Экспертные системы 12

1.Экспертная система, ее достоинства и недостатки

1.1.Краткий исторический очерк

Технология экспертных систем является одним из направлений новой области исследований, называемой искусственным интеллектом(ИИ, AI – ArtificialIntellegence). По известному определению Бара и Файгенбаума:

Искусственный интеллект(ИИ) – это область информатики, которая занимается разработкой интеллектуальных компьютерных систем, т.е. систем, обладающих возможностями, которые мы традиционно связываем с человеческим разумом, - понимание языка, обучение способность рассуждать, решать проблемы и т.д.

Первые попытки моделировать процесс мышления были предприняты в 60-х годах 20-го века. В те годы специалисты в области ИИ пытались найти общие методы для решения широкого класса задач и использовать их в универсальных программах. Разработка универсальных программ оказалась слишком сложна, кроме того, выяснилось, что чем универсальнее программа, тем скуднее ее возможности при ре­шении конкретной проблемы.

В 70-е годы усилия были направлены на разработку общих методов и приемов программирования, пригодных для более специали­зированных программ. Постепенно стало ясно, что эффектив­ность программы при решении задачи зависит от знаний, кото­рыми она обладает, а не только от используемых ею формализмов и схем вывода. К концу 70-х гг. была принята принципиально новая концепция:

Чтобы сделать программу интеллектуальной, ее нужно снабдить множеством высококачественных специальных знаний о некоторой предметной области.

Это привело к развитию специализиро­ванных программных систем, каждая из которых является экс­пертом в узкой предметной области. Эти программы получили название экспертных систем.

Определим экспертную систему(ЭС), как программную систему, использующую экс­пертные знания для обеспечения высокоэффек­тивного решения задач в узкой предметной области.

Пол И. Джонсона, ученый, отдавший много лет исследованию поведения экспертов-людей, очень точно описывает тех, кого мы называем экспертом:

«Эксперт – это человек, который благодаря обучению и опыту мо­жет делать то, что мы все, остальные люди, делать не умеем; эксперты работают не просто профессионально, но к тому же уверенно и эффективно.

Эксперты обладают огромными познаниями и пользуются различ­ными приемами и уловками для применения своих знаний к проблемам и заданиям; они также умеют быстро переворошить массу несуществен­ной информации, чтобы добраться до главного, и хорошо умеют рас­познавать в проблемах, с которыми сталкиваются, примеры тех типовых проблем, с которыми они уже знакомы. В основе поведения экспертов лежит совокупность практически применимых знаний, которую мы будем называть компетентностью. Поэтому разумно предположить, что экс­перты — это те люди, к которым надо обратиться, когда мы желаем про­явить компетентность, делающую возможным такое поведение, как у них».

ЭС содержит компо­ненту решения задачи и компоненту поддержки.
Вторая помогает пользователю взаимодействовать с главной программой, в том числе тестировать и отлаживать ее, модифицировать ее знания и данные.

Технология построения ЭС называется инженерией знаний.

Инженерия знаний существенно полагается на исследова­ние поведения экспертов с целью разработки разумных искус­ных программ. Хейес-Рот и др. в книге «Построение эксперт­ных систем» отметили:

«В основе интеллектуального решения проблемы лежит следующий принцип: система должна сконструировать это решение, действуя изби­рательно и эффективно в пространстве альтернатив. Из-за ограниченно­сти собственных ресурсов эксперт вынужден осуществлять поиск в этом пространстве избирательно, сводя к минимуму бесполезную работу. Зна­ния помогают эксперту распознать на самых ранних этапах полезную информацию, открывают ему многообещающие пути ее использования и помогают избежать малоуспешных усилий, отсекая тупиковые пути как можно раньше. Экспертная система достигает высокой производи­тельности, используя знания для того, чтобы наилучшим образом ис­пользовать свое время».

1.2.Основные понятия и действующие лица инженерии знаний

Средство построения ЭС(сокр. Инструмент) – язык программирования и поддерживающий пакет программ, используемые при создании экспертной системы. Язык про­граммирования отличается от обычных языков тем, что обеспечивает удобные способы представления сложных высоко­уровневых понятий.

Важно различать инструмент и саму ЭС, несмотря на то, что поддерживающие средства по определению также являются частью законченной экспертной си­стемы.

Эксперт – человек, который за годы обучения и практики научился чрезвычайно эффективно решать задачи, относящиеся к конкретной предметной области(и ЭС моделирует все его стратегии).

Инженер знаний — человек, имеющий позна­ния в информатике и ИИ и знающий, как надо строить экс­пертные системы. Он опрашивает экспертов, ор­ганизует знания, решает, как они должны быть представлены в системе, и может помочь программисту в написании программ.

Процедура извлечения знаний у эксперта и занесения его в программу называется извлечением знаний
.

Конечный пользователь – человек, для которого была разрабо­тана система и который использует законченную ЭС. Например, это ученый, которому она помогает открывать новые месторождения минералов.

Пользователь – человек, использующий экспертную систему, т.е. конечный пользователь, эксперт, ин­женер знаний, клерк.

Рис.1.Инженерия знаний

1.3.Методология построения ЭС

Для достижения высокого качества функционирования необходимы эксперименты. Поэтому экспертная система развивается постепенно, доминирует эволюционный метод создания ЭС.

Основные этапы эволюции ЭС:

1. Идентификация
. Инженер знаний и эксперт выделяют проблемную область, определяют характеристики задачи, требуемые для ее решения ресурсы.

