Оглавление

Введение

   Экспертные  системы (ЭС)- это набор программ, выполняющий функции эксперта при  решении задач из некоторой предметной области. Они 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. ЭС выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

   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.

   ЭС  выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение ЭС на предприятиях способствует эффективности работы и повышению квалификации специалистов.

   Главным достоинством экспертных систем является возможность накопления знаний –  формализованной информации, на которую ссылаются или используют в процессе логического вывода, и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы. При решении задач, требующих обработки большого объема знаний, возможность возникновения ошибки при переборе очень мала.

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

   При построении подсистем вывода используют методы решения задач искусственного интеллекта.

Глава I. Экспертные системы, их особенности. Применение экспертных систем.

1.1. Определение экспертных  систем. Главное достоинство  и назначение экспертных  систем.

   Экспертная  система – это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач. Для этого ее необходимо наделить функциями, позволяющими решать задачи, которые в отсутствие эксперта (специалиста в данной конкретной предметной области) невозможно правильно решить. Поэтому необходимым этапом в ее разработке является приобретение соответствующих знаний от эксперта. К экспертным системам предъявляются следующие требования:

   1) Использование знаний, связанных  с конкретной предметной областью;

   2) Приобретение знаний от эксперта;

   3) Определение реальной и достаточно сложной задачи;

   4) Наделение системы способностями  эксперта.

   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. 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.

   Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько  основных классов:

1. медицинская диагностика;
2. контроль и управление;
3. диагностика неисправностей в механических и электрических устройствах;
4. 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. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

   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. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

   в) Планирование.

   Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Дамасская фирма Informat впервые в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.

   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. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих ЭС является разработанная Д.Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т.Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие, способные провести быструю атаку корабли и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать этому правила игры меняли каждый год.

   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. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию).

1.2. Отличительные особенности.  Экспертные системы первого и второго поколения.

     
       1. Экспертиза может проводиться только в одной конкретной области. Так, программа, предназначенная для определения конфигурации систем ЭВМ, не может ставить медицинские диагнозы.

       2. База знаний и механизм вывода являются различными компонентами. 
Действительно, часто оказывается возможным сочетать механизм вывода с другими базами знаний для создания новых ЭС. Например, программа анализа инфекции в крови может быть применена в пульмонологии путем замены базы знаний, используемой с тем же самым механизмом вывода. 
       3. Наиболее подходящая область применения - решение задач дедуктивным методом. Например, правила или эвристики выражаются в виде пар посылок и заключений типа “если-то”.

       4. Эти системы могут объяснять ход решения задачи понятным пользователю способом. Обычно мы не принимаем ответ эксперта, если на вопрос “Почему?” не можем получить логичный ответ. Точно так же мы должны иметь возможность спросить систему, основанную на знаниях, как было получено конкретное заключение.

     5. Выходные результаты являются качественными (а не количественными). 
       6. Системы, основанные на знаниях, строятся по модульному принципу, что позволяет постепенно наращивать их базы знаний.

   Компьютерные  системы, которые могут лишь повторить  логический вывод эксперта, принято  относить к ЭС первого поколения. Однако специалисту, решающему интеллектуально  сложную задачу, явно недостаточно возможностей системы, которая лишь имитирует деятельность человека. Ему нужно, чтобы ЭС выступала в роли полноценного помощника и советчика, способного проводить анализ нечисловых данных, выдвигать и отбрасывать гипотезы, оценивать достоверность фактов, самостоятельно пополнять свои знания, контролировать их непротиворечивость, делать заключения на основе прецедентов и, может быть, даже порождать решение новых, ранее не рассматривавшихся задач. Наличие таких возможностей является характерным для ЭС второго поколения, концепция которых начала разрабатываться 9-10 лет назад. Экспертные системы, относящиеся ко второму поколению, называют партнерскими, или усилителями интеллектуальных способностей человека. Их общими отличительными чертами является умение обучаться и развиваться, т.е. эволюционировать.

   В экспертных системах первого поколения знания представлены следующим образом:

   1) знаниями системы являются только  знания эксперта, опыт накопления знаний не предусматривается.

