Система основанная на правилах

экспертные системы — системы, основанные на знаниях

Экспертная система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Экспертная система состоит из базы знаний (части системы, в которой содержатся факты), подсистемы вывода (множества правил, по которым осуществляется решение задачи), подсистемы приобретения знаний, подсистемы объяснения и диалогового интерфейса (процессора).

Все требуемые для работы экспертной системы знания о предментной области определенным образом формализованы и представлены в памяти ЭВМ в виде базы знаний, которая может изменяться и дополняться в процессе развития системы. 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.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика (Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях), контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

Все системы ИИ (искусственного интеллекта) можно разбить на 2 класса:
общего назначения (ОН) и специализированные.

ОН – не только исполняют заданные процедуры, но и на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач. Технология их использования:
Пользователь-эксперт формирует знания (данные и правила), описывающие выбранное приложение. Затем на основании этих значений, заданной цели и исходных данных метапроцедуры системы генерируют и исполняют процедуру решения конкретной задачи.

Эта технология называется также технологией систем, основанных на знании или технологией инженерии знаний. Она позволяет специалисту, не знающему программирования разрабатывать гибкие прикладные системы.

Оболочки ЭС – это единственный тип интеллектуальных систем, которые могут быть отнесены к классу систем общего назначения.

Специализированные системы – такие, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования такие системы требуется наполнить данными, соответствующими выбранному приложению.

До определенного времени при разработке специализированных систем использовалась технология традиционного процедурного программирования, что позволяло обеспечить высокую эффективность. Однако эта технология существенно ограничивала способность систем к изменению их поведения при изменяющемся окружении, что крайне важно для решения многих интеллектуальных задач.

В связи с этим в последнее время с целью устранения этого недостатка специализированные интеллектуальные системы (речевого общения, обработки изображений и др.) стали разрабатывать, используя технологию инженерии знаний, т.е. в виде экспертных систем.

Обычно к ЭС относят системы, основанные на знании, т.е. системы, вычислительная возможность которых является следствием наращивания их базы знаний (БЗ) и только во вторую очередь определяется используемыми методами.

Отличается от базы данных возможностью получать информацию (знания), которые непосредственно не содержатся в базе знаний, т.е. способность генерировать новые знания.

Типичная ЭС состоит из компонентов:
• решателя (интерпретатора);
• рабочей памяти, называемой также базой данных (БД);
• базой знаний (БЗ);
• компонентов приобретения знаний, объяснительного и диалогового.

БД предназначена для хранения исходных и промежуточных данных, решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу, с термином, используемом в ИПС и СУБД для обозначения всех данных (и в первую очередь не текущих, а долгосрочных), хранимых в системе.
БЗ в ЭС предназначена для хранения долгосрочных данных, описывающих описываемую область (а не текущих данных), и правил, описывающих целесообразное преобразование данных этой области.
Решатель, используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил, которая, будучи применена к исходным данным, приводит к решению задачи.

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

Объяснительный компонент объясняет, как система получила/не получила решение задачи и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату.

Диалоговый компонент ориентирован на организацию дружелюбного общения со всеми категориями пользователей, как в ходе решения задач, так и приобретения знаний, объяснения результатов работы.

economyreview.ru

Экспертные системы, основанные на правилах

Поверхностные представления

Так называемые экспертные системы, основанные на правилах (СОП), первоначально применялись для моделирования процессов восприятия, связанных с кратковременной памятью человека. Поэтому представлялось вполне естественным, что СОП будут также использовать и при разработке экспертных систем, назначение которых — имитировать поведение людей. На сегодняшний день СОП — это, несомненно, наиболее распространенная архитектура экспертных систем. Разработан и успешно эксплуатируется целый ряд экспертных систем типа СОП, среди которых можно отметить следующие:

  • MYCIN — осуществляет диагностику инфекционных заболеваний;
  • HEURISTIC DENDRAL — идентифицирует органические соединения;
  • PROSPECTOR — оказывает помощь геологам в оценке месторождений полезных ископаемых;
  • PUFF — анализирует результаты функциональных тестов работы легких человека;
  • INTERNIST — ставит терапевтические диагнозы;
  • XCON (прежнее название R1) — осуществляет выбор конфигурации вычислительных систем VAX-11/780;
  • SACON — дает инженерам рекомендации по проведению структурного анализа.

