Означення та структура експертної системи

До терміна “система баз знань” (СБЗ) близьким за змістом є термін “експертні системи”) ЕС, в якому акцент робиться на знання експертів, тобто спеціалістів певної галузі. В літературі можна зустріти кілька іноді досить багатослівних й екзотичних визначень ЕС, але суть їх полягає в тому, що ЕС — це система, яка забезпечує створення й використання за допомогою комп’ютерів БЗ експертів.

Експертні системи є інтелектуалізованими інформаційними системами, які за процедурами P та правилами R на основі наявних знань F здійснюють дедуктивне виведення нових знань. Існують різні визначення ЕС, але в основі всіх лежить наступне їх означення [21]:

Означення 1.8. Експертні системи (ЕС) — це інтелектуалізовані програмні засоби, здатні в ході діалогу з людиною одержувати, накопичувати та коригувати знання із заданої предметної галузі, виводити нові знання, розв’язувати на основі цих знань практичні задачі та пояснювати хід їх розв’язування.

Експертні системи акумулюють знання експертів — провідних фахівців у цій предметній галузі. В основі роботи ЕС лежить дедуктивне виведення нових тверджень з існуючих. Типове застосування ЕС — консультації для фахівців середньої кваліфікації і нефахівців у тій галузі, для якої вона розроблена. Тому вона повинна мати функції, що давали б змогу розв’язувати задачі, правильне розв’язання яких за відсутності експерта (спеціаліста конкретної галузі) є неможливим.

У розробці ЕС зазвичай беруть участь фахівці двох категорій: експерт, що є висококваліфікованим фахівцем у конкретній предметній галузі і знання якого треба передати ЕС; інженер знань, який формалізує знання експерта і приводить їх до вигляду, придатного для занесення до БЗ.

Структурну схему ЕС показано на рис. 1.2. Вона містить:

· механізм подання знань у конкретній предметній галузі та управління ними — БЗ;

· механізм, який на підставі знань, що зберігаються в БЗ, робить логічні виведення— механізм логічних виведень (МЛВ);

· інтерфейс для правильного передавання відповідей користувачу — інтерфейс користувача (ІК);

· механізм здобуття знань від експерта, підтримки БЗ і доповнення її при необхідності — модуль здобуття знань (МЗЗ);

· механізм, який подає різні коментарі до висновку й пояснює мотиви останнього,— модуль порад і пояснень (МПП).

Рис. 1.2. Структурна схема ЕС

 

Останній модуль характерний для ЕС і відповідає на запитання, як і чому кінцевий користувач за допомогою ЕС прийняв те чи інше рішення (таким чином, МПП виконує роль підсистеми аналізу й інтерпретації рішень).

Взагалі при створенні чи виборі ЕС слід ураховувати такі особливості їх використання:

1. Всупереч дуже поширеному погляду найдорожчою частиною ЕС є не програмне забезпечення, а сам експерт, його підготовка, і головне зусилля має бути спрямоване на правильний вибір експерта з даної предметної галузі знань.

2. Експертна система повинна містити не тільки експертні (як правило, поверхові) оцінки фахівців, а й елементи фундаментальних знань, оскільки експерт часто приймає рішення на основі досвіду й інтуїції, тобто деяких логічних і статистичних оцінок, не аналізуючи (а часто, й не знаючи) глибинних фізичних основ явищ.

3. Потрібно передбачити механізм використання локальних оптимумів, розташованих на межах (або просто віддалених) зон глобальних оптимумів, тобто тих зон, де може виявлятися ефект саморегулювання системи. Цей підхід ще не дуже вивчений, але є приклади виходу на такі зони та утримання в них систем на незначних часових проміжках, коли забезпечується ефективність, яка в кілька разів перевищує звичайні показники функціонування ЕС. Такі дії можуть бути не завбачені експертами через їх нетрадиційність і нетривіальність (наприклад, це стосується сукупності параметрів технологічних процесів у гнучких виробництвах, які забезпечують зони локальних екстремумів).

