Экспертные системы. 13

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.

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: 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 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).

 

ГлаваII. Структура экспертной системы

Структура экспертной системы  представлена следующими структурными элементами:

  1. База знаний – механизм представления знаний в конкретной предметной области и управления ими;
  2. Механизм логических выводов – делает логические выводы на основании знаний, имеющихся в базе знаний;
  3. Пользовательский интерфейс – используется для правильной передачи ответов пользователю;
  4. Модуль приобретения знаний – служит для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости;
  5. 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.

Схема1

Структура экспертной системы

 

Модуль советов

и объяснений

 

Пользовательский интерфейс


 

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:

  1. Логическая модель;
  2. Модель, основанная на использовании правил (продукционная модель);
  3. Модель, основанная на использовании фреймов;
  4. 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.

 

 

 

 

 

 

Примеры

 

Пример психолингвистической экспертной системы 
Ваал(R) (http://www.vaal.ru/) позволяет прогнозировать эффект неосознаваемого воздействия текстов на массовую аудиторию, анализировать тексты с точки зрения такого воздействия, составлять тексты с заданным вектором воздействия, выявлять личностно-психологические качества авторов текста, проводить углубленный контент-анализ текстов и делать многое другое. Система разрабатывается с 1992 г. 
Более подробно см. Психолингвистическая экспертная система Ваал(R) 
 
Примеры экспертной системы в экономике 
S&PCBRS Разработчиком данной экспертной системы является Chase Manatten Bank, Standart & Poor’s Corp. 
S&PCBRS была разработана для решения следующих задач: оценка рейтинга ценных бумаг по данным о фирмах эмитентах; формирование корректной рейтинговой шкалы. 
Экспертная система имеет следующие характеристики: представление задачи оценки рейтинга как задачи классификации; отбор данных о фирмах эмитентах и формирование обучающего материала; выбор нейроклассификатора, его обучение и тестирование; сравнение с оценками экспертов; использование нейросетевой парадигмы Couter-Propagation. 
Вероятность правильного предсказания рейтинга экспертной системы S&PCBRS составляет 84%. 
 
Nereid Разработчиком данной экспертной системы является NTT Data, The Tokai Bank, Science Univercity of Tokyo. 
Данная система была разработана для поддержки принятия решений для оптимизации работы с валютными опционами. 
Система облегчает дилерскую поддержку для оптимального ответа из возможных представленных вариантов. Nereid более практична и дает лучшие решения, чем обычные системы принятия решений.Данная система разработана с использованием фреймовой системы CLP, которая легко интегрирует финансовую область в приложение ИИ. Предложен смешанный тип оптимизации, сочетающий эвристические знания с техникой линейного программирования. 
http://www.tora-centre.ru/library/razn/finan.htm 
 
Пример экспертной системы в торговле 
РЕМОРАМА ЭС создана ООО "Медиасофт" и реализована как коммерческий продукт. РЕМОРАМА подбирает стройматериалы под заданные пользователем параметры и производит расчёт их стоимости. Предполагается использование обычными людьми, не прошедшими специального обучения. ЭС устанавливается на сенсорные киоски в торговых залах строительных гипермаркетов. Итогом решения ЭС становится чек с перечнем, количеством и стоимостью материалов, которые удовлетворяют условиям задачи. С помощью этого чека покупатель осуществляет набор материалов и оплачивает их на кассе (одно сканирование для покупки комплекта материалов). Программа предлагает как основные, так и сопутствующие товары для решения задачи. 
На официальном сайте можно познакомиться с работой программы. Демонстрационная версия, по всей видимости, не чем не отличается от рабочей, за исключением ограниченного количества компонентов на выбор и иного вывода решения. Оболочка имеет дружественный интерфейс, позволяет сравнивать цены различных комбинаций и выбирать производителя и марку для любого компонента. Для каждого вопроса существуют подсказки. Некоторые вопросы снабжены поясняющими иллюстрациями. Ответ осуществляется выбором варианта из предложенных, либо введением числового параметра. Подсчитанную смету как итоговый результат можно распечатать на принтере. 
http://www.remorama.ru/about/ 
 
