Знания и модели их представления

Основные понятия искусственного интеллекта

Системы искусственного интеллекта ориентированы на решение большого класса задач, называемых неформализуемыми (трудно фор­мализуемыми). Такие задачи обладают следующими свойствами [52]:

♦ алгоритмическое решение задачи неизвестно или нереализуемо

из-за ограниченности ресурсов ЭВМ;

♦ задача не может быть представлена в ЧИСЛОВОЙ форме;

♦ цели решения задачи не могут быть выражены в терминах точно определенной целевой функции;

♦ большая размерность пространства решения;

♦ динамически изменяющиеся Данные и знания.

В исследованиях по искусственному интеллекту можно выделить два основных направления [52].

1. Программно-прагматическое — занимается созданием программ, с помощью которых можно решать те задачи, решение которых до это­го считалось исключительно прерогативой человека (программы рас­познавания, решения логических задач, поиска, классификации). Это направление ориентировано на поиски алгоритмов решения интеллек­туальных задач на существующих моделях компьютеров.

2. Бионическое занимается проблемами искусственного воспро­изведения тех структур и процессов, которые характерны для челове­ческого мозга и которые лежат в основе процесса решения задач чело­веком. В рамках бионического подхода сформировалась новая наука — нейроинформатика, одним из результатов которой стала разработка нейрокомпьютеров.

Классическим принято считать программно-прагматическое на­правление. В рамках этого направления сначала велись поиски моде­лей и алгоритма человеческого мышления.

 

Существенный прорыв в практических приложениях систем искус­ственного интеллекта произошел в середине 70-х годов, когда на сме­ну поискам универсального алгоритма мышления пришла идея моде­лировать конкретные знания специалистов-экспертов. Так ПОЯВИЛИСЬ системы, основанные на знаниях, экспертные системы. Сформиро­вался новый подход к решению интеллектуальных задач — представление и использование знаний [52]. Интересно, что понятие «знание» не имеет на сегодняшний день какого-либо исчерпывающего определения.

Знания — это выявленные закономерности предметной области (принципы, связи, законы), позволяющие решать задачи в этой области. С точки зрения искусственного интеллекта знания можно определить как формализованную информацию, на которую ссылаются в процес-

се логического вывода [9, 52].

Приведем ряд определений [9,52].

Ваза знаний это совокупность знаний, описанных с использова­нием выбранной формы их представления. База знаний является ос­новой любой интеллектуальной системы. База знаний содержит опи­сание абстрактных сущностей: объектов, отношений, процессов.

Знания можно разделить на процедурные и декларативные. Исто­рически первыми использовались процедурные знания, то есть зна­ния, представленные в алгоритмах. Алгоритмы, в свою очередь, были реализованы в программах. Однако развитие систем искусственного интеллекта повысило приоритет декларативных знаний, то есть зна­ний, сосредоточенных в структурах данных.

Процедурные знания хранятся в памяти ИС в виде описаний проце­дур, с помощью которых можно получить знания. Так обычно описыва­ются способы решения задач предметной области, различные инструк­ции, методики и т. д. Процедурные знания составляют ядро базы знаний.

Декларативные знания —это совокупность сведений о качественных и количественных характеристиках объектов, явлений, представлен­ных в виде фактов и эвристик. Традиционно такие знания накаплива­лись в виде разнообразных таблиц и справочников, ас появлением ЭВМ приобрели форму информационных массивов и баз данных. Де­кларативные знания часто называют просто данными [52].

Одной из наиболее важных проблем разработки систем искусствен­ного интеллекта является представление знаний.

Представление знаний — это их формализация и структурирование, с помощью которых отражаются характерные признаки знаний: вну­тренняя интерпретируемость, структурированность, связность, семан­тическая метрика и активность [52].

