Экспертные системы

Содержание
  1. Представления знаний в интеллектуальных системах, экспертные системы
  2. Экскурс в историю экспертных систем
  3. Структура экспертной системы
  4. Какие существуют модели представления знаний?
  5. Продукционная МПЗ
  6. Пример
  7. Среды разработки продукционных систем(CLIPS)
  8. Семантическая сеть МПЗ
  9. Пример
  10. Фреймовая МПЗ
  11. Пример
  12. Пример вырождающейся в сеть фреймов
  13. Языки разработки фреймовых моделей (Frame Representation Language)
  14. Формально логическая МПЗ
  15. Пример
  16. Важно
  17. Заключение
  18. Экспертная система. Классификация. Обзор существующих экспертных систем
  19. Экспертные системы – Представление знаний
  20. Преимущества экспертных систем:
  21. Недостатки экспертных систем:
  22. Методология разработки экспертных систем
  23. Идентификация
  24. Получение знаний
  25. Концептуализация
  26. Формализация
  27. Выполнение (реализация)
  28. Тестирование
  29. Опытная эксплуатация
  30. Инструментальные средства построения экспертных систем
  31. Экспертные системы
  32. Экспертные системы (стр. 1 из 2)

Представления знаний в интеллектуальных системах, экспертные системы

Экспертные системы

Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области.

Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий.

Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

Экскурс в историю экспертных систем

История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral.

Обратите внимание

Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
В 80-ых годах появляются профессия – инженер по знаниям.

Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем.

Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект.

Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

Структура экспертной системы

1. База знаний Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.

База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

2. Данные Данные — это совокупность фактов и идей представленных в формализованном виде.

Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

3. Модель представления данных Самая интересная часть экспертной системы.

Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

4. Механизм логического вывода данных(Подсистема вывода)
Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.

Механизм логического вывода данных концептуально можно представить в виде : А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты

D — функция, которая применяет действие.

Какие существуют модели представления знаний?

Распространены четыре основных МПЗ:

  • Продукционная МПЗ
  • Семантическая сеть МПЗ
  • Фреймовая МПЗ
  • Формально логическая МПЗ

Продукционная МПЗ

В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):
IF , THEN
Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR.
Антецеденты и консеквенты составленных правил формируются из атрибутов и значений.

Пример: IF температура реактора подымается THEN добавить стержни в реактор
В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение.

Результат работы правила заносится в базу данных.

Пример

ДиагнозТемператураДавлениеКашель

Грипп
39
100-120
Есть

Бронхит
40
110-130
Есть

Аллергия
38
120-130
Нет

Пример продукции:
IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

Продукционная модель представления знаний нашла широкое применение в АСУТП

Среды разработки продукционных систем(CLIPS)

CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
Пример:

(defrule bronchitis // deftule зарезервированное слово, которое вводит новое правило за ним следует название правила
(symptoms (temperature 39) (cough true)(pressure “110-130”)) //симптом с температурой 39, наличием кашля, и давлением 110-130
=> (printout t “Диагноз – бронхит” crlf)) //это симптомы бронхита

Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

Семантическая сеть МПЗ

В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
Особенностью является наличие трех типов отношений:

  • класс — подкласс
  • свойство — значение
  • пример элемента класса

По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

Все типы отношений:

  • часть — целое
  • класс — подкласс
  • элемент — количество
  • атрибутивный
  • логический
  • лингвистический

Пример

Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

Фреймовая МПЗ

Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта.

Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели.

Имя слота должно быть уникальным в пределах одного фрейма.

Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

Пример

Пример вырождающейся в сеть фреймов

На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

Языки разработки фреймовых моделей (Frame Representation Language)

FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

Запись фрейма на языке FRL будет иметь вид:

(frame Room // вводим новый фрейм Room (windows (value(4), demon(open))) //Слот windows со значением 4 и демоном open (doors (value(1), demon(open))) //Слот doors со значением 1 и демоном open (conditioners (value(2), demon(turn on))) //Слот conditioners со значением 2 и демоном turn on (sokets (value(10), demon(turn on))) //Слот sokets со значением 10 и демоном turn on
)

Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

Формально логическая МПЗ

В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами.

В свою очередь на основе этих связей строятся все закономерности и правила предметной области.

Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

Пример

A1 = A2 = A3 = ; IF A1 AND A2 THEN Банальней примера и не придумаешь.

Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

Важно

Любая экспертная система должна иметь вывод данных и последовательность “мышления” системы. Это нужно для того чтобы увидеть дефекты в проектировании системы.

Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное “мышление” представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

Заключение

Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

Спасибо за внимание!

Экспертная система. Классификация. Обзор существующих экспертных систем

Экспертные системы

Дошина А. Д. Экспертная система. Классификация. Обзор существующих экспертных систем // Молодой ученый. — 2016. — №21. — С. 756-758. — URL https://moluch.ru/archive/125/34485/ (дата обращения: 25.02.2019).