   2) методы представления знаний  позволяли описывать лишь предметные статические области.

   3) модели представления знаний ориентированы на простые области.

   Представление знаний в экспертных системах второго  поколения следующее: 
      1) используются не поверхностные знания, а глубинные. Возможно дополнение предметной области.

      2) ЭС может решать задачи динамической базы данных предметной области.

Глава II. Структура экспертной системы.

    Структура экспертной системы представлена следующими структурными  элементами:

    База  знаний – механизм представления  знаний в конкретной предметной области и управления ими;

   Механизм  логических выводов – делает логические выводы на основании знаний, имеющихся в базе знаний;

   Пользовательский  интерфейс – используется для  правильной передачи ответов пользователю;

    Модуль приобретения знаний – служит для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости; 
      Модуль советов и объяснений – механизм, способный не только давать заключение, но и представлять различные комментарии, прилагаемые к этому заключению, и объяснять его мотивы. В противном случае пользователю будет трудно понять заключение. Такое понимание необходимо, если заключение используется для консультации или оказании помощи при решении каких-либо вопросов. Кроме того, с его помощью эксперт определяет, как работает система, и позволяет точно выяснить, как используются знания, предоставленные им. 
 
 
 
 
 
 

Глава III. Модели представления  знаний.

   Одной из наиболее важных проблем, характерных  для систем, основанных на знаниях, является проблема представления знаний. Это объясняется тем, что форма представления знаний оказывает существенное влияние на характеристики и свойства системы. Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование. В таких случаях необходимо отличать знания, предназначенные для обработки компьютером, от знаний, используемых человеком. Кроме того, при большом объеме знаний желательно упростить последовательное управление отдельными элементами знаний.

   При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородное представление приводит к упрощению механизма управления логическим выводом и упрощению управления знаниями. Представление знаний должно быть понятным экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка. Однако выполнить это требование в равной степени, как для простых, так и для сложных задач довольно трудно. Обычно для несложных задач останавливаются на некотором среднем (компромиссном) представлении, но для решения сложных и больших задач необходимы структурирование и модульное представление.

   Типичными моделями представления знаний являются: 
      Логическая модель - модель, основанная на использовании правил (продукционная модель).

   Модель, основанная на использовании фреймов.

   Модель  семантической сети.

   Однако  во всех разработанных в прошлом  системах с базами знаний помимо этих моделей использовались специальные  для конкретного случая средства, поэтому представление знаний получалось сложным. Тем не менее, классификация моделей оставалась неизменной. Язык, используемый для разработки систем, спроектированных на основе этих моделей, называется языком представления знаний.

3.1. Логическая модель представления знаний.

   Логическая  модель используется для представления  знаний в системе логики предикатов первого порядка и выведения  заключений с помощью силлогизма. Основное преимущество использования  логики предикатов для представления  знаний заключается в том, что обладающий хорошо понятными математическими свойствами мощный механизм вывода может быть непосредственно запрограммирован. С помощью этих программ из известных ранее знаний могут быть получены новые знания.

   Приведенные ниже примеры являются логическими моделями представления фактов с помощью предикатов и носят название атомарной формулы.

   ЛЮБОВЬ (Виктор, Ирина): Виктор любит Ирину

   СТОЛИЦА (Москва): Москва – столица

3.2. Продукционная модель представления знаний.

   В модели правил знания представлены совокупностью правил вида “ЕСЛИ – ТО”. Системы с базами знаний, основанные на этой модели, называются продукционными системами. Эти системы бывают двух диаметрально противоположных типов – с прямыми и обратными выводами. Типичным представителем первого типа является система MYCIN, используемая для решения задач диагностического характера, а типичным представителем систем второго типа – OPS, используемая для решения проектирования задач.