2. Концептуализация
. Инженер знаний и эксперт выявляют основные понятия, отношения и характер информационных потоков, необходимые для представления знаний и описания процесса решения задач в данной предметной области.

3. Формализация
. На этом этапе выбирается язык экспертных систем, в рамках этого языка представляются основные понятия и отношения.

4. Реализация
. Формулируются правила, воплощающие знания, а также структуры управления. Это определяет программу-прототип, которую можно выполнять и подвергать контрольным испытаниям.

5. Испытания
. В ходе их экспертами-людьми оценивается программа-прототип, по их замечаниям и предложениям создатели ЭС доводят прототип до требуемого качества функционирования.

1.4.Свойства экспертной системы

Основа экспертной системы – база зна­ний,
накапливаемая при ее построении. Накопление и организация знаний — одна из самых важ­ных характеристик экспертной системы.

Рис.2. Основные свойства экспертной системы.

Свойства:

1.ЭС применяет для решения задач высоко­качественный опыт
, представляющий уровень мышления наиболее квалифицированных экспертов. Это, как правило, приводит к точным и эффек­тивным решениям.

Высококачественный опыт в сочетании с уме­нием его применять делает систему рентабельной, способной заслужить признание на рынке. Этому способствует также гибкость системы. Система может наращиваться постепенно в соответствии с нуждами бизнеса или заказчика. Это озна­чает, что можно вначале вложить сравнительно скромные средства, а потом наращивать ее возможности по мере необ­ходимости.

Но, как и любой эксперт, система способна ошибаться.

Джон Макдермотт, разработчик экспертной системы для конфигурирования VAX-11 в корпорации DEC:

«Я настойчиво подчеркивал, что основанная на знаниях программа должна пройти через сравнительно долгий период ученичества, и что даже после того, как она станет экспертной, она будет, подобно всем экспертам, время от времени делать ошибки. Первая часть этого утверж­дения была воспринята, но я подозреваю, что со второй этого пока не произошло. Поэтому меня беспокоит, будет ли после осознания этого свойства экспертных систем компания DEC морально готова возложить значительную долю ответствен­ности на программы, про которые известно, что они не являются не­погрешимыми».

Ошибки ЭС 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. Но ЭС имеют потенциальную способность учиться на своих ошибках. С помощью компетентных пользо­вателей можно заставить ЭС совершенство­ваться в решении задачи в ходе практической работы.

2.ЭС обладает прогностическими возможностями,
т.е. может дать ответ в конкретной ситуации, показать, как изменятся этот ответ в новых ситуациях, и объяснить, каким образом новая ситуация привела к изменениям.

Пользователь может оценить возможное влияние новых фактов или информации и понять, как они связаны с реш-ем.

3.ЭС обладает институцио­нальной памятью.
Если база знаний ЭС разработана с привлечением ведущих специалистов отдела или штаба, то она представляет политику или способы действия этой группы людей.

Ведущие специалисты уходят, но их опыт остается. Это важно для деловой сферы и особенно ценно для вооруженных сил и правительственных органов с их ча­стыми преобразованиями и персональными перемещениями.

4.ЭС можно использовать для обучения и тренировки
руководителей и специалистов, поскольку они содержат необходимые знания и способны объяснить процесс своего рассуждения.

Не­обходимо только добавить программное обеспечение, поддер­живающее соответствующий требованиям эргономики интер­фейс между обучаемым и экспертной системой.

1.5.Преимущества и недостатки экспертных систем

Сам собою напрашивается вопрос: зачем разрабатывать экспертные системы? Не лучше ли обратиться к человеческому опыту?

Искус­ственная компетентность ЭС имеет ряд существенных преимуществ перед человеческой

Человеческая компетентность	Искусственная компетентность
Непрочная, утрачиваемая при отсутствии практики	Постоянная
Трудно передаваемая, т.к. обучение – долгий и дорогой процесс	Легко передаваемая посредством копирования про­граммной системы
Трудно документируемая	Легко документируемая, т.к. способ представления искусственной компетентности в си­стеме отображен в описании этого представления на естественном языке
Непредсказуемая, зависящая от эмоций эксперт-человек может принимать разные решения в тождественных ситуа­циях из-за эмоций, забыть в кризисной ситуации важное правило	Устойчивая
Дорогая	Приемлемая по затратам, т.к. разработка ЭС дорога, это годы труда высоко­оплачиваемых инженеров знаний и экспертов но эксплуатация дешева.

Но обычно ЭС исполь­зуются как советчики экспертов-людей, не заменяя их.

“…Вероятно, можно отказаться от наиболее квалифицированного эксперта, но во многих ситуациях необходимо оставить в системе место для эксперта со средней квалификацией. Экспертные системы ис­пользуются при этом для усиления и расширения профессио­нальных возможностей такого пользователя”[Уотермен, “Руководство по экспертным системам”].

В ряде областей деятельности человеческая компетентность превосходит искус­ственную.

Это не есть отражение фундаментальных ограниче­ний ИИ, но характерно для его современного состояния.

Человеческая компетентность	Искусственная компетентность
Творческая, использующая воображение, аналогии с ситуациями из других предметных областей.	Запрограммированная, ЭС тяготеет к рутинному поведению
Приспосабливающаяся	Нуждается в подсказке, мало приспособлена к обучению новым концепциям и правилам
Использует чувственное вос­приятие визуальной, зву­ковой, осязательной или обонятельной информации	Использует символьный ввод
Широкая по охвату	Узконаправленная
Использует общедоступные знания человек использует огромный объем общедоступных зна­ний, которые почти невозможно встроить в ЭС	Использует только специализиро­ванные знания

2.Организация ЭС

2.1.Организация знаний

Для специалистов в области ИИ термин знания
означает информацию, которая необходима программе, чтобы она вела себя «интеллектуально».