Keywords: expert system, structure expert system, classification of expert systems.

Экспертная система (ЭС, англ.expertsystem) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации.

Современные экспертные системы взяли свое начало в 1970-х годах с трудов исследователей искусственного интеллекта, а в 1980-х получили коммерческое подкрепление. Первые подобия экспертных систем были предложены в 1832 году С. Н.

Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие отыскать решения по некоторым условиям. Примером такой системы является система, позволяющая подбирать необходимые медицинские препараты по симптомам заболевания пациента.

В сфере информационных технологий экспертные системы рассматриваются в совокупности с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Подобные задачи выполняет программный продукт, называемый «Мастер» (англ. Wizard). Мастера применяются в прикладных и системных программах для упрощения интерактивного общения с пользователем. Основным отличием данных программ — это отсутствие базы знаний — все действия запрограммированы.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. Они предоставляют релевантные, т. е. подходящие запросу пользователя, разделы базы статей.

Важно

В настоящее время «классическая» концепция экспертных систем 70–80 годов переживает серьезный кризис, связанный с её сильной ориентацией на текстовый человеко-машинный интерфейс, почти полностью вытесненный графическим интерфейсом (GUI).

Помимо этого, «классическая» концепция экспертных систем плохо согласуется с реляционной моделью данных, что создает сложности в работе с современными промышленными системами управления базами данных (СУБД).

Время от времени энтузиастами предпринимаются попытки объединить «классический» и современный подход к построению пользовательского интерфейса, но они не находят поддержки среди крупных компаний-производителей.

Структура ЭС

В состав ЭС входят следующие элементы:

‒ Интерфейс пользователя

‒ Пользователь

‒ Интеллектуальный редактор базы знаний

‒ Эксперт

‒ Инженер по знаниям

‒ Рабочая (оперативная) память

‒ База знаний

‒ Решатель (механизм вывода)

‒ Подсистема объяснений

База знаний содержит в себе правила анализа информации по проблеме, полученной от пользователя. ЭС анализирует эту информацию и дает рекомендации по разрешению конкретной проблемы.

База знаний состоит из двух составляющих:

 факты — статические сведения о предметной области;

 правила — набор инструкций, который позволяет выводить новые факты, исходя из уже известных.

В рамках логической модели базы знаний формируются на языке Пролог с помощью предикатов для описания фактов и правил логического вывода.

Обычно факты в базе знаний описывают те явления, которые являются постоянными для данной предметной области. Данные, зависящие от условий конкретной задачи, ЭС получает от пользователя в процессе работы и сохраняет в рабочей памяти.

База знаний ЭС создается при помощи трех групп людей:

  • эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;
  • инженеры по знаниям, являющиеся специалистами по разработке ИИС;
  • программисты, осуществляющие реализацию ЭС.
  • Режимы функционирования

    ЭС может функционировать в 2-х режимах:

  • Режим ввода знаний — эксперт с помощью инженера по знаниям вводит сведения о предметной области посредством редактора базы знаний.
  • Режим консультации — пользователь ведет диалог с ЭС, сообщая ей о текущей задаче, и получает рекомендации.
  • Классификация ЭС

    По решаемой задаче:

    ‒ Интерпретация данных;

    ‒ Диагностирование;

    ‒ Мониторинг;

    ‒ Проектирование;

    ‒ Прогнозирование;

    ‒ Сводное планирование;

    ‒ Оптимизация;

    ‒ Обучение;

    ‒ Управление;

    ‒ Ремонт;

    ‒ Отладка.

    По связи среальным временем:

     Статические — решающие задачи в условиях, не изменяющихся во времени исходных данных и знаний.

     Квазидинамические — интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

     Динамические — решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

    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.

    Наиболее известные ЭС

    CLIPS — весьма популярная оболочка для построения ЭС. CLIPS является продукционной системой. Реализация вывода использует алгоритм Rete.

    CLIPS является одной из наиболее широко используемых инструментальных сред для разработки экспертных систем благодаря своей скорости, эффективности и бесплатности.

    Совет

    CLIPS разработан для применения в качестве языка прямогологического вывода(forward chaining) и в своей оригинальной версии не поддерживает обратного вывода (backward chaining). Как и другие экспертные системы, CLIPS имеет дело с правилами и фактами.

    OpenCyc — мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов. OpenCyc является сокращенным открытый вариантомбазы знаний Cyc. В БД OpenCyc содержится 47000 понятий и 300000 фактов.

    WolframAlpha — база знаний и набор вычислительных алгоритмов, интеллектуальный «вычислительный движок знаний». Wolfram Alpha вычисляет ответы на большое количество разнообразных вопросов. Для подбора ответов механизм использует встроенные модели из разных областей знаний, заполненные данными и алгоритмами, которые и представляют собой реальные познания.