Пример экспертной системы в БД 
OpenCyc (open source version of the Cyc technology) OpenCyc является сокращенным открытый вариантом базы знаний Cyc. Может использоваться для создания экспертных систем. В БД OpenCyc содержится 47000 понятий и 300000 фактов. 
Система несомненно будет уместна, вместе с появлением в сети Интернет семантического уровня (обработки запросов, системы взаимосвязи контента и т.д.) В 2008 интерес к данной экспертной системе был проявлен фирмой Google. Применение OpenCyc многообразно: создание обучающих игр, создание БЗ в wikipedia, подключение в качестве модуля к другим экспертным системам и т.д. 
http://www.opencyc.org/ 
 
Пример экспертной системы в электронике 
CLIPS Суть технологии CLIPS заключается в том, что язык и среда CLIPS предоставляют пользователям возможность быстро создавать эффективные, компактные и легко управ¬ляемые экспертные системы. При этом пользователь применяет множество уже готовых инструментов (встроенный механизм управления базой знаний, механизм логического вывода, менеджеры различных объектов CLIPS и т. д.) и конструкций (упорядоченные факты, шаблоны, правила, функции, родовые функции, классы, модули, ограничения, встроенный язык COOL и т. д.). Так же CLIPS предоставляет возможность разбиения базы данных и решения задачи на отдельные независимые модули. Экспертная система CLIPS применяется как в системах, ориентированных на различные игры, так и в нечётких системах для формализации знаний. 
 
 
Пример экспертных систем в военном деле 
HASP/SIAP SIAP обнаруживает и идентифицирует различные типы океанских судов, используя преобразованные в цифровую форму данные от сетей гидрофонов. Данные имеют вид сонограмм, являющихся аналоговыми записями спектров принятой датчиками звуковой энергии. Для их интерпретации система применяет знания о характерных особенностях сонограмм различных типов кораблей. SIAP пытается идентифицировать суда и сгруппировать их в более крупные единицы, например флоты. Система обеспечивает анализ в режиме реального времени и корректировку ситуации с учетом непрерывно поступающих данных. Знания представлены в виде правил в рамках архитектуры доски объявлений с применением иерархически организованной схемы управления. На этапе предварительного изучения система называлась HASP [или SU/X]; и на ее основе была разработана система SIAP. Она реализована на языке INTERLISP и создана совместными усилиями Станфордского университета и компании Systems Control Technology. Она доведена до уровня исследовательского прототипа. (Surveillance Integration Automation Project) 
 
 
Примеры экспертных систем в сфере управления процессами 
FALCON. Экспертная система определяет вероятные причины отклонений параметров процесса от нормы на химическом заводе, интерпретируя данные, состоящие из числовых значений показаний приборов, положения переключателей и состояния аварийных датчиков. Система интерпретирует данные, используя знания о последствиях нарушения нормального режима работы данного аппарата или агрегата и о том, как нарушения на входе этого аппарата приводят к нарушениям на выходе. Знания представляются двумя способами: в виде набора правил, применение которых контролируется прямой цепочкой рассуждений, и в виде сети, воплощающей причинно-следственную модель процесса. Система реализована на языке Лисп и была разработана в Университете штата Делавэр. Она доведена до уровня демонстрационного прототипа. 
 
Пример экспертной системы в информатике 
CODES. Экспертная система помогает разработчику базы данных, желающему использовать подход IDEF1 для определения концептуальной схемы базы данных. Хотя в качестве подхода IDEF1 полезна, сложность ее правил часто сдерживает ее применение. Разработчик описывает, какие свойства и взаимосвязи желательны в базе данных, под руководством системы CODES, осуществляемым в форме диалога. Затем система применяет свои знания в виде правил и эвристик IDEF1 для построения концептуальной схемы разрабатываемой базы данных. Знания в CODES представлены в виде правил с применением обратной цепочки рассуждений в качестве стратегии управления. CODES реализована на языке UCI LISP. Она была разработана в Университете штата Южная Калифорния и доведена до уровня демонстрационного прототипа. 
 