Эта информация представляется в форме фактов и правил.

ФАКТ: При включении станка получена травма.

ПРАВИЛО: Если не соблюдались требования безопасности, то применимо за­конодательство о неосторожном поведе­нии, приведшем к несчаст­ному случаю.

Факты и правила в экспертной системе не всегда либо ис­тинны, либо ложны. Иногда существует некоторая степень не­уверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэф­фициентом уверенности».

ФАКТ: Станок имеет дефект с коэффициентом уверенности 0.9

ПРАВИЛО: Если станок имеет дефект с коэф­фициентом уверенности >0.6, то теория строгой ответственности применима с ко­эффициентом уверенности 1.0.

Многие правила ЭС являются эвристи­ками,
т.е. эмпирическими правилами, которые упрощают или ограничивают поиск решений, когда предметная область сложна или недостаточно изучена и решаемая задача не поддается строгому математическому анализу или алгорит­мическому решению.

Рассмотрим различия между алгоритмическим и эвристическим методами на примере

Рис. 3.

Алгоритм полностью исклю­чает возможность попадания оружия на борт самолета и предотвращает захват террористами самолета, но требует много времени, дорог и непопулярен. Эвристиче­ский метод более легок и практичен, но не обеспечивает 100% защиту.

Таким образом, алгоритмический метод гарантирует кор­ректное решение задачи, тогда как эвристи­ческий метод дает приемлемое решение в большинстве случаев.

В экспертной системе существует четкое разделение знаний на:

знания о предметной области, называемые базой знаний;
знания о том, как решать задачи, называемые механизмом вывода;
знания о том, как взаимодействовать с пользовате­лем.

Программа, которая работает со знаниями, организованными подобным об­разом(т.е. база знаний +
мех-м вывода
), называется системой, основанной на знаниях.

База знаний экспертной системы содержит факты и правила, использующие эти факты как основу для принятия решений.

Механизм вы­вода содержит:

интерпретатор, определяющий, как применять правила для вывода новых знаний;
диспетчер, устанавливающий порядок применения правил.

Чтобы приносить реальную пользу, экспертная система должна иметь базу знаний, содержащую высококачественные знания о предметной области, а ее механизм вывода должен содержать знания о том, как эффек­тивно использовать знания о предметной области.

Разработка механизма вывода ЭС – нетривиальная задача, поскольку простой и общий метод орга­низации логического вывода отсутствует.

Чтобы ясно понимать суть этой проблемы, необходимо, во-первых, понимать, что структура логического вывода зависит и от специфики предметной области и от того, как знания структурированы и организо­ваны в ЭС, а во-вторых, осознавать возможности инструментальных средств построения экспертных систем.

Эти средства разделяются на четыре основных категории:

1. Языки программирования;

2. Языки инженерии знаний

3. Вспомогательные средства

4. Средства поддержки

Языки программирования, применяемые для работы в обла­сти экспертных систем
– это или проблемно-ори­ентированные
языки(Фортран, Паскаль) или языки обработки текстов
(Лисп, Пролог). Проблемно-ори­ентированные языки разработаны для специального класса за­дач: например, Фортран удобен для выполнения алгебраиче­ских вычислений и чаще всего применяется в научных, матема­тических и статистических исследованиях.

Наиболее широко используемым языком прог­раммирования для задач искусственного интеллекта является Лисп. Его популярность основывается на таких его свойствах, как легкое и гибкое манипулирование символами, авто­матическое управление памятью, развитые редактирование и средства отладки, едином подходе к представлению программ и данных, что позволяет программе на Лиспе модифицировать свой собственный код так же просто, как и данные. Последнее качество благоприятно для написания программ, которые могут вводить новые или модифицировать уже существующие в базе знаний правила.

Рассмотрим, как записывается обычное высказывание на языке Лисп:

Естественный язык	Лисп
Разлита нефть в строении №5	(МЕСТОНАХОЖДЕНИЕ (РАЗЛИТА НЕФТЬ) (СТРОЕНИЕ №5))

Здесь элемент МЕСТОНАХОЖДЕНИЕ действует как отношение, которое указывает, что его первый аргумент размещается в его втором аргументе.

Подобные Лисп языки программирования представ­ляют максимальную гибкость разработчику экспертной си­стемы, но не указывают ему, как представлять знания или как построить механизм доступа к базе знаний.

Язык инженерии знаний
– это язык построения экспертных систем, погруженный в обширное поддерживающее окружение. Языки инженерии знаний разделяются на скелетные
и универсальные.
Скелетный язык инженерии знаний – это экспертная система без специальных предметных знаний, включающая только механизм вывода и сред­ства поддержки.

Примеры

Первая ЭС в геологии PROSPECTOR → скелетный язык диагностики и классификации KAS.

ЭС диагностики и лечения бак­териальных инфекций MYCIN → скелетная система EMYCIN (EMPTYMYCIN).

Консуль­тационная система по глаукоме CASNET → скелетная система EXPERT.

Скелетные системы обеспечивают структуризацию знаний и готовые механизмы вывода, которые делают разра­ботку системы легкой и быстрой. Но они приложимы лишь к узкому классу проблем и сильно ограничивают возможности разработчика экспертных систем.