    MYCIN — наиболее известная диагностическая система, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Также Mycin использовалась для диагностики заболеваний свертываемости крови. MYCIN оперировала с помощью довольно простоймашины вывода, и базы знаний из ~600 правил.

    HASP/SIAP — интерпретирующая система, которая определяет местоположение и типы судов в Тихом океане по данным акустических систем слежения.

    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.

    Акинатор — интернет-игра. Игрок должен загадать любого персонажа, а Акинатор должен его отгадать, задавая вопросы.

    База знаний автоматически пополняется, поэтому программа может отгадать практически любого известного персонажа. На каждом вопросе Акинатор пытается выбрать такой вопрос, который отсеет наибольшее количество вариантов.

    Каждый раз после вашего ответа у Акинатора «в голове» остаётся список персонажей, которые соответствуют вашим ответам.

    IBMWatson — суперкомпьютер фирмы IBM, способный понимать вопросы, сформулированные на естественном языке, и находить на них ответы в базе данных. В первую очередь Watson стали учить медицине, а конкретно, онкологии.

    Архитектура Watson такова, что позволяет осуществлять параллельные и распределенные вычисления, т. е. сразу работать с множеством задач в параллельном режиме. Watson способен работать с супербольшими данными, т. е.

    структурированной и неструктурированной информацией.

    Вывод

    В настоящее время экспертные системы используются во многих областях нашей жизни: банковское дело, бухгалтерский учет, медицинские обследования и т. д. Но использование экспертных систем неоднозначно.

    Обратите внимание

    Наряду с тем, что они облегчают работу, при неумелом и не спланированном использовании экспертные системы могут только усложнить ситуацию.

    Это обусловлено тем, что универсальная экспертная система, не включающая в себя спецификации определенных компаний, не может дать гарантированно правильный ответ.

    Несмотря на некоторые недостатки, за экспертными системами будущее. Постоянное совершенствование подобных систем неизбежно приведет к активному их использованию во всех сферах человеческой жизни. Конечно, компьютер не сможет полностью заменить человека, потому что только человек способен находить творческие, нестандартные решения, но сможет сильно облегчить работу эксперта.

    Литература:

  • Сложносистемное мышление: Материя, разум, человечество. Майнцер, Клаус. Серия:Синергетика: от прошлого к будущему
  • 2009 г.; Изд-во: М.: Книжный дом «Либроком»
  • Интеллектуальные системы управления организационно-техническими системами. Антамошин, А.Н.; Близнова, О.В.; Большаков, А.А. и др. 2016 г.; Изд-во: М.: Горячая линия — Телеком.
  • Принятие решений. Интегрированные интеллектуальные системы. Арсеньев, Ю.Н.; Шелобаев, С.И.; Давыдова, Т.Ю. 2003 г.; Изд-во: М.: Юнити-Дана
  • Искусственный интеллект. Стратегии и методы решения сложных проблем. Люгер, Джордж Ф. 2003 г.; Изд-во: М.: Вильямс.
  • Масленникова, О.Е.; Попова, И. В. Основы искусственного интеллекта. 2008 г.; Изд-во: Магнитогорск: Магнитогорский государственный университет
  • Основные термины (генерируются автоматически): CLIPS, система, база знаний, баз знаний, MYCIN, задача, логический вывод, предметная область, знание, проблемная область.

    Экспертные системы – Представление знаний

    Экспертные системы

    Экспертные системы — это сложные программные комплексы, ак­ку­­му­ли­­рующие знания специалистов в конкретных предметных областях и ти­ра­жирующие этот эмпирический опыт для консультаций менее квали­фи­ци­­рован­ных пользователей.

    Области применения систем, основанных на знаниях, весьма раз­но­об­разны: бизнес, производство, военные приложения, медицина, со­ци­о­ло­гия, геология, космос, сельское хозяйство, управление, юриспру­ден­ция и др.

    Системы, основанные на знаниях (СОЗ) — это системы программ­ного обес­печения, основными структурными элементами которых яв­ляются база знаний и механизм логических выводов. Среди СОЗ можно вы­де­лить:

    • интеллектуальные информационно-поисковые системы;
    • экспертные системы (ЭС).

    Интеллектуальные информационно-поисковые системы отличаются от предыдущего поколения информационно-поисковых систем не только гораздо более обширным справочно-информационным фондом, но и важнейшей способностью формировать адекватные ответы на запросы пользователя даже тогда, когда запросы не носят прямого характера.

    Наиболее известным практическим примером СОЗ могут служить экспертные сис­темы, способные диагностировать заболевания, оценивать по­тен­ци­аль­ные месторождения полезных ископаемых, осуществлять обработку естественного языка, распознавание речи и изображений и т.д. Экспертные сис­те­мы являются первым шагом в практической реализации исследований в об­ласти искусственного интеллекта

    Базовая структура экспертной системы приведена на рисунке ниже.

    Структурные элементы, составляющие экспертную систему, выполняют следующие функции.

