Экспертные системы. 8

         

 

 

 

 

                  Содержание:

 

                      Введение………………………………………………………………………………………………………………………..

1. Определение экспертных систем. Главное достоинство и назначение экспертных систем……………………………………………………………………………………………………………………………….
2. История развития экспертных систем……………………………………………………………………………….
3. Основные линии развития ЭС………………………………………………………………………………….
4. Этапы разработки ЭС………………………………………………………………………………………………..
5. Структура экспертных систем……………………………………………………………………………….
6. Типы ЭС……………………………………………………………………………………………………………………..
7. Области применения экспертных систем

Заключение……………………………………………………..

                     Список использованных электронных   и литературных ресурсов…………………………………….

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 Введение

 

Экспертные системы (ЭС) возникли как  значительный практический результат  в применении и развитии методов  искусственного интеллекта (ИИ)- совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.

    Область ИИ имеет более  чем сорокалетнюю историю развития. С самого начала в ней рассматривался  ряд весьма сложных задач, которые,  наряду с другими, и до сих  пор являются предметом исследований: автоматические доказательства  теорем, машинный перевод (автоматический  перевод с одного естественного  языка на другой), распознавание  изображений и анализ сцен, планирование  действий роботов, алгоритмы и  стратегии игр.

    ЭС - это набор программ, выполняющий функции эксперта  при решении задач из некоторой  предметной области. 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 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.

    При создании ЭС возникает  ряд затруднений.  Прежде всего,  это связано с тем, что заказчик  не всегда может точно сформулировать  свои требования к разрабатываемой  системе. Также возможно возникновение  трудностей чисто психологического  порядка: при создании базы  знаний системы эксперт может  препятствовать передаче своих  знаний, опасаясь, что впоследствии  его заменят “машиной”. Но  эти страхи не обоснованы, т.  к. ЭС не способны обучаться,  они не обладают здравым смыслом,  интуицией. Но в настоящее время  ведутся разработки экспертных  систем, реализующих идею самообучения. Также ЭС неприменимы в больших  предметных областях и в тех  областях, где отсутствуют эксперты.

    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.

 

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

 

     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.

 

 

2. История развития экспертных систем.

 

60-е годы:

 Своеобразной точкой отсчета  для работ по созданию экспертных  систем можно считать 1965 г.  В том году ученые из Станфордского научно-исследовательского института Эдвард Фейгенбаум и Брюс Бучанан вместе с нобелевским лауреатом Джошуа Ледербергом приступили к созданию компьютерной системы, предназначенной для определения молекулярной структуры химических соединений.

 При построении этой системы  - она получила название Dendral - они в первую очередь создали программу, основанную на простой, но вместе с тем достаточно мощной системе Аристотелевой логики. С ее помощью формулировалась серия вопросов типа «если - то», которые описывали правила атомных связей.

 Создатели системы Dendral, используя знания, накопленные в процессе ее совершенствования, вскоре разработали новую систему - Meta-Dendral. Последняя стала вспомогательным инструментом при построении других экспертных систем. Среди многочисленных «потомков» программы Dendral следует упомянуть: MYCIN - для диагностики серьезных бактериальных инфекций и помощи в выборе антибиотиков, PUFF - для диагностики легочных заболеваний, ONCOCIN - для назначения лечения при раковых заболеваниях, а также системы MOLGEN и GENESIS, оказывающих помощь специалистам в области молекулярной биологии при планировании экспериментов по изучению ДНК и клонированию.

70-е годы

 С 70-х годов ЭС стали  ведущим направлением в области  искусственного интеллекта. В этот  период было создано множество  разнообразных экспертных и диагностических  систем, большая часть которых  действует и сегодня. Самыми известными из них являются MYCIN и PROSPECTOR, предназначенная для геологической разведки месторождений полезных ископаемых.

80-е годы

 В 80-х годах в мире начался  принципиально новый этап развития  интеллектуальных технологий –  эра интеллектуальных систем - консультантов,  которые предлагали варианты  решений, обосновывали их, способны  были к обучению и, следовательно,  к развитию, общались с человеком  на привычном для него, хотя  и ограниченном, естественном языке.  Знания стали товаром. Носителей  систем знаний называли экспертами. Человечество получило возможность  сохранять и накапливать базы  знаний отдельных специалистов (или  групп специалистов) в определенной  области. Знания стало возможным  собирать, тиражировать, проектировать,  сделать доступными для всех заинтересованных в нем людей. Появилась новая профессия – «инженер по знаниям» или «инженер-когнитолог».

 При разработке последующих  экспертных систем были учтены  особенности и недостатки PROSPECTOR и MYCIN. Благодаря этому такие  диагностические медицинские системы,  как INTERNIST и CASNET, основанные на  ассоциативном и казуальном (от анг. casual - случайный) подходах, приобрели более мощные механизмы вывода.