4. Повинна враховуватись проблема взаємодії оператора й ЕС. Щоб користуватись ЕС, оператор має довіряти їй, а для цього ЕС повинна забезпечувати високий рівень експертних оцінок і оптимальність прийнятих рішень (рекомендацій), а також високу надійність, для чого вводяться резервування 2 з 3, 5 з 7 тощо. При цьому вихід з ладу (відмова) до 40...50 % елементів не призводить до втрати функціональної працездатності ЕС.

Модуль порад і пояснень здатний здобути знання, якими несвідомо володіє спеціаліст. Наприклад, якщо використовується реальна сукупність тестових даних, то виведення їх стає незрозумілим, спеціаліст обходить «гострі кути». Проте МПП працює так, щоб допомогти пояснити причину неправильного виведення даних. Це дає змогу зробити усвідомленими знання, якими до того володів спеціаліст несвідомо. Зрештою виникає ситуація «я знаю, що я знаю», завдяки чому, знання спеціаліста можна використати ефективніше.

Експертна система працює в двох режимах: здобуття знань і розв’язування задач. У режимі здобуття знань у спілкуванні з ЕС бере участь експерт через посередництво інженера-програміста. В цьому режимі експерт наповнює систему знаннями (правилами), які дають змогу їй у режимі розв’язування самостійно розв’язувати задачі. Режиму здобуття знань при традиційному підході до розроблення програм відповідають етапи алгоритмізації, програмування та відпрацювання, що виконуються програмістом. Але для ЕС характерним є те, що програму розробляє не програміст, а фахівець, який не володіє програмуванням.

У режимі розв’язування задач у спілкуванні з ЕС бере участь користувач, якого цікавлять результат і (або) спосіб одержання рішення.

Залежно від призначення ЕС користувач може або не бути фахівцем цієї проблемної галузі (в цьому разі він, не вміючи одержати сам відповідь, звертається до ЕС за порадою), або бути фахівцем (тоді він може й сам одержати результат, але звертається до ЕС з метою прискорення процесу одержання результату чи з метою покласти на ЕС виконання трудомісткої роботи).

У режимі здобуття знань експерт вводить у систему продукції (правила) про галузь експертизи, що подаються природною мовою. Об’єднання продукцій, які вводяться заново, з БЗ здійснюється компонентом здобуття знань. Аби переконатися в тому, що процес відпрацювання задачі завершено, експерт надає системі тестові приклади. Якщо результат, одержаний системою, експерта не задовольняє, то за допомогою інтерфейсу, пов’язаного з поясненнями, експерт одержує відомості про те, як цей результат був створений. Після закінчення налагодження ЕС стає придатною користувачеві для експлуатації.

У режимі розв’язування задач дані про задачу користувача після обробки їх лінгвістичним процесором надходять у БД.

Процес здобуття знань можна звести до послідовності виконання таких дій: 1) визначається необхідність модифікації (розширення знань); 2) у разі модифікації здобуваються нові знання, інакше процес здобуття знань закінчується; 3) нові знання перетворюються у форму, «зрозумілу» для ЕС; 4) знання системи модифікуються — здійснюється перехід до першої дії. У виконанні перелічених дій можуть брати участь експерт, інженер знань (програміст) і ЕС. Залежно від того, хто розв’язує задачу, виокремлюють різні покоління ЕС.

У перших системах із ШІ взаємодію з ними здійснював тільки програміст, у завдання якого входило опанування за допомогою експерта предметної галузі, після чого при розробленні системи він міг виступати і як експерт, і як програміст. Недостатнє знання предметної галузі не давало змоги програмісту гарантувати повноту та несуперечність здобутих знань Крім того, неминучі модифікації системи призводили (через відсутність поділу системи на БЗ і МЛВ) до неможливості зберегти один раз досягнуту несуперечливість знань.