    База знаний реализует функции представления знаний в конкретной предметной области и управление ими.

    Механизм логических выводов выполняет логические выводы на основании знаний, имеющихся в базе знаний.

    Пользовательский интерфейс необходим для правильной передачи отве­тов пользователю, иначе пользоваться системой крайне неудобно.

    Модуль приобретения знаний необходим для получения знаний от экспер­та, поддержки базы знаний и дополнения ее при необходимости.

    Важно

    Модуль ответов и объяснений формирует заключение экспертной систе­мы и представляет различные комментарии, прилагаемые к заключению, а так­же объясняет мотивы заключения.

    Структура экспертной системы.

    Перечисленные структурные элементы являются наиболее характерными, хотя в реальных экспертных системах их функции могут быть соответствующим образом усилены или расширены.

    Знания в базе знаний представлены в конкретной форме и ор­га­ни­за­ция ба­зы знаний позволяет их легко определять, модифицировать и по­пол­нять.

    Реше­ние задач с помощью логического вывода на основе знаний хра­ня­щихся в базе зна­ний, реализуется автономным механизмом логического вы­вода.

    Хотя оба эти ком­понента системы с точки зрения ее структуры яв­ля­ются неза­висимыми, они на­­ходятся в тесной связи между собой и оп­ре­де­ление модели представления знаний накладывает ограничения на выбор соответствующего механизма логи­чес­ких выводов.

    Преимущества экспертных систем:

    • Постоянство. Экспертные системы ничего не забывают в отличие от человека-эксперта.
    • Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств.
    • Эффективность. Может увеличить производительность и уменьшать затраты персонала.
    • Постоянство. С использованием экспертных системам подобные транзакции обрабатываются одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих ситуаций.
    • Влияние на людей. Новый эффект (самая современная ин­фор­ма­ция, имеющая влияние на здравый смысл). Главный эффект (ранняя информация доминирует над здравым смыслом).
    • Документация. Экспертная система может документировать процесс решения.
    • Законченность. Экспертная система может выполнять обзор всех транзакций, a человек-эксперт сможет сделать обзор только отдельной выборки.
    • Своевременность. Погрешности в конструкциях и-или могут быть своевременно найдены.
    • Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь один человек.
    • Снижение риска ведения дела благодаря последовательности принятия решения документированности и компетентности.

    Недостатки экспертных систем:

    • Здравый смысл. В дополнение к широкому техническому знанию, че­ловек-эксперт имеет здравый смысл. Еще не известно, как за­ло­жить здравый смысл в экспертные системы.
    • Творческий потенциал. Человек-эксперт может реагировать твор­чески на необычные ситуации, экспертные системы не могут.
    • Обучение. Человек-эксперт автоматически адаптируются к изме­не­нию среды; экспертные системы нужно явно модифицировать.
    • Сенсорный опыт. Человек-эксперт располагает широким диапа­зо­ном сенсорного опыта; экспертные системы в настоящее время ос­нованы на вводе символов.

    Экспертные системы не хороши, если решения не существует или когда проблема лежит вне области их компетенции.

    Класс экспертных систем сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям: решаемая задача, связь с реальным временем, тип ЭВМ, степень интеграции.

    Методология разработки экспертных систем

    Разработка интеллектуальных информационных систем отличается от создания обыч­ного программного продукта.

    Опыт разработки ранних экспертных систем по­казал, что использование традиционной технологии програм­мирования ли­бо чрезмерно затягивает процесс разработки, либо во­обще приводит к от­рицательному результату.

    Это связано главным об­разом с не­об­хо­ди­мостью модифицировать принципы и способы построения по мере того, как увеличивается знание разработчиков о проблемной области.

    Совет

    Известно, что большая часть знаний в конкретной предметной области ос­тается личной собственностью эксперта. Наибольшую проблему при раз­ра­бот­ке экспертной системы представляет процедура получения знаний у эксперта и занесения их в базу знаний, называемая извлечением знаний.

    Это происходит не по­тому, что он не хочет разглашать своих секретов, а потому, что не в состоянии сде­лать это — ведь эксперт знает гораздо больше, чем сам осознает.

    Для выявления знаний эксперта и их формализации на протяжении всего периода разработки с ним взаимодействует инженер по знаниям.