 

90-е годы

 Усложнение систем связи  и решаемых задач потребовало  качественно нового уровня «интеллектуальности»  обеспечивающих программных систем, таких систем, как защита от  несанкционированного доступа, информационная  безопасность ресурсов, защита от  нападений, смысловой анализ и  поиск информации в сетях и  т.п. И новой парадигмой создания перспективных систем защиты всех видов стали интеллектуальные системы. Именно они позволяют создавать гибкие среды, в рамках которых обеспечивается решение всех необходимых задач. Это новое направление получило название мультиагентных систем. Каждый агент имеет свою систему целеполагания и мотивации, свою область действий и ответственности, а взаимодействие между ними обеспечивается метаинтеллектом. В рамках такого осмысления традиционные методы, алгоритмы и программы становятся элементарными «кирпичиками», из которых строятся затем алгоритмы и решения возникающих задач. Таким образом, моделируется некоторое виртуальное сообщество интеллектуальных агентов-систем, которые автономны, активны, вступают в различные «социальные» отношения – кооперации и сотрудничества (дружбы), конкуренции, соревнования, вражды и т.п. Этот «социальный» аспект решения задач - фундаментальная особенность концептуальной новизны передовых информационных технологий, искусственных (виртуальных) организаций, виртуального общества.

 Уже сегодня мультиагентные системы находят широчайшее применение для: распределенного решения сложных задач, совмещенного проектирования изделий, построения виртуальных предприятий, моделирования больших производственных систем и электронной торговли, электронной разработки сложных компьютерных систем, управления системами знаний и информации и т.п.

21 век

 Сейчас количество экспертных  систем исчисляется тысячами  и десятками тысяч. В развитых  зарубежных странах сотни фирм  занимаются их разработкой и  внедрением в различные сферы  жизни. . В настоящее время ведутся разработки самостоятельно обучаемых экспертных систем.

 В качестве современных ЭС  можно назвать быстродействующую  систему OMEGAMON (фирма Candle, с 2004 г. IBM) для отслеживания состояния корпоративной информационной сети и G2 (фирма Gensym) - коммерческую экспертную систему для работы с динамическими объектами (www.intuit.ru/department/human/isrob/6/isrob_6.html). Они служат для принятия решения за считанные секунды с момента наступления внештатных или критических ситуаций. Для G2 также характерно распараллеливание процессов рассуждений.

 

 

3. Основные линии развития ЭС

 

    Наиболее  известные  ЭС, разработанные в 60-70-х годах,  стали в своих областях уже  классическими. По происхождению, предметным областям и по преемственности применяемых идей, методов и инструментальных программных средств их можно разделить на несколько семейств.

1. META-DENDRAL.Система DENDRAL позволяет определить наиболее вероятную структуру химического соединения по экспериментальным данным (масс- спектрографии, данным ядерном магнитного резонанса и др.).M-D автоматизирует процесс приобретения знаний для DENDRAL. Она генерирует правила построения фрагментов химических структур.

2. MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство медицинских ЭС и сервисных программных средств для их построения.

3. PROSPECTOR-KAS. PROSPECTOR- предназначена для поиска (предсказания) месторождений на основе геологических анализов. KAS- система приобретения знаний для PROSPECTOR.

4. CASNET-EXPERT.  Система CASNET- медицинская  ЭС для диагностики выдачи  рекомендаций по лечению глазных  заболеваний. На ее основе разработан  язык инженерии знаний EXPERT, с помощью  которой создан ряд других  медицинских диагностических систем.

5. HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две  системы этого ряда являются  развитием интеллектуальной системы  распознавания слитной человеческой  речи, слова которой берутся из  заданного словаря. Эти системы  отличаются оригинальной структурой, основанной на использовании  доски объявлений- глобальной базы данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.

6. Системы AM (Artifical Mathematician- искусственный математик) и EURISCO были разработаны в Станфордском университете доктором Д. Ленатом для исследовательских и учебных целей. Ленат считает, что эффективность любой ЭС определяется закладываемыми в нее знаниями. По его мнению, чтобы система была способна к обучению, в нее должно быть введено около миллиона сведений общего характера. Это примерно соответствует объему информации, каким располагает четырехлетний ребенок со средними способностями. Ленат также считает, что путь создания узкоспециализированных ЭС с уменьшенным объемом знаний ведет к тупику.

 

4. 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 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.

 

5. Структура экспертных систем

 

Типичная статическая ЭС состоит из следующих основных компонентов:

• решателя (интерпретатора);

• рабочей памяти (РП), называемой также базой данных (БД);

• базы знаний (БЗ);

• компонентов приобретения знаний;

• объяснительного компонента;

• диалогового компонента.

База данных (рабочая память) предназначена  для хранения исходных и промежуточных  данных решаемой в текущий момент задачи. Этот термин совпадает по названию, но не по смыслу с термином, используемым в информационно-поисковых системах (ИПС) и системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

База знаний (БЗ) в ЭС предназначена  для хранения долгосрочных данных, описывающих рассматриваемую область (а не текущих данных), и правил, описывающих целесообразные преобразования данных этой области.

