятии, используя наилучшие, проверенные решения.

4 Экспертная система Интерфейс пользователя Пользователь Интеллектуальный редактор базы знаний Эксперт Инженер по знаниям Рабочая (оперативная) память База знаний Решатель (механизм вывода) Подсистема объяснений

5 База знаний состоит из правил анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, дает рекомендации по разрешению проблемы. Как правило, база знаний экспертной системы содержит факты (статические сведения о предметной области) и правила набор инструкций, применяя которые к известным фактам можно получать новые факты.

6 База знаний ЭС создается при помощи трех групп людей: Эксперты той проблемной области, к которой относятся задачи, решаемые ЭС Инженеры по знаниям, являющиеся специалистами по разработке ИИС; Программисты, осуществляющие реализацию ЭС.

7 ЭС может функционировать в 2-х режимах: Режим ввода знаний в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС. Режим консультации пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

8 Классификация ЭС по решаемой задаче: Интерпретация данных Диагностирование Мониторинг Проектирование Прогнозирование Сводное Планирование Обучение Управление Ремонт Отладка

9 Классификация ЭС по связи с реальным временем: Статические ЭС — это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний. Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени. Динамические ЭС — это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

10 Этап идентификации проблем определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей. Этап извлечения знаний проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этап структурирования знаний 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. Этап формализации 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. Реализация ЭС создается один или несколько прототипов ЭС, решающие требуемые задачи. Этап тестирования производится оценка выбранного способа представления знаний в ЭС в целом.

11 CLIPS весьма популярная ЭС (public domain) OpenCyc мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов WolframAlpha поисковая система, интеллектуальный «вычислительный движок знаний» MYCIN наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. HASP/SIAP интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

Экспертная система

Экспе́ртная систе́ма (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные экспертные системы начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х годах получили коммерческое подкрепление. Предшественники экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например, определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания.

Важнейшей частью экспертной системы являются базы знаний как модели поведения экспертов в определённой области знаний с использованием процедур логического вывода и принятия решений, иными словами, базы знаний — совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах, так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от экспертных систем — отсутствие базы знаний — все действия жёстко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 1970-1980 годах, переживает кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях почти полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем.

Нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например, компьютерные справочно-правовые системы). Предпринимаемые энтузиастами попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) не находят поддержки среди крупных компаний-производителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.

Структура ЭС интеллектуальных систем

Книга представляет следующую структуру ЭС:

  • Интерфейс пользователя
  • Пользователь
  • Интеллектуальный редактор базы знаний
  • Эксперт
  • Инженер по знаниям
  • Рабочая (оперативная) память
  • База знаний
  • Решатель (механизм логического вывода (МЛВ))
  • Подсистема объяснений

База знаний состоит из правил анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, даёт рекомендации по разрешению проблемы.

Как правило, база знаний экспертной системы содержит факты (статические сведения о предметной области) и правила — набор инструкций, применяя которые к известным фактам можно получать новые факты.

В рамках логической модели базы знаний могут основываться, например, на языке программирования Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщённых и конкретных сведений, а также конкретных и обобщённых запросов к базам данных и базам знаний.

Конкретные и обобщённые запросы к базам знаний на языке Пролог записываются с помощью языка предикатов, выражающих правила логического вывода и определения понятий над процедурами логического вывода, имеющихся в базе знаний, выражающих обобщённые и конкретные сведения и знания в выбранной предметной области деятельности и сфере знаний.

Обычно факты в базе знаний описывают те явления, которые являются постоянными для данной предметной области. Характеристики, значения которых зависят от условий конкретной задачи, ЭС получает от пользователя в процессе работы, и сохраняет их в рабочей памяти. Например, в медицинской ЭС факт «У здорового человека 2 ноги» хранится в базе знаний, а факт «У пациента одна нога» — в рабочей памяти.

База знаний ЭС создаётся при помощи трёх групп людей:

  1. эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;
  2. инженеры по знаниям, являющиеся специалистами по разработке ИИС;
  3. программисты, осуществляющие реализацию ЭС.

Этапы разработки ЭС

  • Этап идентификации проблем — определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.
  • Этап извлечения знаний — проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.
  • Этап структурирования знаний — 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.
  • Этап формализации — осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоёмким 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.
  • Реализация ЭС — создаётся один или несколько прототипов ЭС, решающие требуемые задачи.
  • Этап тестирования — производится оценка выбранного способа представления знаний в ЭС в целом.