    Чтобы избежать дорогостоящих и безуспешных попыток, был разра­бо­тан набор рекомендаций для того, чтобы определить, является ли проб­ле­ма подходящей для решения с помощью экспертной системы:

    • Потребность в решении должна соответствовать затратам на ее раз­работку. Суммы затрат и полученная выгода должны быть ре­а­листическими.
    • Невозможно использовать знания человека-эксперта там, где это необходимо. Если «экспертные» знания широко распростра­не­ны, то маловероятно, что стоит разрабатывать экспертную сис­тему. Однако в таких областях как разведка нефти и медицина мо­гут быть редкие специализированные знания, которыми можно недорого снабдить экспертную систему, и не использовать очень высоко оплачиваемого эксперта.
    • Проблема может быть решена с использованием символических методов рассуждения.
    • Проблема хорошо структурирована и не требует применения зна­ний, основанных на здравом смысле. Знания, основанные на здра­вом смысле, хорошо известны, поэтому их незачем фиксировать и представлять.
    • Проблема не может быть легко решена с использованием более тра­диционных вычислительных методов. Если имеется хорошее ал­горитмическое решение проблемы, не следует использовать экспертную систему.
    • Существуют эксперты в данной проблемной области. Поскольку экспертная система проектируется для успешной работы, весьма существенно, чтобы эксперты желали помогать при ее проек­ти­ро­ва­нии, а не считали, что их работе угрожают. Кроме того не­об­хо­дима поддержка администрации и потенциальных пользователей.
    • Проблема имеет подходящий размер и область применения. Как правило, проблема требует применения знаний высоко спе­ци­а­ли­зи­рованных экспертов, но человек-эксперт должен тратить на ее ре­ше­ние короткое время, максимум час.

    В настоящее время сложилась последовательность действий при разработке экспертных систем. Она включает следующие этапы: идентификация, получение знаний, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

    Рис. 10.2. Технология разработки экспертных систем

    Идентификация

    Этап идентификации связан, прежде всего, с осмыслением тех задач, которые предстоит решать будущей экспертной системе, и формированием требований к ней.

    На этом этапе планируется ход разработки прототипа системы, определяются источники знаний (книги, эксперты, методики), цели (распространение опыта, автоматизация рутинных операций), классы решаемых задач и т.д.

    Результатом идентификации является ответ на вопрос, что надо сделать и какие ресурсы необходимо задействовать.

    Получение знаний

    При решении проблемы получения знаний выделяют три стратегии: приобретение знаний, извлечение знаний и обнаружение знаний.

    Под приобретением (acquisition) знаний понимается способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

    Извлечением (elicitation) знаний называют процедуру вза­и­мо­дей­ствия инженера по знаниям с источником знаний (экспертом, спе­циальной литературой и др.) без использования вычислительной тех­ни­ки.

    Термины «обнаружение знаний» (knowledge discovery), а также Data Mining связывают с созданием компьютерных систем, реализующие методы автоматического получения знаний.

    Концептуализация

    На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этот этап завершается созданием мо­дели предметной области, включающей основные концепты и от­но­ше­ния. Модель представляется в виде графа, таблицы, диаграммы или текста.

    Формализация

    На этапе формализации все ключевые понятия и отношения выражаются на некотором формальном языке, который выбирается из числа уже существующих, либо создается заново.

    Другими словами, на данном этапе определяется состав средств и способы представления декларативных и процедурных знаний, осуществляется это представление и в итоге создается описание решения задачи экспертной системы на выбранном формальном языке.

    Выполнение (реализация)

    На этапе выполнения создается один или несколько реально работающих прототипов экспертной системы. Для ускорения этого процесса в настоящее время широко применяются различные инструментальные средства.

    Тестирование

    На данном этапе оценивается и проверяется работа программы прототипа с целью приведения ее в соответствие с реальными запросами пользователей. Прототип проверяется по следующих основным позициям:

    • удобство и адекватность интерфейсов ввода-вывода (характер вопросов в диалоге, связность выводимого текста результата и др.);
    • эффективность стратегии управления (порядок перебора, использование нечеткого вывода и т.д.);
    • корректность базы знаний (полнота и непротиворечивость правил).

    Задача стадии тестирования — выявление ошибок и выработка рекомендаций по доводке прототипа экспертной системы до промышленного образца.

    Опытная эксплуатация

    На этапе опытной эксплуатациипроверяется пригодность эк­спертной системы для конечного пользователя. Пригодность оп­ре­де­ля­ет­ся в основном удобством и полезностью разработки.

    Под по­лезностью по­ни­мается способность экспертной системы определять в хо­де диалога по­треб­ности пользователя, выявлять и устранять причины неудач в работе, а так­же удовлетворять указанные потребности пользователя (решать поставленные задачи).

    Удобство работы подразумевает естественность взаимодействия с экспертной системой, гибкость (способность системы настраиваться на различных пользователей, а также учитывать изменения в квалификации одного и того же пользователя) и устойчивость системы к ошибкам (способность не выходить из строя при ошибочных действиях пользователя).

    После успешного завершения этапа опытной эксплуатации эксперт­ная система классифицируется как коммерческая система, пригодная не толь­ко для собственного использования, но и для продажи различным по­тре­бителям.

    Инструментальные средства построения экспертных систем

    В настоящее время имеются средства, ускоряющие проектирование и разработку ЭС. Их называют инструментальными средствами, или про­сто инструментарием. Иными словами, под инструментальными средствамипонимают совокупность аппаратного и программного обес­пе­че­ния, позволяющего создавать прикладные системы, основанные на знаниях.

