Рассел С., Норвиг П. Искусственный интеллект. Современный подход (2-е изд., 2006) (1245267), страница 220
Текст из файла (страница 220)
Применяемый при этом процесс предусматривал тщательное исследование всех действий и результатов, а также учет предпочтений, назначенных каждому результату. По традиции в области анализа проблем принятия решений специалисты подразделяются на две категории: Ж лицо, принимающее решения, формулирует отношения предпочтений между результатами, а 'а.лицо, анализирующее решения, составляет список возможных действий и результатов, а также получает от лица, принимающего решения, информацию о предпочтениях, чтобы определить наилучшую стратегию. До начала 1980-х годов основное назначение анализа решений состояло в том, чтобы помочь людям принимать решения, которые действительно отражают их собственные предпочтения.
А в настоящее время, когда процессы принятия решений во все большей степени становятся автоматизированными, анализ решений используется для обеспечения того, чтобы эти автоматизированные процессы действовали в соответствии с предъявленными к ним требованиями. Как было описано в главе !4, на первых порах исследования в области экспертных систем сосредоточивались на получении ответов на вопросы, а не на принятии решений. Такие системы, которые рекомендуют действия, а не предоставляют оценки сложившихся обстоятельств, как правило, функционируют на основе правил "условие — действие", а не с использованием явных представлений результатов и предпочтений.
Но после разработки теории байесовских сетей в конце !980-х годов появилась возможность создавать крупномасштабные системы, способные формировать обоснованные вероятностные выводы на основании полученных свидетельств. А внедрение в практику сетей принятия решений означало появление возможности создания экспертных систем, способных рекомендовать оптимальные решения с учетом предпочтений пользователя, а также доступных свидетельств. Система, в которой учитываются полезности, способна избежать одной из наиболее распространенных ловушек, связанных с процессом предоставления консультаций, — смешивания правдоподобия и важности. Например, наиболее широко применяемой стратегией в ранних медицинских экспертных системах было ранжирование возможных диагнозов в порядке правдоподобия и выдача сообщения о наиболее вероятном диагнозе.
К сожалению, такой подход иногда оказывался катастрофическим! Для большинства пациентов в обшей медицинской практике двумя наиболее вероятными диагнозами обычно являются следующие: "У вас нет ничего серьезного" и "Вы сильно простудились", но если третьим по степени вероятности диагнозом для данного конкретного пациента (который тем не менее не был сообщен системой) является рак легких — это уже серьезная ситуация! Очевидно, что план медицинского обследования или лечения должен зависеть и от учета вероятностей, и от учета полезностей. Теперь мы опишем процесс инженерии знаний для экспертных систем, основанных на теории принятия решений. В качестве примера рассмотрим задачу выбора медицинского лечения для определенного вида сердечного заболевания у детей обоих полов (см. работу Лукаса [962]).
Около 0,8% детей рождаются с той или иной сердечной аномалией, причем наиболее распространенной из них является 'ъ. коарктация аорты (сужение аорты). Этот дефект можно исправить с помощью хирургического вмешательства, ангиопластики (расширения аорты с помощью надувного баллона, помещенного внутри этой артерии) или терапевтического лечения. Проблема состоит в том, чтобы определить, ка- Глава 16. Принятие простых решений 805 кой способ лечения следует использовать и когда его проводить: чем младше ребенок, тем выше риск, связанный с применением определенных способов лечения, но ожидание также не должно продолжаться слишком долго.
Экспертная система, основанная на использовании теории принятия решений, которая предназначена для решения данной проблемы, может быть создана группой специалистов, состоящей по меньшей мере из одно~о специалиста в данной проблемной области (детского кардиолога) и одного инженера по знаниям. Сам этот процесс можно разбить на следуюшие этапы (который читатель может сравнить с этапами разработки системы на основе логики, описанными в разделе 8.4). ° Создание причинной модели.
Определить, каковыми являются возможные симптомы, нарушения, способы лечения и результаты. Затем провести между ними дуги, указывающие, какими нарушениями вызваны те или иные симптомы и какие способы лечения позволяют устранить те или иные нарушения. Некоторые из этих сведений должны быть хорошо известны специалисту в данной проблемной области, а другие сведения он может почерпнуть из литературы. Эта модель часто во многом напоминает неформальные графические описания, приведенные в медицинских учебниках. ° Упрощение причинной модели до уровня качественной модели принятия решений. Поскольку применяемая модель предназначена для принятия решений, касающихся способа лечения, а не для других целей (таких как определение совместной вероятности некоторых комбинаций симптом!нарушение), часто можно упростить причинную модель, удаляя переменные, которые не требуются в процессе принятия решений, касаюшихся лечения.
