Использование экспертных систем в экономической деятельности

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

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

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

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

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

В систему AM первоначально было заложено около 100 правил вывода и более 200 эвристических алгоритмов обучения, позволяющих строить произвольные математические теории и представления. Сначала результаты работы системы были весьма многообещающими. Она могла сформулировать понятия натурального ряда и простых чисел. Кроме того, она синтезировала вариант гипотезы Гольдбаха о том, что каждое четное число, большее двух, можно представить в виде суммы двух простых чисел. До сих пор не удалось ни найти доказательства данной гипотезы, ни опровергнуть ее. Дальнейшее развитие системы замедлилось. Было отмечено, что, несмотря на проявленные, на первых порах «математические способности», система не может синтезировать новых эвристических правил, т.е. ее возможности определяются только теми эвристиками, что были в неё изначально заложены.       

При разработке системы EURISCO была предпринята попытка преодолеть указанные недостатки системы AM. Как и в начале эксплуатации AM, первые результаты, полученные с помощью EURISCO, были эффективными. Сообщалось, что система EURISCO может успешно участвовать в очень сложных играх. С ее помощью в военно - стратегической игре, проводимой ВМФ США, была разработана стратегия, содержащая ряд оригинальных тактических ходов. Согласно одному из них, например, предлагалось взрывать свои корабли, получившие повреждения. При этом корабли, оставшиеся неповрежденными, получает необходимое пространство для выполнения маневра.        

Однако  через некоторое время обнаружилось, что система не всегда корректно  переопределяет первоначально заложенные в неё правила. Так, например, она  стала нарушать строгое предписание  обращаться  к программистам с вопросами только в определенное время суток.     

С 1990 года доктор Ленат во главе исследовательской группы занялся кодированием и вводом нескольких сот тысяч элементов знаний, необходимых, по его мнению, для создания «интеллектуальной» системы. Этот проект назван Cyc («Цик», от английского слова enciklopaedia).      

С 70-х годов экспертные системы стали ведущим  направлением в области искусственного интеллекта. При их разработке нашли применение методам искусственного интеллекта, разработанные ранее: методы представления знаний, логического вывода, эвристического поиска, распознавания предложений на естественном языке и др. Можно утверждать, что именно ЭС позволили получить очень большой коммерческий эффект от применения таких мощных методов. В этом их особая роль.       

Каталог экспертных систем и инструментальных  программных средств предназначенных для их разработки, опубликованный в США в 1987 году, содержит более 1000 систем (сейчас их уже значительно больше). В развитых зарубежных странах сотни фирм занимаются их разработкой и внедрением. Имеются и отечественные разработки ЭС, в том числе нашедшие промышленное применение.       

Однако уже на начальных этапах выявились серьезные принципиальные трудности,  препятствующие более широкому распространению экспертных систем и серьезно замедляющие и осложняющие их разработку. Они вполне естественных и вытекают из самих принципов разработки ЭС.      

Первая  трудность возникает в связи  с постановкой задач. Большинство  заказчиков, планируя разработку экспертных систем, вследствие недостаточной компетентности в вопросах применения методов искусственного интеллекта, склонны значительно преувеличивать ожидаемые возможности системы. Заказчик желает увидеть в ней самостоятельно мыслящего эксперта в исследуемой области, способного решать широкий круг задач. Отсюда и типичные первоначальные постановки задачи по созданию ЭС: «Разработать ЭС по обработке изображения»; «Создать медицинские ЭС по лечению заболеваний опорно – двигательного аппарата у детей». Однако, как уже отмечалось, мощность эвристических методов решения задач при увеличении общности их постановки резко уменьшается. Поэтому наиболее целесообразно (особенно при попытке создания ЭС в области, для которой у разработчиков еще нет опыта создания подобных систем) ограничиться для начала не слишком сложной обозримой задачей в рассматриваемой области, для решения которой нет простого алгоритмического способа (то есть неочевидно, как написать программу для решения этой задачи, не используя методы обработки знаний). Кроме того, важно, чтобы уже существовала сложившаяся методика решения этой задачи «вручную» или какими - либо расчетными методами. Для успешной разработки ЭС необходимы не только четкая и конкретная постановка задач, но и разработка подробного (хотя бы словесного) описания «ручного» (или расчетного) метода ее решения. Если это сделать затруднительно, дальнейшая работа по построению ЭС теряет смысл.      

Вторая  и основная трудность – проблема приобретения (усвоения) знаний. Эта проблема возникает  при «передаче» знаний, которыми обладают эксперты - люди, экспертным системам.      

Таким образом, выясняется, что для разработки ЭС необходимо участие в ней особого  рода специалистов, обладающих указанной  совокупностью знаний и выполняющих  функции «посредников» между экспертами в предметной области и компьютерными (экспертными) системами. Они получили название инженеры знаний (в оригинале - knowledge engineers), а сам процесс разработки ЭС и других интеллектуальных программ, основанных на представлении и обработке знаний – инженерией знаний (knowledge engineering). В развитых зарубежных странах специальность «инженер знаний» введена во многих вузах, в нашей стране основы инженерии знаний изучаются пока в рамках специализаций по системному программированию. Функции эксперта и инженера знаний редко совмещаются в одном лице. Чаще функции инженера знаний выполняет разработчик ЭС. Как показал опыт многих разработок, для первоначального приобретения знаний, в которых участвуют эксперты, инженеры знаний и разработчики ЭС, требуется активная работа всех трех категорий специалистов. Она может длиться от нескольких недель до нескольких месяцев.       