Пример экспертной системы в компьютерных системах 
MIXER. Экспертная система оказывает помощь программистам в написании микропрограмм для разработанной Texas Instruments СБИС TI990. По заданному описанию микропрограммы система получает оптимизированные микропрограммы для TI990. MIXER содержит знания по микропрограммированию для TI990, взятые из руководства и из анализа микропрограммы управляющего ПЗУ TI990. Сюда относятся знания о том, как преобразовывать введенные описания в наборы промежуточных операций, как выделить соответствующие регистры под переменные и как преобразовать промежуточные операции в наборы микроопераций. MIXER использует эти знания, чтобы определить, какие микрооперации являются лучшими для реализации микропрограммы. Система представляет знания в виде правил и данных, обладает унификацией, управляемой механизмом вывода, и динамическим возвратом. MIXER реализована на языке Пролог. Она была разработана в Токийском университете и доведена до уровня демонстрационного прототипа. 
 
ExpSystem PC 1.4.2 - Эта экспертная система поможет людям не столь хорошо разбирающихся в комплектующих для персонального компьютера подобрать себе приемлемую конфигурацию будущего компьютера. В программу вводятся данные о требовании к системе и максимальной сумме денег, предполагаемой для покупки. Так же данная экспертная система пригодится для менеджеров компьютерных салонов что бы автоматизировать свою работу и сделать автоматизированное рабочее место для своих покупателей. Для подбора комплектующих используется два алгоритма расчета: для "богатого" и "бедного" покупателя.Данная ЭС была разработанна в декабре 2006 года 
 
ACE - Экспертная система ACE определяет неисправности в телефонной сети и дает рекомендации по необходимому ремонту и восстановительным мероприятиям. Система работает без человеческого вмешательства, анализируя сводки-отчеты о состоянии, получаемые ежедневно с помощью программы, следящей за ходом ремонтных работ в кабельной сети. ACE обнаруживает неисправные телефонные кабели и затем решает, нуждаются ли они в планово-предупредительном ремонте и выбирает, какой тип ремонтных работ вероятнее всего будет эффективным. Затем ACE запоминает свои рекомендации в специальной базе данных, к которой у пользователя есть доступ. Система принимает решения, применяя знания относительно телефонных станций, сообщения системы и стратегии анализа сетей. Представление знаний в системе основано на правилах; используется схема управления посредством прямой цепочки рассуждений. Она разработана в Bell Laboratories. ACE прошла опытную эксплуатацию и доведена до уровня коммерческой экспертной системы. 
 
Пример экспертной системы в химии 
DENDRAL - это старейшая, самая разработанная экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. 
Была создана в Стэнфорде в конце 1960-х г.г. (Э. А. Фейенбаум и Дж Ледерберг) 
В ней реализован следующий подход: 
1. Вывод ограничений из данных. 
2. Генерация возможных структур. 
3. Предсказание спектрограмм для структур-кандидатов. 
4. Сравнение полученных результатов с фактическими данными. 
Пример: 
Химик, приготавливая вещество, часто хочет знать, какова его химическая структура. Для этого существуют различные способы: 
Во-первых, специалист может сделать определенные умозаключения на основе собственного опыта. 
Во-вторых, он может исследовать это вещество на спектрометре и, изучая структуру спектральных линий, уточнить свои первоначальные догадки. 
Во многих случаях это даст ему возможность точно определить структуру вещества. 
Проблема состоит в том, что все это требует времени и значительной экспертизы со стороны научного сообщества. Здесь-то и оказывается очень полезной система DENDRAL, автоматизирующая процесс определения химической структуры вещества. 
В самых общих чертах процесс принятия решения следующий: 
Пользователь дает системе DENDRAL некоторую информацию о веществе, а также данные спектрометрии (инфракрасной, ядерного магнитного резонанса и масс-спектрометрии), и та в свою очередь выдает диагноз в виде соответствующей химической структуры. 
Эта продукционная система, в которой используется прямой логический вывод, иллюстрирует довольно распространенный в ИИ подход к решению проблем - «порождение и проверку ги¬потез». Система Dendral использовалась в качестве консуль¬танта химиками-органиками более 15 лет. Она и сегодня считается «экспертом» в масс-спектрографическом анализе. 
Источники: 
http://www.ruslion.ru/psyhology/psychology76.html 
http://www.aiportal.ru/articles/expert-systems/expert-systems.html 
http://www.cross-apk.ru/stydenty1/doc/lit/PO/2/Gl2_9.htm 
 