Было создано несколько систем широкого применения, которые существенно упростили организацию экспертных систем, построенных на правилах и предназначенных для конкретных областей. Назовем некоторые из них: EMYCIN, AGE, OPS5, ADVISE, Hearsay-3, AL/X, EXPERT-EASE (фирма «Хьюмен эдж софтуэр». Пало-Альто, шт. Калифорния), KS 300 (модифицированный вариант системы EMYCIN; фирма «Текноледж», Пало-Альто), KES (фирма «Интеллидженетикс», Пало-Альто), Personal Consultant (Персональный консультант; фирма «Тексас Инструменте», Даллас, шт. Техас).

Система, основанная на правилах, состоит из МРО, которые собственно и называются правилами. Каждое правило состоит из двух частей: левой («посылки» — комбинации высказываний о содержимом базы данных) и самостоятельной правой («следствия» — совокупности действий). В СОП операции анализа данных, выполняемые посредством левой части, отделены от процедур их модификации, которые осуществляются правой частью правила.

Большинство СОП — это системы порождающих правил (СПП), где процедуры сопоставления с образцами и подготовки расписания заложены непосредственно в логике функционирования исполнительной (управляющей) программы. Такой алгоритм управления можно представить в виде четырех основных составляющих.

  1. Выбор: выбираются правила и элементы данных, относящиеся к рассматриваемому случаю. Выбор бывает либо тривиальным (в частности, если в каждом цикле могут рассматриваться вес правила и элементы данных), либо весьма сложным (например, когда есть возможность разработать специальные процедуры фильтрации, позволяющие исключить из рассмотрения те правила, которые, как может оказаться, «не подходят» для обработки текущих данных). В системе TAXADVISOR правила образуют иерархическую структуру, в результате чего на каждой ступени рассматривается ограниченное их число.
  2. Сопоставление: действующие правила «примеряются» к активным элементам данных с целью нахождения подходящих образцов, т. е. правил, для которых удовлетворяются условия выполнения. (Пример процедуры сопоставления с образцами приведен здесь)
  3. Подготовка «расписания»: принимается решение, какие из правил, условия выполнения которых удовлетворяются, следует «запустить». Процесс «запуска» состоит из выборки и выполнения процедур, связанных с теми элементами образцов, которые сопоставимы с текущими данными. Если удовлетворяются условия более чем одного правила, то для принятия решения о том, какое из них нужно «запустить», применяются эвристические алгоритмы разрешения конфликтных ситуаций.
  4. Выполнение: запускаются правила, выбранные на этапе подготовки расписания. В результате выполнения модифицируются элементы или структуры данных. В системе TAXADVISOR процесс выполнения приводит к выдаче рекомендаций клиенту относительно оптимального планирования доходов от имущества (см. здесь).

СПП — это системы, управляемые либо посылками, либо следствиями. В системе, управляемой следствиями, т. е. действующей в соответствии с обратной цепочкой рассуждений (именно по такому принципу составлена программа TAXADVISOR), следствия правил, представляющие конечные цели, направляют процесс поиска тех правил, которые необходимо запустить (в системе TAXADVISOR это соответствует поиску рекомендуемых действий по оптимальному использованию доходов от имущества). Такая система выбирает правила, способные привести к достижению рассматриваемой цели, и пытается соблюсти следствия тех правил, которые обычно выражают значения переменных, используемых в процессе решения.

Для нахождения значений этих переменных необходимо отыскать значения исходных посылок таких правил. Чтобы удовлетворить условиям каждой посылки, представляющей определенную подцель, система собирает предшествующие правила, следствия которых согласуются со значением данной посылки. Такой процесс «обратного прохождения правил»—от следствий к посылкам и снова к следствиям (предыдущих правил)—для нахождения последовательности причинных связей, которая приводит к достижению поставленной цели, называется обратной цепочкой рассуждений.

