Вопрос 1. Экспертная система. Определение, назначение, области применения. Структура системы. Основные модули и их назначение.

ВОПРОС 1. ЭКСПЕРТНАЯ СИСТЕМА. Определение, назначение, области применения. Структура системы. Основные модули и их назначение.

Искусственный интеллект (ИИ) - это программная система, имитирующая на компьютере мышление человека.

В качестве определения экспертной системы примем следующее:

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

Экспертная система - это программа, которая ведет себя подобно эксперту в некоторой, обычно узкой, прикладной областью.

Типичные применения экспертных систем включают в себя самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления.

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.

Экспертные системы должны решать задачи, требующие для своего решения экспертных знаний в некоторой конкретной области. В той или иной форме экспертные системы должны обладать такими знаниями. Поэтому ЭС также называют системами, основанными на знаниях.

Можно выделить два типа экспертных систем:

· для специалистов невысокого профессионального уровня (экспертная система хранит знания, полученные от специалистов экстракласса);

· для специалистов высокого класса - поиск и просмотр больших массивов информации и выполнение рутинных операций.

В самом общем случае для того, чтобы построить экспертную систему, необходимо разработать механизмы выполнения следующих функций системы:

1.решение задач с использованием знаний о конкретной предметной области - возможно, при этом возникнет необходимость иметь дело с неопределенностью;

2. взаимодействие с пользователем, включая объяснение намерений и решений системы во время и после окончания процесса решения задачи.

Каждая из этих функций может оказаться очень сложной и зависит от предметной области, а также от различных практических требований.

Обобщенная структура экспертной системы представлена на рис.1 и содержит три основных модуля:

1. базу знаний;

2. машину логического вывода;

3.

интерфейс с пользователем.

 

Рис. 1 Обобщенная структура экспертной системы

База знаний содержит знания, относящие к конкретной прикладной области, в том числе отдельные факты, правила, описывающие отношения или явления, а также возможно, методы, эвристики и различные идеи, относящиеся к решению задач в этой прикладной области.

Машина логического вывода умеет активно использовать информацию, содержащую в базе знаний.

Интерфейс с пользователе м отвечает за бесперебойный обмен информацией между пользователем и системой; он также дает пользователю возможность наблюдать за процессом решения задач, протекающим в машине логического вывода. Принято рассматривать машину вывода и интерфейс как крупный единый модуль, обычно называемой оболочкой экспертной системы, или, для краткости, просто оболочкой.

Идеальная ЭС должна содержать пять основных компонентов: интерфейс с пользователем, подсистему логического вывода, базу знаний, модуль приобретения знаний, отображения и объяснения решений.

Более детальное толкование ответа на вопрос смотрите в списке в литературы, приведенной ниже.

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Фулин В.Н., Ручкин В.А. Универсальный искусственный интеллект и экспертные системы- СПб.: БХВ-Петербург, 2009.

 

ВОПРОС 2. Основные технологические этапы разработки ЭС

 

Ниже на рисунке 1. приведена методика (этапы) разработки ЭС.

 

Рисунок 1. Методика (этапы) разработки ЭС.

Этап идентификации

Этап идентификации связан, прежде всего, с осмыслением тех задач, которые предстоит решить будущей ЭС, и формированием требований к ней. Результатом данного этапа является ответ на вопрос, что надо сделать и какие ресурсы необходимо задействовать (идентификация задачи, определение участников процесса проектирования и их роли, выявление ресурсов и целей).

Идентификация задачи заключается в составлении неформального (вербального) описания, в котором указываются: общие характеристики задачи; подзадачи, выделяемые внутри данной задачи; ключевые понятия (объекты), их входные (выходные) данные; предположительный вид решения, а также знания, относящиеся к решаемой задаче.

Этап концептуализации

На данном этапе проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этот этап завершается созданием модели предметной области (ПО), включающей основные концепты и отношения.

На этапе концептуализации определяются следующие особенности задачи: типы доступных данных; исходные и выводимые данные, подзадачи общей задачи; используемые стратегии и гипотезы; виды взаимосвязей между объектами ПО, типы используемых отношений (иерархия, причина — следствие, часть — целое и т.п.); процессы, используемые в ходе решения; состав знаний, используемых при решении задачи; типы ограничений, накладываемых на процессы, используемые в ходе решения; состав знаний, используемых для обоснования решений.

