Базовые информационные технологии



страница4/4
Дата02.06.2016
Размер0,82 Mb.
1   2   3   4

Видео


TheTimeMArtificalInt

Экспертные системы являются одним из бурно развивающихся классов интеллектуальных систем. Данные системы в первую оче­редь стали развиваться в математически слабоформализованных областях науки и техники, таких как медицина, геология, биология и др. Для них характерна аккумуляция в системе знаний и правил рассуждений опытных специалистов в данной предметной области, а также наличие специальной системы объяснений.

Расчетно-логические системы позволяют решать управленческие и проектные задачи по их постановкам (описаниям) и исходным данным вне зависимости от сложности математических моделей этих задач. При этом конечному пользователю предоставляется возможность контролировать в режиме диалога все стадии вычис­лительного процесса. В общем случае, по описанию проблемы на языке предметной области обеспечивается автоматическое по­строение математической модели и автоматический синтез рабочих программ при формулировке функциональных задач из данной предметной области. Эти свойства реализуются благодаря наличию базы знаний в виде функциональной семантической сети и компо­нентов дедуктивного вывода и планирования.

В последнее время в специальный класс выделяются гибридные экспертные системы. Указанные системы должны вобрать в себя лучшие черты как экспертных, так и расчетно-логических и ин­формационно-поисковых систем. Разработки в области гибридных экспертных систем находятся на начальном этапе.

Наиболее значительные успехи в настоящее время достигнуты в таком классе интеллектуальных систем, как экспертные системы (ЭС).

ЭС называют вычислительную систему использования знаний эксперта и процедур логического вывода для решения проблем, ко­торые требуют проведения экспертизы и позволяют дать объясне­ние полученным результатам.

ЭС обладает способностями к накоплению знаний, выдаче ре­комендаций и объяснению полученных результатов, возможностя­ми модификации правил, подсказки пропущенных экспертом ус­ловий, управления целью или данными. ЭС отличают следующие характеристики: интеллектуальность, простота общения с компью­тером, возможность наращивания модулей, интеграция неоднород­ных данных, способность разрешения многокритериальных задач при учете предпочтений лиц, принимающих решения (ЛПР), рабо­та в реальном времени, документальность, конфиденциальность, унифицированная форма знаний, независимость механизма логи­ческого вывода, способность объяснения результатов.

В настоящее время можно выделить следующие основные сфе­ры применения ЭС: диагностика, планирование, имитационное моделирование, предпроектное обследование предприятий, офис­ная деятельность, а также некоторые другие.

Практика показывает, что по сравнению со статическими ЭС гораздо больший эффект дают ЭС, используемые в динамических процессах (экспертные системы реального времени — ЭСРВ), ко­торые занимают около 70% рынка таких систем и находят все более широкое применение в управлении непрерывными процессами (химические производства, цементная промышленность, атомная энергетика и т.д.).

По сравнению с общей схемой (см. рис. 5.19) в ЭС часто отсут­ствует возможность общения с системой на близком к естественно­му языке или с использованием визуальных средств, поскольку взаимодействие с такой системой осуществляется с использовани­ем языка типа ПРОЛОГ или с применением ПРОЛОГ-идей.

Важное место в теории искусственного интеллекта (ИИ) зани­мает проблема представления знаний. В настоящее время выделя­ют следующие основные типы моделей представления знаний:

1. Семантические сети, в том числе функциональные;

2. Фреймы и сети фреймов;

3. Продукционные модели.
Семантические сети определяют как граф общего вида, в кото­ром можно выделить множество вершин и ребер. Каждая вершина графа представляет некоторое понятие, а дуга — отношение между парой понятий. Метка и направление дуги конкретизируют семан­тику. Метки вершин семантической нагрузки не несут, а использу­ются как справочная информация.

Различные разновидности семантических сетей обладают раз­личной семантической мощностью, следовательно, можно описать одну и ту же предметную область более компактно или громоздко.



