Экспертную систему правила
Лекция № 13. Экспертные системы и продукционная модель знаний
Для ознакомления с таким новым для нас понятием, как экспертные системы мы, для начала, пройдемся по истории создания и разработки направления «экспертные системы», а потом определим и само понятие экспертных систем.
В начале 80-х гг. XX в. в исследованиях по созданию искусственного интеллекта сформировалось новое самостоятельное направление, получившее название экспертных систем. Цель этих новых исследований по экспертным системам состоит в разработке специальных программ, предназначенных для решения особых видов задач. Что это за особый вид задач, потребовавший создания целой новой инженерии знаний? К этому особому виду задач могут быть отнесены задачи из абсолютно любой предметной области. Главное, что отличает их от задач обычных, – это то, что человеку-эксперту решить их представляется очень сложным заданием. Тогда и была разработана первая так называемая экспертная система (где в роли эксперта выступал уже не человек, а машина), причем экспертная система получает результаты, не уступающие по качеству и эффективности решениям, получаемым обычным человеком – экспертом. Результаты работы экспертных систем могут быть объяснены пользователю на очень высоком уровне. Данное качество экспертных систем обеспечивается их способностью рассуждать о собственных знаниях и выводах. Экспертные системы вполне могут пополнять собственные знания в процессе взаимодействия с экспертом. Таким образом, их можно с полной уверенностью ставить в один ряд с вполне оформившимся искусственным интеллектом.
Исследователи в области экспертных систем для названия своей дисциплины часто используют также уже упоминавшийся ранее термин «инженерия знаний», введенный немецким ученым Е. Фейгенбаумом как «привнесение принципов и инструментария исследований из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов».
Однако коммерческие успехи к фирмам-разработчикам пришла не сразу. На протяжении четверти века в период с 1960 по 1985 гг. успехи искусственного интеллекта касались в основном исследовательских разработок. Тем не менее, начиная примерно с 1985 г., а в массовом масштабе с 1987 по 1990 гг. экспертные системы стали активно использоваться в коммерческих приложениях.
Заслуги экспертных систем довольно велики и состоят в следующем:
1) технология экспертных систем существенно расширяет круг практически значимых задач, решаемых на персональных компьютерах, решение которых приносит значительный экономический эффект и существенно упрощает все связанные с ними процессы;
2) технология экспертных систем является одним из самых важных средств в решении глобальных проблем традиционного программирования, таких как продолжительность, качество и, следовательно, высокая стоимость разработки сложных приложений, вследствие которой значительно снижался экономический эффект;
3) имеется высокая стоимость эксплуатации и обслуживания сложных систем, которая зачастую в несколько раз превосходит стоимость самой разработки, а также низкий уровень повторной используемости программ и т. п.;
4) объединение технологии экспертных систем с технологией традиционного программирования добавляет новые качества к программным продуктам за счет, во-первых, обеспечения динамичной модификации приложений рядовым пользователем, а не программистом; во-вторых, большей «прозрачности» приложения, лучшей графики, интерфейса и взаимодействия экспертных систем.
По мнению рядовых пользователей и ведущих специалистов, в недалекой перспективе экспертные системы найдут следующее применение:
1) экспертные системы будут играть ведущую роль на всех стадиях проектирования, разработки, производства, распределения, отладки, контроля и оказания услуг;
2) технология экспертных систем, получившая широкое коммерческое распространение, обеспечит революционный прорыв в интеграции приложений из готовых интеллектуально-взаимодействующих модулей.
В общем случае экспертные системы предназначены для так называемых неформализованных задач, т. е. экспертные системы не отвергают и не заменяют традиционного подхода к разработке программ, ориентированного на решение формализованных задач, но дополняют их, тем самым значительно расширяя возможности. Именно этого и не может сделать простой человек-эксперт.
Такие сложные неформализованные задачи характеризуются:
1) ошибочностью, неточностью, неоднозначностью, а также неполнотой и противоречивостью исходных данных;
2) ошибочностью, неоднозначностью, неточностью, неполнотой и противоречивостью знаний о проблемной области и решаемой задаче;
3) большой размерностью пространства решений конкретной задачи;
4) динамической изменчивостью данных и знаний непосредственно в процессе решения такой неформализованной задачи.
Экспертные системы главным образом основаны на эвристическом поиске решения, а не на исполнении известного алгоритма. В этом одно из главных преимуществ технологии экспертных систем перед традиционным подходом к разработке программ. Именно это и позволяет им так хорошо справляться с поставленными перед ними задачами.
Технология экспертных систем используется для решения самых различных задач. Перечислим основные из подобных задач.
Экспертные системы, выполняющие интерпретацию, чаще всего применяют показания различных приборов с целью описания положения дел.
Интерпретирующие экспертные системы способны обрабатывать самые различные виды информации. Примером может послужить использование данных спектрального анализа и изменения характеристик веществ для определения их состава и свойств. Также примером может служить интерпретация показаний измерительных приборов в котельной для описания состояния котлов и воды в них.
Интерпретирующие системы чаще всего имеют дело непосредственно с показаниями. В связи с этим возникают затруднения, которых нет у других видов систем. Что это за затруднения? Эти затруднения возникают из-за того, что экспертным системам приходится интерпретировать засоренную лишним, неполную, ненадежную или неверную информацию. Отсюда неизбежны либо ошибки, либо значительное увеличение обработки данных.
Экспертные системы, осуществляющие прогноз чего-либо, определяют вероятностные условия заданных ситуаций. Примерами служат прогноз ущерба, причиненного урожаю хлебов неблагоприятными погодными условиями, оценивание спроса на газ на мировом рынке, прогнозирование погоды по данным метеорологических станций. Системы прогнозирования иногда применяют моделирование, т. е. такие программы, которые отображают некоторые взаимосвязи в реальном мире, чтобы воссоздать их в среде программирования, и потом спроектировать ситуации, которые могут возникнуть при тех или иных исходных данных.
3. Диагностика различных приборов.
Экспертные системы производят такую диагностику, применяя описания какой-либо ситуации, поведения или данных о строении различных компонентов, чтобы определить возможные причины неисправно работающей диагностируемой системы. Примерами служат установление обстоятельств заболевания по симптомам, которые наблюдаются у больных (в медицине); определение неисправностей в электронных схемах и определение неисправных компонентов в механизмах различных приборов. Системы диагностики довольно часто являются помощниками, которые не только ставят диагноз, но и помогают в устранении неполадок. В таких случаях данные системы вполне могут взаимодействовать с пользователем, чтобы оказать помощь при поиске неполадок, а потом привести список действий, необходимых для их устранения. В настоящее время многие диагностические системы разрабатываются в качестве приложений к инженерному делу и компьютерным системам.