Этап формализации

Теперь все ключевые понятия и отношения выражаются на некотором формальном языке, который либо выбирается из числа уже существующих, либо создается заново. Другими словами, на данном этапе определяются состав средств и способы представления декларативных и процедурных знаний, осуществляется это представление и в итоге формируется описание решения задачи ЭС на предложенном (инженером по знаниям) формальном языке.

Выходом этапа формализации является описание того, как рассматриваемая задача может быть представлена в выбранном или разработанном формализме. Сюда относится указание способов представления знаний (фреймы, сценарии, семантические сети и т.д.) и определение способов манипулирования этими знаниями (логический вывод, аналитическая модель, статистическая модель и др.) и интерпретации знаний.

Этап выполнения

Цель этого этапа — создание одного или нескольких прототипов ЭС, решающих требуемые задачи. Затем на данном этапе по результатам тестирования и опытной эксплуатации создается конечный продукт, пригодный для промышленного использования. Разработка прототипа состоит в программировании его компонентов или выборе их из известных инструментальных средств и наполнении базы знаний.

Этап тестирования

В ходе данного этапа производится оценка выбранного способа представления знаний в ЭС в целом. Для этого инженер по знаниям подбирает примеры, обеспечивающие проверку всех возможностей разработанной ЭС.

Различают следующие источники неудач в работе системы: тестовые примеры, ввод-вывод, правила вывода, управляющие стратегии.

Этап опытной эксплуатации

На этом этапе проверяется пригодность ЭС для конечного пользователя. Пригодность ЭС для пользователя определяется в основном удобством работы с ней и ее полезностью. Под полезностью ЭС понимается ее способность в ходе диалога определять потребности пользователя, выявлять и устранять причины неудач в работе, а также удовлетворять указанные потребности пользователя (решать поставленные задачи). В свою очередь, удобство работы с ЭС подразумевает естественность взаимодействия с ней (общение в привычном, не утомляющем пользователя виде), гибкость ЭС (способность системы настраиваться на различных пользователей, а также учитывать изменения в квалификации одного и того же пользователя) и устойчивость системы к ошибкам (способность не выходить из строя при ошибочных действиях неопытного пользователях).

В ходе разработки ЭС почти всегда осуществляется ее модификация. Выделяют следующие виды модификации системы: переформулирование понятий и требований, переконструирование представления знаний в системе и усовершенствование прототипа.

Более детальное толкование технологических этапов разработки ЭС смотрите списке в литературы, приведенной ниже.

Литература

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

2. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Фулин В.Н., Ручкин В.А. Универсальный искусственный интеллект и экспертные системы- СПб.: БХВ-Петербург, 2009,

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

ВОПРОС 5. Механизм обратного вывода в ЭС логического типа. (Процесс вывода решения в ЭС продукционного типа).

Процесс вывода решения в экспертной системе продукционного типа

Для того, чтобы «запустить» машину вывода при наличии системы продукционных правил, очевидно, что необходимы следующие компоненты:

- задание значений переменных, используемых в продукциях;

- сами правила-продукции,

- механизм интерпретации правил.

Значения переменных обычно задаются в так называемой рабочей базе данных – РБД (рабочая память) в виде набора конкретных фактов, формат которых согласуется с форматом правил. Совокупность правил-продукций является сердцем системы и называется базой знаний или правил (БЗ). Механизм интерпретации правил как раз и является механизмом вывода (МВ).

Рассмотрим механизм вывода в продукционной системе.

Как следует из сказанного, под продукционной системой (ПЭС) понимается совокупность:

ПЭС = < РБД, БЗ, МВ >

В каждом цикле интерпретации выполняется следующие процессы:

- определяется множество означиваний, т.е. выделяется набор продукций БЗ и фактов из РБД, согласующихся между собой;

- выполняются сами означивания (сопоставления), т.е. реализация указаний из правой части продукций (здесь тоже могут быть самые различные варианты).

Легко показать, что продукционные системы являются некоторым неформальным обобщения нормальных алгоритмов А.А. Маркова. Очевидно, что в продукционной модели легко просматриваются аналогии:

РБД – с её помощью моделируются текущие состояния предметной области;

БЗ – модель самой предметной области;

МВ – модель механизма принятия решений (вывода) – прямой аналог человеческим рассуждениям.