Литература

  1. Изобретения С. Н. Корсакова
  2. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник. — СПб.: Питер, 2000.
  • Джозеф Джарратано, Гари Райли «Экспертные системы: принципы разработки и программирование» : Пер. с англ. — М. : Издательский дом «Вильямс», 2006. — 1152 стр. с ил.
  • Питер Джексон. Введение в экспертные системы = Introduction to Expert Systems. — 3-е изд. — М.: Вильямс, 2001. — С. 624. — ISBN 0-201-87686-8.
  • Таунсенд К., Фохт Д. Проектирование и программная реализация экспертных систем на персональных ЭВМ: Пер. с англ. В. А. Кондратенко, С. В. Трубицына. — М.: Финансы и статистика, 1990. — 320 с.
  • Уотермен Д. «Руководство по экспертным системам: Пер. с англ. под ред. В. Л. Стефанюка. — М.: «Мир», 1989: — 388 стр. с ил.
В этой статье или разделе имеется список источников или внешних ссылок, но источники отдельных утверждений остаются неясными из-за отсутствия сносок. Утверждения, не подкреплённые источниками, могут быть поставлены под сомнение и удалены. Вы можете улучшить статью, внеся более точные указания на источники.

Экспертная система (Expert + Knowledge = Advice) представляет собой компьютерную программу, которая содержит знания и делает логическое заключение о специализированной предметной области для решения определенных задач или предоставления соответствующих рекомендаций. Это приложение, которое выполняет задачу, как если бы это был человеческий эксперт. Например, существуют экспертные системы, которые могут диагностировать заболевания человека, составлять финансовые прогнозы и планировать оптимальные маршруты маршрутов для транспортных средств. Некоторые экспертные системы предназначены для выполнения большинства экспертных функций, а другие предназначены для их помощи. Экспертные системы являются частью общей категорией компьютерных приложений, известные как искусственный интеллект.

Интегрированная производственная система на языке C (CLIPS) является разработкой Космического центра Johnson NASA . Это инструментальный инструмент для создания экспертных систем. До 1986 года он не был доступен за пределами NASA. С 1996 года серьезное внимание уделялось программам, финансируемым ERUIT , Европейской сети по разработке методов неопределенности с применением в информационных технологиях (ERUDIT); Европейская интеллектуальная технология Perfect Network для интеллектуальных технологий и адаптивных интеллектуальных систем (EUNITE); программа IST.

Системы с использованием искусственного интеллекта.

Быстрое развитие информационных технологий и их применение в промышленности создали необходимость решения ряда сложных проблем. Для их решения необходимы различные подходы. Искусственный интеллект предлагает подходящую возможность решить некоторые сложные проблемы отрасли. Основная задача технологии, основанной на искусственном интеллекте и знаниях, заключается в создании интеллектуальных систем программирования, Такие системы обеспечивают решения проблем, связанных с большим количеством пространства поиска для неопределенных граничных условий и неполных данных, применяя эвристические стратегии и используя знания в предметной области. Сбор, структурирование и представление имеющихся знаний — ключевая проблема систем, основанных на знаниях. Интеллектуальные системы, основанные на знаниях, используются в области производства, технического обслуживания оборудования и технической диагностики. Во многих проблемах разбирательства решения носят неопределенный характер и предполагают множество альтернативных действий. Решения обычно зависят от опыта этих вопросов, к которым они применяются.

ПРИМЕНЕНИЕ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ

Системы, основанные на знаниях, применимы к широкому кругу вопросов. Согласно D.Sriram , они должны использоваться для таких задач, как проектирование (проектирование), диагностика, интерпретация, управление, планирование и прогнозирование. Проектирование, планирование и прогнозирование создают объекты высокого уровня с использованием метода интеграции классов объектов нижнего уровня. Диагностика, интерпретация и управление обеспечивают и интерпретируют данные и знания на этапе составления выводов и предоставления возможных решений. Каждая из этих проблем частично разлагается на ее особенности, что помогает понять отражение эксперта в конкретной области.

1. Проектирование

Проектирование — это процесс создания системы или объекта, который отвечает определенным требованиям. Одной из таких систем является XCON (в оригинале R1). Эта система предназначена для настройки компьютеров VAX. Система работает с использованием метода частично решенных схем.