    Среди программных инструментальных средств выделяют следующие большие группы:

    • символьные языки программирования (LISP, INTERLISP, SMALLTALK);
    • языки инженерии знаний, то есть языки программирования, позволяющие реализовать один из способов представления знаний (OPS5, LOOPS, KES, Prolog);
    • оболочки экспертных систем (или пустые экспертные системы), то есть системы, не содержащие знаний ни о какой предметной области (EMYCIN, ЭКО, ЭКСПЕРТ, EXSYS RuleBook, Expert System Creator и др.)

    Экспертные системы

    Экспертные системы

    Аннотация: Эта лекция рассматривает базовые понятия экспертных систем, методику построения ЭС, а также все этапы построения ЭС: идентификацию, концептуализацию, формализацию, выполнение задачи, тестирование.

    Об экспертных системах (ЭС) можно говорить много и сложно. Но наш разговор очень упростится, если мы будем исходить из следующего определения экспертной системы. Экспертная система — это программа (на современном уровне развития человечества), которая заменяет эксперта в той или иной области.

    Отсюда вытекает простой вывод — все, что мы изучаем в курсе “Основы проектирования систем с ИИ”, конечной целью ставит разработку ЭС. В этой лекции мы остановимся только на некоторых особенностях их построения, которые не затрагиваются в остальных лекциях.

    Обратите внимание

    ЭС предназначены, главным образом, для решения практических задач, возникающих в слабо структурированной и трудно формализуемой предметной области. ЭС были первыми системами, которые привлекли внимание потенциальных потребителей продукции искусственного интеллекта.

    С ЭС связаны некоторые распространенные заблуждения.

    Заблуждение первое: ЭС будут делать не более (а скорее даже менее) того, чем может эксперт, создавший данную систему. Для опровержения данного постулата можно построить самообучающуюся ЭС в области, в которой вообще нет экспертов, либо объединить в одной ЭС знания нескольких экспертов, и получить в результате систему, которая может то, чего ни один из ее создателей не может.

    Заблуждение второе: ЭС никогда не заменит человека-эксперта. Уже заменяет, иначе зачем бы их создавали?

    В настоящее время сложилась определенная технология разработки ЭС, которая включает следующие шесть этапов: идентификация, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

    Рис. 9.1. Методика (этапы) разработки ЭС

    Этап идентификации связан, прежде всего, с осмыслением тех задач, которые предстоит решить будущей ЭС, и формированием требований к ней. Результатом данного этапа является ответ на вопрос, что надо сделать и какие ресурсы необходимо задействовать (идентификация задачи, определение участников процесса проектирования и их роли, выявление ресурсов и целей).

    Обычно в разработке ЭС участвуют не менее трех-четырех человек — один эксперт, один или два инженера по знаниям и один программист, привлекаемый для модификации и согласования инструментальных средств.

    Также к процессу разработки ЭС могут по мере необходимости привлекаться и другие участники.

    Например, инженер по знаниям может пригласить других экспертов, чтобы убедиться в правильности своего понимания основного эксперта, представительности тестов, демонстрирующих особенности рассматриваемой задачи, совпадения взглядов различных экспертов на качество предлагаемых решений. Кроме того, для сложных систем считается целесообразным привлекать к основному циклу разработки несколько экспертов. Однако в этом случае, как правило, требуется, чтобы один из экспертов отвечал за непротиворечивость знаний, сообщаемых коллективом экспертов.

    Важно

    Идентификация задачи заключается в составлении неформального (вербального) описания, в котором указываются: общие характеристики задачи; подзадачи, выделяемые внутри данной задачи; ключевые понятия (объекты), их входные (выходные) данные; предположительный вид решения, а также знания, относящиеся к решаемой задаче.

    В процессе идентификации задачи инженер по знаниям и эксперт работают в тесном контакте. Начальное неформальное описание задачи экспертом используется инженером по знаниям для уточнения терминов и ключевых понятий.

    Эксперт корректирует описание задачи, объясняет, как решать ее и какие рассуждения лежат в основе того или иного решения.

    После нескольких циклов, уточняющих описание, эксперт и инженер по знаниям получают окончательное неформальное описание задачи.

    При проектировании ЭС типичными ресурсами являются источники знаний, время разработки, вычислительные средства и объем финансирования.

    Для эксперта источниками знаний служат его предшествующий опыт по решению задачи, книги, известные примеры решения задач, а для инженера по знаниям — опыт в решении аналогичных задач, методы представления знаний и манипулирования ими, программные инструментальные средства. При определении времени разработки обычно имеется в виду, что сроки разработки и внедрения ЭС составляют, как правило, не менее года (при трудоемкости 5 чел.-лет). Определение объема финансирования оказывает существенное влияние на процесс разработки, так как, например, при недостаточном финансировании предпочтение может быть отдано не разработке оригинальной новой системы, а адаптации существующей.