Таким образом, обобщенный алгоритм работы состоит из:

- задания каким-либо образом модели текущего состояния предметной области (прямой диалог, моделирование, генерация, интерполяция и т.д.);

- интерпретации текущего состояния предметной области (т.е. РБД) на БЗ и выработки вариантов решения;

- выбора по какому-либо способу варианта решения и выдачи его на выход системы для пользователя;

- изменения состояния модели предметной области (РБД), путем выполнения действий и процедур, рекомендованных в послесловиях.

Управление процессом вывода осуществляется путем изменения состояния РБД и не затрагивает БЗ.

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

Включение

Пусть А и В нечеткие множества на универсальном множестве Е. А содержится в В, если . Обозначается А В.

Равенство

А и В равны, если . Обозначение: А=В.

Дополнение

Пусть М=[0,1], А и В дополняют друг друга, если . Обозначается В= или .

Пересечение

- наименьшее нечеткое подмножество, содержащееся одновременно в А и В: .

Объединение

- наибольшее нечеткое подмножество, включающее как А, так и В, с функцией принадлежности:

.

Разность

А-В= с функцией принадлежности:

Нечеткие отношения

Нечеткое n-мерное отношение определяется как нечеткое подмножество R на Е, принимающее свои значения в М. В случае n=2 и М=[0,1] нечетким отношением R между множествами Х=Е₁ и Y=Е₂ будет называться функция R: (X, Y) → [0,1], которое ставит в соответствие каждой паре элементов (x,y) X x Y величину .

Обозначение: .

Алгебраические операции над нечеткими отношениями аналогичны операциям с нечетким множествам.

Композиция (свертка) двух нечетких отношений

Пусть R₁ – нечеткое отношение R₁: (X x Y) →[0,1] между X и Y, и R₂ – нечеткое отношение R₂: (Y x Z) →[0,1] между Y и Z. Нечеткое отношение между X и Z обозначается R₁●R₂ и определяется как

,

где символ - обозначает операцию выбора наибольшего по y значения и называется (max-min)-сверткой отношений R₁ и R₂.

Нечеткие выводы

В экспертных и управляющих системах механизм нечетких выводов в своей основе имеет базу знаний, формируемую специалистами предметной области в виде совокупности нечетких предикатных правил вида:

П₁: если х есть А₁, то y есть В₁,

П₂: если х есть А₂,то y есть В₂,

…

П_n: если х есть А_n,то y есть В_n,

где х – входная переменная, y – переменная вывода, А и В – функции принадлежности, определенные на х и y соответственно.

Знания эксперта А→В отражает нечеткое причинное отношение предпосылки и заключения, поэтому его называют нечетким отношением:

R= А→В,

где «→» - нечеткая импликация.

Отношение R можно рассматривать как нечеткое подмножество прямого произведения Х ´ Y полного множества предпосылок X и заключений Y. Таким образом, процесс получения (нечеткого) результата вывода В′ с использованием данного наблюдения А′ и значения А→В можно представить в виде

В′= А′● R= А′●(А→В).

Алгоритм нечеткого вывода

1 Нечеткость (фаззификация, fuzzification). Функции принадлежности, определенные для входных переменных, применяются к их фактическим значениям для определения степени истинности каждой предпосылки каждого правила).

2 Логический вывод. Вычисленное значение истинности для предпосылок каждого правила применяется к заключениям каждого правила. Это приводит к одному нечеткому подмножеству, которое будет назначено переменной вывода для каждого правила. В качестве правил логического вывода используются только операции min (минимума) или prod (умножение).

3 Композиция. Нечеткие подмножества, назначенные для каждой переменной вывода (во всех правилах), объединяются вместе, чтобы сформировать одно нечеткое подмножество для каждой переменной вывода. При подобном объединении обычно используются операции max (максимум) или sum (сумма).

4. Дефаззификация – приведение к четкости (defuzzification). Преобразование нечеткого набора выводов в число.

Более детальное толкование ответа на вопрос смотрите в списке в литературы, приведенной ниже.

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

Персептрон

Систематическое изучение искусственных нейронных сетей было начато Маккалохом и Питтсом в 1943 году Позднее они исследовали нейросетевые парадигмы для распознавания изображений, подвергаемых сдвигам и поворотам, используя при этом нейронную модель, показанную на рис.4. Элемент ∑ умножает каждый вход х1, на вес w1 и суммирует взвешенные входы. Если эта сумма больше заданного порогового значения, выход равен единице, в противном случае - нулю Эти системы (и множество им подобных) получили название персептронов.