В системах, управляемых посылками (т. е. действующих согласно прямой цепочке рассуждений), процесс выполнения программы представляет собой просто непрерывную последовательность циклов, заканчивающуюся в тот момент, когда часть правила, относящаяся к действию, предписывает останов процесса. В каждом цикле система просматривает посылки и выявляет правила, посылкам которых удовлетворяет содержимое имеющейся базы данных. Если таких правил несколько, то с помощью стратегии разрешения конфликтных ситуаций выбирается одно из них. После этого выполняется полный набор действий, связанных с выбранным правилом, и вносятся соответствующие изменения в базу данных. К примеру, при работе с системой R1 (XCON) в базу данных закладывается вся информация, относящаяся к решаемой задаче, после чего система, используя необходимые правила, проводит рассуждения в прямом направлении — от исходных данных к заключениям. Таким образом, построение прямой цепочки рассуждений сводится к организации очереди из правил с последующим выполнением для них цикла типа «распознавание—действие».

В некоторых системах с прямой цепочкой рассуждений предпринимается попытка управления поиском нужных правил в течение цикла распознавания, что достигается путем объединения правил в «пакеты». Эти концептуальные совокупности правил весьма удобны для пользователя, поскольку в каждой из них сгруппированы правила, ориентированные на конкретный раздел проблемы. Для организации совокупностей правил можно также применять принцип объектно-ориентированного программирования. При таком подходе задается характер «поведения» объектов, что позволяет распределить управление правилами между правилами, пакетами правил и объектами из области приложения. Эта методика, используемая, например, в системе широкого применения LOOPS, дает возможность в течение одного «сеанса» решать подзадачи одинакового типа с помощью нескольких частных вариантов одного и того же набора правил.

Главное различие между обратной и прямой цепочками рассуждений заключается в том, что в первом случае взаимоувязывание правил происходит как бы «сверху вниз» (т. е. от результата к посылкам). Хотя эти два подхода получили наибольшее распространение, существуют и другие управляющие алгоритмы для систем, основанных на правилах. Например, в системе PROSPECTOR правила представляются в виде сети «логических выводов».

www.wali.su

1. Знания, виды знаний , базы знаний, банки знаний

Существуют различные определения понятия «знания».

Знания – это основные закономерности предметной области, позволяющие человеку решать конкретные производственные, научные и другие задачи, то есть факты, понятия, взаимосвязи, оценки, правила, эвристики (иначе фактически знания), а также стратегии принятия решений в этой области (иначе стратегические знания)

Под «знаниями» понимают формализованную информацию, на которую ссылаются или которую используют в процессе решения задачи. Знание о предметной области включает описание объектов, их окружения, необходимых явлений, фактов, а также отношений между ними. Сложность понятия «знание» заключена во множественности его носителя и неразрывности с понятием «данные».

Выделяют несколько уровней формализации знания о предметной области:

· знания в памяти человека;

· знания в форме языковой модели предметной области, используемые человеком и зафиксированные на физических носителях с использованием контекстно-зависимых языков, графических образов и т.п.;

· знания, формализованные для их представления при использовании в ЭВМ;

· фактографические сведения или данные.

Знания обычно разделяют на 2 большие категории: факты и эвристики. Первая категория (факты) указывает на хорошо известные в той или иной предметной области обстоятельства. Такие знания еще называют текстовыми, имея в виду достаточную их освещенность в специальной литературе и учебниках. Вторая категория (эвристики) основывается на индивидуальном опыте специалиста (эксперта) в предметной области, накопленном в результате многолетней практики. Эта категория нередко играет решающую роль при построении интеллектуальных программ.

База знаний — это совокупность моделей, правил и факторов (данных), порождающих анализ и выводы для нахождения решений сложных задач в некоторой предметной области.