4. Планирование различных событий.
Экспертные системы, предназначенные для планирования, проектируют различные операции. Системы предопределяют практически полную последовательность действий, прежде чем начнется их реализация.
Примерами такого планирования событий могут служить создания планов военных действий как оборонительного, так и наступательного характера, предопределенного на определенный срок с целью получения преимущества перед вражескими силами.
Экспертные системы, выполняющие проектирование, разрабатывают различные формы объектов, учитывая сложившиеся обстоятельства и все сопутствующие факторы.
В качестве примера можно рассмотреть генную инженерию.
Экспертные системы, осуществляющие контроль, сравнивают настоящее поведение системы с ее ожидаемым поведением. Наблюдающие экспертные системы обнаруживают контролируемое поведение, которое подтверждает их ожидания по сравнению с нормальным поведением или их предположением о потенциальных отклонениях. Контролирующие экспертные системы по своей сути должны работать в режиме реального времени и реализовывать зависящую как от времени, так и от контекста интерпретацию поведения контролируемого объекта.
В качестве примера можно привести слежение за показаниями измерительных приборов в атомных реакторах с целью обнаружения аварийных ситуаций или оценку данных диагностики пациентов, находящихся в блоке интенсивного лечения.
Ведь широко известно, что экспертные системы, осуществляющие управление, весьма результативно руководят поведением системы в целом. Примером служит управление различными производствами, а также распределением компьютерных систем. Управляющие экспертные системы должны включать в себя наблюдающие компоненты, для того, чтобы контролировать поведение объекта на протяжении длительного времени, но они могут нуждаться и в других компонентах из уже проанализированных типов задач.
Экспертные системы применяются в самых различных областях: финансовых операциях, нефтяной и газовой промышленности. Технология экспертных систем может быть применена также в энергетике, транспортном хозяйстве, фармацевтическом производстве, космических разработках, металлургической и горной промышленностях, химии и многих других областях.
2. Структура экспертных систем
Разработка экспертных систем имеет ряд существенных отличий от разработки обычного программного продукта. Опыт создания экспертных систем показал, что использование при их разработке методологии, принятой в традиционном программировании, либо сильно увеличивает количество времени, затраченного на создание экспертных систем, либо вовсе приводит к отрицательному результату.
Экспертные системы в общем случае подразделяются на статические и динамические.
Для начала рассмотрим статическую экспертную систему.
Стандартная статическая экспертная система состоит из следующих основных компонентов:
1) рабочей памяти, называемой также базой данных;
3) решателя, называемого также интерпретатором;
4) компонентов приобретения знаний;
5) объяснительного компонента;
6) диалогового компонента.
Рассмотрим теперь каждый компонент более подробно.
Рабочая память (по абсолютной аналогии с рабочей, т. е. оперативной памятью компьютера) предназначена для получения и хранения исходных и промежуточных данных решаемой в текущий момент задачи.
База знаний предназначена для хранения долгосрочных данных, описывающих конкретную предметную область, и правил, описывающих рациональное преобразование данных этой области решаемой задачи.
Решатель, называемый также интерпретатором, функционирует следующим образом: используя исходные данные из рабочей памяти и долгосрочные данные из базы знаний, он формирует правила, применение которых к исходным данным приводит к решению задачи. Одним словом, он действительно «решает» поставленную перед ним задачу;
Компонент приобретения знаний автоматизирует процесс заполнения экспертной системы знаниями эксперта, т. е. именно этот компонент обеспечивает базу знаний всей необходимой информацией из данной конкретной предметной области.
Компонент объяснений разъясняет, как система получила решение данной задачи, или почему она это решение не получила и какие знания она при этом использовала. Иначе говоря, компонент объяснений создает отчет о проделанной работе.
Данный компонент является очень важным во всей экспертной системе, поскольку он значительно облегчает тестирование системы экспертом, а также повышает доверие пользователя к полученному результату и, следовательно, ускоряет процесс разработок.
Диалоговый компонент служит для обеспечения дружественного интерфейса пользователя как в ходе решения задачи, так и в процессе приобретения знаний и объявления результатов работы.
Теперь, когда мы знаем, из каких компонент в общем состоит статистическая экспертная система, построим диаграмму, отражающую структуру такой экспертной системы. Она имеет следующий вид:
Статические экспертные системы чаще всего используются в технических приложениях, где можно не учитывать изменения окружающего среды, происходящие во время решения задачи. Любопытно знать, что первые экспертные системы, получившие практическое применение, были именно статическими.
Итак, на этом закончим пока рассмотрение статистической экспертной системы, перейдем к анализу экспертной системы динамической.
К сожалению, в программу нашего курса не входит подробное рассмотрение этой экспертной системы, поэтому ограничимся разбором только самых основных отличий динамической экспертной системы от статических.
В отличие от статической экспертной системы в структуру динамической экспертной системы дополнительно вводятся два следующих компонента:
1) подсистема моделирования внешнего мира;
2) подсистема связей с внешним окружением.
Подсистема связей с внешним окружением как раз и осуществляет связи с внешним миром. Делает она это посредством системы специальных датчиков и контроллеров.
Помимо этого, некоторые традиционные компоненты статической экспертной системы подвергаются существенным изменениям, для того чтобы отобразить временную логику событий, происходящих в данный момент в окружающей среде.
Это главное различие между статической и динамической экспертными системами.
Пример динамической экспертной системы – управление производством различных медикаментов в фармацевтической промышленности.
3. Участники разработки экспертных систем
В разработке экспертных систем участвуют представители различных специальностей. Чаще всего конкретную экспертную систему разрабатывают трое специалистов. Это, как правило:
2) инженер по знаниям;
3) программист по разработке инструментальных средств.
Разъясним обязанности каждого из приведенных здесь специалистов.
Эксперт – это специалист в той предметной области, задачи которой и будут решаться при помощи этой конкретной разрабатываемой экспертной системы.
Инженер по знаниям – это специалист по разработке непосредственно экспертной системы. Используемые им технологии и методы называются технологиями и методами инженерии знаний. Инженер по знаниям помогает эксперту выявить из всей информации предметной области ту информацию, которая необходима для работы с конкретной разрабатываемой экспертной системой, а затем структурировать ее.