Фреймом называют структуру данных для представления и опи­сания стереотипных объектов, событий или ситуаций. Фреймовая модель представления знаний состоит из двух частей:

• набора фреймов, составляющих библиотеку внутри представ­ляемых знаний;

• механизмов их преобразования, связывания и т.д. Существует два типа фреймов:

• образец (прототип) — интенсиональное описание некоторого множества экземпляров;

• экземпляр (пример) — экстенсиональное представление фрейм-образца.

В общем виде фрейм может быть представлен следующим кор­тежем:



<ИФ, (ИС, ЗС, ПП), ..., (ИС, ЗС, ПП)>,

где ИФ — имя фрейма; ИС — имя слота; ЗС — значение слота;

ПП — имя присоединенной процедуры (необязательный пара­метр).

Слоты — это некоторые незаполненные подструктуры фрейма, заполнение которых приводит к тому, что данный фрейм ставится в соответствие некоторой ситуации, явлению или объекту.

В качестве данных фрейм может содержать обращения к про­цедурам (так называемые присоединенные процедуры). Выделяют два вида процедур: процедуры-демоны и процедуры-слуги. Проце­дуры-демоны активизируются при каждой попытке добавления или удаления данных из слота. Процедуры-слуги активизируются толь­ко при выполнении условий, определенных пользователем при создании фрейма.

Продукционные модели — это набор правил вида «усло­вия — действие», где условиями являются утверждения о содержи­мом базы данных, а действия представляют собой процедуры, ко­торые могут изменять содержимое базы данных.

Формально продукция определяется следующим образом:



(0; Q; Р; С; А-> В; N,

где (0 — имя продукции (правила); Q — сфера применения прави­ла; Р — предусловие (например, приоритетность); С—предикат (отношение); А-> В — ящро; N— постусловия (изменения, вноси­мые в систему правил).

Практически продукции строятся по схеме «ЕСЛИ» (причина или иначе посылка), «ТО» (следствие или иначе цель правила).

Полученные в результате срабатывания продукций новые зна­ния могут использоваться в следующих целях:

• понимание и интерпретация фактов и правил с использова­нием продукций, фреймов, семантических цепей;

• решение задач с помощью моделирования;

• идентификация источника данных, причин несовпадений но­вых знаний со старыми, получение метазнаний;

• составление вопросов к системе;

• усвоение новых знаний, устранение противоречий, система­тизация избыточных данных.

Процесс рассмотрения компьютером набора правил (выполне­ние программы) называют консультацией. Ее наиболее удобная для пользователя форма — дружественный диалог с компьютером. Ин­терфейс может быть в форме меню, на языке команд и на естест­венном языке.

Диалог может быть построен на системе вопросов, задаваемых пользователем, компьютером, или фактов — данных, хранящихся в базе данных. Возможен смешанный вариант, когда в базе данных недостаточно фактов.

При прямом поиске пользователь может задавать две группы вопросов, на которые, компьютер дает объяснения:

1) КАК получено решение. При этом компьютер должен выдать на экран трассу в виде ссылок на использованные правила;

2) ПОЧЕМУ компьютер задал какой-то вопрос. При этом на экран выдается своеобразная трасса, которую компьютер хотел бы использовать для вывода после получения ответа на задаваемый вопрос. Вопрос ПОЧЕМУ может быть задан как в процессе кон­сультации, так и после выполнения программы.

Специфичен алгоритм поиска, реализуемый логическими язы­ками: он является фактически последовательным перебором по де­реву сверху-вниз-слева-направо.
Выделим следующие характеристики ЭС: назначение, проблем­ная область, глубина анализа проблемной области, тип используе­мых методов и знаний, класс системы, стадия существования, ин­струментальные средства.

Назначение определяется следующей совокупностью парамет­ров: цель создания экспертной системы — для обучения специали­стов, для решения задач, для автоматизации рутинных работ, для тиражирования знаний экспертов и т.п.; основной пользователь — не специалист в области экспертизы, специалист, учащийся.

Проблемная область может быть определена совокупностью па­раметров предметной области и задач, решаемых в ней. Каждый из параметров можно рассматривать как с точки зрения конечного пользователя, так и разработчика экспертной системы.

С точки зрения пользователя предметную область можно харак­теризовать ее описанием в терминах пользователя, включающим наименование области, перечень и взаимоотношения подобластей и т.п., а задачи, решаемые существующими экспертными система­ми, — их типом. Обычно выделяют следующие типы задач:

• интерпретация символов или сигналов — составление смы­слового описания по входным данным;

• диагностика — определение неисправностей (заболеваний) по симптомам;

• предсказание — определение последствий наблюдаемых си­туаций;

• конструирование — разработка объекта с заданными свойст­вами при соблюдении установленных ограничений;

• планирование — определение последовательности действий, приводящих к желаемому состоянию объекта;

• слежение — наблюдение за изменяющимся состоянием объ­екта и сравнение его показателей с установленными или желаемы­ми;

• управление — воздействие на объект для достижения желае­мого поведения.

С точки зрения разработчика целесообразно выделять статиче­ские и динамические предметные области. Предметная область на­зывается статической, если описывающие ее исходные данные не изменяются во времени (точнее, рассматриваются как не изменяю­щиеся за время решения задачи). Статичность области означает не­изменность описывающих ее исходных данных. При этом произ­водные данные (выводимые из исходных) могут и появляться зано­во, и изменяться (не изменяя, однако, исходных данных). Если ис-

ходные данные, описывающие предметную область, изменяются за время решения задачи, то предметную область называют динами­ческой. Кроме того, предметные области можно характеризовать следующими аспектами: числом и сложностью сущностей, их атри­бутов и значений атрибутов; связностью сущностей и их атрибутов;

полнотой знаний; точностью знаний (знания точны или правдопо­добны: правдоподобность знаний представляется некоторым чис­лом или высказыванием).

Решаемые задачи, с точки зрения разработчика экспертной сис­темы, также можно разделить на статические и динамические. Бу­дем говорить, что ЭС решает динамическую или статическую зада­чу, если процесс ее решения изменяет или не изменяет исходные данные о текущем состоянии предметной области.

В подавляющем большинстве существующие ЭС исходят из предположения о статичности предметной области и решают ста­тические задачи. Будем называть такие ЭС статическими. ЭС, ко­торые имеют дело с динамическими предметными областями и ре­шают статические или динамические задачи, будем называть дина­мическими.

Решаемые задачи, кроме того, могут характеризоваться сле­дующими аспектами: числом и сложностью правил, используе­мых в задаче, их связностью, пространством поиска, числом ак­тивных агентов, изменяющих предметную область, классом ре­шаемых задач.

По степени сложности выделяют простые и сложные правила. К сложным относятся правила, текст записи которых на естествен­ном языке занимает 1/3 страницы и больше. Правила, текст записи которых занимает менее 1/3 страницы, относят к простым.

Можно сказать, что степень сложности задачи определяется не просто общим числом правил данной задачи, а числом правил в ее наиболее связной независимой подзадаче.

Пространство поиска может быть определено по крайней мере тремя факторами: размером, глубиной и шириной. Размер про­странства поиска дает обобщенную характеристику сложности за­дачи. Выделяют малые (до 3,6 • 106 состояний) и большие (свыше 3,6 • 106 состояний) пространства поиска. Глубина пространства поиска характеризуется средним числом последовательно приме­няемых правил, преобразующих исходные данные в конечный результат, ширина пространства — средним числом правил, при­годных к выполнению в текущем состоянии.


Класс задач определяет методы, используемые ЭС для их реше­ния. Данный аспект в ЭС принимает следующие значения: задачи расширения, доопределения, преобразования. Задачи доопределе­ния и расширения являются статическими, а задачи преобразова­ния — динамическими.

К задачам расширения относятся такие, в процессе решения которых осуществляется только увеличение информации о пред­метной области, не приводящее ни к изменению ранее выведенных данных, ни к другой области задач.

К задачам доопределения относятся задачи с неполной или не­точной информацией о реальной предметной области, цель реше­ния которых — выбор из множества альтернативных текущих со­стояний предметной области того, которое адекватно исходным данным. В случае неточных данных альтернативные текущие со­стояния возникают как результат ненадежности данных и правил, что приводит к многообразию различных доступных выводов из одних и тех же исходных данных. В случае неполных данных аль­тернативные состояния являются результатом доопределения.

Большинство существующих ЭС решают задачи расширения, в которых нет ни изменений предметной области, ни активных аген­тов, преобразующих ее. Подобное ограничение неприемлемо при работе в динамических областях.

По степени сложности структуры ЭС делят на поверхностные и глубинные. Поверхностные ЭС представляют знания об области экспертизы в виде правил (условие—действие). Условие каждого правила определяет образец некоторой ситуации, при соблюдении которой правило может быть выполнено. Поиск решения состоит в выполнении тех правил, образцы которых сопоставляются с теку­щими данными (текущей ситуацией в РП). При этом предполагает­ся, что в процессе поиска решения последовательность формируе­мых таким образом ситуаций не оборвется до получения решения, т.е. не возникнет неизвестной ситуации, которая не сопоставится ни с одним правилом. Глубинные ЭС, кроме возможностей по­верхностных систем, обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов, справедливых для области экспертизы, какие действия следует выполнить.

По типу используемых методов и знаний ЭС делят на традици­онные и гибридные. Традиционные ЭС используют в основном не­формализованные методы инженерии знаний и неформализован­ные знания, полученные от экспертов. Гибридные ЭС используют

методы инженерии знаний, формализованные методы, а также данные традиционного программирования и математики.

Совокупность рассматриваемых выше характеристик позволяет определить особенности конкретной ЭС. Однако пользователи за­частую стремятся охарактеризовать ЭС каким-либо одним обоб­щенным параметром. В этой связи говорят о поколениях ЭС. В на­стоящее время выделяют ЭС первого и второго поколений. Одна­ко, по-видимому, следует говорить о трех поколениях ЭС. К перво­му поколению следует отнести статические поверхностные ЭС, ко второму — статические глубинные ЭС (иногда ко второму поколе­нию относят гибридные ЭС), а к третьему — динамические ЭС (ве­роятно, они, как правило, будут глубинными и гибридными).

В последнее время выделяют два больших класса ЭС (сущест­венно отличающихся по технологии их проектирования), которые мы условно называем простыми и сложными ЭС. К простым мож­но отнести поверхностную и традиционную (реже гибридную) ЭС, выполненные на персональной ЭВМ и содержащие от 200 до 1000 правил. К сложным ЭС относятся глубинная и гибридная ЭС, вы­полненные либо на символьной, либо на мощной универсальной ЭВМ, либо на интеллектуальной рабочей станции, содержащие от 1500 до 10 000 правил.

Стадия существования характеризует степень проработанности и отлаженности ЭС. Обычно выделяют следующие стадии: демон­страционный прототип, исследовательский прототип, действую­щий прототип, промышленная система, коммерческая система.

Демонстрационным прототипом называют ЭС, которая решает часть требуемых задач, демонстрируя жизнеспособность метода ин­женерии знаний. При наличии развитых интеллектуальных систем для разработки демонстрационного прототипа требуется примерно 1—2 мес. Демонстрационный прототип работает, имея 50—100 пра­вил. Развитие демонстрационного прототипа приводит к исследо­вательскому прототипу.

Исследовательским прототипом называют систему, которая ре­шает все требуемые задачи, но неустойчива в работе и не полно­стью проверена. Исследовательский прототип обычно имеет в базе знаний 200 — 500 правил, описывающих проблемную область.

Действующий прототип надежно решает все задачи, но для ре­шения сложных задач может потребоваться чрезмерно много вре­мени и (или) огромная память. Число правил в такой системе равно 500-1000.

Экспертная система, достигшая промышленной стадии, обеспе­чивает высокое качество решения всех задач при минимуме време­ни и памяти. Обычно процесс преобразования действующего про­тотипа в промышленную систему состоит в расширении числа пра­вил до 1000—1500 и переписывании программ с использованием более эффективных интеллектуальных систем.

Обобщение задач, решаемых на стадии промышленной систе­мы, позволяет перейти к стадии коммерческой системы, пригодной не только для собственного использования, но и для продажи раз­личным потребителям. В базе знаний такой системы 1500—3000 правил.