2. Модели представления знаний

Наиболее распространенными моделями представления знаний являются:

В продукционных системах знания представляются в виде совокупности специальных информационных единиц, имеющих следующую структуру:

Имя продукции: name

В общем случае продукционная система включает следующие компоненты:

· базу данных, содержащую множество фактов;

· базу правил, содержащую набор продукций;

· интерпретатор (механизм логического вывода) или правила работы с продукциями.

База правил и база данных образуют базу знаний. Факты в базе данных представляют собой краткосрочную информацию и в принципе могут изменяться в ходе работы продукционной системы по море накопления опыта. Правила являются более долговременной информацией и предназначены для порождения гипотез (новых фактов) из того, что уже известно.

Продукции по сравнению с другими формами представления знаний имеют следующие преимущества:

· единообразие структуры (основные компоненты продукционной системы могут применяться для построения интеллектуальных систем с различной проблемной ориентацией);

· естественность (вывод заключения в продукционной системе во многом аналогичен процессу рассуждений эксперта);

· гибкость родовидовой иерархии понятий, которая поддерживается только как связи между правилами (изменение правила влечет за собой изменение иерархии).

Однако продукционные системы не свободны от недостатков:

· процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

· этот процесс трудно поддается управлению;

· сложно представить родовидовую иерархию понятий.

Логические модели представления знаний реализуются средствами логики предикатов.

Предикатом называется функция, принимающая только два значения — истина и ложь – и предназначенная для выражения свойств объектов или связей между ними. Выражение, в котором утверждается или отрицается наличие каких-либо свойств у объекта, называется высказыванием.

В общем случае модели, основанные на логике предикатов, описываются формальной системой, которая задается четверкой:

Т – множество базовых элементов или алфавит формальной системы;

Р – множество синтаксических правил, с помощью которых можно строить синтаксически корректные предложения;

А – множество аксиом или некоторых синтаксически правильных предложений, заданных априорно;

П – правила продукций (правила вывода или семантические правила), с помощью которых можно расширять множество А, добавляя в него синтаксически правильные предложения.

Фрейм чаще всего определяют как структуру данных для представления стереотипных ситуаций. Фреймы (дословно — «рамка») – это единица представления знаний, детали которой могут изменяться в соответствии с текущей ситуацией. Фрейм в любой момент времени может быть дополнен различной информацией, касающейся способов применения данного фрейма, последствий этого применения и т.п.

Семантическая сеть описывает знания в виде сетевых структур. В качестве вершин сети выступают понятия, факты, объекты, события и т.п., а в качестве дуг сети – отношения, которыми вершины связаны между собой.

3. Стратегии получения знаний

Существует несколько стратегий получения знаний. Наиболее распространенные:

Рисунок 1 — Три стратегии получения знаний

Рисунок 2 — Классификация методов извлечения знаний

Под приобретением знаний понимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (при этом структура знаний заранее закладывается в программу). Эта стратегия требует существенной предварительной проработки предметной области. Системы приобретения знаний действительно приобретают готовые фрагменты знаний в соответствии со структурами, заложенными разработчиками систем. Большинство этих инструментальных средств специально ориентировано на конкретные экспертные системы с жестко обозначенной предметной областью и моделью представления знаний, т.е. не являются универсальными.

Термин обнаружение (формирование) знаний традиционно закрепился за чрезвычайно перспективной и активно развивающейся областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов анализа данных для получения знаний и обучения. Эта область включает индуктивные модели формирования гипотез на основе обучающих выборок, обучение по аналогии и другие методы.

4. Свойства систем, основанных на знаниях

Рисунок 3 – Свойства систем, основанных на знаниях

5. Критерии целесообразности решения задач с помощью систем, основанных на знаниях

Рисунок 4 – Критерии целесообразности решения задач с помощью систем, основанных на знаниях

6. Области применения систем, основанных на знаниях

Области применения систем, основанных на знаниях, весьма разнообразны:

www.sergeeva-i.narod.ru

Образовательный блог — всё для учебы

Исследования в области искусственного интеллекта начали проводиться в 60-х годах. Под искусственным интеллектом сегодня понимают науку, изучающую возможности создания для ЭВМ таких программ, которые решают задачи, требующие определенных интеллектуальных усилий, а не рутинных процедур при выполнении их человеком. Задачей этой науки является воссоздание с помощью искусственных устройств, в основном ЭВМ, разумных суждений и действий. К настоящему времени на основе исследований в области искусственного интеллекта возникла новая отрасль индустрии – разработка интеллектуальных систем.

