Структура, этапы разработки экспертных систем

Пример. Микробиологические экспертные системы, в которых снимаются лабораторные измерения с технологического процесса один раз в 4-5 ч. (например, производство лизина) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические экспертные системы работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступаемых данных.

Пример. Управление гибкими производственными комплексами, мониторинг в реанимационных палатах и так далее.

Классификация по типу ЭВМ

На сегодняшний день существуют:

•          экспертные системы для уникальных стратегически важных задач на супер ЭВМ (Эльбрус, CRAY, CONVEX и другие.);

•          экспертные системы на ЭВМ средней производительности (типа mainfrave);

•          экспертные системы на символьных процессорах и рабочих станциях (SUN, АРОLLО);

•          экспертные системы на мини- и супермини-эвм (VАХ, micro-VАХ и другие);

•          экспертные системы на персональных компьютерах (IВМ РС, МАС II и подобные).

Классификация по степени интеграции с другими программами

Автономные экспертные системы работают непосредственно в режиме консультаций с пользователем для специфических «экспертных» задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчёты, моделирование и так далее.).

Гибридные экспертные системы представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу, на порядок более сложную, чем разработка автономной экспертной системы. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

 

1.3. Отличие экспертных систем от  традиционных программ

Один из способов определить экспертные системы - это сравнить их с обычными программами. Главное различие состоит в том, что экспертные системы манипулируют знаниями, тогда как обычные программы манипулируют данными. Фирма Теknowledge, которая занимается производством коммерческих экспертных систем, описывает эти различия, как показано в следующей таблице.

Обработка данных Инженерия знаний

Представление и использование данных

Алгоритмы

Повторный прогон

Эффективная обработка больших баз данных Представление и использование знаний

Эвристики

Процесс логического вывода

Эффективная обработка баз знаний

Специалисты в области искусственного интеллекта имеют несколько более узкое (и более сложное) представление о том, что такое экспертная система. Под экспертной системой понимается программа для ЭВМ, обладающая следующими свойствами.

Компетентность. Экспертная система должна демонстрировать компетентность, то есть достигать в конкретной предметной области того же уровня профессионализма, что и эксперты-люди. Но просто уметь находить хорошие решения ещё недостаточно. Настоящие эксперты не только находят хорошие решения, но часто находят их очень быстро, тогда как новичкам для нахождения тех же решений, как правило, требуется намного больше времени. Следовательно, экспертная система должна быть умелой - она должна применять знания для получения решений эффективно и быстро, используя приёмы и ухищрения, какие применяют эксперты-люди, чтобы избежать громоздких или ненужных вычислений. Для того чтобы по-настоящему подражать поведению эксперта-человека, экспертная система должна обладать робастностъю. Это подразумевает не только глубокое, но и достаточно широкое понимание предмета. А этого можно достичь, используя общие знания и методы нахождения решений проблем, чтобы уметь рассуждать исходя из фундаментальных принципов в случае некорректных данных или неполных наборов правил. Это один из наименее разработанных методов в современных экспертных системах, но именно им успешно пользуются эксперты-люди.

Символьные рассуждения. Эксперты, решая какие-то задачи (особенно

такого типа, для решения которых применяются экспертные системы), обходятся без решения систем уравнений или других трудоёмких математических вычислений. Вместо этого они с помощью символов представляют понятия предметной области и применяют различные стратегии и эвристики в процессе манипулирования этими понятиями. В экспертной системе знания тоже представляются в символьном виде, то есть наборами символов, соответствующих понятиям предметной области. В искусственном интеллекте символ - это строка знаков, соответствующая содержанию некоторого понятия реального мира.

Примеры символов:

Продукт

ответчик

0.8

Эти символы можно объединить, чтобы выразить отношения между ними. Когда эти отношения представлены в программе искусственного интеллекта, они называются символьными структурами.

Примеры символьных структур:

(ДЕФЕКТНЫЙ продукт)

(ВЫПУЩЕННЫЙ ответчиком продукт)

(РАВНО (ОТВЕТСТВЕННОСТЬ ответчик) 0.8)

Эти структуры можно интерпретировать следующим образом: «продукт является дефектным», «продукт был выпущен в продажу ответчиком» и «ответственность ответчика равна 0.8».

При решении задачи экспертная система вместо выполнения стандартных математических манипулирует этими символами. Нельзя сказать, что экспертная система вообще не производит математических расчётов, она их делает, но в основном она приспособлена для манипулирования символами. Вследствие подобного подхода представление знаний - выбор, форма и интерпретация используемых символов - становится очень важным. Кроме того, эксперты могут получить задачу, сформулированную неким произвольным образом, и преобразовать её к тому виду, который в наибольшей степени соответствует быстрому получению решения или гарантирует его максимальную эффективность. Эта способность переформулирования задачи - как раз то свойство, которое должно быть присуще экспертной системе для того, чтобы приблизить их мастерство к уровню экспертов-людей. К сожалению, большинство существующих в настоящее время экспертных систем не обладают этим свойством.