Диапазон возможных средств построения ЭС простирается от языков высокого уровня до средств поддержки низкого уровня.

Языки программирования, применяемые для работы в области ЭС, — это, как правило, или проблемно-ориентированные языки (Фортран, Паскаль и т.д.), или языки обработки текстов (Лисп, Пролог). Проблемно-ориентированные языки разработаны для специального класса задач. Например, Фортран удобен для выпол­нения алгебраических вычислений и чаще всего применяется в на­учных, математических и статистических вычислениях. Языки об­работки текстов разработаны для прикладных областей искусствен­ного интеллекта. Например, Лисп имеет механизмы для манипули­рования символами в форме списковых структур. Список является просто набором элементов, заключенных в скобки, где каждый элемент может быть или символом, или другим списком. Списко­вые структуры являются удобным строительным материалом для представления сложных понятий. В языке Лисп все отношения ме­жду объектами описываются через списки, содержащие отношения объекта с другими объектами.

Добавим, что Лисп существует в разных версиях. Например, Интерлисп и Маклисп имеют различные средства поддержки (ре­дакторы и средства отладки), но одинаковый синтаксис.

Языки программирования, подобные Лиспу, представляют мак­симальную гибкость разработчику ЭС, но никак не подсказывают ему, как представлять знания или как построить механизм доступа к базе знаний. С другой стороны, языки инженерии знаний, такие

как KAS, обладают меньшей гибкостью, поскольку разработчик системы должен пользоваться схемой управления, определяемой встроенным в язык механизмом вывода. Эти языки, однако, обес­печивают некоторое руководство и готовые механизмы вывода для управления и использования базы знаний.

Язык инженерии знаний является искусным инструментальным средством разработки ЭС, погруженным в обширное поддержи­вающее окружение. Языки инженерии знаний можно разделить на скелетные и универсальные. Скелетный язык инженерии знаний является просто «раздетой» экспертной системой, т.е. ЭС без спе­циальных предметных знаний, включающей в себя только меха­низм вывода и средства поддержки.

Универсальный язык инженерии знаний может быть применим к проблемам разного типа в различных прикладных областях. Он обеспечивает более широкие возможности управления поиском данных и доступом к ним, чем скелетные системы, но может ока­заться, что его труднее использовать. Разные универсальные языки значительно варьируют в смысле общности и гибкости.

Вспомогательные средства построения ЭС состоят из программ, оказывающих помощь в приобретении знаний у эксперта, и пред­ставлении их, и программ, которые помогают разрабатывать проек­ты экспертных систем.



Средства поддержки — это просто пакеты программ, которые прилагаются к средству построения ЭС, чтобы упростить его ис­пользование, облегчить диалог и сделать его более эффективным. Это — средства отладки, ввода-вывода, объяснения, редакторы баз знаний.

Интеллектуальные системы расчетно-логического типа пред­полагают организацию базы знаний в виде функциональной се­мантической сети. Рассмотрим кратко алгоритмы поиска реше­ний на функциональной семантической сети (ФСС). Первой за­дачей, которая должна быть решена, является выбор представле­ния, в котором реализуются процедуры поиска решений и орга­низации вычислительного процесса. При этом целесообразно вы­брать представление в пространстве состояний. В данном пред­ставлении задачу поиска решений можно формально записать следующим образом:

T= So, Sk,F> ,

где So начальное состояние; Sk конечное состояние; S мно­жество промежуточных состояний; F= {Fni} — множество операто­ров, которые переводят процесс поиска из одного состояния в дру-

roe. Каждому математическому отношению F поставим в соответ­ствие список (кортеж) параметров, которые в него входят. Таким образом, рассматриваемый алгоритм предусматривает работу со списочными структурами данных.