Кроме того, иногда возникает необходимость разделить или соединить переменные, чтобы они соответствовали интуитивным представлениям специалиста. Например, предположим, что первоначальная модель коарктации аорты включала переменную тт.еаслюпс (Лечение) со значениями вихоеху (хирургическое вмешательство), апЬгзор2ав су (ангиопластика) и тесса сз оп (терапевтическое лечение), а также отдельную переменную тзлцод для определения сроков выполнения процедуры лечения. Но допустим, что специалисту нелегко рассматривать все эти переменные отдельно, поэтому они были объединены так, что переменная тупеа степ с принимает значения типа ь ореху зп 1 попеЛ (проведение хирургического вмешательства в течение одного месяца). В результате будет получена модель, приведенная на рис. 16.8.
° Присвоить значения вероятностей. Вероятности можно определить по базам данных о пациентах, по результатам исследований, приведенным в литературе, или на основании субъективных оценок самого специалиста. В тех случаях, если в литературе даны сведения о вероятностях не совсем подходящих типов, для вычисления требуемых вероятностей можно применить такие методы, как правило Байеса и маргинализация. Исследования показали, что специалисты в проблемной области в большей степени обладают способностью оценить вероятность результата, если дана причина (например, р(с)узрпоеа ~ )зеахс1а81ихе) ), а не наоборот.
° Присвоение значений полезностей. Если количество возможных результатов невелико, то их можно перечислить и оценить отдельно. Допустим, что в дан- 806 Часть Ч. Неопределенные знания и рассуждения в условиях неопределенности ном случае создается шкала результатов от наилучшего к наихудшему и каждому из них присваивается числовое значение, например случаю смерти присваивается значение -1000, а полному излечению — значение О. После этого на данную шкалу можно поместить другие результаты.
Такая задача может быть выполнена специалистом в данной проблемной области, но лучше, если в ее решении примет участие пациент (или, если речь идет о детях, то родители пациентов), поскольку разные люди имеют различные предпочтения. Если же количество результатов растет экспоненциально, то может потребоваться определенный способ, позволяюший комбинировать их с использованием многоатрибутных функций полезности. Например, можно утверждать, что отрицательная полезность различных осложнений является аддитивной.
Рис. 1о.8. Диаграмма влилний длл задачи прилипши решений, копающихся коарктаиии аорты (предосспавлена Питером Пукасик) Глава 16. Принятие простых решений 807 Проверка и уточнение модели. Для проверки работоспособности системы потребуется множество правильных пар "вход — выход" — (зприс, оиерис)— так называемый 'ж золотой стандарт, с которым можно выполнить сравнение. Для медицинских экспертных систем это обычно означает, что можно собрать самых лучших врачей, дать им на рассмотрение несколько случаев и попросить у них сообщить их диагноз и рекомендуемый план лечения.
Затем осуществляется проверка того, насколько результаты, полученные данной системой, согласуются с указанными рекомендациями. Если согласование оказывается неприемлемым, то нужно попытаться выделить ее части, которые действуют неправильно, и провести их доработку. Может также оказаться полезным выполнение прогона системы "в обратном направлении": вместо того чтобы вводить в систему симптомы и запрашивать лиагнозы, можно представить ей диагноз, такой как "сердечная недостаточность", определить предсказанную вероятность симптомов, таких как тахикардия, и сравнить это значение с данными, полученными из медицинской литературы.
Осуществление анализа чувствительности. На этом важном этапе проверяется, чувствительно ли наилучшее решение к небольшим изменениям в присвоенных значениях вероятностей и полезностей; для этого систематически осуществляется варьирование этих параметров и повторное проведение вычислений. Если небольшие изменения приводят к получению намного отличающихся решений, то может потребоваться затратить больше ресурсов на сбор более качественных данных. Если же все небольшие изменения приводят к получению одного и того же решения, то пользователь будет больше доверять этому решению как правильному.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