Универсальный язык инженерии знаний может быть приме­ним к проблемам разного типа в разных прикладных обла­стях. Он обеспечивает большие возможности управления поис­ком данных и доступом к ним, чем скелетные системы, но более сложен в использовании.

Все скелетные и универсальные языки находятся на уровне исследовательских разработок. Однако несколько компаний, специализирующихся в области искус­ственного интеллекта, продают версии языков инженерии зна­ний коммерческого уровня. Эти языки – между ске­летными системами и универсальными языками; многие из них возникли из скелетных систем и были развиты для того, чтобы стать более общими и легко применимыми.

Вспомогательные средства
– это программы, оказывающие помощь в приобретении знаний у экс­перта-человека и представлении их, и программ, которые помо­гают разработать проекты экспертных систем.

Эти программы должны выполнять очень сложные задания, из них большинство являются пока что чисто исследовательскими разработками, ко­торые лишь начали превращаться во что-то практически полез­ное, хотя некоторые системы уже предлагаются как закончен­ные коммерческие продукты.

Средства поддержки(или поддерживающее окружение) представляют собой пакеты программ, которые прилагаются к языку инженерии знаний, чтобы упростить его использование, облегчить диалог и сделать его более эффективным. Подразделяются на средства отладки, средства ввода/вывода, средства объяснения, редакторы базы знаний.

Таким образом, существует два подхода к разработке механизма вывода ЭС:

1. Использование предназначенного для построения экспертных си­стем языка высокого уровня(EMYCIN, KAS, EXPERT), в который уже встроен механизм вывода. Это об­легчает разработку ЭС, но ограничивает разработчика в выборе способа ор­ганизации знаний и доступа к ним. Предлагаемая схема управления процессом поиска реше­ния даже может быть негодна для данной предметной области.

2. Использование языка более низкого уровня(LISP, PROLOG, FORTRAN) без механизма вывода. Требует больших усилий на разработку, но позволяет разработать про­граммные блоки для схемы управления процессом решения, который будет адекватен дан­ной предметной области.

2.2.Представление знаний

В современных экспертных системах чаще всего используются три метода представления знаний:

правила (самый популярный);
семан­тические сети;
фреймы.

2.2.1.Методы, основанные на правилах

Представление знаний, основанное на правилах, построено на использовании выражений вида

ЕСЛИ (условие) — ТО (действие).

Пример:

[1] Если обвиняемый был с семьей в момент совершения преступления, то обвиняемый имеет алиби.

[2] Если обвиняемый имеет алиби, то обвиняемый не виновен.

Когда факты в задаче удовлетворяют части правила ЕСЛИ, то выполняется дей­ствие, определяемое частью ТО. Это действие может, например, состоять в распе­чатке текста на терминале пользователя, проверке и запуске некоторого набора правил или сводиться к указанию системе о добавлении нового факта или гипотезы в базу данных.

Сопоставление частей ЕСЛИ правил с фактами может по­родить так называемую цепочку выводов.

Рис. 4. Цепочка вывода для получения заключения о невиновности обвиняемого.

Правила обеспечивают естественный способ описания про­цессов, управляемых сложной и быстро изменяющейся внеш­ней средой. Через правила можно определять, как программа должна реагировать на изменение данных, а схема передачи управления и использования данных уже предопределена. Обработка здесь осуществляется последовательными шагами, а ветвление имеет место только в заранее выбранных точках. Этот способ управления хорошо работает в случае задач, до­пускающих алгоритмическое решение, если к тому же при этом данные меняются достаточно медленно, например, при решении систем линейных уравнений. Для задач, ход решения которых управляется самими данными, где ветвление скорее норма, чем исключение, этот способ малоэффективен. В зада­чах такого рода правила дают возможность на каждом шаге оценить ситуацию и предпринять соответствующие действия. Использование правил упрощает объяснение того, как программа пришла к кон­кретному заключению.

2.2.2.Представление знаний с использованием семантических сетей

Термин семантическая сеть
применяется для описания ме­тода представления знаний, основанного на сетевой структуре.

Семантические сети были первоначально разработаны как психологические модели человече­ской памяти, но теперь это стандартный метод представления знаний в ИИ и в экспертных системах.

Семантические сети состоят из узлов,
и связывающих их дуг.
Узлы соответствуют объектам, концепциям или собы­тиям. Дуги описывают отношения между узлами и могут быть определены разными методами, завися­щими от вида представляемых знаний. Обычно дуги, используе­мые для представления иерархии, включают дуги типа isa (яв­ляется) и has-part (имеет часть).

Например, два предложения «Куин Мэри является океанским лайнером» и «Каждый океанский лайнер является кораблем» удобно представить через семантическую сеть с использованием важного типа дуг: является.

Так как отношение является
транзитивно(a→bи b→c, то a→c), из сети можно вывести третье утверждение: «Куин Мэри является кораблем». Отношение является
и другие отношения, как например имеет-часть,
устанав­ливают свойство иерархии наследования
в сети. Т.е. в сети элементы более низкого уровня могут наследовать свойства элементов более высокого уровня.

Рассмотрим семантическую сеть, представляющую корабль.

