ЭКСПЕРТНЫЕ СИСТЕМЫ.
Экспертные системы – это быстро прогрессирующее направление в области искусственного интеллекта. Современные ЭС представляют собой сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и распространяющие этот эмпирический опыт для консультирования менее квалифицированных пользователей. Парадигма ЭС предполагает следующие объекты, а также этапы разработки и функционирования ИС:
· формализация знаний – преобразование экспертом проблемного знания в форму, предписанную выбранной моделью представления знаний;
· формирование базы знаний (БЗ) – вложение формализованных знаний в программную систему;
· дедукция – решение задачи логического вывода на основе БЗ.
Основные факторы, влияющие на целесообразность и эффективность разработки ЭС:
· нехватка специалистов, затрачивающих значительное время для оказания помощи другим;
· выполнение небольшой задачи требует многочисленного коллектива специалистов, поскольку ни один из них не обладает достаточным знанием;
· сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а обычный специалист не в состоянии просмотреть за отведенное время все эти условия;
· большое расхождение между решениями самых хороших и самых плохих исполнителей;
· наличие экспертов, готовых поделиться своим опытом.
Сравнительные свойства прикладных задач для их решения ЭС приведены в таблице 1.
Таблица 1.
Критерии применимости ЭС
| Применимы ЭС | Неприменимы ЭС |
| Не могут быть построены строгие алгоритмы или процедуры, но существуют эвристические методы решения. | Имеются эффективные алгоритмические методы. |
| Есть эксперты, которые способны решить задачу. | Отсутствуют эксперты или их число недостаточно. |
| По своему характеру задачи относятся к области диагностики, интерпретации или прогнозирования | Задачи носят вычислительный характер. |
| Доступные данные “зашумленны”. | Известны точные факты и строгие процедуры. |
| Задачи решаются методом формальных рассуждений. | Задачи решаются процедурными методами, с помощью аналогии или интуитивно. |
| Знания статичны, неизменны. | Знания динамичны, меняются со временем. |
Недостатки экспертных систем перед человеком-экспертом:
· экспертная система может быть не пригодна для применения пользователем, если у него нет опыта работы с такими системами;
· вопросно-ответный режим, обычно принятый в таких системах, замедляет получение решений;
· существует проблема приведения знаний, полученных от эксперта, к виду, обеспечивающему их эффективную машинную реализацию;
· человек-эксперт при решении задач обычно обращается к своей интуиции или здравому смыслу, если отсутствуют формальные методы решения или аналоги таких задач.
Достоинства экспертных систем перед человеком- экспертом:
· у них нет предубеждений, они не делают поспешных выводов;
· введенные в машину знания сохраняются, человек же имеет ограниченную базу знаний, и если данные долгое время не используются, то они забываются и навсегда теряются;
· эксперт пользуется побочными знаниями и легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей.
Главное отличие ЭС от других программных средств - это наличие базы знаний, в которой знания хранятся в форме, понятной специалистам предметной области, и могут быть изменены и дополнены также в понятной форме. Это и есть языки представления знаний (ЯПЗ).
В России в исследования и разработку ЭС большой вклад внесли работы Д. А. Поспелова (основателя Российской ассоциации искусственного интеллекта и его первого президента), Э. В. Попова, В. Ф. Хорошевского, В. Л. Стефанюка, Г. С. Осипова, В. К. Финна, В. Л. Вагина, В. И. Городецкого и многих других. Современное состояние разработок в области ЭС в России можно охарактеризовать как стадию все возрастающего интереса среди широких слоев специалистов - менеджеров, инженеров, программистов и других. Наибольшие трудности в разработке ЭС вызывает не процесс машинной реализации систем, а этап анализа знаний и проектирования базы знаний. Этим занимается специальная наука - инженерия знаний.