Третья  серьезная трудность – в очень  большой трудоемкости создания ЭС: требуется разработать средства управления базой знаний, логического  вывода, диалогового взаимодействия с пользователем и т.д. Объем программирования столь велик, а программы столь сложны и нетрадиционны, что имеет смысл, на первом этапе создать демонстрационный прототип системы – предварительный вариант, в котором в упрощенном виде реализованы лишь ее основные планируемые возможности и которая будет служить для заказчика подтверждением того, что разработка ЭС для решения данной задачи принципиально возможна, а для разработчиков – основой для последующего улучшения и развития системы.        

Когда стала очевидной полная непригодность  этих систем и созданного для них специализированного аппаратного оборудования, многие обозреватели пришли к выводу, что существующая технология создания ЭС была тупиковым направлением в развитии информационных технологий. В последнее десятилетие ЭС возродились в виде систем с базой знаний, которые тесно переплетались с существующими деловыми системами. Их используют в здравоохранении, страховании, банковском деле и других областях, чтобы с помощью правил и объектов накапливать опыт,  повысить качество принимаемых решений. Базы знаний встроены сегодня в наиболее современные крупные системы. Они находятся в самой сердцевине программ - агентов, осуществляющих поиск в сети Internet, и помогают коллективам пользователей справиться с потоками информации.  

 

 

2. Экспертные системы и их особенности

1. Структура, функции и классификация экспертных систем

Решение задач с помощью ЭС имеет следующие особенности. Алгоритм решения задачи заранее не известен и строится по ходу решения на основании эвристических правил. Решения сопровождаются объяснениями, понятными пользователю. Качество решений не хуже, а иногда и лучше тех, которые получают эксперты. Знания, накопленные в ЭС можно анализировать, постепенно накапливать, актуализировать. Источниками знаний являются эксперты, с которыми организовывается дружественный интерфейс. Обеспечить такой интерфейс обязан когнитолог. Под дружественным интерфейсом понимают отсутствие необходимости знаний в области программирования у эксперта, т.е. общение на естественном языке.

Структура экспертных систем представлена на рисунке 1.

 

 

Рисунок 1 – Структура экспертных систем

 

При функционировании ЭС можно выделить два этапа:

•     Обучение
•     Экспертиза.

В процессе обучения взаимодействие эксперта и когнитолога порождает базу знаний у предметной области. В режиме экспертизы пользователь, взаимодействуя с системой, получает ответ на интересующий его вопрос.

Методы вывода чаще всего диктуются либо внешней проблемой, либо используемыми инструментальными средствами. Порождение методов вывода происходит в результате совместной работы экспертов с инженерами знаний. Когнитолог планирует свою работу с экспертом таким образом, чтобы получить от него сведения о том, как последний формирует экспертное заключение.

Классификация экспертных систем представлена на рисунке 2.

 

 

 

 

 

Рисунок 2 – Классификация экспертных систем

 

Конкретизируем приведенные классификационные группировки:

1. По назначению:

•     Консультационные
•     Исследовательские
•     Управляющие

2. По принципу работы:

•     Классификационные
•     Синтезирующие
• Смешанные
3. По сложности
• Простые
• Сложные
4. По характеру решаемых задач:
• Интерпретирующие
• Планирующие
• Прогнозирующие
• Диагностирующие
• Управляющие
• Проектирующие
• Обучающие

Рассмотрим подробнее некоторые функции экспертных систем.

Интерпретация данных – это одна из традиционных задач для экспертных систем. Под интерпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Пример:

- обнаружение и идентификация различных типов океанских судов – SIAP;

- определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАН - ТЕСТ и МИКРОЛЮШЕР и других.

Диагностика. Под диагностикой понимается обнаружение неисправности в некоторой системе. Неисправность – это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является необходимость понимания функциональной структуры («анатомии») диагностирующей системы.

Пример:

- диагностика  и терапия сужения коронарных  сосудов – ANGY;

- диагностика  ошибок в аппаратуре и математическом  обеспечении ЭВМ – система  СRIB и другие.

Проектирование. Проектирование состоит в подготовке спецификаций на создание «объектов» с заранее определёнными свойствами. Под спецификацией понимается весь набор необходимых документов – чертёж, пояснительная записка и так далее. Основные проблемы здесь – получение чёткого структурного описания знаний об объекте и проблема «следа». Для организации эффективного проектирования и, в ещё большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей экспертной системы: процесс вывода и процесс объяснения.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров «подгоняются» под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких экспертных системах используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Системы обучения диагностируют ошибки при изучении какой - либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом «ученике» и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.