Части корабля, такие, как двигательная установка, корпус, котель­ная, включены один раз на уровне корабля, и не нужно повторять эти узлы на более низком уровне иерархии, вроде типа корабля или конкретного корабля. На практике это свойство семантической сети позволяет сберечь огромные объемы памяти. Зная смысл отношений, обознач

аемых дугами, можно осуществлять поиск по сети, например, чтобы установить факты вроде «Куин Мэри имеет котельную». Семантические сети – один из самых удачных методов пред­ставления знаний о предметной области, который сильно уп­рощает поиск решения задач.

2.2.3.Методы, основанные на фреймах

В области искусственного интеллекта термином фрейм
обозначается специальный метод представления общих концепций и ситуаций.

Предложивший идею фрейма Марвин Минский, описывает его так:

«Фрейм – это структура данных, представляющая стереотипную си­туацию, вроде нахождения внутри некоторого рода жилой комнаты, или сбора на вечеринку по поводу дня рождения ребенка. К каждому фрейму присоединяется несколько видов информации. Часть этой ин­формации – о том, как использовать фрейм. Часть – о том, чего можно ожидать далее. Часть – о том, что следует делать, если эти ожидания не подтвердятся»

Фрейм является сетью узлов и отношений, организованных иерархически, где верхние узлы представляют общие понятия, а нижние узлы более частные случаи этих понятий или их свойства. Фрейм по своей организации во многом похож на семан­тическую сеть. Не случайно в ряде работ фреймы и семантические сети рассматриваются как методы представления знаний, основанных на фреймах. Они обеспечивают естественный и эффективный путь классифика­ции и систематизации знаний.

2.3.Основные характеристики экспертных систем

Специалисты в области ИИ имеют несколько более сложное представление о том, что такое экспертные системы.

Рис. 5. Особенности экспертной системы, отличающие ее от обычных про­грамм.

Компетентность

Умелая ЭС применяет знания эффективно и быстро, избегая громоздких или ненужных вычислений. Чтобы по-настоящему подра­жать поведению эксперта-человека, ЭС дол­жна обладать робастностью, т.е. уметь лишь постепенно сни­жать качество работы по мере приближения к грани­цам диапазона компетентности или допустимой на­дежности данных.

Символьные рассуждения

Эксперты, решая какие-то задачи (особенно такого типа, для решения которых применяются экспертные системы), об­ходятся без решения систем уравнений или других трудоемких математических вычислений. Вместо этого они с помощью сим­волов представляют понятия предметной области и применяют различные стратегии и эвристики в процессе манипулирования этими понятиями.

При решении задачи экспертная система способна выполнять определенные математические расчеты, но в основном она манипулирует сим­волами, которые соответ­ствуют понятиям предметной области. На жаргоне ИИ сим­вол – это строка знаков, соответствующая содержанию неко­торого понятия реального мира. Ниже приведены примеры символов,

продукт

ответчик

0.8

Эти символы можно объединить, чтобы выразить отноше­ния между ними. Когда эти отношения представлены в про­грамме ИИ, они называются символьными структурами. Да­лее приведены 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».

Кроме того, эксперты могут получить задачу, сформулированную неким произвольным об­разом, и преобразовать ее 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 экспертным системам для того, чтобы приблизить их мастерство к уровню экспертов-людей. К сожа­лению, большинство существующих в настоящее время экс­пертных систем не обладают этим свойством.

Глубина

ЭС должна работать эффективно в узкой пред­метной области, содержащей трудные, нетривиальные задачи. Поэтому правила в ЭС дол­жны быть сложными, либо в смысле сложности каждого пра­вила, либо в смысле их обилия.

Если же по отношению к сложной задаче или данным о ней сделаны существенные упрощения, полученное решение может оказаться неприменимым в масштабах, кото­рые характерны для реальной проблемы.

Самосознание

У большинства существующих экспертных систем есть так называемый механизм объяснения
. Это знания, необ­ходимые для объяснения того, как система пришла к данным решениям. Большинство 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 – одно из самых важных свойств экспертных систем.

«Самосознание» важно для экспертной системы, поскольку:

пользователи больше доверяют результатам системы.
систему легче от­лаживать и усовершенствовать.
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 экспертным си­стемам делать даже больше. Они сами смогут создавать обос­нования отдельных правил путем рассуждения, исходящего из основных принципов. Они будут приспосабливать свои объяс­нения к требованиям пользователя. Они смогут изменять соб­ственную внутреннюю структуру путем коррекции правил, ре­организации базы знаний и реконфигурации системы.

3.Основные виды деятельности экспертных систем

Экспертные системы можно классифицировать по типу их деятельности.

1.Интерпретирующие

Описывают ситуацию по информации, поступающей от датчиков. Обычно имеют дело с данными, которые зашумлены, неполны, ненадежны и нуждаются в обработке и последующем символьном представлении.

Интерпретирующие экспертные системы могут обработать разнообразные виды данных. Например, интерпретирующая система в геологии использует ка­ротажное зондирование — измерение проводимости горных по­род в буровых скважинах и вокруг них,— чтобы определить подповерхностные геологические структуры. Наконец, в воен­ном деле интерпретирующие системы используют данные от ра­даров, радиосвязи и сонарных устройств, чтобы оценить ситу­ацию и идентифицировать цели
.

2.Прогнозирующие

Определяют вероятные последствия заданных ситуаций.

Пример: прогноз ущерба урожаю от некоторого вида вредных насеко­мых, оценивание спроса на нефть на мировом рынке в зависи­мости от складывающейся геополитической ситуации и прогно­зирование места возникновения следующего вооруженного конфликта на основании данных разведки.