При работе со знаниями используются два основных подхода [52]:

♦ логический (формальный) подход, при котором основное внимание уделяется изучению и применению теоретических методов пред­ставления знаний, формализации, а также логической полноте;

♦ эвристический (когнитивный) подход, который ориентируется на обеспечение возможностей решения задач. При этом опора делается на принцип организации человеческой памяти и эври­стическое моделирование. В отличие от формальных, эвристи­ческие модели имеют разнообразный набор средств, передающих специфические особенности той или иной области.

Существуют следующие основные модели представления знаний:

♦ логические модели:

♦ продукционные модели:

♦ семантические сети;

♦ фреймовые модели:

♦ модели, основанные на нечетких множествах.

11.1.2. Логические модели представления знаний

Согласно логическому подходу, вся система знаний, необходимая

для решения прикладных задач, рассматривается как совокупность утверждений.

Система знаний представляется совокупностью формул логики предикатов. Эта логика оперирует простыми высказываниями, рас­члененными на с убъект (нечто лежащее в основе) и предикат (нечто утверждаемое о субъекте). Предикат отображает наличие или отсут­ствие у субъекта того или иного признака.

Формулы в базе знаний неделимы. Модификация базы предполагает лишь добавление и удаление формул. Логические методы обеспе­чивают развитый аппарат вывода новых фактов на основе тех, что

представлены в базе знаний.

Основной недостаток логических методов — отсутствие четких принципов организации фактов в базе знаний. Без формулирования таких принципов модель может превратиться в плохо обозримый кон­гломерат независимых фактов, не поддающихся анализу и обработке. Поэтому логические методы используются преимущественно в тех предметных областях, где система знаний невелика по объему и отно­сительно проста по структуре [33].

В основе логических моделей лежит формальная система, задава­емая четверкой вида [33]:

 

М=<Т, Р, А, В>.

Множество T есть множество базовых элементов различной приро­ды, входящих в состав некоторого набора. Важно, что для множества T существует некоторый способ определения принадлежности или не­принадлежности произвольного элемента к этому множеству.

Множество Р есть множество синтаксических правил. С их помощью из элементов T образуют синтаксически правильные совокупности.

В множестве синтаксически правильных совокупностей выделяется подмножество A. Элементы А называются аксиомами.

Множество В есть множество правил вывода. Применяя их к элементам А, можно получить новые синтаксически правильные совокупности, к которым снова можно применять правила ИЗ В.

Правила вывода являются наиболее СЛОЖНОЙ составляющей фор­мальной системы. В базе знаний хранятся лишь те знания, которые образуют множество А, а все остальные знания получаются из них по правилам вывода.

11.1.3. Продукционные модели представления знаний

Психологические исследования процессов принятия решений по­казали, что, рассуждая и принимая решения, человек использует про­дукционные правила (от англ. production правило вывода). В общем случае продукционное правило можно представить в следующем виде [52]:

i: S; L; A ->В; Q,

где i - индивидуальный номер продукции; S - описание класса ситуаций, в котором данная структура может использоваться; L - условие, при котором продукция активизируется; А->В — ядро продукции, на­пример: «ЕСЛИ A₁, A₂,.... А_п ТО В)>. Такая запись означает, что «если все условия от А₁, до А_п являются истиной, то В также истина»; Q — постусловие продукционного правила, описывает операции и действия (процедуры), которые необходимо выполнить после выполнения В.

В левой части правила продукции ставится некоторое условие, а в пра­вой части — действие. Если все условия истинны, то выполняется дей­ствие, заданное в правой части продукции.

При использовании продукционной модели база знаний состоит из набора правил. Программа, управляющая перебором правил, называ­ется машиной вывода. Механизм вывода связывает знания воедино, а затем выводит из последовательности знаний заключение.

Свойства продукционных моделей [52]:

♦ МОДУЛЬНОСТЬ — отдельные продукционные правила могут быть добавлены, удалены или изменены в базе знаний независимо от других;

♦ каждое продукционное правило является самостоятельным эле­ментом знаний;

♦ простота смысловой интерпретации;

♦ естественность с точки зрения здравого смысла.