Пример экспертной системы в рекламной деятельности и PR 
"EXPO: 1001 Рекламоноситель" - В 2000-м году консалтинговой фирмой "ТРИЗ-ШАНС" (Санкт-Петербург) была начата работа над компьютерной программой-консультантом, которая позволила бы специалисту по рекламе: 
- за ограниченное время получить гамму решений задач, 
- отобрать лучшие решения для дальнейшего доработки, 
- выяснить адреса поставщиков рекламоносителей 
 
Данная экспертная система помогает при: 
• разработке PR- и промо-акций, рекламных кампаний; 
• поиске новых идей для продвижения продукции; 
• поиске новых, нестандартных рекламоносителей и их поставщиков; 
• поиске идей для выставочных стендов; 
анализе полученной системы решений. 
 
Преимущества экспертной системы “EXPO: 1001 Рекламоноситель”: 

  • развернутая система Help, содержащая, в том числе, словарь терминов;
  • компактный Учебник выставочного дела, содержащий разделы: "Как выбрать выставку", "Цели участия в выставке", "Как уменьшить плату за выставку" и многие другие;
  • адреса интернет-ресурсов выставочной тематики;
  • более 350 способов "Отстройки от Конкурента";
  • более 2200 эффективных решений в области маркетинга, рекламы, PR и выставочной деятельности;
  • база данных поставщиков рекламоносителей.

База данных программы построена  на основе анализа нескольких сотен  книг по PR, рекламе и выставочной  деятельности. А также нескольких сотен публикаций на эту же тему, собранных за последние 5 лет. 
Если программой пользуется новичок, то без чтения массы книг, посещения платных многомесячных курсов и т.п., он за несколько минут получит возможные варианты решения своей задачи, из которых - на основании здравого смысла и отпущенного бюджета - уже сможет отобрать наиболее подходящие. Начальное освоение программы занимает 1-2 часа. 
Если же пользователем является специалист, у которого с годами выработался "свой стиль" (а порой и "штампы"), то программа позволит ему взглянуть на свою работу с новой точки зрения. 
Естественно, некоторые решения, выдаваемые программой, специалисту известны. Однако программа выдает целые подборки решений и позволяет ему сосредоточиться не на воспоминаниях, а на отборе лучших вариантов. 
 
Пример экспертной системы в медицине: 
 
Домашний доктор - простая медицинская экспертная система. Она определяет характер заболевания, основываясь на ответах пользователя, полученных в результате диалога. База знаний включает порядка 100 распространенных заболеваний 
К сожалению полноценный эксперимент провести не смог, так как не болею. Программа для определения диагноза задаёт вопросы где ответами могут быть: «нет» , « не совсем» , «не знаю» , «наверное да» и «да» . В зависимости от вариантов ответа программа ставит вам диагноз. Так же после получения варианта вашего заболевания можно просмотреть информацию о нём прямо в тут же – в этой программе! 
Скачать программу можно по ссылке: http://www.aiportal.ru/downloads/expert-systems/home_doctor_2_2.html 
 
Экспертная система Кардиолог - определяет диагноз больного по введенным симптомам, назначает курс лечения и профилактики. 
 
См. также: Экспертные системы в медицине  
 
RUBRIC 
Экспертная система помогает пользователю получить доступ к базам данных, содержащим неформатированные тексты. 
Пример: когда пользователь называет какую-нибудь тему, RUBRIC автоматически разыскивает все документы, содержащие тексты, связанные с этой темой. 
В системе RUBRIC взаимоотношения между темами, подтемами и фразами, содержащими ключевые слова, выражены в виде правил. Правила также определяют другие варианты терминов, выражений и способов написания одной и той же темы или понятия. В ходе поиска RUBRIC предоставляет пользователю документы, которые лежат в кластере, содержащем по крайней мере один документ с весом выше заданного пользователем порога. Это предотвращает ситуацию, в которой произвольно выбранный порог мог бы разделить близкие по рангу документы. 
Язык системы: FRANZ LISP 
Компания: «Advanced Information & Decision Systems» . 
http://www.aiportal.ru/articles/expert-systems/examples-expsys.html  
 
 
 