FADES — это система проектирования и планирования оборудования. Знание представлено правилами, выполняемыми в виде логических процедур и предикатов первого порядка. База знаний включает в себя знание следующих областей: технологическое рабочее место, экономический анализ инвестиций, выбор назначенных алгоритмов, планирование и восстановление информации, полученной методом логических правил в существующей базе данных и другими знаниями. Требования к проектированию системы включают достижение целей встречи без высокой стоимости ресурсов. Для разрешения возможных конфликтов необходимо ввести приоритеты. Системы должны быть гибкими, требования со временем могут меняться или неизбежно непредвиденные замены конструктивных параметров. Ключевыми проблемами такого типа систем, основанных на знаниях, являются следующие:

вся последовательность проектных решений не должна быть заранее предсказана до тех пор, пока дизайн не продвинется значительно;

необходимо построить иерархию подзадач;

конструктивные ограничения исходят из нескольких источников;

переориентация неизбежна, и замена параметров дизайна может быть замечена только в перспективе;

требуются особые отношения между параметрами дизайна, они не могут быть легко аппроксимированы качественной отчетностью.

2. Диагностика

Диагностика рассматривается как процесс обнаружения ошибок и сбоев в любой системе. Лучшим примером диагностической системы является система MYCIN, разработанная Shortliffe.

Другая известная диагностическая система — это DELTA, разработанная Bonissone для General Electric, для обнаружения неисправностей двигателя. Чтобы выбрать определенный диапазон сбоев локомотива, система задает ряд подробных вопросов для пользователя системы. На каждом этапе система объясняет аргументы эксперта, которого она применяла. Наконец, когда выявлен отказ локомотива, система создает конкретные обратные инструкции. База знаний DELTA содержит более 500 правил, изложенных на своем языке для презентации. Система использует гибкую поисковую систему. Сначала система была разработана в LISP, а затем перепрограммирована в FORT.

ACE — это диагностическая система, которая обнаруживает и диагностирует сбои в телефонной сети путем выявления плохих мест в сети и рекомендует соответствующие ремонтные и реабилитационные услуги. Система анализирует данные из операций обслуживания и генерирует выходные данные, описывающие физическое местоположение сбоев и характеристик сети в этом месте. ACE работает без вмешательства человека, анализируя данные обслуживания, ежедневно генерируемые CRAS, компьютерной программой для администрирования отказа кабеля. ACE решает, какие части телефонной сети могут потребовать переключения или восстановления и сохраняет общую информацию из этих выводов в отдельной базе данных, к которому пользователь имеет доступ. Когда система обнаруживает поврежденные телефонные кабели, она решает, нуждаются ли они в профилактическом обслуживании, и выбирает тип поддержки как можно более эффективный, и рекомендации записываются в базе данных, к которым пользователи имеют доступ. ACE принимает решения с использованием знаний приложений для проводных центров, ежедневных данных обслуживания CRAS и стратегий сетевого анализа. ACE может генерировать выводы, но не может объяснить аргументы перед этим, вместо этого добавить к нему сводку данных, которые приводят к ней, которая удовлетворяет пользователей системы.

Система ACE была разработана в ОАДЕ — 4 и Франц Лиспе для VAX-11/780 компьютеров, в основном испытанные, а затем преобразованные в суперкомпьютеры AT & T 3B-2 Model 300, которые расположены в службах анализа кабельной сети. Он был разработан Bell Laboratories в Уиппани, штат Нью-Джерси.

NDS обнаруживает сложные множественные сбои в сети связи COMNET, реализуя стратегии экспертной диагностики, основанные на знаниях топологии сети и ее состава. Система предлагает выполнить диагностический тест, и результат каждого теста обеспечивает доказательство наличия сбоев или нет в любом из нескольких компонентов. Компоненты включают в себя процессоры связи, модемы, телефонные соединения и компьютерные терминалы. NDS является основанной на правилах системой и реализованной в ARBY. Система разработана в Smart Systems Technology в сотрудничестве сShell Development Company .

Экспертиза в диагностических системах предполагает поиск последовательных и неверных интерпретаций данных и понимание взаимосвязи между подсистемами. Ключевыми проблемами, возникающими в этом типе системы, являются следующие:

данные могут быть частичными, противоречивыми и несвязанными;

повторяющиеся ошибки могут быть замаскированы или могут вызывать симптомы, которые в противном случае решаются экспертами;

оборудование может ошибаться, результаты испытаний могут быть неверными;

некоторые данные могут быть недоступны или могут быть получены случайно.

3. Интерпретация

Интерпретация — это процесс анализа данных u1085 для определения их значения. Система такого типа DENDRAL , разработанная Бьюкененом. Система способна имитировать химическую экспертизу. Требования к интерпретации такие же, как и для диагностики, т.е. умение системы состоит в нахождении последовательных, последовательных интерпретаций данных и без отклонения возможных кандидатов до тех пор, пока не будет отклонено достаточное количество доказательств. Вопросы, связанные с интерпретацией, такие же, как и для диагностики, с одним дополнением: шаблоны распознавания образов в интерпретации длиннее и сложнее, чем диагностические диаграммы.