Глубина. Экспертная система должна иметь глубокие знания; это значит, что она способна работать эффективно в узкой предметной области, содержащей трудные, нетривиальные задачи. Поэтому правила в экспертной системе с необходимостью должны быть сложными либо в смысле сложности каждого правила, либо в смысле их обилия. Экспертные системы, как правило, работают с предметными областями реального мира, а не с тем, что специалисты в области искусственного интеллекта называют игрушечными предметными областями. В предметной области реального мира тот, кто решает задачу, применяет фактическую информацию к практической проблеме и находит решения, которые являются ценными с точки зрения некоторого критерия, определяющего соотношение стоимости и эффективности. В игрушечной предметной области либо задача подвергается чрезвычайному упрощению, либо производится нереалистическая адаптация некоторой сложной проблемы реального мира. Тот, кто решает такую проблему, обрабатывает искусственную информацию, которая в целях облегчения решения упрощена и порождает решения, имеющие чисто теоретический интерес.

В тех случаях, когда по отношению к сложной задаче или данным о ней сделаны существенные упрощения, полученное решение может оказаться неприменимым в масштабах, которые характерны для реальной проблемы. Рекомендации, методы представления знаний, организация знаний, необходимые для применения методов решения задач к этим знаниям, часто связаны с объёмом и сложностью пространства поиска, т.е. множества возможных промежуточных и окончательных решений задачи. Если проблема сверхупрощена или нереалистична, то размерность пространства поиска будет, скорее всего, резко уменьшена, и не возникнет проблем с быстродействием и эффективностью, столь характерных для реальных задач. Эта проблема размерности возникает столь естественно и неуловимо, что специалисты в искусственном интеллекте могут не оценить её истинные масштабы.

      Самосознание. Экспертные системы имеют знания, позволяющие рассуждать об их собственных действиях, и структуру, упрощающую такие рассуждения. Например, если экспертная система основана на правилах, то ей легко просмотреть цепочки выводов, которые она порождает, чтобы прийти к решению задачи. Если заданы ещё и специальные правила, из которых ясно, что можно сделать с этими цепочками выводов, то можно использовать эти знания для проверки точности, устойчивости и правдоподобия решений задачи и даже построить доводы, оправдывающие или объясняющие процесс рассуждения. Это знание системы о том, как она рассуждает, называется метазнанием, что означает всего лишь знания о знаниях.

     У большинства ныне существующих экспертных систем есть так называемый механизм объяснения.Это знания, необходимые для объяснения того, каким образом система пришла к данным решениям. Большинство этих объяснений включают демонстрацию цепочек выводов и доводов, объясняющих, на каком основании было применено каждое правило в цепочке. Возможность проверять собственные процессы рассуждения и объяснять свои действия - это одно из самых новаторских и важных свойств экспертных систем. Но почему это свойство так важно?

    «Самосознание» так важно для экспертных систем потому, что: пользователи начинают больше доверять результатам, испытывать большую уверенность в системе;

ускоряется развитие системы, так как систему легче отлаживать;

предположения, положенные в основу работы системы, становятся явными, а не подразумеваемыми;

легче предсказывать и выявлять влияние изменений на работу системы.

    Умение объяснить - это всего лишь один из аспектов самосознания. В будущем самосознание позволит экспертной системе делать даже больше.       Они сами смогут создавать обоснования отдельных правил путём рассуждения, исходящего из основных принципов. Они будут приспосабливать свои объяснения к требованиям пользователя. Они смогут измерить собственную внутреннюю структуру путём коррекции правил, реорганизации базы знаний и реконфигурации системы.

    Первый шаг в этом направлении - выделить метазнания и сделать их явными, точно так же как знания о предметной области выделены и сделаны явными. Ниже приведён пример метазнания - знания о том, как использовать предметные знания.

     ЕСЛИ: к данной ситуации применимо несколько правил,

ТО: использовать сначала правила, предложенные экспертами, прежде чем прибегнуть к правилам, предложенным новичками.

    Это метаправило говорит экспертной системе, каким образом она должна выбирать те правила, которые надо выполнить. Специалисты по искусственному интеллекту только начинают экспериментировать с формами представления метазнаний и их организацией в экспертных системах.

Экспертные системы делают ошибки. Существует очень важное отличие экспертных систем от традиционных программ. Тогда как традиционные программы разрабатываются таким образом, чтобы каждый раз порождать правильный результат, экспертные системы разработаны с тем, чтобы вести себя как эксперты, которые, как правило, дают правильные ответы, но иногда способны ошибаться.

     На первый взгляд кажется, что в этом отношении программы имеют явное преимущество. Однако это преимущество кажущееся. Традиционные программы для решения сложных задач, напоминающих те, которые подходят для экспертных систем, тоже могут делать ошибки. Но их ошибки чрезвычайно трудно исправлять, поскольку стратегии, эвристики и принципы, лежащие в основе этих программ, явно не сформулированы в их тексте. Следовательно, эти ошибки нелегко определить и исправить.    Подобно своим двойникам-людям экспертные системы могут делать ошибки. Но в отличие от обычных программ они имеют потенциальную способность учиться на своих ошибках. С помощью компетентных пользователей можно заставить экспертные системы совершенствовать своё умение решать задачи в ходе практической работы.

 

1.4. Области применения экспертных  систем

     Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

•          Медицинская диагностика.

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Её первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

•          Прогнозирование.

Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система «Завоевание Уолл-стрита» может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока ещё отсутствуют экспертные системы, которые способны за счёт своей информации о конъюнктуре рынка помочь увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, можно получить местный прогноз погоды.