С самого начала исследования в области искусственного интеллекта развивались в двух направлениях:
• познание искусственного интеллекта и законов его функционирования.
• создание искусственных систем, которые способны не хуже (а возможно, и лучше) выполнять ту работу, которую традиционно относят к сфере интеллектуального труда.

Исследования в этой области сконцентрированы на разработке и внедрении компьютерных программ, способных эмулировать (имитировать, воспроизводить) те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и понимания человеческого языка. Эта технология уже успешно применяется в некоторых областях техники и жизни общества — органической химии, поиске полезных ископаемых, медицинской диагностике.

Центральная парадигма интеллектуальных технологий сегодня – это обработка знаний. Системы, ядром которых является БЗ или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к естественному, называют интеллектуальными. Чаще всего ИС применяются для решения сложных задач, где основная сложность решения связана с использованием слабоформализованных знаний специалистов-практиков и где логическая (или смысловая) обработка информации превалирует над вычислительной.

На пути разработки таких систем существуют две основные трудности. Во-первых, в большинстве случаев, выполняя какие-либо действия, человек четко не осознает, как он это делает. Другими словами, он не знает точного алгоритма выполнения таких действий, как понимание текста, принятие решения в тех или иных условиях. Во-вторых, несмотря на постоянное совершенствование и развитие по уровню компетентности в рассматриваемой деятельности ЭВМ все еще далеки от человека: они работают по соответствующей программе.

Задачи, решаемые методами искусственного интеллекта, обладают двумя характерными особенностями:
• в них, как правило, используется информация в символьной форме, такая как буквы, слова, знаки, рисунки, в отличие от традиционных ЭВМ, которые обрабатывают данные в числовой форме;
• в этих задачах предполагается наличие выбора, а именно, отсутствие в них алгоритма означает только то, что необходимо сделать выбор между многими вариантами, и часто в условиях неопределенности.

Все существующие в настоящее время интеллектуальные системы можно условно разбить на два класса: специализированные и общего назначения.

К специализированным ИС относятся те, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования таких систем их требуется снабдить данными и знаниями, соответствующими конкретной проблемной или предметной областям.

К интеллектуальным системам общего назначения относятся такие, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач. В данных системах пользователь (эксперт) формирует знания (данные и правила), описывающие выбранную проблемную или предметную область. Затем на основании этих знаний, заданной цели и исходных данных метапроцедуры системы генерируют и исполняют процедуру решения конкретной задачи. Данная технология позволяет специалисту в некоторой проблемной области, не знающему программирования, разрабатывать гибкие прикладные системы.

Одним из основных типов интеллектуальных систем являются ЭС. Они появились в рамках исследований по ИИ в тот период, когда эта наука переживала серьезный кризис, и требовался существенных прорыв в развитии практических приложений. Пришла идея моделировать конкретные знания специалистов-экспертов. До сих пор единственным критерием интеллектуальности является наличие механизмов работы со знаниями.

Термин «системы, основанные на знаниях» появился в 1976 году одновременно с первыми системами, аккумулирующими опыт и знания экспертов. Это были экспертные системы для медицины и химии. Они ставили диагноз при инфекционных заболеваниях крови и расшифровывали данные масс-спектрографического анализа.

ЭС позволяют формализовать конкретные содержательные знания об объектах управления и протекающих в них процессах, то есть ввести в ЭВМ логико-лингвистические модели наряду с математическими. Логико-лингвистическое моделирование расширяет область применения ЭВМ за счет трудно или совсем неформализуемых ранее областей знаний (диспетчерское управление, управление гибким автоматизированным производством, управление боевыми действиями и т.п.).