Подальші розробки систем із ШІ ґрунтувались на відокремленні знань від програм й оформленні перших у вигляді простих інформаційних систем, які дістали назву БЗ. У цьому разі експерт взаємодіє з системою або безпосередньо, або через інженера знань. Перевага цього підходу порівняно із згаданою моделлю полягає в тому, що БЗ спрощує модифікацію знань. При цьому дві перші дії в процесі здобуття знань виконує експерт за допомогою інженера знань, третю — програміст, а четверту — ЕС. Суттєвим недоліком такого підходу є його висока трудомісткість, оскільки автоматизованою є тільки одна дія в процесі здобуття знань.

Нарешті, експерт може взаємодіяти з ЕС через інтелектуальний редактор без посередництва програміста. Модель інтелектуального редактора повинна бути забезпечена розвиненими діалоговими засобами та значними знаннями про структуру БЗ (тобто метазнаннями). При використанні інтелектуального редактора дві перші дії в процесі здобуття знань виконує експерт, а дві останні — ЕС.

На сьогодні найдосконалішими є ЕС, які здобувають знання аналогічно тому, як це робить людина-експерт. У цьому разі індуктивна програма аналізує дані, що містять відомості про деяку предметну галузь, автоматично формуючи значущі відношення й правила, які описують предметну галузь. Припускається, що в БЗ у явному вигляді зберігаються конкретні факти про проблемну галузь, а завданням індуктивної програми є вироблення значущих узагальнень. Основною перевагою цього підходу є автоматизація всіх перелічених вище чотирьох дій у процесі здобуття знань. У галузі створення ЕС, що використовують індуктивні програми, ще тільки робляться перші кроки і поки що не існує ЕС, які здобувають знання виключно від індуктивних програм. Є лише експериментальні програми, за допомогою яких можна здійснювати індуктивні узагальнення.

Наступне покоління ЕС пов’язують зі здобуттям знань безпосередньо з текстів, написаних природною мовою, тобто йдеться про розуміння текстів, схем, креслень, графіків тощо. Складність тут полягає не тільки в опрацюванні природної мови, а й у необхідності відтворення за текстом моделі деякої проблемної галузі. Ці вимоги поки що перевищують можливості існуючих програм розуміння, незважаючи на те, що в цьому разі аналіз текстів обмежений досить вузькою предметною галуззю.

Останніми роками ЕС дедалі частіше застосовуються як форма інтелектуальних прикладних систем при проектуванні, плануванні й управлінні в гнучких комп’ютерно-інтегрованих системах (ГКІС). За допомогою спеціальних інструментальних засобів знижуються витрати на їх розробку, а спеціальні мови уможливлюють застосування інтелектуальних прикладних систем у реальних умовах функціонування ГКІС. Однак навіть у разі використання таких систем не забезпечується очікувана ефективність їх головним чином тому, що складність застосовуваних стратегічних рішень за аналізованими фактами (результатами експерименту) перевищує можливості інтелекту (кваліфікації) людини.

Крім того, відсутні адекватні цій складності інструментальні засоби наукового обґрунтування рішень з продукуванням результатів оцінювання наслідків від їх реалізацій на основі моделювання процесів у таких складних системах, якими є ГКІС. Постає, таким чином, завдання побудови систем автоматизації імітаційного моделювання (САІМ), в яких на основі наявних статистичних даних (фактів) самостійно формулюються гіпотези та виявляються закономірності про взаємозв’язки з використанням як суворо обґрунтованих формальних процедур, так і евристик, одержаних під час експертних оцінювань і навіть сформованих САІМ.

Рис. 1.3. Функціональна схема ЕС

Для того щоб усвідомити роль і місце ЕС у структурі САІМ, звернемося до трохи іншої інтерпретації структурного подання ЕС (рис. 1.3). Експертна система містить БЗ і БД, розв’язувальний блок, підсистеми спілкування (взаємодії), пояснень (інтерпретації) та накопичення знань. Через підсистему спілкування (інтерфейс користувача) з ЕС пов’язані: кінцевий користувач (фахівець-непрограміст); експерт (кваліфікований фахівець або група фахівців, досвід і знання яких набагато перевищують знання й досвід кінцевого користувача); інженер знань, який володіє мовами опису знань.