Экспертные системы имеют две категории пользователей и два отдельных входа, соответствующих различным целям взаимодействия пользователей с ЭС. К первой категории относятся обычные пользователи, которым требуетсяконсультация ЭС. Вторую категорию представляют эксперты в предметной области и инженеры знаний. В их функции входит заполнение базы знаний с помощью специализированной диалоговой компоненты ЭС - подсистемы приобретения знаний. Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В ее задачу входит приведение правила к виду, позволяющему подсистеме вывода применять это правило в процессе работы. В более сложных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами. Диалог с ЭС осуществляется через диалоговый процессор - специальную компоненту ЭС. Существуют две основные формы диалога с ЭС - это диалог на ограниченном подмножествеестественного языка с использованием словаря (меню) и диалог на основе из нескольких возможных действий. База знанийпредставляет наиболее важную компоненту экспертной системы. В отличие от всех остальных компонент ЭС, база знаний – есть «переменная» часть системы, которая может пополняться и модифицироваться инженерами знаний и опыта использования ЭС между консультациями, а в некоторых системах и в процессе консультации. Существует несколько способов представления знаний в ЭС. Общим для всех способов является то, что знания представлены в символьной форме (тексты, списки и другие символьные структуры). Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований. Подсистема вывода - программная компонента экспертных систем, реализующая процесс ее рассуждений на основе базы знаний и рабочего множества. Она выполняет две функции: во-первых, просмотр существующих фактов из рабочего множества и правил из базы знаний и добавление (по мере возможности) в рабочее множество новых фактов и, во-вторых, определение порядка просмотра и применения правил. Эта подсистема управляет процессом консультации, сохраняет для пользователя информацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочем множестве оказывается недостаточно данных. Цель ЭС - вывести некоторый заданный факт, который называется целевым утверждением. В результате применения правил добиться того, чтобы этот факт был включен в рабочее множество, либо опровергнуть этот факт, то есть убедиться, что его вывести невозможно. Целевое утверждение может быть либо «заложено» заранее в базу знаний системы, либо извлекается системой из диалога с пользователем. Работа системы представляет собой последовательность шагов, на каждом из которых из базы выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы экспертной системы иначе называется логическим выводом.
Экспертные системы как самостоятельное направление в искусственном интеллекте сформировалось в конце 1970-х гг. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом.
Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следующих характеристик:
· задачи не могут быть представлены в числовой форме;
· исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;
· цели нельзя выразить с помощью четко определенной целевой функции;
· не существует однозначного алгоритмического решения задачи;
· алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).
Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.
ЭС охватывают самые разные предметные области (рис. 2), среди которых лидируют бизнес, производство, медицина, проектирование и системы управления. Во многих случаях ЭС являются инструментом, усиливающим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:
· консультанта для неопытных или непрофессиональных пользователей;
· ассистента эксперта-человека в процессах анализа вариантов решений;
· партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.
|
Для классификации ЭС используются следующие признаки:
· способ формирования решения;
· способ учета временного признака;
· вид используемых данных и знаний;
· число используемых источников знаний.
По способу формирования решенияЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.
В зависимости от способа учета временного признакаЭС делят на статические и динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.
По видам используемых данных и знанийразличают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.
ЭС могут создаваться с использованием одного или нескольких источников знаний.
В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (рис. 3): классифицирующие, доопределяющие, трансформирующие и мультиагентные.
 |
Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.
ДоопределяющиеЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.
Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:
· генерация и проверка гипотез;
· логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);
· использование метазнаний, более общих закономерностей для устранения неопределенностей в ситуациях.
Мультиагентныесистемы - это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:
· реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;
· распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;
· применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;
· обработка больших массивов информации из баз данных;
· использование математических моделей и внешних процедур для имитации развития ситуаций.
Самообучающиеся системы.
Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков. Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков. В процессе обучения проводится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.
Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:
· относительно низкую адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;
· низкую степень объяснимости полученных результатов;
· поверхностное описание проблемной области и узкую направленность применения из-за ограничений в размерности признакового пространства.
Индуктивные системыпозволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги.
1. Выбор классификационного признака из заданного множества.
2. Разбиение множества примеров на подмножества по значению выбранного признака.
3. Проверка принадлежности каждого подмножества примеров одному из классов.
4. Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, то есть у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.
5. Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.
Нейронные сетипредставляют собой классический пример технологии, основанной на примерах. Нейронные сети - обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» впоследствии черты встреченных образцов и ситуаций. Благодаря этой способности нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования.
Нейронная сеть - это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.
В системах, основанных на прецедентах, БЗ содержит описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:
· получение информации о текущей проблеме;
· сопоставление полученной информации со значениями признаков прецедентов из базы знаний;
· выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;
· адаптация выбранного прецедента к текущей проблеме;
· проверка корректности каждого полученного решения;
· занесение детальной информации о полученном решении в БЗ.
Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффи-циентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов. Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.
Информационные хранилищаотличаются от интеллектуальных баз данных тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных - это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются в целях удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», то есть атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.
Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Для извлечения значимой инфор-мации из хранилищ данных имеются специальные методы (OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов математической статистики, нейронных сетей, индуктивных методов построения деревьев решений и других. Технология OLAP (On-Line Analytical Processing - оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и строить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.
Технологии разработки экспертных систем.
В лекции приведены особенности разработки ИИС по сравнению с обычными программными системами, архитектура статических и динамических экспертных систем, основные этапы разработки экспертных систем. Классификационные признаки ЭС и характеристика инструментальных средств.
Особенности разработки ИИС.