ЭС эффективны в специфических «экспертных» областях, где важен опыт специалистов. Разработка ЭС направлена на использование ЭВМ для обработки информации в тех областях науки и техники, где традиционные математические методы моделирования малопригодны.

1. Знания и данные

Чем же отличаются знания от данных?

Данные – это информация, полученная в результате наблюдений или измерений отдельных свойств, характеризующих объекты, процессы и явления предметной области, то есть это конкретные факты, такие как температура воздуха, высота здания, фамилия и т.д.

Знания же основаны на данных, полученных эмпирическим путем. Они представляют собой результат опыта и мыслительной деятельности человека, направленной на обобщение этого опыта, полученного в результате практической деятельности. (Данные о высокой температуре у человека не позволяют решить задачу выздоровления. Однако знания о том, что температуру можно снизить тем или иным средством приближают решение задачи.)

Знания – это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области. Т.о. знания – это хорошо структурированные данные, или данные о данных, или метаданные.

Знания, которыми обладает специалист в какой-либо области, можно разделить на формализованные (точные) и неформализованные (неточные). Формализованные знания формулируются в книгах и руководствах в виде общих и строгих суждений, отражающих универсальные знания. Неформализованные знания, как правило, не попадают в книги в связи с их субъективностью, приблизительностью. Знания такого рода являются обобщением многолетнего опыта работы и интуиции специалистов.

К неформализованным задачам обычно относят те, которые обладают одной или несколькими из следующих особенностей:
• алгоритмическое решение задачи неизвестно или не может быть использовано из-за ограниченности вычислительных ресурсов;
• задача не может быть определена в числовой форме;
• цели задачи не могут быть выражены в терминах точно определенной
целевой функции.

Кроме того, неформализованные задачи обычно обладают следующими особенностями:
• ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о самой решаемой задаче и проблемной области, к которой она относится;
• ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных;
• большой размерностью пространства решений задачи, из чего вытекает необходимость большого числа шагов перебора при поиске решения;
• динамически изменяющимися данными и знаниями.

Также знания делят на процедурные и декларативные. Любые знания можно представить как декларативно, так и процедурно, но, в зависимости от решаемых за¬дач, одни знания удобно иметь в декларативном представлении, а другие в процедур¬ном. Например, факт в декларативном представлении — это просто утверждение, что факт истинен.

Первичными были процедурные знания, т.е. знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требуется изменять текст программ. Однако с развитием информатики и ПО все большая часть знаний сосредотачивалась в структурах данных (таблицах, списках, абстрактных типах данных), т.е. увеличивалась роль декларативных знаний.

Процедурное представление факта — это множество инструкций, выполнение ко¬торых дает результат, согласующийся с фактом. Если факты, заносимые в БЗ, незави¬симы и неизменяемы, то декларативный подход легче понимается пользователем и довольно просто поддерживается системой, благодаря его модульности. Эксперты и пользователи предпочитают иметь дело с декларативными представлением. Проце¬дурный подход является более эффективным в аналитическом плане, но его сложнее поддерживать в системе. Разработчики ЭС предпочитают именно процедурное пред¬ставление, т.к. результат работы процедуры всегда легко проверить, прослеживая последовательность ее выполнения. В принципе всегда можно преобразовать декла-ративное представление в процедурное и наоборот.

2. Характеристики и особенности экспертных систем (ЭС)

Мы под ИС будет понимать следующее: ИС — это программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

Для, экспертных систем приняты два основных определения:
— это программы, которые манипулируют знаниями в целях получения удовлетворительного или эффективного решения в узкой предметной области;
— это информационные системы, построенные на принципах искусственного интеллекта, способные в некоторой предметной области решать задачи, принимать решения и получать выводы, которые может сделать только очень квалифицированный специалист (эксперт).