 
Источники: 
Сайт Создание робототехники: раздел "Экспертные системы" --homerobotics.ru 
Блог посвящённый проблемам и путям развития OpenCYC --blogspot.com 
Сайт Тора- Центр: "Экспертные системы в финансовой и экономической деятельности" --tora-centre.ru 
Сайт проекта ВААЛ 
Сайт ЭС "EXPO: 1001 Рекламоноситель" - http://www.triz-chance.ru/demo.html 
Сайт Home&Pro Robotics - http://www.homerobotics.ru/soft_3.asp?name=FALCON 
 
 
Дополнительный материал: 
Научная работа: Разработка экспертных систем. Среда CLIPS. А.П. Частиков, Т.А. Гаврилова, Д.Л.Белов, -2003г. --aiportal.ru 
Кафедра информатики ЮУрГУ: "Коммерческие оболочки экспертных систем" --inf.susu.ac.ru 
Экспертная система для финансового управления предприятием --lerc.ru 
 

APM WinMachine

Инструментально-экспертная cистема APM WinMachine представляет собой энциклопедию по машиностроению, включающую инструменты и программы для автоматизированного расчета ипроектирования деталей машин, механизмов, элементов конструкций и узлов. Кроме этого, она имеет современные графические средства, встроенные базы данных, необходимую информационную базу знаний, разветвленную систему подсказок и фундаментальный электронный учебник по основам проектирования машин. 
 
APM WinMachine содержит современные, эффективные и надежные программы для расчета: 
- энергетических и кинематических параметров; 
- прочности, жесткости и устойчивости; 
- выносливости при переменных режимах нагружения; 
- вероятности, надежности и износостойкости; 
- динамических характеристик.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Назначение  экспертных систем

В начале восьмидесятых годов  в исследованиях по искусственному интеллекту сформировалось самостоятельное  направление, получившее название "экспертные системы" (ЭС). Цель исследований по ЭС состоит в разработке программ, которые при решении задач, трудных  для эксперта-человека, получают результаты, не уступающие по качеству и эффективности  решениям, получаемым экспертом. Исследователи  в области ЭС для названия своей  дисциплины часто используют также  термин "инженерия знаний", введенный  Е.Фейгенбаумом как "привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов".

Программные средства (ПС), базирующиеся на технологии экспертных систем, или  инженерии знаний (в дальнейшем будем  использовать их как синонимы), получили значительное распространение в  мире. Важность экспертных систем состоит  в следующем:

 технология экспертных  систем существенно расширяет  круг практически значимых задач,  решаемых на компьютерах, решение  которых приносит значительный  экономический эффект;

 технология ЭС является  важнейшим средством в решении  глобальных проблем традиционного  программирования: длительность и,  следовательно, высокая стоимость  разработки сложных приложений;

высокая стоимость сопровождения  сложных систем, которая часто  в несколько раз превосходит  стоимость их разработки; низкий уровень  повторной используемости программ и т.п.;

 объединение технологии  ЭС с технологией традиционного  программирования добавляет новые  качества к программным продуктам  за счет: обеспечения динамичной  модификации приложений пользователем,  а не программистом; большей  "прозрачности" приложения (например, знания хранятся на ограниченном  ЕЯ, что не требует комментариев  к знаниям, упрощает обучение  и сопровождение); лучшей графики;  интерфейса и взаимодействия.

По мнению ведущих специалистов , в недалекой перспективе ЭС найдут следующее применение:

 ЭС будут играть  ведущую роль во всех фазах  проектирования, разработки, производства, распределения, продажи, поддержки  и оказания услуг;

 технология ЭС, получившая  коммерческое распространение, обеспечит  революционный прорыв в интеграции  приложений из готовых интеллектуально-взаимодействующих  модулей.

ЭС предназначены для  так называемых неформализованных  задач, т.е. ЭС не отвергают и не заменяют традиционного подхода к разработке программ, ориентированного на решение  формализованных задач.

Неформализованные задачи обычно обладают следующими особенностями:

 ошибочностью, неоднозначностью, неполнотой и противоречивостью  исходных данных;

 ошибочностью, неоднозначностью, неполнотой и противоречивостью  знаний о проблемной области  и решаемой задаче;

 большой размерностью  пространства решения, т.е. перебор  при поиске решения весьма  велик;

 динамически изменяющимися  данными и знаниями.