Технология создания интеллектуального программного обеспечения существенно отличается от разработки традиционных программ с использованием известных алгоритмических языков (табл. 2). Рассмотрим отработанные в настоящее время элементы технологии создания ИИС на примере разработки экспертных систем. Этот выбор обусловлен тем, что ЭС получили весьма широкое распространение во многих сферах человеческой деятельности, а технологии их создания имеют универсальный характер и не требуют аппаратных реализаций.
Таблица 2.
Отличия систем искусственного интеллекта от обычных
программных систем.
| Характеристика | Программирование в системах искусственного интеллекта | Традиционное программирование |
| Тип обработки | Символьный | Числовой |
| Метод | Эвристический поиск | Точный алгоритм |
| Задание шагов решения | Неявное | Явное |
| Искомое решение | Удовлетворительное | Оптимальное |
| Управление и данные | Смешаные | Разделены |
| Знания | Неточные | Точные |
| Модификации | Частые | Редкие |
В самых первых ЭС не учитывалось изменение знаний, используемых в процессе решения конкретной задачи. Их назвали статическими ЭС. Типичная статическая ЭС содержит следующие основные компоненты (рис. 4): базу знаний; рабочую память, называемую также базой данных; решатель (интерпретатор); систему объяснений; компоненты приобретения знаний; интерфейс с пользователем
База знаний ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область, и правил, описывающих целесообразные преобразования данных этой области.
База данных (рабочая память)служит для хранения текущих данных решаемой задачи.
Решатель(интерпретатор) формирует последовательность применения правил и осуществляет их обработку, используя данные из рабочей памяти и знания из БЗ.
Система объясненийпоказывает, каким образом система получила решение задачи, и какие знания при этом использовались. Это облегчает тестирование системы и повышает доверие пользователя к полученному результату.
Компоненты приобретения знанийнеобходимы для заполнения ЭС знаниями в диалоге с пользователем-экспертом, а также для добавления и модификации заложенных в систему знаний.
К разработке ЭС привлекаются специалисты из разных предметных областей, а именно:
· эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;
· инженеры по знаниям, являющиеся специалистами по разработке ИИС;
· программисты, осуществляющие реализацию ЭС.
Рис. 4 Структура статической экспертной системы.
Эксперты поставляют знания в ЭС и оценивают правильность получаемых результатов. Инженеры по знаниямпомогают экспертам выявить и структурировать знания, необходимые для работы ЭС, выполняют работу по представлению знаний, выбирают методы обработки знаний, проводят выбор инструментальных средств реализации ЭС, наиболее пригодных для решения поставленных задач. Программисты разрабатывают программное обеспечение ЭС и осуществляют его сопряжение со средой, в которой оно будет использоваться. В целом за разработку экспертной системы следует браться организации, где накоплен опыт по автоматизации рутинных процедур обработки информации, например: информационный поиск, графика, сложные расчеты, обработка текстов и т.д.
Любая ЭС должна иметь, по крайней мере, два режима работы. В режиме приобретения знаний эксперт наполняет систему знаниями, которые впоследствии позволят ЭС самостоятельно (без помощи эксперта) решать определенные задачи из конкретной 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 взаимные связи, существующие между данными, и способы манипулирования данными, характерные для рассматриваемого класса задач. В режиме консультациипользователь ЭС сообщает системе конкретные данные о решаемой задаче и стремится получить с ее помощью результат. Пользователи-неспециалисты обращаются к ЭС за результатом, не умея получить его самостоятельно, пользователи-специалисты используют ЭС для ускорения и облегчения процесса получения результата. Следует подчеркнуть, что термин «пользователь» является многозначным, так как использовать ЭС могут и эксперт, и инженер по знаниям, и программист. Поэтому, когда хотят подчеркнуть, что речь идет о том, для кого делалась ЭС, используют термин «конечный пользователь». В режиме консультации входные данные о задаче поступают в рабочую память. Решатель на основе входных данных из рабочей памяти и правил из БЗ формирует решение. В отличие от традиционных программ компьютерной обработки данных ЭС при решении задачи не только исполняет предписанную последовательность операций, но и сама формирует ее.
Существует широкий класс приложений, в которых требуется учитывать изменения, происходящие в окружающем мире за время исполнения приложения. Для таких задач необходимо применять динамические ЭС. В структуру динамической ЭС (рис. 5) вводятся два компонента: подсистема моделирования внешнего мира и подсистема связи с внешним окружением.
Рис. 5. Структура динамической экспертной системы.
Подсистема моделирования внешнего мира необходима для прогнозирования, анализа и адекватной оценки состояния внешней среды. Изменения окружения решаемой задачи требуют изменения хранимых в ЭС знаний, с тем чтобы отразить временную логику происходящих в реальном мире событий. Компонента связи с внешним миром актуальна для автономных интеллектуальных систем (роботов), а также для интеллектуальных систем управления. Связь с внешним миром осуществляется через систему датчиков и контроллеров.