4. Управление

Управление рассматривается как процесс непрерывной или периодической интерпретации сигналов и включение сигнала оповещения, когда это требует интерпретация (обычно в режиме реального времени). Одной из таких систем является AAMS, разработанный Харау, для акустического контроля процесса обнаружения дефектов железнодорожных колес. Другая система управления — это NAVEX, разработанная Гилбертом для управления полетом. Помимо интерпретаций и частичной диагностики, системы этого типа должны быть способны реагировать на различные ситуации тревоги и быть в состоянии избежать ложной тревоги. Практическая проблема с такими системами заключается в том, что условие предупреждения часто зависит от контекста и связано с ожиданием сигналов, со временем и ситуацией.

5. Планирование

Планирование — это процесс создания программ для достижения нескольких целей. Планирование производства — это область, требующая значительных знаний и опыта. Эта область очень подходит для применения систем, основанных на знаниях.

Первая система планирования MOLGEN, разработанная Stefik, заключается в планировании экспериментов по молекулярной генетике. Другим примером является система ESFAS, разработанная Калбером, для оказания помощи в разработке полетов НАСА. Система GERI основана на знаниях в процессе планирования. Эти знания представлены в качестве производственных правил. База знаний системы состоит из описания характеристик, размеров и геометрических соотношений между объектами области объекта системы.

Требования к планированию и проблемы аналогичны требованиям к дизайну с добавлением требования к расписанию.

6. Прогнозирование

Прогнозирование рассматривается как процесс прогнозирования будущего на основе моделей прошлого и настоящего, а также соображений времени и случайной последовательности. Проблемы с этим типом системы заключаются в следующем:

  1. теория прогнозирования учитывает ситуации в будущем;
  2. изобилие различных видов информации;
  3. повторение функций всегда возможно, их следует описывать в порядке приоритета.
  4. При прогнозировании, а также при планировании и проектировании количество возможных решений иногда намного превышает количество интеллектуальных решений.

Возможности обучения.

Системы, основанные на знаниях, могут использоваться для обучения с использованием их опыта в решении проблемы и их организованных знаний.

Общие характеристики экспертных систем

  1. Экспертные системы заключают на основе некоторого представления человеческих знаний
  2. Экспертные системы обычно решают задачи с использованием эвристических или приближенных методов
  3. Экспертные системы моделируют то, как люди делают выводы в определенной предметной области, а не в поле
  4. эвристика
  5. Эвристика — это правила, основанные на опыте, которые кодируют определенные знания о том, как решить проблему из определенной области.
  6. Эвристические методы являются приблизительными в том смысле, что они не требуют точных данных, и решения могут быть извлечены из системы с определенной степенью определенности.

Функции экспертных систем

Приобретение знаний

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

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

Причин такой низкой производительности предостаточно:

— специалисты в узкой области, как правило, пользуются собственным жаргоном, который трудно перевести на обычный “человеческий” язык. Но смысл жаргонного “словечка” отнюдь не очевиден, а потому требуется достаточно много дополнительных вопросов для уточнения его логического или математического значения. Например, специалисты по военной стратегии говорят об “агрессивной демонстрации” иностранной военной мощи, но при этом не могут объяснить, чем такая “агрессивная” демонстрация отличается от демонстрации, не несущей угрозы;

— факты и принципы, лежащие в основе многих специфических областей знания эксперта, не могут быть четко сформулированы в терминах математической теории или детерминированной модели, свойства которой хорошо понятны. Так, эксперту в финансовой области может быть известно, что определенные события могут стать причиной роста или снижения котировок на фондовой бирже, но он ничего вам не скажет точно о механизмах, которые приводят к такому эффекту, или о количественной оценке влияния этих факторов. Статистические модели могут помочь сделать общий долговременный прогноз, но, как правило, такие методы не работают в отношении курсов конкретных акций на коротких временных интервалах;

— для того чтобы решить проблему в определенной области, эксперту недостаточно просто обладать суммой знаний о фактах и принципах в этой области. Например, опытный специалист знает, какого рода информацией нужно располагать для формулировки того или иного суждения, насколько надежны различные источники информации и как можно расчленить сложную проблему на простые, которые можно решать более или менее независимо. Выявить в процессе собеседования такого рода знания, основанные на личном опыте и плохо поддающиеся формализации, значительно сложнее, чем получить простой перечень каких-то фактов или общих принципов;

— экспертный анализ даже в очень узкой области, выполняемый человеком, очень часто нужно поместить в довольно обширный контекст, который включает и многие вещи, кажущиеся эксперту само собой разумеющимися, но для постороннего отнюдь таковыми не являющиеся.