Недостатки продукционных систем проявляются тогда, когда число правил становится большим и возникают непредсказуемые побочные

эффекты от изменения старого и добавления нового правила. Кроме того, затруднительна шинка целостного образа знаний, содержащих­ся в системе [52].

Семантические сети

Семантическая сеть — это модель формализации знаний в виде ори­ентированного графа с размеченными вершинами и дугами. Верши­нам соответствуют объекты, понятия или ситуации, а дугам — отно­шения между ними.

В качестве ПОНЯТИЙ обычно выступают абстрактные или конкрет­ные объекты, а отношения - это связи типа: «это» («АКО — A-Kind­Of>, «is»), «имеет частью» («has part»), «принадлежит». Характерной особенностью семантических сетей является обязательное наличие трех типов отношений [9]:

♦ класс - элемент класса;

♦ свойство- значение;

♦ пример элемента класса.

Наиболее часто в семантических сетях используются следующие отношения |9]:

♦ связи типа «часть—целое»;

♦ функциональные связи (определяемые обычно глаголами «про­изводит», «влияет» и др.);

♦ количественные (больше, меньше, равно и т. д.);

♦ пространственные (далеко от, близко от и др.);

♦ временные (раньше, позже и др.);

♦ атрибутивные связи (иметь свойство, иметь значение);

♦ логические связи (И, ИЛИ, НЕ);

♦ лингвистические связи и др.

Физический объект

 

Рис. 11.1. Пример семантической сети¹

На рис. 11.1 показан пример семантической сети, иллюстрирующей

предложение «Джон на протяжении периода времени с t1 по t2 владел автомобилем марки "Олдблэк"» [39]. На рисунке показаны дуги s, e, владелец, объект, начало, конец; s и е означают «подмножество» и «элемент» соответственной показывают иерархические понятия. Дан­ную сеть легко представить с помощью фреймовой модели. Достоинства сетевых моделей [52]:

¹ Источник: Представление и использование знаний: Пер. с япон./ Под ред.

X. Уэно. М. Исидзука. - М.: Мир, 1989.

♦ большие выразительные возможности;

♦ наглядность системы знаний, представленной графически;

♦ близость структуры сети, представляющей систему знаний, се­мантической структуре фраз на естественном языке;

♦ соответствие современным представлениям об организации дол­говременной памяти человека.

Недостатки сетевых моделей [52];

♦ сетевая модель не дает ясною представления о структуре пред­метной области, которая ей соответствует, поэтому формирова­ние и модификация такой модели затруднительны;

♦ сетевые модели представляют собой пассивные структуры, для обработки которых необходим специальный аппарат формально­го вывода и планирования;

♦ СЛОЖНОСТЬ поиска вывода па семантических сетях.

11.1.5. Фреймовые модели представления знаний

Термин фрейм (frame - каркас, рамка) предложен М. Минским в 70-е годы для обозначения структуры знаний по восприятию пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование. Под фреймом понимается

абстрактный образ или ситуация. Например, слово «комната» вызы­вает образ комнаты «жилое помещение с четырьмя стенами, полом, потолком, окнами и дверью". Из этого описания ничего нельзя убрать, например, убрав окна, мы получим уже чулан, а не комнату. Но в нем есть «слоты» — незаполненные значения некоторых атрибутов - количество окон, цвет стен, высота потолка, покрытие пола и др. Такой образ и называется фреймом (фреймом минимального описания). Фреймом называется также и формализованная модель этого образа.

Пример фреймовой системы, описывающей аудиторию, показан на рис. 11.2 [39].

