Экспертные системы

2.2. Экспертные системы

Экспертные системы как самостоятельное направление в ис­кусственном интеллекте сформировалось в конце 1970-х гг. Исто­рия ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных способностей» компьютеров с тем, чтобы они могли оперировать не только данными, но и знания­ми, как это делают специалисты (эксперты) при выработке умо­заключений. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или при­нять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом [5].

Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке озна­чает «привнесение принципов и инструментария из области ис­кусственного интеллекта в решение трудных прикладных про­блем, требующих знаний экспертов». Другими словами, ЭС при­меняются для решения неформализованных проблем, к которым относят задачи, обладающие одной (или несколькими) из следу­ющих характеристик:

• задачи не могут быть представлены в числовой форме;

• исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;

• цели нельзя выразить с помощью четко определенной целе­вой функции;

• не существует однозначного алгоритма решения задачи;

• алгоритмическое решение существует, но его нельзя исполь­зовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).

Обычно к ЭС относят системы, основанные на знании, т. е. системы, вычислительная возможность которых является в первую очередь следствием их наращиваемой базы знаний (БЗ) и только во вторую очередь определяется используемыми методами. Методы инженерии знаний (методы ЭС) в значительной степени инвариантны тому, в каких областях они могут применяться. Области применения ЭС весьма разнообразны: военные приложения, медицина, электроника, вычислительная техника, геология, математика, космос, сельское хозяйство, управление, финансы, юриспруденция и т. д. Среди этих областей лидируют бизнес, производство, медицина, про­ектирование и системы управления. Более критичны методы инженерии знаний к типу решаемых задач. В настоящее время ЭС используются при решении задач следующих типов: принятие решений в условиях неопределенности (неполноты), интерпретация символов и сигналов, предсказание, диагностика, конструирование, планирование, управление, контроль и др.

Рекомендуемые материалы

Назначение и особенности ЭС. Знания, которыми обладает специалист в какой-либо области (дисциплине), можно разделить на формализованные (точные) и неформализованные (неточные). Формализованные знания формулируются в книгах и руководствах в виде общих и строгих суждений (законов формул, моделей, алгоритмов и т. п.), отражающих универсальные знания. Неформализованные знания, как правило, не попадают в книги и руководства в связи с их конкретностью, субъективностью и приблизительностью. Знания этого рода являются результатом обобщения многолетнего опыта работы и интуиции специалистов. Они обычно представляют собой многообразие эмпирических (эвристических) приемов и правил.

В зависимости от того, какие знания преобладают в той или иной области (дисциплине), ее относят к формализованным (если преобладают точные знания) или к неформализованным (если преобладают неточные знания) описательным областям. Задачи, решаемые на основе точных знаний, называют формализованными, а задачи, решаемые с помощью неточных знаний, - неформализованными. Речь идет не о неформализуемых, а о неформализованных задачах, т. е. о задачах, которые, возможно, и формализуемы, но эта формализация пока неизвестна.

Как правило, неформализованные задачи обладают неполнотой, ошибочностью, неоднозначностью и (или) противоречивостью знаний (как данных, так и используемых правил преобразования).

Экспертные системы не отвергают и не заменяют традиционного подхода к программированию, они отличаются от традиционных программ тем, что ориентированны на решение неформализованных задач и обладают следующими особенностями:

алгоритм решений не известен заранее, а строится самой ЭС с помощью символических рассуждений, базирующихся на эвристических приемах;

ясность полученных решений, т. е. система «осознает» в терминах пользователя, как она получила решение;

способность анализа и объяснения своих действий и знаний;

способность приобретения новых знаний от пользователя-эксперта, не знающего программирования, и изменения в соответствии с ними своего поведения;

обеспечение «дружественного», как правило, естественно-языкового (ЕЯ) интерфейса с пользователем.

Главное отличие ЭС и систем искусственного интеллекта от систем обработки данных состоит в том, что в них используется символьный, а не числовой способ представления данных, а в ка­честве методов обработки информации применяются процедуры логического вывода и эвристического  поиска  решений.

Во многих случаях ЭС являются инструментом, усиливаю­щим интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:

• консультанта для неопытных или непрофессиональных пользователей;

• ассистента эксперта-человека в процессах анализа вариан­тов решений;     

• партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.

Для классификации ЭС используются следующие признаки:

• способ формирования решения;

• способ учета временного признака;

• вид используемых данных и знаний;

• число используемых источников знаний.

По способу формирования решения ЭС можно разделить на ана­лизирующие и синтезирующие. В системах первого типа осуще­ствляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синте­зируется из отдельных фрагментов знаний.

В зависимости от способа учета временного признака ЭС де­лят на статические и динамические. Статические ЭС предназ­начены для решения задач с неизменяемыми в процессе реше­ния данными и знаниями, а динамические ЭС допускают такие изменения.

По видам используемых данных и знаний различают ЭС с детер­минированными и неопределенными знаниями. Под неопреде­ленностью знаний и данных понимаются их неполнота, ненадеж­ность, нечеткость.

ЭС могут создаваться с использованием одного или несколь­ких источников знаний.

В соответствии с перечисленными признаками можно выде­лить четыре основных класса ЭС (рис. 2.2):

Рис. 2.2. Основные классы ЭС

классифицирующие, доопределяющие, трансформирующие и мультиагентные.

Классифицирующие ЭС решают задачи распознавания ситуа­ций. Основным методом формирования решений в таких систе­мах является дедуктивный логический вывод.

Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора аль­тернативных направлений поиска в пространстве возможных ре­шений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэф­фициенты уверенности, нечеткая логика [5].

Трансформирующие ЭС относятся к синтезирующим динами­ческим экспертным системам, в которых предполагается повто­ряющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:

• генерация и проверка гипотез;

• логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным усло­виям изменяющихся ситуаций);

• использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.

Рекомендуем посмотреть лекцию "Модель объект - свойство - отношение".

Мультиагентные системы — это динамические ЭС, основан­ные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми резуль­татами в ходе решения задач. Системы данного класса имеют сле­дующие возможности:

• реализация альтернативных рассуждений на основе исполь­зования различных источников знаний и механизма устранения противоречий;

• распределенное решение проблем, декомпозируемых на па­раллельно решаемые подзадачи с самостоятельными источника­ми знаний;

• применение различных стратегий вывода заключений в за­висимости от типа решаемой проблемы;

• обработка больших массивов информации из баз данных;

• использование математических моделей и внешних про­цедур для имитации развития ситуаций.