    При идентификации целей важно отличать цели, ради которых создается ЭС, от задач, которые она должна решать. Примерами возможных целей являются: формализация неформальных знаний экспертов; улучшение качества решений, принимаемых экспертом; автоматизация рутинных аспектов работы эксперта (пользователя); тиражирование знаний эксперта.

    Экспертные системы (стр. 1 из 2)

    Экспертные системы

    Содержание

    Введение

    1. Моделирование знаний

    2. Некоторые известные ЭС

    3. Особые черты ЭC

    3.1 Основные компоненты

    3.2 Преимущества ЭС

    3.3 Отличие от систем принятия решений

    3.4 Информационная модель ЭС

    4. Типы ЭС

    4.1 По назначению

    4.2 По объему базы знаний

    4.3 Поисковые ЭС

    4.4 Гибридные ЭС

    5. Возможности некоторых ЭС

    Вывод

    Список использованных электронных ресурсов

    Введение

    Тема реферата «Экспертные системы».

    Усложнение информации, структурное изменение и увеличение ее объемов порождают новые требования к обработке, и, как следствие, скорости решения некоторых задач, которые неразрешимы без специальных знаний. Однако не каждая компания может себе позволить держать в своем штате экспертов по всем связанным с ее деятельностью проблемам или даже приглашать их каждый раз, когда возникают проблемы.

    Одно из решений – применение экспертных систем (ЭС).

    1. Моделирование знаний

    Главная идея технологии экспертных систем заключается в том, чтобы получить от эксперта его знания и при необходимости извлекать их из памяти компьютера. Являясь одним из основных приложений искусственного интеллекта, ЭС представляют собой компьютерные программы, преобразующие опыт экспертов в какой-либо области знаний в форму эвристических правил (эвристик).

    Затронув тему экспертных систем, через их определение сразу стоит очертить тот спектр вопросов, которые будут рассмотрены в этой главе.

    Из множества определений ЭС остановимся на определении практической направленности: «экспертная система – это программное обеспечение, которое заменяет эксперта в той или иной области».

    ЭС предназначены для моделирования, или имитации поведения экспертов при решении задач по узко специализированной тематике. Они призваны оказывать помощь специалистам, когда их собственных знаний, опыта и интуиции не хватает для самостоятельного решения возникающих проблем.

    Принцип действия ЭС состоит в моделировании знания и опыта человека-эксперта, которыми могут воспользоваться другие люди после компьютерной обработки этих знаний и опыта.

    ЭС должна уметь «рассуждать» при неполных и противоречивых данных, объяснять последовательность и логику рассуждений, а механизм вывода советов и рекомендаций должен быть четко определен.

    При этом структура ЭС должна обеспечивать возможность наращивания базы знаний.

    Совет

    Основу ЭС составляет база знаний, хранящая множество фактов и набор правил, полученных от экспертов и введенных из специальной и справочной литературы.

    База знаний – это формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо предметной области. Знания представлены в описательной форме и для этого не используются четкие математические модели.

    Чем отличается база знаний от базы данных? В базе данных элементы представляют собой не связанные друг с другом сведения, а в базе знаний те же элементы связаны определенными отношениями как между собой, так и с понятиями внешнего мира, и сами содержат в себе эти отношения. Можно выделить следующие основные классы задач, для решения которых создаются ЭС:

    – интерпретация данных;

    – диагностика;

    – контроль;

    – прогнозирование;

    – планирование;

    – проектирование.

    2. Некоторые известные ЭС

    DENDRAL.

    Распознавания структуры сложных органических молекул по результатам их спектрального анализа (первая в мире ЭС).

    MOLGEN.

    Генерирование гипотез о структуре ДНК на основе экспериментов с ферментами.

    XCON.

    Проектирование вычислительных комплексов VAX-11 в корпорации DEC в соответствии с заказом покупателя MICIN. Комплексная медицинская диагностика PUFF. Диагностика легочных заболеваний DART. Диагностика больших жестких дисков корпорации IBMPROSPECTOR. Консультации при поиске залежей полезных ископаемых РОММЕ. Рекомендации по уходу за яблоневым садом.

    ЭСПЛАН.

    Планирование производства на нефтеперерабатывающем заводе.

    МОДИС.

    Диагностика различных форм гипертонии.

    МИДАС.

    Оказание помощи диспетчеру в оперативном управлении энергосистемой.

    GPRS Консультант.

    Анализ сеансов связи в реальном масштабе времени и оценка параметров качества сервиса сетей GPRS (GeneralPacketRadioServices)

    CARE.

    Диагностика критического состояния больного с выделением более 30 синдромов.

    «Маньяк».

    Поддержка принятия решений при раскрытии серийных убийств, совершенных на сексуальной почве.