Фреймовая модель, основанная на теории М. Минского, представ­ляет собой систематизированную в виде единой теории технологиче­скую модель памяти человека и его сознания. В общем случае фрейм определяется следующим образом [52]:

f = [(r₁, v₁,), (r_n,...,v_n)],

где f — имя фрейма; v_j — значение слота,

 

Аудитория Г 325

Фрейм аудитории

Потолок

IS-Г 325

Аудитория

 

Пол

Вместимость

20-40

 

Задняя стена

Назначение

Чтение лекций

 

Левая стена

Передняя стена

Правая стена

Рис. 11.2. Пример фреймового представления аудитории: а — интерьер аудитории Г 325, б — пример представления фреймами аудитории Г 325

НЛП

(ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота), (имя 2-го слота; значение 2-го слота), (имя n-го слота: значение n-го слота)).

Значением слота может быть практически все что угодно.

 

Все фреймы взаимосвязаны и образуют- единую фреймовую структуру, в которой органически объединены декларативные и процедур­ные знания. Это дает возможность достаточно быстро производить композицию и декомпозицию информационных структур аналогично тому, как это делал бы человек при описании структуры своих знании.

Важнейшим свойством фреймов является заимствованное из те­ории семантических сетей наследование свойств. И во фреймах, и в

семантических сетях наследование происходит по связям тина «ЭТО»

(АКО - A-Kind-Of). Слот АКО указывает на фрейм более высокого

уровня иерархии, откуда неявно наследуются, то есть, переносятся, значения аналогичных слотом, причем наследование свойств может быть частичным [9].

Фреймовые модели является достаточно универсальными, посколь­ку позволяют отобразить все многообразие знаний о мире посред­ством [9]:

♦ фреймов-структур для обозначений объектов и понятий (заем, залог, вексель);

♦ фреймов-ролей (менеджер, кассир, клиент);

♦ фреймов-сценариев (банкротство, собрание акционеров);

♦ фреймов-ситуаций (авария, рабочий режим устройства ит. д.).
К основным достоинствам фреймовой модели относятся:

♦ способность отражать концептуальную основу организации па­мяти человека;

♦ наглядность представления;

♦ модульность;

♦ возможность использования значений слотов по умолчанию.

Однако фрейм-представление является не конкретным языком пред­ставления знаний, а некоторой идеологической концепцией, реализу­емой по-разному в различных языках. Теория фреймов послужила толчком к разработке нескольких языков представления знаний, ко­торые благодаря своим широким возможностям и гибкости стали в последние годы довольно распространенными [52]. Основным недо­статком фреймовых моделей является отсутствие механизмов управ­ления выводом.

11.1.6. Использование теории нечетких множеств в представлении знаний

При попытке формализовать человеческие знания исследователи столкнулись с проблемой, затруднявшей использование традицион-

 

нога математического аппарата для их описания. Существует целый

класс описаний, оперирующих качественными характеристиками объектов (много, мало, сильный, оченъ сильный и т. п.). Эти характе­ристики обычно размыты и не могут быть однозначно интерпретиро­ваны, однако содержат важную информацию [9].

В задачах, решаемых интеллектуальными системами, часто прихо­дится пользоваться неточными знаниями, которые не всегда могут имен, чет кие значения истинности.

В начале 70-х американский математик^- Лотфи Заде предложил

формальный аппарат нечеткой (fuzzy) алгебры и нечеткой ЛОГИКИ.

Позднее это направление получило широкое распространение и поло­жило начало одной из ветвей искусственного интеллекта под названием мягкие вычисления [9]. Л. Заде ввел одно ИЗ главных понятии в нечеткой логике - понятие лингвистической переменной.

Лингвистическая переменная (ЛП) - это переменная, значение ко­торой определяется набором словесных характеристик некоторого свойства.

Например, ЛП «ветер» определяется через набор {слабый, умерен­ный, сильный, очень сильный}. Значения лингвистической перемен­ной определяются через так называемые нечеткие множества.

Нечеткое множество определяется через некоторую базовую шкалу

В и функцию принадлежности нечеткому множеству p (x). х е В, при­нимающую значения на интервале [0...1]. Таким образом, нечеткое

множество В — это совокупность пар вида (x, p (x)), где х е В. Часто встречается и такая запись [9]:

" г

filK*,)

где xi - i-е значение базовой шкалы.

Функция принадлежности определяет субъективную степень уве­ренности эксперта в том, что данное конкретное значение базовой шкалы соответствует определяемому нечеткому множеству.

Рассмотрим пример¹.

Предположим, имеется задача интерпретации значений ЛП «воз­раст», таких как «молодой», «преклонный» или «переходный» возраст. Определим «возраст» как ЛП. Тогда «молодой», «преклонный», «пе­реходный» будут значениями этой лингвистической переменной. Бо-

¹ Источник: Представление и использование знаний Пер.с япон./ Под ред. X. Уэно, М. Исидзука. - М.: Мир, 1989. - 220 с.

лее полно, базовый набор значений ЛП «возраст" следующий: В рав-

но {младенческий, детский, юный, молодой, зрелый, преклонный, старческий}. Для ЛИ «возраст» базовая шкала - это числовая шкала от 0 до 120,

обозначающая количество прожитых лет, а функция принадлежности определяет, насколько мы уверены в том, что данное количество лет можно отнести к данной категории возраста.

Например, определить значение нечеткого множества «младенче­ский возраст» можно так:

«младенческий»

0,5 1 2 34 5 10

1 0,9 0,8 0,7 0,6 0,3⁺ 0,1

Рис. 1 1.3 иллюстрирует оценку нечеткого множества неким усред­ненным экспертом, который ребенка до полугода с высокой степенью уверенности относит к младенцам (m=1).

P(х)

1.0

0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2

0,1

0,0

0 1

Возраст

Рис. 11.3. График функции принадлежности нечеткому множеству «младенческий возраст»

Дети до четырех лет причисляются к младенцам тоже, но с меньшей степенью уверенности (0,5< m <0,9), а в десять лет ребенка называют так в очень редких случаях. Таким образом, нечеткие множества по­зволяют при определении понятия учитывать субъективные мнения отдельных индивидуумов.

Для операций с нечеткими знаниями, выраженными при помощи лингвистических переменных, существует много различных способов. Эти способы являются в основном эвристиками.

11.2. Экспертные системы и базы знаний

Экспертные системы (ЭС) - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных об­ластях и тиражирующие этот опыт для консультаций менее квали­фицированных пользователей [52].

Обобщенная структура экспертной системы представлена на рис. 11.4. Блоки, изображенные на рисунке, присутствуют в любой экспертной системе.

В целом процесс функционирования ЭС можно представить следующим образом: пользователь, желающий получить необходимую ин­формацию, через пользовательский интерфейс посылает запрос к ЭС. Решатель, на основе базы знаний, генерирует и выдаст пользователю подходящую рекомендацию, объясняя ход своих рассуждений при по­мощи подсистемы объяснений.

 

 

 

 

 

 

 

 

 

 

 

 

	Решатель
					Инженер по знаниям
Интерфейс пользователя		База знаний		Редактор базы знании
+
			Подсистема объяснений
			Эксперт
Пользователь

Рис. 11.4. Структура экспертной системы'

Приведем ряд определений [9, 52].

Пользователь — специалист предметной области, для которою пред­назначена система. Обычно его квалификация недостаточно высока, и ПОЭТОМУ он нуждается в помощи экспертной системы.

' Источник: Экономическая информатика / Под ред. П. В. Конюховского и Д. II. Колесова. - СПб.: Питер. 2000.

Инженер по знаниям —специалист в области искусственного интел-лекта, выступающий к роли посредника между экспертом и базой знаний.

Интерфейс пользователя — комплекс программ, реализующих диа­лог пользователя с ЭС как на стадии ввода информации, гак и при по­лучении результатов.

База знаний (БЗ) — ядро ЭС, совокупность знаний предметной об­ласти, реализованная на основе выбранной модели представления зна­ний и записанная на машинный носитель в форме, понятной эксперту и пользователю.