   В системе продукций с обратными  выводами с помощью правил строится дерево И/ИЛИ, связывающее в единое целое факты и заключения; оценка этого дерева на основании фактов, имеющихся в базе данных, и есть логический вывод. Логические выводы бывают прямыми, обратными и двунаправленными. При прямом выводе отправной точкой служат предоставленные данные, процесс оценки приостанавливается в узлах с отрицанием, причем в качестве заключения (если не все дерево пройдено) используется гипотеза, соответствующая самому верхнему уровню дерева (корню). Однако для такого вывода характерно большое количество данных, а также оценок дерева, не имеющих прямого отношения к заключению, что излишне. Преимущество обратных выводов в том, что оцениваются только те части дерева, которые имеют отношение к заключению, однако если отрицание или утверждение невозможны, то порождение дерева лишено смысла. В двунаправленных выводах сначала оценивается небольшой объем полученных данных и выбирается гипотеза (по примеру прямых выводов), а затем запрашиваются данные, необходимые для принятия решения о пригодности данной гипотезы. На основе этих выводов можно реализовать более мощную и гибкую систему.

   Системы продукций с прямыми выводами среди систем, основанных на использовании  знаний, имеют наиболее давнюю историю, поэтому они являются в некотором  смысле основополагающими. Эти системы включают три компонента: базу правил, состоящую из набора продукций (правил вывода), базу данных, содержащую множество фактов, и интерпретатор для получения логического вывода на основании этих знаний. База правил и база данных образуют базу знаний, а интерпретатор соответствует механизму логического вывода. Вывод выполняется в виде цикла “понимание – выполнение”, причем в каждом цикле выполняемая часть выбранного правила обновляет базу данных. В результате содержимое базы данных преобразуется от первоначального к целевому, т.е. целевая система синтезируется в базе данных. Иначе говоря, для системы продукций характерен простой цикл выбора и выполнения (или оценки) правил, однако из-за необходимости периодического сопоставления с образцом в базе правил (отождествлением) с увеличением числа последних (правил) существенно замедляется скорость вывода. Следовательно, такие системы не годятся для решения крупномасштабных задач. Упорядочим слабые и сильные стороны хорошо известных систем продукций.

   Сильные стороны:

   Простота  создания и понимания, отдельных правил.

   Простота  пополнения, модификации и аннулирования.

   Простота механизма логического вывода.

   Слабые  стороны:

   Неясность взаимных отношений правил.

   Сложность оценки целостного образа знаний.

   Крайне  низкая эффективность обработки.

   Отличие от человеческой структуры знаний.

   Отсутствие  гибкости в логическом выводе.

3.3. Представление знаний  фреймами.

   Фреймовая модель, или модель представления  знаний, основанная на фреймовой теории М. Минского, представляет собой систематизированную  модель памяти человека и его сознания.

   Формальная  структура фрейма имеет вид: f[, , …, ], где f – имя фрейма; пара - i-ый слот, Ni – имя слота и Vi – его значение.

   Значение  слота может быть представлено последовательностью

   ;...; ; ; …; , где Ki – имена атрибутов, характерных для данного слота; Li – значение этих атрибутов, характерных для данного слота; Rj – различные ссылки на другие слоты. 

   Каждый  фрейм, как структура хранит знания о предметной области 
(фрейм–прототип), а при заполнении слотов знаниями превращается в конкретный фрейм события или явления.

3.4. Представление знаний  семантическими сетями.

   Одним из способов представления знаний является семантическая сеть. 
Изначально семантическая сеть была задумана как модель представления структуры долговременной памяти в психологии, но впоследствии стала одним из основных способов представления знаний в инженерии знаний.

   Моррис  дал точное определение семантическим  и прагматическим отношениям в семиотике  и определил их как проблемы различных  функциональных уровней. Другими словами, семантика означает определенные (общие) отношения между символами и объектами, представленными этими символами, а прагматика 
– выразительные (охватывающие) отношения между символами и создателями (или пользователями) этих символов.

   Первоначально в психологии изучались объекты, именуемые семантическими с точки  зрения известных ассоциативных  свойств, накапливаемых в системе  обучения и поведения человека. Однако с развитием психологии познания стали изучаться семантические  структуры, включающие некоторые объекты. Затем были изучены принцип действия человеческой памяти (способы хранения информации и знаний), в частности предположительные (гипотетические) структурные модели долговременной памяти, и созданы моделирующие программы, понимающие смысл слов.

Список  использованной литературы

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

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

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

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

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

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

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

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