    3. Особые черты Э C

    3.1 Основные компоненты

    В отличие от систем традиционного программирования, в ЭС можно выделить три основных компонента систем обработки знаний:

    – база знаний (описание объекта);

    – блок общения (постановка цели (запроса), выдача и объяснение результата (совета));

    – блок обработки знаний (алгоритмы решения). При этом нужно помнить о следующем:

    – экспертиза может проводиться только в одной конкретной области;

    – задачи решаются дедуктивным методом;

    – ход решения задачи осуществляется понятным пользователю способом;

    – модульный принцип позволяет наращивать базы знаний.

    ЭС имеют определенные преимущества перед человеком-экспертом:

    – у них нет предубеждений.

    – они не делают поспешных выводов.

    – они выбирают наилучшую альтернативу (оптимальное решение) из всех возможных.

    – они устойчивы к «помехам», так как не «обременены» знаниями из других областей.

    – их база знаний может быть очень большой и никогда не потеряется.

    3.2 Преимущества ЭС

    ЭС позволяют:

    – неспециалистам и специалистам широкого профиля заменить собой экспертов, уменьшая тем самым количество людей, занятых в бизнес-процессе;

    – сократить штат сотрудников, сэкономить время, снизить уровень бюрократии;

    – данные, а также правила их вывода, касающиеся той или иной предметной области, хранятся в памяти компьютера и застрахованы от чьего-либо влияния, их нельзя потерять или «забыть»;

    – сэкономить финансовые ресурсы проектов и эксплутационные расходы. Вот несколько примеров. AmericanExpress сократила свои потери на $27 млн. в год благодаря ЭС, определяющей целесообразность выдачи или отказа в кредите той или иной фирме. Компания DEC ежегодно экономит $70 млн.

    , используя систему XCON/XSEL, которая по заказу покупателя составляет конфигурацию вычислительной системы VAX. Компания Sira сократила затраты на строительство трубопровода в Австралии на $40 млн. за счет ЭС, управляющей трубопроводом.

    Обратите внимание

    Бортовая ЭС на транспортном самолете позволяет снизить эксплутационные расходы до $150 млн. за весь срок его эксплуатации.

    3.3 Отличие от систем принятия решений

    Сходство технологий, используемых в ЭС и системах поддержки принятия решений (СППР), состоит в том, что обе они обеспечивают высокий уровень поддержки принятия решений. Но в то же время имеются и существенные различия.

    Во-первых, решение проблемы в СППР отражает уровень ее понимания пользователем и его возможности получить и осмыслить решение (рассчитаны на пользователя-эксперта), а ЭС предлагает пользователю принять решение, превосходящее его возможности (рассчитаны на пользователя-неэксперта).

    Во-вторых, ЭС могут пояснять свои рассуждения в процессе получения решения, причем часто эти пояснения оказываются более важными для пользователя, чем само решение.

    В-третьих, ЭС менее гибки, так как состав базы знаний и принятый механизм логического вывода накладывают определенные ограничения на круг решаемых задач.

    В-четвертых, разработка ЭС с учетом неполноты и нечеткости знаний требует очень больших затрат высоко интеллектуального труда и времени.

    3.4 Информационная модель ЭС

    С точки зрения обработки и представления информации, основными компонентами в ЭС являются: интерфейс пользователя, база знаний, интерпретатор, модуль создания системы.

    Специалист использует интерфейс для ввода информации и команд в ЭС и получения выходной информации из нее. Ввод информации можно выполнять с помощью меню, команд, естественного языка и собственного интерфейса, а в качестве выходной информации выступает не только решение, но и необходимые объяснения. Система должна пояснить каждый шаг своих рассуждений, ведущих к решению задачи.

    Важно

    База знаний содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов и их обработку по правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется.

    Обработку знаний в определенном порядке выполняет интерпретатор, технология работы которого сводится к последовательному рассмотрению совокупности правил. Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения проблемы.

    Модуль создания системы служит для создания набора (иерархии) правил.

    При этом существует два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования (специально для ЭС языки ПРОЛОГ и ЛИСП, а также языки высокого-уровня) или оболочек ЭС (RTWorks от Talarian (США), COMDALE/C от ComdaleTechn.

    , (Канада), COGSYS от SC (США), ILOGRules от ILOG (Франция). Но наибольшее распространение получила система G2, с помощью которой разработаны известные ЭС. Для тех, кто решил самостоятельно создать свою ЭС, можно порекомендовать ПО ExpertSystemCreator 1.7.

    4. Типы ЭС

    4.1 По назначению

    По своему назначению ЭС условно подразделяют на:

    – консультационные (получение пользователем квалифицированных советов);

    – исследовательские (решение научных задач);

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

    4.2 По объему базы знаний

    Оцените статью
    Просто о технологиях
    Добавить комментарии

    ;-) :| :x :twisted: :smile: :shock: :sad: :roll: :razz: :oops: :o :mrgreen: :lol: :idea: :grin: :evil: :cry: :cool: :arrow: :???: :?: :!: