Доопределяющие экспертные системы

 

Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и знаний. В этом случае экспертная система должна доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве метода работы с неопределенностью могут использоваться вероятностный подход и нечеткая логика. Они могут использовать для формирования несколько источников знаний. В этом случае могут использоваться различные эвристические приемы выбора единицы знаний и их набора, например, на основе использования приоритетов. Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:

1) Интерпретация данных – выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное значение - определение сущности рассматриваемой ситуации, выбор гипотез исходя из фактов.

2) Диагностика – выявление причин, которые привели к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных факторов. Например, выявление факторов снижения эффективности производства.

3) Коррекция – диагностика, дополненная возможностью оценки и реализации действий.

Трансформирующие экспертные системы

 

В отличие от аналитических, статических экспертных систем, синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характеристикой результата, которую нельзя заранее предопределить, а также динамичностью самой проблемной области. В качестве методов решения задач трансформирующей системы используются системы гипотетического вывода:

1) генерация, тестирование – когда из исходных данных осуществляется генерация гипотез, а затем проверка сформированных гипотез на подтверждение поступающими фактами;

2) предположение и умолчание – когда по исходным данным подбираются знания на аналогичных классах, которые в дальнейшем адаптируются к конкретной ситуации;

3) использование общих закономерностей в случае неизвестных ситуаций, которые позволяют генерировать недостающие знания.

Многоагентные системы

Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой полученными результатами на динамической основе. Например, через доску объявлений.

Рисунок 12 – Схема многоагентной системы

ИЗ – источник знаний.

Для многоагентных систем характерны следующие особенности:

1) проведение альтернативных рассуждений на основе использования различных источников знаний с механизмом устранения противоречий;

2) распределенное решение проблем, которые разбиваются на подпроблемы;

3) применение множества стратегий, работы механизма вывода заключений в зависимости от типа решаемой задачи;

4) обработка больших массивов данных, содержащихся в базе данных;

5) использование различных математических моделей и внешних процедур, хранимых в базе моделей, способность прерывания решений задач в связи с необходимостью получения дополнительных знаний и данных от пользователей модели параллельно решаемых подпроблем.

Для синтезирующих динамических систем наиболее применимы предметные (проблемные) области:

1) проектирование, определение конфигурации с точки зрения достижения заданных критериев эффективности и ограничений;

2) прогнозирование – предсказание последствий развития ситуации на основе моделирования;

3) диспетчирование – распределение работ во времени, составление расписаний, планирование;

4) планирование – выбор последовательности действий пользователя по достижению цели;

5) мониторинг – слежение за текущей ситуацией с возможной последующей коррекцией;

6) управление – мониторинг, дополненный реализацией действий в автоматической системе.

Самообучающиеся системы

 

В основе этих систем лежат методы автоматической классификации. Примеры реальных ситуаций:

- обучающая выборка: с учителем, когда для каждого примера в явном виде задается значение признака его принадлежности к некоторому классу; без учителя – система сама выделяет классы ситуаций.

В результате обучения системы автоматически строятся обобщенные правила или функции, определяется принадлежность ситуации к конкретному классу. Таким образом формируется база знаний. Далее система корректируется по мере накопления опыта.

Общие недостатки:

1) возможна неполнота или зашумленность обучаемой выборки и как следствие относительная адекватность БЗ к возникающим проблемам;

2) проблемы с плохой смысловой ясностью, зависимости признаков, неспособностью объяснения;

3) ограничение в размерности признаков пространства.

Индуктивные системы

 

Обобщение примеров по принципу от частного к общему сводится к выявлению подмножеств, относящихся к одним и тем же подклассам и определению для них значимых признаков. Процесс классификации осуществляется следующим образом:

1) выбирается признак классификации;

2) по значению выбранного признака множество разбивается на подмножества;

3) выполняется проверка (принадлежит ли подмножество одному классу);

4) осуществляется проверка;

5) для подмножества примеров с несовпадением классообразующего признака процесс классификации продолжается с пункта 1.

Процесс классификации можно представить с помощью дерева решений.

Классифицирующий признак

Признак классификации