Иногда используют имитационное моделирование, т.е. программы, отражающие причинно-следственные взаимо­связи в реальном мире, чтобы сгенерировать ситуации, которые могут возникнуть при тех или иных входных данных. Чрезвычайно сложны и малочисленны.

3.Диагностические

Выявляют причины неправильного функционирова­ния системы по результатам наблюдений.

Большинство разработок – в медицине

Правило из системы MYCIN(диагностика бактериальной инфекции)

ЕСЛИ:

1) Окраска бактерий грамположительная

2) Морфология бактерий характерна для кокков

3) Форма колоний — цепочки

ТО:

Есть основания считать (0.7), что вид бактерий — стрептококк.

4.Системы проектирования

Строят конфигурации объектов при заданных ограничениях.

Наиболее популярные области применения – молекулярная биология и микроэлектроника.

Пример правила из системы проектирования XCON(составляет конфигурации компьютерных систем VAX, специалисты этой фирмы считали это невозможным
). Это пра­вило помогает установить подвод питания к SBI, высокоскоро­стной синхронной шине, которая связывает компоненты компьютера VAX.

ЕСЛИ:

Самый последний текущий контекст — это подвод шины питания

и SBl-модуль любого типа помещен в стойку и известно его положение в стойке (положение его разъемов)

и существует свободное место в стойке для под­вода шины питания к этому разъему и существует свободная шина питания

ТО: Подвести шину питания в свободное место стойки.

5.Планирующие

Определяют полную последовательность дейст­вий, прежде чем начнется их выполнение. Примеры: расчет на несколько дней плана воздушного на­падения для нейтрали­зации боеспособности противника. Обычно должны иметь способ­ность к возврату, т.е. отвергать некоторую последовательность рассуждений или часть плана из-за нарушения ограничений задачи и возвращать управление назад к более ранней точке или ситуации, из которой анализ должен начаться заново. Наиболее распространены в химии, электронике и военном деле.

Пример. Правило системы планирования авиаударов TATR, по­могает оценить, какие цели на этом аэродроме наиболее жела­тельно атаковать.

ЕСЛИ: На аэродроме обнаружены расположенные под открытым небом самолеты и число таких самоле­тов на аэродроме больше, чем 0,25 × (общее число самолетов на аэродроме)

ТО: Принять оценку самолета на этом аэродроме рав­ной ПРЕВОСХОДНО.

6.Наблюдающие

Работают в режиме реального времени, сравнивают действительное поведение наблюдаемого объекта с ожидаемым и интерпре­тацию его поведения.

Это может приводить к необходимости запоминать все значения некоторых парамет­ров системы (например, пульса), полученные в различные мо­менты времени, поскольку скорость и направление изменения могут быть столь же важны, как и действительные его значе­ния в любой момент времени.

Пример. Правило ЭС REACTOR, наблюдающей за работой ядерного реактора, и отыскивающей признаки аварийной ситуации .

ЕСЛИ: Передача тепла от первичной системы охлажде­ния ко вторичной системе недоста­точна и расход воды в системе подпитки невелик,

ТО: Неисправность состоит в утечке подпитывающей воды.

7.Отладочные

Выполняют отладку, находят ре­цепты для исправления неправильного поведения устройств. Мно­гие системы работают с простыми таблицами связей между неисправностями и рецептами исправления, но общая проблема отладки очень трудна и требует проектирования рецептов восстанов­ления и их оценивания через прогнозирование эффективно­сти. Отладочные системы часто включают диагностические компоненты для определения причин неисправностей. Это характерно для медицинских ЭС, где си­стема ставит диагноз заболевания, а затем производит «от­ладку», предписывая курс лечения.

8.Ремонтные

Очень малочисленная группа ЭС, выполняющих последовательности предписанных ис­правлений.

Примером является настройка масс-спектрометра, т. е. уста­новка ручек регулировки прибора в положение, обеспечивающее достижение оптимальной чувствительности, совместимой с пра­вильным отношением величин пиков и их формы.

9.Обучающие

Диагностируют, «отлаживают» и исправляют поведение обучаемого. Системы создают модель того, что обучающийся знает и как он применяет эти знания к решению проблемы. Системы указывают обучающемуся его оши­бки, строят и выполняют планы их исправления.

10.Управляющие

Адап­тивно руководят поведением объекта в целом. Примеры: управление производством, контроль за состоянием больных при интенсивной терапии. Вклю­чают компоненты наблюдения за поведением объекта на протяжении времени, но могут нуждаться также и в других компонентах: интерпретации, прогнози­рования, диагностики, проектирования, планирования, отладки, ремонта и обучения. Типичная комбинация задач состоит из наблюдения, диагностики, отладки, планирования и прог­ноза.

Существует также классификация ЭС по типам решаемых ими задач.

Многие из существующих ЭС выполняют сразу несколько видов работ и их затруднительно отнести к одному из приведенных классов. Поэтому специа­листы по ИИ находят полезным классифицировать экспертные системы по типам задач, которые такие системы решают.

Наибольшее количество ЭС создано в области медицины и химии. Также ЭС активно применяются в электронике и компьютерных системах, инженерном дело, геоло­гии, медицине и военном деле.

4.Экспертная система
PROSPECTOR
:

Система разработана Станфордским исследовательским институтом для оказания помощи ге­ологам в разведке рудных месторождений.

Это первая экспертная система-геолог. Работы продолжались с 1974 г. по 1983 г. На протяжении всего времени работы над проектом девять разных специали­стов-геологов предоставляли свой опыт и знания в распоряже­ние нескольких инженеров знаний и программистов. Понадоби­лось более чем 30 человеко-лет, включая полевые испытания и оценку системы, чтобы разработать ее нынешнюю версию.

Особенности PROSPECTOR:

реализована на мощном языке относительно низкого уровня INTERLISP;
для системы был разработан сложный пакет средств поддержки, содержащий средства объяснения, приобретения знаний;
обширные знания – более 1000 правил, оперирующих более чем 1000 геологическими терминами.

Рихард Дуда, один из ведущих специалистов проекта:

«Геолог начинает исследования, сообщая программе характеристики месторождения, которое его интересует,— тип залегания, параметры геологических структур, виды пород, минералов и вторичных продук­тов, имеющиеся или ожидаемые. Программа сравнивает эти наблюдения с моделями разного типа залежей руд, указывая черты сходства, раз­личия и недостающую информацию. Программа затем вовлекает геолога в диалог, чтобы получить дополнительную информацию и с ее помощью оценить запасы руды в данном месторождении. Наша цель состоит в том, чтобы обеспечить геолога службой сервиса, сопоставимой с телефон­ной связью с источниками информации относительно рудных месторож­дений разного типа».

База знаний PROSPECTORсодержит три модели
геологических зна­ний: о сульфидных, свинцово-цинковых или меднорудных месторождениях.

Рис. 6. Решаемые подзадачи

Рассмотрим фрагменты протокола, которые иллюстрируют, как PROSPECTOR ведет диалог с геологом, чтобы классифицировать заданный географический регион.

Сначала пользователь вводит информацию о регионе. Это можно сделать в любой момент сеанса и столько раз, сколько нужно. PROSPECTOR переформули­рует введенные утверждения и приписывает им коэф­фициенты уверенности, исходя из информации пользователя.

1:Присутствуют дайки

В строке 3 вместо термина сиенодиорит под­ставлен синоним и пользователю сообщено, что эта форма предпочтительнее.

(Дайки) (5)

2: Присутствуют меловые диориты

(Меловые диориты) (5)

3: Возможно, есть сиенодиорит

(Монцонит) (3)

4:Может быть некоторое количество кварцевого монцонита

Ключевое слово завершает фаза ввода. PROSPECTOR выдвигает гипотезу о крупном месторождении сульфидов в данном регионе и начи­нает ее проверять.

Ключевое слово завершает фаза ввода. PROSPECTOR выдвигает гипотезу о крупном месторождении сульфидов в данном регионе и начи­нает ее проверять.

(Кварцевый монцонит) (2)

…

…

Все

Я рассматриваю возможность крупного (*типа Куроко суль­фидного месторождения — КСМ) в исследуемом регионе.

14: До какой степени вы уверены, что:

Отвечая «?», пользователь просит переформулировать вопрос.

(* Вулканическая провинция и зона крупного разлома) ?

?

*
Хотя наличие разлома имеет большое значение, заметьте, что он может присутствовать, но его трудно обнаружить. Та­ким образом, отсутствие наблюдаемого разлома не должно слишком сильно повлиять на ваш ответ. Имея это в виду, до какой степени вы уверены в том, что район поисков находится в вулканической провинции и лежит в зоне крупного разлома?

–2

…

…

16: В какой степени вы уверены, что: (* Галенит, сфалерит или медный колчедан выполняют тре­щины в риолите, даците или андезите)?

–5

Получив уверенный отрицательный ответ, PROSPECTORотказывается от гипотезы о месторождении сульфидов и выдвигает гипотезу о залежах медно-порфировых руд. Система начинает задавать вопросы, чтобы проверить эту новую гипотезу.

Я рассматриваю возможность (* месторождения типа А медно-порфировых руд - МПРА) в исследуемом регионе

…

…

28: В какой степени вы уверены, что:

Здесь пользователь хочет понять, с какой целью PROSPECTORзадает этот вопрос.

(* В районе поисков существуют вулканические скальные по­роды того же возраста, что и интрузивные тела в породах)?

Почему

Я пытаюсь определить картину глубинных пластов в области исследования. Существование вулканических пород одного воз­раста— важный признак выхода искомых пород на поверхность. Искомый объект (МПРА) должен лежать, как правило, ниже (т. е. находиться на большей глубине) вулканических пород одного возраста.

28: В какой степени вы уверены в том, что: (* В районе поисков существуют вулканические скальные по­роды того же возраста, что и интрузивные тела)?

3

…

…

32: В какой степени вы уверены в том, что: (* В интрузивных породах содержится кварцевый монцо­нит)?

4

PROSPECTOR отмечает противоречия в ответах пользователя, так как информация в строке 4 должна быть согласована с ответом на воп­рос 32. Пользователь решает пересмотреть свое бо­лее раннее утверждение.

** Этот ответ представляется противоречащим вашим преды­дущим ответам на следующие вопросы:

4: (кварцевый монцонит) (2)

Вы хотите изменить ваш ответ на вопрос 32?

Нет

Новый ответ на вопрос 4 = ?

4

33: В какой степени вы уверены, что:

(* В интрузивных породах содержится гранодиорит)?

Задав еще 44 вопроса, PROSPECTOR решает, что ин­формации достаточно, чтобы сделать заключение о том, что регион содержит месторождение типа А медно-порфировых руд (МПРА).