Решатель программа, моделирующая ход рассуждений.жсперта на основании знаний, имеющихся в БЗ.

Подсистема объяснений программа, позволяющая пользователю получить, ответы на вопросы: «Как была получена та или иная реко­мендация?» и «Почему система приняла такое решение?» [52].

Интеллектуальный редактор БЗ - программа, предоставляющая инженеру познаниям возможность создавать БЗ в диалоговом режи-

мe. Включает в себя систему вложенных меню, шаблонов языка пред­ставления знаний, подсказок и других сервисных средств, облегча­ющих работу с базой.

В настоящее время существует несколько тысяч программных ком­плексов, называемых экспертными системами. ЭС можно классифи­цировать по следующим признакам (рис. 11.5). Автономные ЭС рабо­тают непосредственно в режиме консультации с пользователем для специфически «экспертных» задач, решение которых не требует при­влечения традиционных методов обработки данных (расчеты, моде­лирование и т. д.).

В табл. 11.1 приведены примеры задач, для решения которых ис­пользуются экспертные системы |9].

Все системы, основанные па знаниях, можно разделить на системы, решающие задачи анализа, и системы, решающие задачи синтеза. Ос­новное отличие задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, ГО в задачах синтеза множество решений потен­циально не ограничено и строится из решений подпроблем. Задачами анализа являются интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, пла­нирование, управление [9|.

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени.

Квазидинамические ЭС интерпретируют ситуацию, которая меня­ется с некоторым фиксированным интервалом времени.

Динамические ЭС работают режиме реального времени, обеспечи­вай непрерывную интерпретацию поступающих в систему данных.

Экспертные системы

По задаче

Интерпретация данных

Диагностика

Проектирование

Прогнозирова­ние

Планирование

Обучение

По связям с реальным временем

Статические

Квазидинами­ческие

Динамические

 

По типу ЭВМ
> На супер-ЭВМ
►	На ЭВМ средней производи­тельности
►	На символьных процессорах
"	На рабочих станциях
►	На ПЭВМ

По степени интеграции

Автономные

Гибридные (интегриро­ванные)

Рис. 11.5. Классификация экспертных систем'

Гибридные ЭС представляют программный комплекс, включающий стандартные пакеты прикладных программ и средства манипулирова­ния знаниями.

Нол коллективом разработчиков (КР) будем понимать группу спе­циалистов, ответственных за создание ЭС.

В состав КР входят пользователь, эксперт, инженер по знаниям и программист. Обычно КР насчитывает 8-10 человек [9].

При формировании КР должны учитываться психологические свой­ства участников.

От пользователя зависит, будет ли применяться разработанная ЭС.

Необходимо, чтобы пользователь имел некоторый базовый уровень квалификации, который позволит ему правильно истолковать рекомен-

¹ Источник: Базы знаний интеллектуальных систем / Т. А. Гаврилова, В, Ф. Хорошевский - СПб.: Питер, 2000.

Таблица 11.1 Задачи, для решения которых используются экспертные системы

 

Класс задач	Примеры задач
Интерпретация данных (процесс определения СМЫСЛЯ данных)	-обнаружение и идентификация различных гипов океанских судов по результатам аэрокосмического сканирования; - определение основных свойств личности по результатам психодиогностического тестирования
Диагностика	диагностика в медицине; -диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ
Мониторинг	- контроль работы электростанций; - контроль аварийных датчиков на химическом заводе
Проектирование	- проектирование конфигураций ЭВМ; - проектирование БИС; - синтез электрических цепей
Прогнозирование	- предсказание погоды; - прогнозирование урожая; прогнозирование экономики
Планирование	- планирование поведения робота; планирование заказов; - планирование эксперимента
Обучение	- обучение языку программнрования ЛИСП; -обучение языку Паскаль
Управление	- управление предприятием; - управление проектами
Поддержка принятия решений	- выбор стратегии выхода фирмы из кризисной ситуации; - помощь в выборе страховой компании или инвестора

дации ЭС. Обычно требования к квалификации пользователя не очень

велики, иначе ОН переходит В разряд экспертов И не нуждается и ЭС. Эксперт важная фигура в группе КР. В конечном счете, его под­готовка определяет уровень компетенции балы знаний. Желательные

качества характера эксперта [33]:

♦ доброжелательность;

♦ готовность поделиться своим опытом;

♦ умение объяснить (педагогические навыки);

♦ заинтересованность в успешности разработки.