Решатель, используя исходные данные из рабочей памяти и знания из БЗ, формирует такую последовательность правил, которые, будучи примененными к исходным данным, приводят к решению  задачи.

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

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

Диалоговый компонент ориентирован на организацию дружественного общения  с пользователем как в ходе решения задач, так и в процессе приобретения знаний и объяснения результатов работы.

В разработке ЭС участвуют представители  следующих специальностей:

• эксперт в проблемной области, задачи которой будет решать ЭС;

• инженер по знаниям - специалист по разработке ЭС (используемые им технологию, методы называют технологией (методами) инженерии знаний);

• программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭС.

Необходимо отметить, что отсутствие среди участников разработки инженеров  по знаниям (т. е. их замена программистами) либо приводит к неудаче процесс  создания ЭС, либо значительно удлиняет его.

Эксперт определяет знания (данные и  правила), характеризующие проблемную область, обеспечивает полноту и  правильность введенных в ЭС знаний.

Инженер по знаниям помогает эксперту выявить и структурировать знания, необходимые для работы ЭС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления  знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные  функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом.

Программист разрабатывает ИС (если ИС разрабатывается заново), содержащее в пределе все основные компоненты ЭС, и осуществляет его сопряжение с той средой, в которой оно  будет использовано.

Экспертная система работает в  двух режимах:

• режим приобретения знаний

• режим решения задачи (называемом также режимом консультации или режимом использования ЭС).

В режиме приобретения знаний общение  с ЭС осуществляет (через посредничество инженера по знаниям) эксперт. В этом режиме эксперт, используя компонент  приобретения знаний, наполняет систему  знаниями, которые позволяют ЭС в  режиме решения самостоятельно (без  эксперта) решать задачи из проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила  определяют способы манипулирования  с данными, характерные для рассматриваемой  области.

Отметим, что режиму приобретения знаний в традиционном подходе к  разработке программ соответствуют  этапы алгоритмизации, программирования и отладки, выполняемые программистом. Таким образом, в отличие от традиционного  подхода в случае ЭС разработку программ осуществляет не программист, а эксперт (с помощью ЭС), не владеющий программированием.

В режиме консультации общение с  ЭС осуществляет конечный пользователь, которого интересует результат и (или) способ его получения. Необходимо отметить, что в зависимости от назначения ЭС пользователь может не быть специалистом в данной проблемной области (в этом случае он обращается к ЭС за результатом, не умея получить его сам), или быть специалистом (в этом случае пользователь может сам получить результат, но он обращается к ЭС с целью либо ускорить процесс получения результата, либо возложить на ЭС рутинную работу). В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из БЗ формирует решение задачи. ЭС при решении задачи не только исполняет предписанную последовательность операции, но и предварительно формирует ее.

 

6. Типы ЭС

 

• по решаемой задаче:

- Интерпретация данных

- Диагностирование

- Мониторинг

- Проектирование

- Прогнозирование

- Сводное Планирование

- Обучение

- Управление

- Ремонт

- Отладка

• 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.

• По назначению:

- консультационные (получение пользователем квалифицированных советов);

- исследовательские (решение научных задач);

- управляющие (автоматизация управления  процессами в реальном масштабе  времени).

• По объему базы знаний:

По объему базы знаний ЭС делят  на простые (неглубокие) и сложные (глубокие).

- Неглубокие создаются очень быстро и имеют относительно малые базы знаний и данных (несколько сотен правил и фактов, причем фактов значительно больше правил). Доказательства заключений обычно коротки, а большинство выводов являются прямыми следствиями информации, хранимой в базе знаний.

- Глубокие ЭС делают свои выводы обязательно из моделей процессов. Сама модель процесса представляет собой набор правил, предназначенных для объяснения большого количества эмпирических данных. В глубоких ЭС доказательства выводов основываются на знаниях, полученных из моделей.

• Поисковые ЭС

Как известно, для поиска информации применяются поисковые средства по каталогам, индексам, контексту и  ссылкам. Достаточно сложные поисковые  программы содержат максимальный набор  функций, каждая из которых дополнительно  имеет свои параметры настройки.

Значительно привлекательнее выглядит поисковая ЭС, которая в вопросно-ответном режиме на естественном языке выясняет у пользователя цель поиска, уточняет известные ему данные (одновременно анализируя их), дополняет данные с  помощью словарей. Затем самостоятельно по правилам определяет вид поиска и его параметры, а также область  поиска. И, наконец, находит информацию и оценивает степень ее соответствия полученному запросу.

• Гибридные ЭС

В традиционных ЭС имеется лишь один механизм поддержки принятия решений - логический вывод, и лишь одно средство представления знаний - правила. В последнее время появились гибридные экспертные системы (ГЭС), в которых в качестве средства поддержки принятия решений необходимо предусмотреть возможность учета характеристик лица, принимающего решения (ЛПР).

 

7. Области применения экспертных систем

 

    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. 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 применятся 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).