При поиске решений на ФСС в качестве множества операторов выступают разрешения математических отношений fni реализуе­мые в виде отдельных программных модулей, совокупность кото­рых для данной проблемной области составляет локальную (может быть, одну из многих) базу процедур. Здесь верхний индекс n ука­зывает на параметр, который в данном разрешении выступает как функция, а нижний индекс i — на номер соответствующего мате­матического отношения в совокупности математических отноше­ний. Задание исходных даннных определяет начальное состояние .So, а искомое решение — конечное (целевое) состояние. Выбор на каждом очередном шаге некоторого конкретного оператора осуще­ствляется в соответствии с некоторыми правилами, которые для данной проблемной области составляют локальную базу правил.

Первый алгоритм реализует стратегию обратной волны, начи­ная поиск решения задачи с целевого состояния, т.е. от искомого параметра. Суть алгоритма состоит в следующем. В соответствии с алгоритмом поиска решений Нильсона образуем следующие спи­ски: Si список параметров, которые должны быть рассчитаны;

Si список параметров, для которых выбраны разрешения для расчета. Дополнительно образуем еще два списка: S3 — список раз­решений, включаемых в план решения задачи,и S4 — список оце­нок сложности реализации разрешения, выбранного в план реше­ния задачи. Данные оценки позволяют при наличии нескольких планов выбрать наилучший, т.е. реализовать классическую поста­новку задачи принятия решений.

Во втором алгоритме реализуется стратегия прямой волны, т.е. планирование идет от исходных данных к целевому параметру.

Многофункциональность разрабатываемых систем обработки интеллектуальной информации может быть обеспечена за счет со­временного подхода к хранению и использованию знаний проекти­ровщиков.

Основной принцип данного подхода заключается в том, что за­дачи решаются на основе не просто данных, а знаний. Последние являются существенно более мощными и позволяют решать на их основе сложные задачи.

Традиционные ЭС имеют лишь один механизм поддержки при­нятия решений — логический вывод и лишь одно средство пред-

ставления знаний — правила. В последнее время активно развивает­ся новое поколение ЭС — гибридные экспертные системы (ГЭС).

Для использования ГЭС в качестве средства поддержки принятия управленческих решений необходимо предусмотреть возможность учета характеристик лица, принимающего решение (ЛПР). В этом случае в экспертной системе должна присутствовать гибкая схема ло­гического вывода, а поддержка принятия решений должна осуществ­ляться в соответствии с конкретной аналитической моделью пользо­вателя. На рис. 5.20 приведена упрощенная архитектура ГЭС.

Данная архитектура не претендует на полноту и характеризует отличие ГЭС от традиционных ЭС.

Эксперт соответствующей предметной области должен иметь возможность задавать оценки объектов, выявленные в результате его взаимодействия с подсистемой обработки экспертных знаний. Полученные таким образом экспертные знания будут храниться в базе экспертных знаний.

Одним из основных этапов решения задачи многокритериаль­ного выбора является настройка модели на систему предпочтений ЛПР. Она выявляется в результате взаимодействия ЛПР и подсис­темы выявления предпочтений ЛПР. Найденные таким образом ха­рактеристики ЛПР сохраняются в базе характеристик ЛПР.



Банк моделей должен содержать широкий набор решающих пра­вил, выражающих различные стратегии поведения пользователя.


Каталог: books
books -> Учебное пособие Нижний Новгород 2011 год
books -> Учебное пособие может быть использовано студентами, аспирантами, изучающими психологические, социальные, педагогические науки, а также педагогами, психологами, социальными работниками. Л. М. Шипицына, 2007 Издательство
books -> Сборник материалов III международной научно-практической конференции Екатеринбург 2011 ббк 448-951. 663. 1
books -> Учебное пособие Нижний Новгород 2011 год
books -> С. А. Беличева. Основы превентивной психологии
books -> Елена Петровна Гора учебное пособие
books -> Учебно-методический комплекс по дисциплине «Практическая полиграфия»
books -> Ливанова Е. Ю. «Роль практики в формировании профессиональных компетенций выпускника вуза»
books -> Игорь Иванович Кальной, Юрий Аскольдович Сандулов Философия для аспирантов


Поделитесь с Вашими друзьями:
1   2   3   4


База данных защищена авторским правом ©psihdocs.ru 2019
обратиться к администрации

    Главная страница