Представление знаний

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

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

В области экспертных систем представление знаний интересуют методы формального описания массивов полезной информации с целью их последующей обработки с помощью символических вычислений. Для формального описания используется язык, обладающий достаточно четко формализованным синтаксисом построения выражений и такого же уровня семантикой, увязывающей смысл выражения с его формой.

Символические вычисления означают выполнение нечисловых операций, в которых могут быть сконструированы символы и символьные структуры для представления различных концептов и отношений между ними.

В области искусственного интеллекта разрабатываются языки представления — компьютерные языки, ориентированные на организацию описаний объектов и идей, в противовес статическим последовательностям инструкций или хранению простых элементов данных. Основными критериями доступа к представлению знаний являются логическая адекватность, эвристическая мощность и естественность, органичность нотации.

Логическая адекватность означает, что представление должно обладать способностью распознавать все отличия, которые закладываются в исходную сущность. Например, невозможно представить идею, что каждое лекарство имеет какой-либо побочный, нежелательный эффект, если только нельзя будет провести отличие между предназначением конкретного лекарственного препарата и его побочным эффектом (например, аспирин усугубляет язвенную болезнь). В более общем виде выражение, передающее этот эффект, звучит так: “Каждое лекарство обладает нежелательным, побочным эффектом, специфическим для этого препарата”.

Эвристическая мощность означает, что наряду с наличием выразительного языка представления должно существовать некоторое средство использования представлений, сконструированных и интерпретируемых таким образом, чтобы с их помощью можно было решить проблему. Часто оказывается, что язык, обладающий большей выразительной способностью в терминах количества семантических отличий, более сложен в управлении описанием взаимосвязей в процессе решения проблемы. Способность к выражению у многих из найденных формализмов может оказаться достаточно ограниченной по сравнению с английским языком или даже стандартной логикой. Часто уровень эвристической мощности рассматривается по результату, т.е. по тому, насколько легко оказывается извлечь нужное знание применительно к конкретной ситуации. Быть уверенным, какие знания более всего подходят для решения конкретной проблемы, — это одно из качеств, которое отличает действительно специалиста, эксперта в определенной области, от новичка или просто начитанного человека.

Большинство приложений, построенных на базе ЭС, нуждается в накоплении большого объема знаний, а решить такую задачу довольно трудно, если соглашения в языке представления слишком сложны. Любой специалист скажет, что при прочих равных характеристиках лучше та система, с которой проще работать. Выражения, которыми формально описываются знания, должны быть по возможности простыми для написания, а их смысл – понятен даже тому, кто не знает, как компьютер интерпретирует эти выражения. Примером может служить декларативный программный код, который сам по себе дает достаточно четкое представление о процессе его выполнения даже тому, кто не имеет представления о деталях реализации отдельных инструкций компьютером.

Имеется немало соглашений, пригодных для кодирования знаний на языковом уровне. Среди них отметим порождающие правила (production rules), структурированные объекты (structured objects) и логические программы (logic programs). В большинстве ЭС используется один или несколько из перечисленных формализмов, а доводы в пользу и против любого из них до сих пор представляют собой тему для оживленных дискуссий среди теоретиков.

Управление процессом поиска решения

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

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

Большинство представлений знаний могут быть использованы в разных режимах управления.

Разъяснение принятого решения

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

Представление информации о поведении ЭС важно по многим причинам:

— пользователи, работающие с системой, нуждаются в подтверждении того, что в каждом конкретном случае заключение, к которому пришла программа, в основном корректно;

— инженеры, имеющие дело с формированием БЗ, должны убедиться, что сформулированные ими знания применены правильно, в том числе и в случае, когда существует прототип;

— экспертам в предметной области желательно проследить ход рассуждений и способ использования тех сведений, которые с их слов были введены в БЗ. Это позволит судить, насколько корректно они применяются в данной ситуации;

— программистам, которые сопровождают, отлаживают и модернизируют систему, нужно иметь в своем распоряжении инструмент, позволяющий заглянуть в “ее нутро” на уровне более высоком, чем вызов отдельных языковых процедур;

— менеджер системы, использующей экспертную технологию, который несет ответственность за последствия решения, принятого программой, также нуждается в подтверждении, что эти решения достаточно обоснованны.

Прозрачность системы — способность системы объяснить методику принятия решения. Под прозрачностью системы понимается, насколько просто персоналу выяснить, что делает программа и почему. Отсутствие достаточной прозрачности поведения системы не позволит эксперту повлиять на ее производительность или дать совет, как можно ее повысить. Прослеживание и оценка поведения системы — задача довольно сложная и для ее решения необходимы совместные усилия эксперта и специалиста по информатике.