На етапі накопичення знань з ЕС працюють експерт та інженер знань, а на етапі експлуатації та використання — кінцевий користувач. При цьому мова подання знань, яка використовується для розроблення ЕС, називається мовою розроблення ЕС, а система програмного забезпечення, що забезпечує згадані функції ЕС, — інструментом для розроблення ЕС.

Інженерія знань

Численні дослідження в галузі ШІ дали змогу укріпитися в думці, що необхідними для вирішення проблеми здобуття знань і здійснення виведення є знання експертів. Оскільки знання останніх нагромаджуються в пам’яті ЕОМ і використовуються для вирішення прикладних проблем, системи, що реалізують цей принцип, дістали назву експертних, а професор Є. Фейгенбаум (один із створювачів ЕС) запропонував для цієї галузі інформатики назву «інженерія знань», яка тепер має ширший зміст.

Інженерія знань — це сукупність технічних способів, спрямованих на створення систем, які призначені для вирішення проблем з використанням знань. Знання ж, як зазначено вище, є суттю інформації з обмеженою семантикою. Проте з позиції прикладних аспектів необхідно, щоб знання мали таку форму, для якої була б певною мірою властива свобода досягнення поставленої мети.

Питання про те, якою мірою припустима ця свобода, або, точніше, яким умовам повинні відповідати знання з їх описовими можливостями включно, має неоднакову відповідь залежно від галузі застосування знань. Зазвичай у сфері технічного застосування використовується різноманітне середовище їх подання, і, крім мовного опису, воно містить рисунки, математичні формули тощо. Мовний опис, який потрібен у прикладних галузях інформації (включаючи мову в широкому її розумінні й графіку), називається мовою подання знань. Для використання такої інформації у вигляді знань потрібні інтелектуальні функції, що часто перевищують функціональні можливості сучасних комп’ютерів. Все це (подання знань і їх використання, які розглядаються стосовно конкретної прикладної галузі) є предметом інженерії знань.

Хоча тут йдеться про ЕС як про щось єдине, вони у своєму конкретному втіленні мають найрізноманітнішу форму. Проте для всіх ЕС властива загальна риса: обробка інформації на ЕОМ виконується у формі, цілком відмінній від традиційної форми її обробки за Тьюрингом фон Нейманом. У загальному випадку ЕС є людино-машинними системами, побудованими з таких основних елементів, як БЗ з використанням вибраної форми подання знань, і МЛВ, що забезпечує маніпулювання цими знаннями при вирішенні прикладних проблем: він пов’язує знання воєдино, а потім виводить з їх послідовності висновок.

Форма виведення інформації залежить від способу подання знань. У СБЗ, у тому числі й ЕС, подання знань є фундаментальним поняттям, а рішення про вибір способу цього подання досить суттєво впливає на будь-яку їх складову частину. Можна навіть сказати, що можливості СБЗ визначаються поданням у них знань. І навпаки, щоб система обробки знань відповідала певним прикладним призначенням, необхідно створити відповідне подання знань.

Оскільки подання знань є засобом опису знань людини, бажано, щоб описові можливості цього засобу були якомога вищими. Але, з іншого боку, якщо форма подання знань стає надмірно складною, то ускладнюється й механізм виведення інформації. При цьому не тільки утруднюється проектування ЕС, а й виникає небезпека втрати вірогідності виконуваних нею дій. Тому в остаточному підсумку проектування подання знань передбачає вироблення всіх цих умов (обмежень), а потім вибір рішення на основі деякого компромісу між ними.

1.6. Проблемний характер формалізації та подання прикладних знань

Для проведення формалізації необхідно вибрати або побудувати концептуальну схему моделі системи знань (СЗ). Розробка методології всіх цих операцій і становить зміст першої проблеми — формалізації знань.

Друга проблема — подання знань — пов’язана з розробкою формального апарату для опису способів їх фіксації в пам’яті ЕОМ.