Они состоят из одного слоя искусственных нейронов, соединенных с помощью весовых коэффициентов с множеством входов.

Рис. 4. Персептронный нейрон

Рис. 5. Персептрон со многими выходами

Процедура обучения персептрона:

ШАГ 1. Проинициализировать элементы весовой матрицы небольшими случайными значениями

ШАГ 2. Подать на входы один из входных векторов, которые сеть должна научиться различать, и вычислить ее выход

ШАГ 3. Если выход правильный, перейти на шаг 4. Иначе вычислить разницу между требуемым и полученным значениями выхода:

δ = d - Y

Модифицировать веса в соответствии с формулой

где t и t+1 - номера текущей и следующей итераций, η - коэффициент скорости обучения, 0 < η < 1, i– номер входа, j – номер нейрона в слое.

Очевидно, что если d > Y, то весовые коэффициенты будут увеличены и, тем самым уменьшат ошибку. В противном случае они будут умещены, и У тоже уменьшится, приближаясь к d.

Шаг 4 Цикл с шага 2, пока сеть не перестанет ошибаться.

 

Топология нейронных сетей

Нейронная сеть представляет собой совокупность нейроподобных элементов, определенным образом соединенных друг с другом и с внешней средой с помощью связей, определяемых весовыми коэффициентами В зависимости от функции, выполняемых нейронами в сети, можно выделить три их типа

· входные нейроны,

· выходные нейроны,

· промежуточные неороны.

С точки зрения топологии можно выделить три основных типа нейронных сетей

· полносвязные (рис 3, а),

· многослойные или слоистые (рис 3, б),

· слабосвязные (с локалъными связями) (рис 3, е)

 

 

Литература

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

2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети – М: Изд-во Физико-математической литературы, 2001.

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

Литература

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

2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети – М: Изд-во Физико-математической литературы, 2001.

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

Литература

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

2. Круглов В.В., Дли М.И., Голунов Р.Ю. Нечеткая логика и искусственные нейронные сети – М: Изд-во Физико-математической литературы, 2001.

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

Дополнительная информация

Гипотеза о характерности

При получении информации от эксперта активно используется гипотеза о различной характерности значений диагностического признака по отношению к каждому из классов. Иначе говоря, предполагается, что эксперт может упорядочить все значения каждого диагностического признака по их характерности для каждого из классов решений и что это упорядочение не зависит от значений других признаков.

Возьмем i-й диагностический признак. Два любых значения на его шкале x_li и x_kj находятся в следующем отношении характерности для класса Рj:

x_li, x_kj ÎD_Рj

где D_Рj - отношение доминирования по характерности для класса Pj. Другими словами, мы ввели бинарное отношение доминирования для значений одного диагностического признака (x_li более характерен для класса Pj).

Используя бинарные отношения характерности по отдельным признакам, можно построить отношение доминирования по характерности для каждого класса Pj на множестве состояний (векторов а _i):

(a _i, a _j) ÎD_Рj

если для каждого из диагностических признаков значение соответствующего компонента вектора а _i не менее характерно по отношению к классу Рj, чем значение компонента вектора аj, и хотя бы для одного компонента более характерно, то выполняется условие доминирования по характерности, приведенное выше.

Использование гипотезы о характерности позволяет существенно уменьшить число вопросов эксперту, необходимое для построения полной классификации.

 

Проверка информации эксперта и гипотезы о характерности

Как отмечалось, не ошибающихся экспертов не бывает. Поэтому информацию эксперта следует подвергать проверке, основанной на использовании условий доминирования по характерности.

Формально такую проверку можно представить следующим образом. Пусть на каком-то этапе диалога «компьютер-эксперт» состояние а_i было отнесено к классу Pj: а _iÎРi. После каждого ответа эксперта осуществлялось распространение по доминированию. Построенные конусы доминирования по характерности в общем случае пересекаются. Это означает, что некоторые состояния могут быть классифицированы несколько раз. Предположим, что при этом классификации какого-то состояния a_v различаются. Тогда, например, (a_v, a_j) Î D_Pi, но a j ÎРj т.е. a_v более характерно для класса Рi, чем a _j, однако a _v оказалось отнесенным (при другом ответе эксперта) к классу Р _l. Этот факт может быть как ошибкой эксперта, так и проявлением зависимости диагностических признаков.