Часто истает вопрос о количестве экспертов. Поскольку проб совмещения подчас противоречивых знаний остается открытой, обыч­но с каждым из экспертов работают индивидуально, иногда создавая альтернативные базы [33].

Инженер по знаниям ведет диалог с экспертом, обеспечивая полу­чение знаний для ЭС. От инженера зависит продуктивность этого про­цесса.

Системы, основанные на знаниях, обладают следующими специфи­ческими свойствами [33]:

♦ экспертиза может проводиться только в одной конкретной области;

♦ база знаний и механизм вывода являются различными компонен­тами;

♦ наиболее подходящая область применения - решение задач де­дуктивным методом, т. е. правила или эвристики выражаются в виде пар посылок и заключений типа «если - то>;

♦ эти системы могут объяснять ход решения задачи понятным пользователю способом;

♦ выходные результаты являются качественными (а не количе­ственными);

♦ системы, основанные на знаниях, строятся по модульному прин­ципу, что позволяет постепенно наращивать их базы знаний.

При определении целесообразности применения ЭС нужно руко­водствоваться следующими критериями [33]:

♦ данные и знания надежны и не меняются со временем;

♦ пространство (или область) ВОЗМОЖНЫХ решений относительно невелико;

♦ в процессе решения задачи должны использоваться формальные рассуждения;

♦ должен быть по крайней мере один эксперт, способный явно сформулировать свои знания и объяснить методы применения этих знаний ДЛЯ решения задач.

Но даже лучшие из экспертных систем имеют определенные огра­ничения по сравнению с человеком-экспертом, которые сводятся к сле­дующему [33]:

♦ большинство экспертных систем непригодны для применения
конечным пользователем. Если пользователь не имеет некоторо­
го опыта работы с такими системами, у него могут возникнуть
серьезные трудности;

♦ навыки системы не всегда возрастают после сеанса экспертизы;

♦ все еще остается проблемой приведение знаний, полученных от эксперта, к виду, обеспечивающему ИХ эффективную машинную реализацию;

♦ человек-эксперт при решении задач обычно обращается к своей интуиции, здравому смыслу, опыту, аналогии, если отсутствуют формальные методы решения или аналоги задач:

♦ экспертные системы редко применяются в больших предметных областях;

♦ считается, что в тех предметных областях, где отсутствуют экс­перты, применение экспертных систем оказывается невозможным;

♦ имеет смысл привлекать экспертные системы только для реше­ния КОГНИТИВНЫХ задач;

♦ системы, основанные на знаниях, оказываются неэффективными при необходимости проведения скрупулезного анализа, когда число решений зависит от тысяч различных возможностей и мно­гих переменных, которые изменяются во времени.

Однако системы, основанные на знаниях, имеют определенные пре­имущества перед человеком-экспертом [33J:

♦ v них нет предубеждений;

♦ они не делают поспешных выводов;

♦ они работают систематизированно, рассматривая все детали, ча­сто выбирая наилучшую альтернативу из всех возможных;

♦ база знаний может быть большой и достаточно стабильной. Буду­чи введенными в машину один раз, знания сохраняются навсегда;

♦ системы, основанные на знаниях, устойчивы к «помехам».

Эксперт же пользуется побочными знаниями и легко поддается вли­янию внешних факторов, которые непосредственно не связаны с ре­шаемой задачей.