Следует подчеркнуть, что  неформализованные задачи представляют большой и очень важный класс  задач. Многие специалисты считают, что эти задачи являются наиболее массовым классом задач, решаемых ЭВМ.

Экспертные системы и  системы искусственного интеллекта отличаются от систем обработки данных тем, что в них в основном используются символьный (а не числовой) способ представления, символьный вывод и эвристический  поиск решения (а не исполнение известного алгоритма).

Экспертные системы применяются  для решения только трудных практических (не игрушечных) задач. По качеству и  эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают "прозрачностью", т.е. могут быть объяснены пользователю на качественном уровне. Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление ) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

Коммерческие успехи к  фирмам-разработчикам систем искусственного интеллекта (СИИ) пришли не сразу. На протяжении 1960 - 1985 гг. успехи ИИ касались в основном исследовательских разработок, которые  демонстрировали пригодность СИИ  для практического использования. Начиная примерно с 1985 г. (в массовом масштабе с 1988 - 1990 гг.), в первую очередь  ЭС, а в последние годы системы, воспринимающие естественный язык (ЕЯ-системы), и нейронные сети (НС) стали активно  использоваться в коммерческих приложениях.

Следует обратить внимание на то, что некоторые специалисты (как правило, специалисты в программировании, а не в ИИ) продолжают утверждать, что ЭС и СИИ не оправдали возлагавшихся  на них ожиданий и умерли. Причины  таких заблуждений состоят в  том, что эти авторы рассматривали  ЭС как альтернативу традиционному  программированию, т.е. они исходили из того, что ЭС в одиночестве (в  изоляции от других программных средств) полностью решают задачи, стоящие  перед заказчиком. Надо отметить, что  на заре появления ЭС специфика используемых в них языков, технологии разработки приложений и используемого оборудования (например, Lisp-машины) давала основания  предполагать, что интеграция ЭС с  традиционными, программными системами  является сложной и, возможно, невыполнимой задачей при ограничениях, накладываемых  реальными приложениями. Однако в  настоящее время коммерческие инструментальные средства (ИС) для создания ЭС разрабатываются  в полном соответствии с современными технологическими тенденциями традиционного  программирования, что снимает проблемы, возникающие при создании интегрированных  приложений.

Причины, приведшие СИИ  к коммерческому успеху, следующие.

Интегрированность. Разработаны инструментальные средства искусственного интеллекта (ИС ИИ), легко интегрирующиеся с другими информационными технологиями и средствами (с CASE, СУБД, контроллерами, концентраторами данных и т.п.).

Открытость  и переносимость. ИС ИИ разрабатываются с соблюдением стандартов, обеспечивающих открытость и переносимость [14].

Использование языков традиционного программирования и рабочих станций. Переход от ИС ИИ, реализованных на языках ИИ (Lisp, Prolog и т.п.), к ИС ИИ, реализованным на языках традиционного программирования (С, C++ и т.п.), упростил обеспечение интегриро-ванности, снизил требования приложений ИИ к быстродействию ЭВМ и объемам оперативной памяти. Использование рабочих станций (вместо ПК) резко увеличило круг приложений, которые могут быть выполнены на ЭВМ с использованием ИС ИИ.

Архитектура клиент-сервер. Разработаны ИС ИИ, поддерживающие распределенные вычисления по архитектуре клиент-сервер, что позволило:снизить стоимость оборудования, используемого в приложениях, децентрализовать приложения, повысить надежность и общую производительность (так как сокращается количество информации, пересылаемой между ЭВМ, и каждый модуль приложения выполняется на адекватном ему оборудовании).

Проблемно/предметно-ориентированные  ИС ИИ. Переход от разработок ИС ИИ общего назначения (хотя они не утратили свое значение как средство для создания ориентированных ИС) к проблемно/предметно-ориентированным ИС ИИ [9] обеспечивает: сокращение сроков разработки приложений; увеличение эффективности использования ИС; упрощение и ускорение работы эксперта; повторную используемость информационного и программного обеспечения (объекты,классы,правила,процедуры).

Структура экспертных систем

Типичная статическая  ЭС состоит из следующих основных компонентов (рис. 1.):

  • 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.

Экспертные системы. 13 📙 Реферат → 🆔 311971

Экспертные системы. 13 📙 Реферат → 🆔 311971