При выявлении противоречия в классификации компьютер предъявляет эксперту на экране описания двух состояний и просит еще раз их проанализировать. Если эксперт обнаруживает свою ошибку, он ее устраняет и опрос продолжается. Если эксперт подтверждает обе противоречивые классификации, то:

- с помощью эксперта выделяется подмножество зависимых диагностических признаков;

- эти признаки объединяются в один агрегированный признак, не зависящий от остальных.

Аналитические оценки показывают, что в среднем около 25% ответов экспертов проверяются, что позволяет считать созданную базу знаний непротиворечивой и надежно отражающей экспертные знания.

 

Литература

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

3. Искусственный интеллект: Справочник. В 3-х кн. Кн. 1. Системы общения и экспертные системы/Под ред. Э.В. Попова. - М.: Радио и связь, 1990.

4. Искусственный интеллект: Справочник. В 3-х кн. Кн. 2. Модели и методы/Под ред. Д.А. Поспелова. - М.: Радио и связь, 1990.

5. Искусственный интеллект: Справочник. В 3-х кн. Кн. 3. Программные и аппаратные средства/Под ред. В.А. Захарова, В.Ф. Хорошевского. - М.: Радио и связь, 1990.

 

 

ВОПРОС 1. ЭКСПЕРТНАЯ СИСТЕМА. Определение, назначение, области применения. Структура системы. Основные модули и их назначение.

Искусственный интеллект (ИИ) - это программная система, имитирующая на компьютере мышление человека.

В качестве определения экспертной системы примем следующее:

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

Экспертная система - это программа, которая ведет себя подобно эксперту в некоторой, обычно узкой, прикладной областью.

Типичные применения экспертных систем включают в себя самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления.

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.

Экспертные системы должны решать задачи, требующие для своего решения экспертных знаний в некоторой конкретной области. В той или иной форме экспертные системы должны обладать такими знаниями. Поэтому ЭС также называют системами, основанными на знаниях.

Можно выделить два типа экспертных систем:

· для специалистов невысокого профессионального уровня (экспертная система хранит знания, полученные от специалистов экстракласса);

· для специалистов высокого класса - поиск и просмотр больших массивов информации и выполнение рутинных операций.

В самом общем случае для того, чтобы построить экспертную систему, необходимо разработать механизмы выполнения следующих функций системы:

1.решение задач с использованием знаний о конкретной предметной области - возможно, при этом возникнет необходимость иметь дело с неопределенностью;

2. взаимодействие с пользователем, включая объяснение намерений и решений системы во время и после окончания процесса решения задачи.

Каждая из этих функций может оказаться очень сложной и зависит от предметной области, а также от различных практических требований.

Обобщенная структура экспертной системы представлена на рис.1 и содержит три основных модуля:

1. базу знаний;

2. машину логического вывода;

3.

интерфейс с пользователем.

 

Рис. 1 Обобщенная структура экспертной системы

База знаний содержит знания, относящие к конкретной прикладной области, в том числе отдельные факты, правила, описывающие отношения или явления, а также возможно, методы, эвристики и различные идеи, относящиеся к решению задач в этой прикладной области.

Машина логического вывода умеет активно использовать информацию, содержащую в базе знаний.

Интерфейс с пользователе м отвечает за бесперебойный обмен информацией между пользователем и системой; он также дает пользователю возможность наблюдать за процессом решения задач, протекающим в машине логического вывода. Принято рассматривать машину вывода и интерфейс как крупный единый модуль, обычно называемой оболочкой экспертной системы, или, для краткости, просто оболочкой.

Идеальная ЭС должна содержать пять основных компонентов: интерфейс с пользователем, подсистему логического вывода, базу знаний, модуль приобретения знаний, отображения и объяснения решений.

Более детальное толкование ответа на вопрос смотрите в списке в литературы, приведенной ниже.

Литература

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

2. Гаскаров Д.В. Интеллектуальные информационные системы: учебн.пособие. М.: Высш. шк.,2000

3. Фулин В.Н., Ручкин В.А. Универсальный искусственный интеллект и экспертные системы- СПб.: БХВ-Петербург, 2009.