Любопытно, что отсутствие среди участников разработки инженеров по знаниям, т. е. замена их программистами, либо приводит к неудаче всего проекта создания конкретной экспертной системы, либо значительно увеличивает сроки ее разработки.
И, наконец, программист разрабатывает инструментальные средства (если инструментальные средства разрабатываются заново), предназначенные для ускорения разработки экспертных систем. Эти инструментальные средства содержат в пределе все основные компоненты экспертной системы; также программист осуществляет сопряжение своих инструментальных средств с той средой, в которой она будет использоваться.
4. Режимы работы экспертных систем
Экспертная система работает в двух основных режимах:
1) в режиме приобретения знаний;
2) в режиме решения задачи (называемом также режимом консультаций, или режимом использования экспертной системы).
Это логично и понятно, ведь сначала необходимо как бы загрузить экспертную систему информацией из той предметной области, в которой ей предстоит работать, это и есть режим «обучения» экспертной системы, режим, когда она получает знания. А уже после загрузки всей необходимой для работы информации следует и сама работа. Экспертная система становится готовой для эксплуатации, и ее теперь можно использовать для консультаций или для решения каких-либо задач.
Рассмотрим более подробно режим приобретения знаний.
В режиме приобретения знаний работу с экспертной системой осуществляет эксперт при посредничестве инженера по знаниям. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями (данными), которые, в свою очередь, позволяют системе в режиме решения уже без участия эксперта решать задачи из данной предметной области.
Следует отметить, что режиму приобретения знаний в традиционном подходе к разработке программ соответствуют этапы алгоритмизации, программирования и отладки, выполняемые непосредственно программистом. Отсюда следует, что в отличие от традиционного подхода в случае экспертных систем разработку программ осуществляет не программист, а эксперт, естественно, с помощью экспертных систем, т. е. по большому счету человек, не владеющий программированием.
А теперь рассмотрим второй режим функционирования экспертной системы, т. е. режим решения задач.
В режиме решения задачи (или так называемом режиме консультации) общение с экспертными системами осуществляет непосредственно конечный пользователь, которого интересует концевой итог работы и иногда способ его получения. Необходимо отметить, что в зависимости от назначения экспертной системы пользователь не обязательно должен быть специалистом в данной проблемной области. В этом случае он обращается к экспертным системам за результатом, не имея достаточных знаний для получения результатов. Или все же пользователь может обладать уровнем знаний, достаточным для достижения необходимого результата самостоятельно. В этом случае пользователь может сам получить результат, но обращается к экспертным системам с целью либо ускорить процесс получения результата, либо возложить на экспертные системы монотонную работу. В режиме консультации данные о задаче пользователя после обработки их диалоговым компонентом поступают в рабочую память. Решатель на основе входных данных из рабочей памяти, общих данных о проблемной области и правил из базы данных формирует решение задачи. Экспертные системы при решении задачи не только исполняют предписанную последовательность конкретной операции, но и предварительно формирует ее. Это делается для случая, если реакция системы не совсем понятна пользователю. В этой ситуации пользователь может потребовать объяснения о том, почему данная экспертная система задает тот или иной вопрос или почему данная экспертная система не может выполнить данную операцию, как получен тот или иной результат, поставляемый данной экспертной системой.
5. Продукционная модель знаний
По своей сути продукционные модели знаний близки к логическим моделям, что позволяет организовать весьма эффективные процедуры логического вывода данных. Это с одной стороны. Однако, с другой стороны, если рассматривать продукционные модели знаний в сравнении с логическими моделями, то первые более наглядно отображают знания, что является неоспоримым преимуществом. Поэтому, несомненно, продукционная модель знаний является одним из главных средств представления знаний в системах искусственного интеллекта.
Итак, начнем подробное рассмотрение понятия продукционной модели знаний.
Традиционная продукционная модель знаний включает в себя следующие базовые компоненты:
1) набор правил (или продукций), представляющих базу знаний продукционной системы;
2) рабочую память, в которой хранятся исходные факты, а также факты, выведенные из исходных фактов при помощи механизма логического вывода;
3) сам механизм логического вывода, позволяющий из имеющихся фактов, согласно имеющимся правилам вывода, выводить новые факты.
Причем, что любопытно, количество таких операций может быть бесконечно.
Каждое правило, представляющее базу знаний продукционной системы, содержит условную и заключительную части. В условной части правила находится либо одиночный факт, либо несколько фактов, соединенных конъюнкцией. В заключительной части правила находятся факты, которыми необходимо пополнить рабочую память, если условная часть правила является истинной.
Если попытаться схематично изобразить продукционную модель знаний, то под продукцией понимается выражение следующего вида:
Здесь i – это имя продукционной модели знаний или ее порядковый номер, с помощью которого данная продукция выделяется из всего множества продукционных моделей, получая некую идентификацию. В качестве имени может выступать некоторая лексическая единица, отражающая суть данной продукции. Фактически мы именуем продукцию для лучшего восприятия сознанием, чтобы упростить поиск нужной продукции из списка.
Приведем простой пример: покупка тетради» или «набор цветных карандашей. Очевидно, что каждую продукцию обычно именуют словами, подходящими для данного момента. Проще говоря, называют вещи своими именами.
Идем дальше. Элемент Q характеризует сферу применения данной конкретной продукционной модели знаний. Такие сферы легко выделяются в сознании человека, поэтому с определением данного элемента, как правило, сложностей не возникает. Приведем пример.
Рассмотрим следующую ситуацию: допустим, в одной сфере нашего сознания хранятся знания о том, как надо готовить пищу, в другой, как добраться до работы, в третьей, как правильно эксплуатировать стиральную машину. Подобное разделение присутствует и памяти продукционной модели знаний. Это разделение знаний на отдельные сферы позволяет значительно экономить время, затрачиваемое на поиск нужных в данный момент каких-то конкретных продукционных моделей знаний, и тем самым значительно упрощает процесс работы с ними.
Разумеется, что основным элементом продукции является ее так называемое ядро, которое в нашей приведенной выше формуле обозначалось как А > В. Эта формула может быть интерпретирована, как «если выполняется условие А, то следует выполнить действие В».
Если же мы имеем дело с более сложными конструкциями ядра, то в правой части допускается следующий альтернативный выбор: «если выполняется условие А, то следует выполнить действие В1, иначе следует выполнить действие В2».
Однако интерпретация ядра продукционной модели знаний может быть различной и зависеть от того, что будет стоять слева и справа от знака секвенции «>». При одной из интерпретаций ядра продукционной модели знаний секвенция может истолковываться в обычном логическом смысле, т. е. в качестве знака логического следования действия В из истинного условия А.
Тем не менее возможны и другие интерпретации ядра продукционной модели знаний. Так, например, А может описывать какое-то условие, выполнение которого необходимо для того, чтобы можно было совершить некое действие В.
Далее рассмотрим элемент продукционной модели знаний Р.
Элемент Р определяется, как условие применимости ядра продукции. Если условие Р истинно, то ядро продукции активизируется. В противном случае, если условие Р не выполняется, т. е. оно ложно, ядро не может быть активизировано.
В качестве наглядного примера рассмотрим следующую продукционную модель знаний:
«Наличие денег»; «Если хочешь купить вещь А, то следует заплатить в кассу ее стоимость и предъявить чек продавцу».
Смотрим, если условие Р истинно, т. е. покупка оплачена и чек предъявлен, то ядро активизируется. Покупка совершена. В случае если в этой продукционной модели знаний условие применимости ядра ложно, т. е. если нет денег, то применить ядро продукционной модели знаний невозможно, и оно не активизируется.
И переходим, наконец, к элементу N.
Элемент N называется постусловием продукционной модели данных. Постусловие задает действия и процедуры, которые необходимо выполнить после реализации ядра продукции.
Для лучшего восприятия приведем простой пример: после покупки вещи в магазине необходимо в описи товаров этого магазина уменьшить на единицу количество вещей такого типа, т. е. если покупка совершена (следовательно, реализовано ядро), то в магазине стало на одну единицу данного конкретного товара меньше. Отсюда постусловие «Вычеркнуть единицу купленного товара».
Подводя итог, мы можем сказать, что представление знаний в виде набора правил, т. е. посредством использования продукционной модели знаний, имеет следующие преимущества:
1) это простота создания и понимания отдельных правил;
2) это простота механизма логического выбора.
Однако в представлении знаний в виде набора правил имеются и недостатки, которые все же ограничивают сферу и частоту применения продукционных моделей знаний. Основным таким недостатком считается неясность взаимных отношений между составляющими конкретную продукционную модель знаний правилами, а также правилами логического выбора.
Структура экспертной системы
Выделяют два типа экспертных систем: статические и динамические. Статические экспертные системы используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два следующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.
На рисунке ниже представлена каноническая структура экспертной системы динамического типа:
Пояснение к рисунку:
- механизм логического вывода, называемый также интерпретатором, решателем;
- рабочую память (РП), называемую также рабочей базой данных (БД);
- базу знаний (БЗ);
- подсистему приобретения и пополнения знаний;
- подсистему объяснения;
- подсистему диалога;
- подсистему взаимодействия с внешним миром.
Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода во всей структуре экспертной системы занимает наиболее важное место. Он реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:
– процедура выбора из базы знаний и рабочей памяти правил и фактов;
– процедура сопоставления правил и фактов, в результате которой определяется множество фактов к которым применимы правила для присвоения значений;
– процедура разрешения конфликтов, определяющая порядок использования правил, если в заключении правила указаны одинаковые имена фактов с разными значениями;
– процедура, осуществляющая выполнение действий, соответствующих полученному значению факта (заключению правила).- повышается доверие пользователей к полученным результатам;
- облегчается отладка системы;
- создаются условия для пользователей по вскрытию новых закономерностей предметной области;
- объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.
- Передача экспертным системам «глубоких» знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации эвристических знаний экспертов.
- Экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Как правило, экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.
- Отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.
- Экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою востребованность.
Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.
Следующий элемент в структуре экспертной системы не менее важен, чем механизм логического вывода. Это – база знаний. База знаний предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Кроме правил и фактов, образующих декларативную часть базы знаний, в нее может входить процедурная часть – множество функций и процедур, реализующих оптимизационные, расчетные и другие требуемые алгоритмы.
Экспертные системы относятся к классу интеллектуальных систем, основывающихся на понимании факта. Другими словами экспертные системы основываются на знаниях специалиста-эксперта о предметной области. Высококачественный опыт наиболее квалифицированных специалистов, доступный для всех пользователей системы, становится фактором, резко повышающим качество принимаемых решений для организации, использующей экспертные системы в целом.
Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.
Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:
Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.
Экспертную систему правила
Определения и классификация
Одним из наиболее значительных достижений искусственного интеллекта стала разработка мощных компьютерных систем, получивших название «экспертных» или основанных на «знаниях» систем. В современном обществе при решении задач управления сложными многопараметрическими и сильносвязанными системами, объектами, производственными и технологическими процессами приходится сталкиваться с решением неформализуемых либо трудноформализуемых задач. Такие задачи часто возникают в следующих областях: авиация, космос и оборона, нефтеперерабатывающая промышленность и транспортировка нефтепродуктов, химия, энергетика, металлургия, целлюлозно-бумажная промышленность, телекоммуникации и связь, пищевая промышленность, машиностроение, производство цемента, бетона и т.п. транспорт, медицина и фармацевтическое производство, административное управление, прогнозирование и мониторинг. Наиболее значительными достижениями в этой области стало создание систем, которые ставят диагноз заболевания, предсказывают месторождения полезных ископаемых, помогают в проектировании электронных устройств, машин и механизмов, решают задачи управления реакторами и другие задачи.
Под экспертной системой (ЭС) будем понимать программу, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.
Пример работы экспертной системы прекрасно демонстрирует игра «Акинатор», расположенная в интернете сайте: http://ru.akinator.com .
Осознание полезности систем, которые могут копировать дорогостоящие или редко встречающиеся человеческие знания, привело к широкому внедрению и расцвету этой технологии в 80-е, 90-е годы прошлого века. Основу успеха ЭС составили два важных свойства, отмечаемые рядом исследователей:
— в ЭС знания отделены от данных, и мощность экспертной системы обусловлена в первую очередь мощностью базы знаний и только во вторую очередь используемыми методами решения задач;
— решаемые ЭС задачи являются неформализованными или слабоформализованными и используют эвристические, экспериментальные, субъективные знания экспертов в определенной предметной области.
Основными категориями решаемых ЭС задач являются: диагностика, управление (в том числе технологическими процессами), интерпретация, прогнозирование, проектирование, отладка и ремонт, планирование, наблюдение (мониторинг), обучение.
Обобщенная схема ЭС приведена на рис. 8. Основу ЭС составляет подсистема логического вывода, которая использует информацию из базы знаний (БЗ), генерирует рекомендации по решению искомой задачи. Чаще всего для представления знаний в ЭС используются системы продукций и семантические сети. Допустим, БЗ состоит из фактов и правил (если то ). Если ЭС определяет, что посылка верна, то правило признается подходящим для данной консультации и оно запускается в действие. Запуск правила означает принятие заключения данного правила в качестве составной части процесса консультации.
Обязательными частями любой ЭС являются также модуль приобретения знаний и модуль отображения и объяснения решений. В большинстве случаев, реальные ЭС в промышленной эксплуатации работают также на основе баз данных (БД). Только одновременная работа со знаниями и большими объемами информации из БД позволяет ЭС получить неординарные результаты, например, поставить сложный диагноз (медицинский или технический), открыть месторождение полезных ископаемых, управлять ядерным реактором в реальном времени.
Рис. 8 . Структура экспертной системы
Важную роль при создании ЭС играют инструментальные средства. Среди инструментальных сре дств дл я создания ЭС наиболее популярны такие языки программирования, как LISP и PROLOG, а также экспертные системы-оболочки (ЭСО): KEE, CENTAUR, G2 и GDA, CLIPS, АТ_ТЕХНОЛОГИЯ, предоставляющие в распоряжение разработчика — инженера по знаниям широкий набор для комбинирования систем представления знаний, языков программирования, объектов и процедур.
Рассмотрим различные способы классификации ЭС.
По назначению ЭС делятся на :
ЭС общего назначения.
проблемно-ориентированные для задач диагностики, проектирования, прогнозирования
предметно-ориентированные для специфических задач, например, контроля ситуаций на атомных электростанциях.
По степени зависимости от внешней среды выделяют:
Статические ЭС, не зависящие от внешней среды.
Динамические, учитывающие динамику внешней среды и предназначенные для решения задач в реальном времени. Время реакции в таких системах может задаваться в миллисекундах, и эти системы реализуются, как правило, на языке С ++.
По типу использования различают:
ЭС на входе/выходе других систем.
Гибридные ЭС или, иначе говоря, ЭС интегрированные с базами данных и другими программными продуктами (приложениями).
По сложности решаемых задач различают:
Простые ЭС — до 1000 простых правил.
Средние ЭС — от 1000 до 10000 структурированных правил.
Сложные ЭС — более 10000 структурированных правил.
По стадии создания выделяют:
Исследовательский образец ЭС, разработанный за 1-2 месяца с минимальной БЗ.
Демонстрационный образец ЭС, разработанный за 2-4 месяца, например, на языке типа LISP, PROLOG, CLIPS
Промышленный образец ЭС, разработанный за 4-8 месяцев, например, на языке типа CLIPS с полной БЗ.
Коммерческий образец ЭС, разработанный за 1,5-2 года, например, на языке типа С ++, Java с полной БЗ.
Трудности при разработке экспертных систем
Разработка ЭС связана с определенными трудностями, которые необходимо хорошо знать, так же как и способы их преодоления. Рассмотрим подробнее эти проблемы.
Проблема извлечения знаний экспертов. Ни один специалист никогда просто так не раскроет секреты своего профессионального мастерства, свои сокровенные знания в профессиональной области. Он должен быть заинтересован материально или морально, причем хорошо заинтересован. Никто не хочет рубить сук, на котором сидит. Часто такой специалист опасается, что, раскрыв все свои секреты, он будет не нужен компании. Вместо него будет работать экспертная система. Избежать эту проблему поможет выбор высококвалифицированного эксперта, заинтересованного в сотрудничестве.
Проблема формализации знаний экспертов. Эксперты-специалисты в определенной области, как правило, не в состоянии формализовать свои знания. Часто они принимают правильные решения на интуитивном уровне и не могут аргументированно объяснить, почему принято то или иное решение. Иногда эксперты не могут прийти к взаимопониманию (фраза «встретились два геолога, у них было три мнения» — не шутка, а реальная жизнь). В таких ситуациях поможет выбор эксперта, умеющего ясно формулировать свои мысли и легко объяснять другим свои идеи.
Проблема нехватки времени у эксперта. Выбранный для разработки эксперт не может найти достаточно времени для выполнения проекта. Он слишком занят. Он всем нужен. У него есть проблемы. Чтобы избежать этой ситуации, необходимо получить от эксперта, прежде чем начнется проект, согласие тратить на проект время в определенном фиксированном объеме.
Правила, формализованные экспертом, не дают необходимой точности. Проблему можно избежать, если решать вместе с экспертом реальные задачи. Не надо придумывать «игрушечных» ситуаций или задач. В условиях задач нужно использовать реальные данные, такие как лабораторные данные, отчеты, дневники и другую информацию, взятую из практических задач. Постарайтесь говорить с экспертом на одном языке, используя единую терминологию. Эксперт, как правило, легче понимает правила, записанные на языке, близком к естественному , а не на языке типа LISP или PROLOG .
Недостаток ресурсов. В качестве ресурсов выступают персонал (инженеры знаний, разработчики инструментальных средств, эксперты) и средства построения ЭС (средства разработки и средства поддержки). Недостаток благожелательных и грамотных администраторов порождает скептицизм и нетерпение у руководителей. Повышенное внимание в прессе и преувеличения вызвали нереалистические ожидания, которые приводят к разочарованию в отношении экспертных систем. ЭС могут давать не самые лучшие решения на границе их применимости, при работе с противоречивыми знаниями и в рассуждениях на основе здравого смысла. Могут потребоваться значительные усилия, чтобы добиться небольшого увеличения качества работы ЭС. Экспертные системы требуют много времени на разработку. Так, создание системы PUFF для интерпретации функциональных тестов легких потребовало 5 человеко-лет , на разработку системы PROCPECTOR для разведки рудных месторождений ушло 30 человеко-лет , система XCON для расчета конфигурации компьютерных систем на основе VAX 11/780 потребовала 8 человеко-лет . ЭС последних лет разрабатываются более быстрыми темпами за счет развития технологий ЭС, но проблемы остались. Удвоение персонала не сокращает время разработки наполовину, потому что процесс создания ЭС — это процесс со множеством обратных связей. Все это необходимо учитывать при планировании создания ЭС.
Неадекватность инструментальных средств решаемой задаче. Часто определенные типы знаний (например, временные или пространственные) не могут быть легко представлены на одном ЯПЗ, так же как и разные схемы представления (например, фреймы и продукции) не могут быть достаточно эффективно реализованы на одном ЯПЗ. Некоторые задачи могут быть непригодными для решения по технологии ЭС (например, отдельные задачи анализа сцен). Необходим тщательный анализ решаемых задач, чтобы определить пригодность предлагаемых инструментальных средств и сделать правильный выбор.
Методология построения экспертных систем
Рассмотрим методику формализации экспертных знаний на примере создания экспертных диагностических систем (ЭДС).
Целью создания ЭДС является определение состояния объекта диагностирования (ОД) и имеющихся в нем неисправностей.
Состояниями ОД могут быть: исправно, неисправно, работоспособно. Неисправностями, например, радиоэлектронных ОД являются обрыв связи, замыкание проводников, неправильное функционирование элементов и т.д.
Число неисправностей может быть достаточно велико (несколько тысяч). В ОД может быть одновременно несколько неисправностей. В этом случае говорят, что неисправности кратные.
Введем следующие определения. Разные неисправности ОД проявляются во внешней среде информационными параметрами. Совокупность значений информационных параметров определяет «информационный образ» (ИО) неисправности ОД. ИО может быть полным, то есть содержать всю необходимую информацию для постановки диагноза, или, соответственно, неполным. В случае неполного ИО постановка диагноза носит вероятностный характер.
Основой для построения эффективных ЭДС являются знания эксперта для постановки диагноза, записанные в виде информационных образов, и система представления знаний, встраиваемая в информационные системы обеспечения функционирования и контроля ОД, интегрируемые с соответствующей технической аппаратурой.
Для описания своих знаний эксперт с помощью инженера по знаниям должен выполнить следующее.
Выделить множество всех неисправностей ОД, которые должна различать ЭДС.
Выделить множество информативных (существенных) параметров, значения которых позволяют различить каждую неисправность ОД и поставить диагноз с некоторой вероятностью.
Для выбранных параметров следует выделить информативные значения или информативные диапазоны значений, которые могут быть как количественными, так и качественными. Например, точные количественные значения могут быть записаны: задержка 25 нсек , задержка 30 нсек и т.д. Количественный диапазон значений может быть записан: задержка 25—40 нсек , 40—50 нсек , 50 нсек и выше. Качественный диапазон значений может быть записан: индикаторная лампа светится ярко, светится слабо, не светится.
Для более удобного дальнейшего использования качественный диапазон значений может быть закодирован, например, следующим образом:
светится ярко Р 1 = +++ (или Р1 = 3),
светится слабо Р 1 = ++ (или Р1 = 2),
не светится Р 1 = + (или Р1 = 1).
Процедура получения информации по каждому из параметров определяется индивидуально в каждой конкретной системе диагностирования. Эта процедура может заключаться в автоматическом измерении параметров в ЭДС, в ручном измерении параметра с помощью приборов, качественном определении параметра, например, светится слабо, и т.д.
Процедура создания полных или неполных ИО каждой неисправности в алфавите значений информационных параметров может быть определена следующим образом. Составляются диагностические правила, определяющие вероятный диагноз на основе различных сочетаний диапазонов значений выбранных параметров ОД . Правила могут быть записаны в различной форме. Ниже приведена форма записи правил в виде таблицы.
Экспертные системы
Искусственный интеллект, как научная дисциплина, состоит из нескольких крупных течений. Одно из них – экспертные системы.
Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях, где большую роль играют знания «бывалых» специалистов. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.
Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях – областях.
Экспертное знание – это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.
Экспертная система – это не простая программа, которая пишется одним или несколькими программистами.
Но стоит отметить, что встречаются случаи, когда программы пишутся самими экспертами в данной области.
Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Например, при создании экспертной системы диагностики заболеваний врач рассказывает инженеру по знаниям об известных ему заболеваниях. Далее эксперт раскрывает список симптомов, которые сопровождают каждое заболевание и в заключение рассказывает об известных ему методах лечения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.
Первую экспертную систему, которую назвали Dendral, разработали в Стэнфорде в конце 1960-х г.г. Эта была экспертная система, определяющая строение органических молекул по химическим формулам и спектрографическим данным о химических связях в молекулах. Ценность Dendral заключалась в следующем. Органические молекулы, как правило, очень велики и поэтому число возможных структур этих молекул также велико. Благодаря эвристическим знаниям экспертов-химиков, заложенных в экспертную систему, правильное решение из миллиона возможных находилось всего за несколько попыток. Принципы и идеи, заложенные в Dendral оказались настолько эффективными, что они до сих пор применяются в химических и фармацевтических лабораториях по всему миру.
Экспертная система Dendral одной из первых использовала эвристические знания специалистов для достижения уровня эксперта в решении задач, однако методика современных экспертных систем связана с другой разработкой – Myсin. В ней использовались знания экспертов медицины для диагностики и лечения специального менингита и бактериальных инфекций крови.
Экспертная система Mycin, разработанная в том же Стэнфорде в середине 1970-х г.г., одной из первых обратилась к проблеме принятия решений на основе ненадежной или недостаточной информации. Все рассуждения экспертной системы Mycin были основаны на принципах управляющей логики, соответствующих специфике предметной области. Многие методики разработки экспертных систем, использующиеся сегодня, были впервые разработаны в рамках проекта Mycin.
На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Как правило, эти области хорошо изучены и располагают более менее четкими стратегиями принятия решений. Сейчас развитие экспертных систем несколько приостановилось, и этому есть ряд причин:
В заключение стоит отметить, что несмотря на все эти ограничения и недостатки, экспертные системы уже доказали всю свою ценность и значимость во многих важных приложениях.
Концепция экспертных систем
Экспертные системы — это класс компьютерных программ, которые могут давать совет, анализировать, изучать, исследовать, разбивать на категории, консультировать, создавать выводы, ставить диагноз, объяснять, предсказывать, формировать концепции, идентифицировать, интерпретировать, судить (делать суждение), учить, управлять, планировать, проверять и самообучаться [16].
Обычно экспертные системы создаются с помощью людей, которые решают специфические проблемы и могут описать процесс принятия решений. Если удается правильно формализовать этот процесс, то компьютерная программа, основанная на таком анализе, сможет решить узкопоставленную проблему равно эксперту. В работе [17] подробно обсуждается возможность успешного использования экспертных систем.
Если выделить из всего многообразия способностей, которыми должен обладать эксперт, шесть, а именно: 1 -применять личный опыт для достижения решения проблемы наиболее эффективным образом в условиях неполных и неконкретных исходных данных; 2 — объяснять и оценивать принятое решение; 3 — общаться с другими экспертами и формировать новые знания; 4 — переоценивать и реорганизовывать систему знаний; 5 — нарушать правила, так как существует столько же исключений, сколько и правил; 6 -определять релевантность проблемы, т.е. понимать ограниченность своих возможностей, — то окажется, что экспертные системы моделируют на современном уровне только первые три.
Существуют различные способы представления опыта и знаний экспертов в компьютерной технике. Один из простейших основан на использовании логической конструкции типа «если А, то тогда В», называемой правилом. С помощью списков, составленных из таких правил, система может делать выводы, используя логическое преобразование, известное в математической логике как Моdus ponens: если из А следует В и известно, что А истинно, то делается вывод, что В истинно. Результат такого логического вывода может быть использован в другом правиле, чтобы сделать следующий вывод. Таким образом правила динамически «собираются в цепочки».
Другой способ формирования структуры знаний основан на понятии «фрейм». Структура, называемая фреймом, как и в рассмотренной базе данных, представляет каждую единицу хранения как единый объект и характеризует его набором слотов. Если, например, единицей хранения является некоторая икона, то слотами будут ее атрибутивные характеристики и правила, их формирующие. Вместе с фреймами определяются правила вывода значений слотов через другие характеристики данного фрейма или через другие фреймы.
Экспертные системы подобно экспертам могут обладать поверхностными или глубокими знаниями. Глубокие представления основаны на причинно-следственных моделях, категориях, абстракциях и аналогиях. Поверхностные представления опираются на эмпирические ассоциации, но могут собираться (компилироваться) из понимания структуры и функций исследуемых систем. Ассоциации между предпосылками и выводами основываются на рассмотрении предшествующего опыта, а причинность, заложенная в правиле , подразумевается, а не высказывается.
II. Создание экспертной системы
В основе структуры информации, закладываемой в экспертную систему при ее разработке, отображены оба принципа представления знаний — поверхностный и глубокий. Первый реализуется с помощью правил, а второй — с помощью фреймов [18]. Реализация знаний в виде программного продукта с помощью правил стоит сравнительно недорого, но структура получается жесткой и внесение изменений и поправок оказывается сложным и неэффективным (гораздо более сложно, чем создание самой программы). С другой стороны, поверхностные представления не позволяют формировать суждения и концепции, с их помощью можно находить решения из числа проблем, представленных эмпирическими ассоциациями.
В то же время генерация знаний с помощью структуры фреймов — процесс сложный и дорогостоящий, но при этом достигается модульность, которая позволяет в дальнейшем добавлять новые и корректировать старые элементы знаний. Кроме того, фреймы позволяют формировать суждения и выводы на . основе обобщений, в результате возникает возможность индуцировать новые знания.
На пути создания экспертных систем существует, как минимум, три препятствия. Первое заключается в обеспечении достаточной полноты информации, заносимой в память. При этом центром проблемы является выделение ключевых (основополагающих) знаний и установления их взаимосвязи в структуре данных, а также создание и использование такой системы кодирования, которая бы позволила эффективно применять эту информацию к решению практических задач, стоящих перед реставраторами и искусствоведами.
Вторая трудность заключается в оценке качества функционирования системы и выработке соответствующих критериев. Здесь проблема кроется в том, что знания реставраторов и искусствоведов — это не просто сумма сведений и фактов. И формальные попытки учета многомерности связей, путем добавления новых для представления взаимоотношений отдельных элементов, могут привести к чрезмерной «жесткости» системы и она может стать «закрытой» для добавления новых элементов и установления их связей с, существующими.
Третья проблема связана с тем, что из-за неполноты современных сведений о глубинной структуре произведений искусств и отсутствия системного подхода в изучении этих вопросов задача синтеза системы знаний должна решаться крайне осторожно. Реставраторам и искусствоведам в их практической деятельности нужен широкий арсенал знаний, включая и эмпирические правила, выработанные многолетним опытом лучших специалистов, и результаты статистического анализа групп и классов объектов, и причинно-следственные связи, вытекающие из фундаментальных исследований в реставрации с помощью современных методов структурных, оптических и физико-химических исследований, а также вопросы социальных отношений, этики и экологии.
Нетрудно отметить, что все эти проблемы характерны не только для экспертных систем, они присущи процессу разработки и анализа любой сложной системы [26].
В настоящее время существует большое количество готовых экспертных систем, цены на которые варьируются от 200 до 10000 дол.(и более). Большинство из них основаны на обработке правил, например, ТАХАDVISOR [19], АDVISЕ [20] или ROUNDSMAN [21], но все большую популярность приобретают экспертные системы, в основе механизма принятия решений которых лежит идеология фреймов, например, 1st:-GLASS [22].
По-видимому, в ближайшее время появится значительное количество инструментальных экспертных систем, объединяющих обе идеологии представления знаний, что принципиально упростит развитие этого направления.
III. База знаний
Ядром любой экспертной системы является база знаний. Формирование этой базы осуществляется поэтапно разработчиками экспертных систем совместно с экспертами области, в которой будет использоваться данная система. Создание серьезной экспертной системы немыслимо без участия многих экспертов. Могут использоваться различные методы формирования правил на основе знаний экспертов (например, методы; индивидуальных высказываний, групповых решений, лидера, взвешенных оценок, ПЕРТ, парных сравнений и т.д.). Для построения правила разработчик экспертной системы или конструктор знаний анализирует имеющиеся «знания» безотносительно фактической структуры правила [23]. Для этого требуется два параметра — «результаты» и «факторы». Результаты — это заключение, действия или рекомендации, формируемые на основании действия правила. Факторы — это известные исходные значения.
Правило может состоять из переменного числа факторов и переменного числа значения для каждого фактора. Каждому фактору соответствует вопрос, который будет задаваться при использовании системой этого правила, а каждое значение соответствует возможному ответу на поставленный вопрос.
В качестве примера разберем этап формирования фрагмента экспертной подсистемы «технологические признаки живописи», входящей в систему «Живопись». В результате проведения совместного с группой экспертов анализа имеются следующие знания:
Технологические признаки импрессионизма:
стандартный набор форматов подрамников;
стандартный набор красок, преимущественно французского промышленного производства;
холст промышленного производства, часто рулонный;
плохо дек откровенный светлый грунт;
ярко выраженная фактура живописи (исключение — Ренуар);
светлый колорит с преобладанием голубых оттенков;
Здесь «технологические признаки импрессионизма» результат, а перечисленные признаки — факторы. Каждый фактор имеет свои значения и примеры, которые определяются экспертами. Так, например, форматы задаются списком, а состав красок определяется на основе физико-химического анализа. Следует отметить, что единодушия экспертов для определения значений факторов не требуется, так как значения могут определяться на основе примеров, предлагаемых каждым экспеотом в отдельности. В этом случае возникает возможность дать вероятностную оценку выводу и предложить альтернативу с меньшей вероятностью.
Для этого примера схематическое правило выглядит следующим образом:
1. ЕСЛИ произведение ЕСТЬ живопись
И формат подрамника = одному из списка
И холст ЕСТЬ промышленный ИЛИ ЕСТЬ рулонный
И грунт ЕСТЬ плохо декотированный И ЕСТЬ светлый
И набор красок , , > =. Каждому предикату соответствует вопрос, который должен быть задан, и в котором содержится форма ответа. Ниже приведен пример диалога, в котором ответы пользователя подчеркнуты.
1> Произведение является живописью ? Да
2> Введите формат подрамника в см в виде двух чисел квысота,
3> Холст промышленный (рулонный) ? Да
4> Грунт светлый и плохо декотированный ? Да
5> Введите степень прозрачности живописи от 0 до 1: 0,8
6> Введите степень светлости колорита от 0 до 1: 0,7
7> Введите степень фактурности живописи от 0 до 1: 0.9
Ответ: Если набор используемых красок соответствует
стандартному промышленному французскому набору, то данное произведение с вероятностью 0.78 может быть отнесено к импрессионизму, в противном случае исходной информации не достаточно для формирования суждений.
Последовательность задавания вопросов может быть изменена, но важно рационально выделять доминирующие признаки для ускорения поиска правильного решения. Например, если на второй вопрос ввести размер подрамника, который не соответствует ни одному из анализируемого в списке, то все последующие вопросы не будут заданы, так как, по мнению экспертов, этот признак (фактор) является доминирующим (из технологических). Количественные оценки в ответах на 5,6 и 7 вопросы формируются на основе субъективного мнения эксперта или вычисляются одним из способов усреднения групповых оценок.
Таким образом, последовательно анализируя имеющиеся знания и формулируя на их основе правила, можно создать базу знаний, в которой правила могут образовывать прямые и обратные цепочки, объединять в группы, порождая новые правила.
IV. Механизм принятия решения
Легче всего представить механизм принятия решения, рассмотрев алгоритм его функционирования.
Определить цель анализа
ЕСЛИ может быть найдено правило для достижения цели
ТО определить факторы и применить правило
ЕСЛИ цель достигнута ТО конец ИНАЧЕ определить первый
неизвестный фактор в качестве промежуточной цели анализа.
Запомнить состояние и перейти на НАЧАЛО КОНЕЦ ИНАЧЕ
ЕСЛИ существует вопрос, связанный с текущей целью
ТО задать вопрос. Соотнести ответ со стоящей целью.
Сформулировать правило. Поместить правило в библиотеку
правил. Перейти на НАЧАЛО
ИНАЧЕ ответ не может быть найден КОНЕЦ
Определение цели анализа в простейшем варианте может осуществляться с помощью стандартного меню, т.е. система предлагает на выбор несколько вариантов целеопределения. В этом случае вопрос о поиске соответствующего правила опускается, т.к. оно существует заведомо, и система переходит к заданию существующих вопросов для достижения указанной цели. Например, возможен следующий диалог (ответы пользователя подчеркнуты):
1>Цель Ваших действий (1-экспертиза, 2-реставрационный анализ,
3-статистический анализ) ? 2
2>Какой объект должен быть подвергнут анализу (выберите из
списка)?
1 – живопись
3 – декоративно-прикладное произведение
3>Введите тип живописи или ? для полного прохода:?
4 > Станковая/Монументальная ?С
8>Имя файла графического образа:Land5
9>Введите технологические признаки:
Программа, реализующая алгоритм принятия решения, является логическим центром всей экспертной системы и совместно с библиотекой правил, вопросов и примеров образует законченный модуль — базу знаний.
V. Накопление знаний
Процесс формирования базы знаний, как следует из предыдущего рассмотрения, требует значительных интеллектуальных и временных ресурсов, а при отсутствии терминологической определенности может оказаться безнадежно утомительным. Однако и из этой ситуации может быть найден выход.
Если существует необходимость развития идеологии экспертных систем в области с плохо формализуемыми знаниями и с терминологической неопределенностью, то имеет смысл в качестве первого подготовительного этапа начать с отработки концепции базы данных.
Разработанная во ВНИИР идеология создания системы знаний в области реставрации произведений искусств содержит два этапа. Первый — создание базы данных иерархического типа, второй — на основе подготовленной базы данных создание базы знаний. Именно поэтому в предлагаемых концепциях как базы данных, так и экспертной системы заложено структурное единство представления информации, основанное на иерархии фреймов.
Таким образом, уже в начале эксплуатации базы данных возникает возможность проведения анализа структурной формы информации, выбора принятой и устоявшейся терминологии, формирования основного набора правил для будущей экспертной системы. Эта возможность, как отмечалось ранее, базируется на периодическом статистическом анализе частотных признаков информационных атрибутов. Частотные признаки характеризуют частоту обращения к данному информационному понятию при проведении описания, поиска и классификации произведений искусств в базе данных. В результате формируется для каждого понятия список устойчивых атрибутов (с вероятностью более 0.9) и список переменных атрибутов (с вероятностью менее 0.9). Этот процесс, по сути, эквивалентен процедуре формирования правил и фреймов, поэтому последующие проблемы создания базы знаний будут значительно облегчены.
Необходимо подчеркнуть, что к моменту создания базы знаний терминологические неопределенности должны быть разрешены, в противном случае возможно возникновение конфликтных ситуаций и решений.