11.3. Инструментальные средства построения экспертных систем

Инструментальные средства построения ЭС можно разбить на три основных группы [33];

♦ языки программирования;

♦ среды программирования;

♦ пустые ЭС (оболочки).

К числу инструментальных средств программирования относятся языки обработки символьной информации, наиболее известными из которых являются Пролог и ЛИСП. Пролог — язык высокого уровня, ориентированный на использование методов математической логики. Основной особенностью Пролога, отличающей его от всех других язы­ков, является декларативный характер написанных на нем программ. Язык ЛИСП изобретен в Массачусетском технологическом институ­те и сконцентрирован на обработке списковых структур. Языки про­граммирования ЛИСП и Пролог имеют встроенные механизмы для манипулирования знаниями.

Для разработки экспертных систем используются также языки про­граммирования общего назначения: Си, Паскаль, Фортран И др.

Общим недостатком языков программирования для создания экс­пертных систем являются [33]:

♦ большое время разработки готовой системы;

♦ необходимость привлечения высококвалифицированных про­граммистов;

♦ трудности модификации готовой системы.

Среды программирования позволяют разработчику не программи­ровать некоторые или все компоненты ЭС, а выбирать их из заранее составленного набора.

При применении пустых ЭС (оболочек) разработчик полностью

освобождается ОТ работ по созданию программ и занимается лишь на­полнением базы знаний. Однако необходимо, чтобы управляющие стратегии, вложенные в процедуры вывода, а также принятая модель представления знаний подходили для данного приложения. Это за­трудняет выбор подходящей пустой ЭС и ее применение. Кроме того, в процессе создания Прикладной системы может выясниться, что возможности, заложенные в используемом инструментальном сред­стве, не позволяют реализовать необходимые процедуры вывода и пред­ставления знаний, требующиеся для успешной работы системы.

11.4. Инженерия знаний

Инженерия знаний — это технология построения экспертных сис­тем. Этот процесс требует особой формы взаимодействия создателя экспертной системы, которого называют инженером познаниям, и ного или нескольких экспертов в некоторой предметной области. Ин­женер по знаниям "извлекает» из экспертов процедуры, стратегии,

эмпирические правила, которые они используют при решении задач, и встраивает эти знания и экспертную систему. Одной из наиболее сложных проблем, возникающих при создании экспертных систем. является преобразование знаний эксперта и описаний применяемых им способом поиска решений в форму, позволяющую представить их в бале знаний системы, а затем эффективно использовать для решения задач в данной предметной области [33].

Обычно эксперт не прибегает к процедурным или количественным методам. Его основные средства аналогия, интуиция и абстрагиро­вание. Часто эксперт даже не может объяснить, как именно им было найдено решение.

Построение базы знаний включает три этапа [33]:

♦ описание предметной области;

♦ выбор модели представления знаний;

♦ приобретение знаний.

Первый шаг при построении базы знаний заключается в выделении предметной области, на решение задач которой ориентирована эксперт­ная система. По сути, эта работа сводится к очерчиванию инженером знаний границ области применения системы и класса решаемых ею задач. При этом необходимо [33]:

♦ определить характер решаемых задач;

♦ выделить объекты предметной области;

♦ установить связи между объектами;

♦ выбрать модель представления знаний;

♦ выявить специфические особенности предметной области.

Выделение предметной области представляет собой первый шаг аб­страгирования реального мира.

После того как предметная область выделена, инженер по знаниям должен ее формально описать. Для этого ему необходимо выбрать мо­дель представления знаний. Формально ЭТО должна быть модель, с по­мощью которой можно лучше всего отобразить специфику предмет­ной области.

Инженер по знаниям прежде всего обязан провести опрос эксперта и только потом приступать к построению системы. При этом необхо­димо определить целевое назначение системы. При этом главная цель разбивается на подцели.

На следующем этапе необходимо очертить границы исходных дан­ных. Для построения пространства поиска решения необходимо опре-