Экспертная система может полностью взять на себя функции, выполнение которых обычно требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Другими словами, система, требующая принятия решения, может получить его непосредственно от программы или через промежуточное звено — человека, который общается с программой. Тот, кто принимает решение, может быть экспертом со своими собственными правами, и в этом случае программа может «оправдать» свое существование, повышая эффективность его работы. Альтернативный вариант — человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Вообще говоря, правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.

Как и человек-эксперт, экспертная система использует символическую логику и эмпирические правила, чтобы найти решение. Эти системы, как и человек, могут ошибаться, но в отличие от обычных программ, экспертные системы могут учиться на своих ошибках, накапливая и обобщая знания в некоторой проблемной области. У такой искусственной экспертизы есть и преимущества перед человеком: она постоянна, непротиворечива, легко передает свои знания, документируется и уточняется.

ЭС не отвергают и не заменяют традиционного подхода к разработке ПО, они отличаются от традиционных программ тем, что ориентированы на решение трудноформализуемых задач.

ЭС отличаются от традиционных программ тем, что ориентированы на решение неформализованных задач и обладают следующими особенностями:
• алгоритм решения не известен заранее, а строится самой ЭС с помощью символических рассуждений, базирующихся на эвристических приемах;
• ясность полученных решений, то есть ЭС «осознает» в терминах пользователя, как она получила решение;
• способность анализа и объяснения своих действий и знаний;
• способность приобретения новых знаний от пользователя-эксперта, не знающего программирования, и изменения в соответствии с ним своего поведения;
• обеспечение, как правило, естественно-языкового интерфейса с пользователем.

Экспертная система отличается от прочих прикладных программ наличием следующих признаков.
• Моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. Это существенно отличает экспертные системы от систем математического моделирования или компьютерной анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста в этой предметной области (эксперта), но важно, что основное внимание все-таки уделяется воспроизведению компьютерными средствами методики решения проблем, которая применяется экспертом, т.е. выполнению некоторой части задач так же (или даже лучше), как это делает эксперт.
• Система, помимо выполнения вычислительных операций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формирует выводы и соображения. Этот компонент программы принято называть базой знаний.
• При решении задач основными являются эвристические и приближенные методы, которые, в отличие от алгоритмических, не всегда гарантируют успех. Такие методы являются приблизительными в том смысле, что, во-первых, они не требуют исчерпывающей исходной информации, и, во-вторых, существует определенная степень уверенности (или неуверенности) в том, что предлагаемое решение является верным.

Среди систем искусственного интеллекта экспертные системы выделяются двумя особенностями:
— практической направленностью (решают задачи в узкой предметной области);
— понятностью пользователю всех действий экспертной системы благодаря тому, что экспертная система ведет с ним диалог на подмножестве естественного языка и способна объяснить все свои действия.

Важность экспертных систем в современных процессах проектирования решений определяется, в основном, тремя обстоятельствами:
— технология экспертных систем в значительной степени расширяет круг решаемых практически значимых задач, что в свою очередь приносит значительный экономический эффект;
— технология экспертных систем представляет собой одно из важнейших средств решения глобальных проблем проектирования сложных систем при традиционном программировании, таких как длительность и высокая стоимость разработки, высокая стоимость сопровождения их программного обеспечения, повторная используемость программ;
— объединение технологий, экспертных систем и традиционного программирования добавляет новые качеств программным продуктам проектирования как в содержательной стороне процесса проектирования, так и в обеспечении, лучшей графики, лучшего интерфейса и взаимодействия с пользователем продукта.

Итак, ЭС предназначены для выполнения специальных, трудно формализуемых задач, решение которых возможно при учете опыта квалифицированных специалистов, являющихся экспертами. Эксперты не только участвуют в выявлении знаний из области разработки, изготовления и эксплуатации изделий АТ, необходимых для решения поставленной задачи, но и выработке правил, на основании которые могут быть предложены приемлемые варианты ее решения. Эти приемы или методы, существенно сокращающие время поиска путем отсечения неперспективных ветвей, не просто методом полного перебора, называются эвристиками и являются одной из разновидностей правил.

all4study.ru