Определение и структура экспертных систем

Понятия о гибридных нейронных сетях.

Каждая разновидность искусственного интеллекта имеет свои особенности, например по возможности обучения и выработки выводов, нейронные сети хороши для задач распознавания образов, но весьма неудобные для вопросов

Они могут автоматически приобретать знания, но процесс их обучения достаточно….и анализ обученной сети весьма сложен (обученная сеть- черный ящик для пользователя), при этом априорную информацию (знания эксперта) ввести в сеть невозможно.

Напротив системы с нечёткой логикой хороши для объяснения с помощью выводов. Однако они не могут автономно приобретать знания для использования их механизмов вывода.

Вообще говоря, теоретически система с нечеткой логикой и ИНС эквивалентны друг другу. Данное соображение легло в основу аппаратно-гибридных сетей, в которых выводы делаются на основе аппарата нечеткой логики, но соответствующие функции принадлежности подстраиваются с использованием алгоритмов обучения нейронных сетей.

Такие системы не только используют априорную инструкцию, но и могут приобретать новые знания, являясь логически прозрачными для пользователя.

FIS, ANFIS

Экспертная система (ЭС)- сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и использовать этот опыт для консультации менее квалифицированных пользователей.

Упрощенная структура экспертной системы показана на рисунке.

Конкретная экспертная система может отличаться от данной структуры в сторону усложнения, но любая экспертная система должна содержать следующие блоки.

Дадим определения элементам (S):

Пользователь - специалист предметной области для которого предназначена эта система, обычно его квалификация невысока.

Инженер по знаниям – специалист в области искусственного интеллекта, выступающий в роли буфера между экспертом и базой знаний, синонимы – аналитик.

Интерфейс пользователя – комплекс программ реализующих диалог пользователя с экспертной системой как на стадии ввода информации, так и при получении результатов.

База знаний – ядро экспертной системы, совокупность знаний предметной области записанных на магнитном носителе в формате понятном эксперту и пользователю.(обычно на некотором языке приближенном к естественному), кроме этого существует представление базы знаний во внутреннем машинном представлении.

Решатель – программа моделирующая ход рассуждения эксперта на основании знаний хранящихся в безе знаний, синонимы – дедуктивная машина, блок логического вывода.

Подсистема объяснений – программа позволяющая пользователю получить ответ на вопросs: как была получена та или иная рекомендация и почему система приняла такое решение.

Ответ на вопрос «как?» - трассировка всего процесса получения решения указанием всех использованных фрагментов базы знаний.

Ответ на вопрос»почему?» - ссылка на умозаключения предшествующие полученному решению, те отвод на шаг назад.

Интеллектуальный редактор базы знаний – программа предоставляющая инженеру по знаниям создавать базу знаний в диалоговом режиме.

Классификация экспертных систем предложена следующая:

1) по задаче

- интерпретация

- диагностика

- проектирование

- планирование

2)по связи с реальным временем:

- статические

- кварц – динамические

- динамические

3)по степени интеграции

- автономные (в которых не надо применять методы моделирования)

- гибридные (используют другие программы системы (MatLab, MatCad, MS Excel…)).

По типу ЭВМ делятся

· на Супер ЭВМ

· на ЭВМ средней производительности

· на символьных процессорах,

· на рабочих станциях,

· на персональных ЭВМ,

· по степени интеграции

· по связи с реальным временем

· технологические экспертные системы.

Этапы разработки экспертных систем, процесс разработки промышленных экспертных систем, опираясь на традиционные технологии можно разделить на 6 этапов:

1. Выбор проблемы

2. Разработка прототипной системы

3. Развитие прототипа допромышленнного образца.

4. Оценка системы

5. Стыковка системы

6. Поддержка системы

За разработку экспертной системы целесообразно браться организациям, в которых накоплен опыт по автоматизации рутинных процедур разработки информации, например информационный поиск, сложные расчеты, графика, обработка текста и т.д.

Важным этапом является выбор подходящей темы, он включает определение проблемной области и задачи. Эта самая приближенная область разработки в целом.

На хождение эксперта, желающих соответствовать при решении проблемы и назначения коллектива разработчика. Определение предварительного подхода к решению. Анализ расходов и прибыль. Подготовка подробного плана разработки. Необходимость в разработки и внедрение экспертной системы возникает при наличии следующих фактов:

· Нехватка специалистов, расходующих значительное время для оказания помощи другим.

· Потребность в многочисленном коллективе специалистов, поскольку не один из них не обладает достаточным значением.

· Сниженная производительность, поскольку задача требует анализа сложных условий, а обычный специалист не в состоянии просмотреть все эти условия.

· Большое расхождение между решениями самых хороших и самых плохих исполнителей.

· Наличие конкурентов, имеющих преимущество в том, что они лучше справляются с поставленной задачей.

Подходящие задачи имеют следующие характеристики:

o Являются узкоспециализированными

o Не зависят в значительной степени от общечеловеческих знаний или из соображения здравого смысла.

o Не являются для эксперта не слишком сложными, не слишком легкими. Время на решение данных задач (от 3-х часов до 3-х недель)

o Условие исполнение задачи определяется самим пользователем системы.

o Имеет результаты, которые можно оценить.

После того как инженер по знаниям убедился, что данная задача может быть решена с помощью экспертной системы.

Экспертную систему можно создать предлагаемыми на рынке средствами, имеется подходящий эксперт, предложенные критерии производительности являются разумными, затраты и срок возращаемости приемлемы для заказчика.

Дата добавления: 2015-06-27