3

…

…

На шкале от –5 до 5 наша уверенность, что имеется место­рождение (МПРА), равно 1.683. В итоге мы обнаружили сле­дующее:

Основные заключения в пользу гипотезы:

– Соответствующее геологическое строение региона (3.576)

– Соответствующее петро-тектоническое окружение (3.333)

– Соответствующая интрузивная система для МПРА (1.683)

Первые четыре наблюдения, поддерживающие гипотезу, суть:

– В исследуемом регионе есть система гранитных интру­зий (5.0)

– В пределах активной континентальной окраины име­ются гранитные интрузии (5.0)

– Здесь же наблюдаются эвгеосинклинальные метамор-физованные осадочные и вулканические породы от позднего палеозоя до раннего мезозоя (5.0)

– Наблюдаются измененные породы (5.0)

Существуют много других наблюдений в пользу гипотезы;

хотите рассмотреть еще какие-нибудь из них?

Нет

Я не могу больше ничего сделать с этой гипотезой; хотите рассмотреть еще какую-нибудь?

Хватит.

Принципы функционирования
PROSPECTOR

PROSPECTOR использует правила вида

ЕСЛИ E ТО H (со степенью доверия) LS, LN

которые связывают свидетельства о тех или иных геологических фактов (E) с гипотезой (H), выдвигаемой на основании этих сви­детельств. Свидетельство Еподдерживает гипотезу H со степенью доверия, которая определяется коэффициентами уверенности LS, LN.

LS указывает, насколько увеличивается доверие к ги­потезе при обнаружении данного свидетельства, LN указывает, насколько оно уменьшается при отсутствии свидетельства.

Правила в PROSPECTOR чаще всего имеют простую структуру: в части ЕСЛИ каждого правила содержится не­много свидетельств (часто только одно).

Кроме того каждое сви­детельство и каждая гипотеза в системе имеет свой собствен­ный коэффициент уверенности Р,– это вероятность наличия свидетельства или справедливости гипотезы.

Примеры свидетельств в системе PROSPECTOR:

El и Е2 и E3, El или Е2, Е1 и (Е2 или E3).

Правила в системе PROSPECTOR, образуют большую сеть логического вывода.

Например, 3 правила

El и Е2 → H2(LS1, LH1)

H2 → H1(LS2, LH2)

Е3 → H1(LS3, LH3)

образуют фрагмент сети

Рис.7

Зна­чения коэффициентов уверенности LS и LN определены при создании модели и неизменны при работе системы. Значения коэффициентов уверенности Р и коэффициентов уверенности свидетельств и гипотез изменяются в зависимости от информации пользовате­ля.

Например, пользователь вводит информацию:

Е1 может находиться в регионе.

PROSPECTORинтерпретирует это условное выражение, присваивая вероятности наличия свидетельстваP4 значение 2 по шкале от –5 (уверенность в отсутствии Е1) до +5 (полная уверенность в El). Т.к. Р4 изменилась, то изменяется РЗ – вероятность гипотезы Н2. Это влечет изменение вероятности гипотезы H1.

Информация, которая поступает в систему от пользователя, автоматически приводит к указанному распрост­ранению вероятности “вверх”. В результате непрерывно изменяются вероятности целе­вых гипотез, например о том, что в регионе содержится опреде­ленный тип сульфидных, свинцово-цинковых или меднорудных залежей. PROS­PECTOR все время переключается на гипотезу, у которой вероятность выше, чем у остальных. Строка 16 про­токола иллюстрирует это: система отбрасывает выдвинутую гипотезу о сульфидном месторож­дение, пытаясь вместо нее показать, что вероятно месторожде­ние меди.

Та часть системы PROSPECTOR, которая осуществляет распространение вероятности вверх по сети вывода, и есть меха­низм вывода.

Механизм вывода просматривает правила, поддерживающие вы­двинутую в данный момент гипотезу, и задает лучший вопрос о свидетель­ствах, входящих в эти правила. Лучший вопрос тот, ответ на который наиболее сильно повлияет на вероятность выдвинутой гипотезы.

Рассмотрим пример выше. Если выдвинута гипотеза H1, система проверяет правила Е3 → H1 и H2 → H1, чтобы решить, зна­ние какой из предпосылок, ЕЗ или H2, может сильнее повлиять на вероятность H1. Если сильнее влияет ЕЗ, система спросит пользователя о ЕЗ. Если сильнее влияет Н2, система использует ту же процедуру, чтобы найти вопрос, ответ на который в наибольшей степени повли­яет на вероятность H2. Этот поиск в обратном направлении че­рез просмотр правил продолжается до тех пор, пока не будет окончательно выбран вопрос. Поскольку доступ к правилам осуществляется из части ТО к части ЕСЛИ, такая процедура просмотра является разновидностью обратной цепочки рассуж­дений
. Когда получен ответ, правила начинают обрабатываться с части ЕСЛИ к части ТО. Этот тип обработки называется прямой цепочкой рассуждений.

*****

Сначала PROSPECTOR был протестирован на уже открытых месторождениях. Система точно предсказывала расположение рудных за­лежей. В 1980 г. PROSPECTOR был использован для разведки плохо изученной местности возле Маунт Толмаж восточнее Вашингтона. Си­стема PROSPECTOR проанализировала геологические, геофи­зические и геохимические данные, описывающие этот район, и предсказала наличие залежей молибдена в конкретном ме­сте. Последовавшее разведочное бурение подтвердило предсказание и в том отношении, где наблюдаются породы, содержащие молибден в промысло­вых концентрациях, и в том отношении, где их нет. Ценность залежей составляла свыше 100 млн. долл.