Лекция 12. Представление знаний (продолжение)

Термины: семантические сети, фреймовые модели представления знаний.

План темы:

· 12.1. Семантические сети как модель представления знаний

· 12.2. Фреймовые модели представления знаний

Вспомнить вопросы:

· Что такое ориентированный граф?

12.1. Семантические сети

Семантическая – смысловая. Семантика – наука, устанавливающая отношения между символами и объектами, которые они обозначают. Семантическая сеть – ориентированный граф, вершины которого – это понятия, а дуги – отношения между ними. Под понятиями обычно выступают абстрактные или конкретные объекты, а отношения – связи различных типов.

Характерной особенностью является обязательное наличие трёх типов отношений:

1. Класс – элемент класса;

2. Свойство – значение;

3. Пример элемента класса.

При построении семантической сети отсутствует ограничение на число связей и на сложность сети.

Классификация семантических сетей.

По количеству типов отношений:

1. Однородные с единственным типом

2. Неоднородные с различными типами отношений

По типу отношений:

1. Бинарные (только 2 объекта связаны отношениями)

2. n-арные (есть отношения, связывающие более двух понятий)

Типы связей:

1. Могут быть связи "часть – целое": элемент – множество, класс – подкласс;

2. Функциональные связи (определяется глаголами);

3. Количественные связи: больше, меньше, равно;

4. Пространственные: далеко от, близко от, за, под, над;

5. Временные: раньше, позже, в течение;

6. Атрибутивные связи: иметь свойства или иметь значение;

7. Логические связи: и, или, не.

Проблема поиска решений в БЗ типа семантической сети сводится к задаче поиска фрагмента сети соответствующего поставленному вопросу.

Задача: слева от станка расположен приёмный бункер. Расстояние – 2м. Справа – бункер готовой продукции, рядом со станком. Робот перемещается параллельно станку на расстоянии 1 м.

Рисунок 12.1. Фрагмент семантической сети.

Основное преимущество модели: очень хорошо соответствует современным представлениям об организации долговременной памяти человека.

Недостатки:

· Неоднородность связей

· Неоднозначность представления

· Декларативные и процедурные связи не отделены от модульно-логического вывода.

· Нет универсального алгоритма логического вывода.

12.2. Фреймовые модели

Структура предложена для восприятия пространственных сцен.

Фрейм – минимально возможное описание сущности какого-либо явления, события, ситуации, процесса или объекта. Минимально возможное означает, что при дальнейшем упрощении описания теряется его полнота, т.е. оно перестает определять ту единицу знаний, для которой предназначено.

Фрейм – структура данных для представления некоторого объекта.

Фрейм имеет имя, которое служит для идентификации описываемого им понятия. Фрейм содержит ряд описаний, т.н. слотов. С помощью слотов определяются основные структурные элементы этого понятия. За слотами следуют шпации. В них помещают информацию, представляющую текущее значение слота.

Слот может содержать:

· Конкретное значение

· Массивы, списки, множества

· Фреймы

· Списки имён

· Диапазон или перечень возможных значений

· Арифметические выражения

· Фрагменты текстов

· Правила продукций

· Имя процедуры, позволяющее вычислять какие-то значения по заданному алгоритму

Процедуры, располагающиеся в слотах, называются связанными или присоединенными процедурами. Вызов такой процедуры осуществляется при обращении к слоту.

Совокупность информации предметной области может быть представлено множеством взаимосвязанных фреймов, которые образуют единую фреймовую систему. В этой системе объединяются декларативные и процедурные знания. Такая система имеет, как правило, иерархическую структуру, в которой фреймы соединены друг с другом с помощью родовидовых связей. На верхнем уровне иерархии находится фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Для организации связей, фреймы обладают способностью наследовать значения характеристик своих родителей.

Над фреймами можно совершать некоторые теоретико-множественные операции: объединение и пересечение фреймов.

· При объединении фреймов в результирующем фрейме будут присутствовать все слоты, которые встречались в обоих исходных фреймах, а в слотах, не являющихся общими, будут сохранены исходные значения. Если же в объединяемых фреймах имеются одноименные слоты, то в результирующем слоте останется только одни слот с таким именем, а его значение определится в результате объединения значения одноименных слотов.

· При пересечении фреймов в результирующем фрейме будут присутствовать только те слоты, которые имелись во всех исходных фреймах.

Способы вычисления результирующего значения:

1. Состоит в том, что в результирующем фрейме присутствуют только те значения, которое совпадали в исходных фреймах.

2. Результирующие значения находят путём пересечения значений из исходных фреймов.

Фреймовые системы могут быть статические и динамические. Последние допускают изменение фреймов в процессе решения задач.

В общем случае структура фреймов могут содержать следующие атрибуты:

1. Имя фрейма, для идентификации в системе, должно быть уникальным в пределах всей БЗ. Число слотов, устанавливаемое проектировщиком системы. Часть слотов определяется самой системой для выполнения специальных функций – системные слоты. Например, слот-указатель на родителя данного фрейма, на дочерние фреймы, слот для ввода имени пользователя, слот для текущей даты и т.д.

2. Имя слота, должно быть уникальным в пределах одного фрейма.

3. Указатель наследования. Показывают, какую информацию об атрибутах слотов из фрейма верхнего уровня наследуют слоты с аналогичными именами в данном фрейме.

S – значение слота наследуется.

R – значения слота должны находится в пределах интервала значений, указанных в одноименном слоте родительского фрейма.

О – при отсутствии значения в текущем слоте оно наследуется из фрейма верхнего уровня, однако в случае определения значения текущего слота оно может быть уникальным.

4. Указатель типа данных. frame, real, integer, boolean, text, list, table, expression, lisp

5. Значение слота. Оно должно соответствовать указанному типу данных и условию наследования.

6. Демоны. Демоном является разновидность присоединенных процедур. Демон – процедура, автоматически запускаемая при выполнении некоторого условия.

7. Процедура, написанная на любом языке ИИ. Присоединенная процедура запускается по сообщению, переданному из другого фрейма.

Демоны и процедуры – это процедурные знания. Процедурные знания являются средством управления логическим выводом во фреймовых системах.

Существуют фреймы-шаблоны или фреймы-прототипы (протофреймы) и фреймы-экземпляры (экзофреймы). Протофреймы – как класс, экзофреймы – отдельный объект. Протофреймы обычно находятся в БЗ, экзофреймы – из текущей ситуации за время работы системы.

Протофрейм для понятия "взятие"

"Взятие":

(Субъект,Х1);

(Объект,Х2);

(Место,Х3);

(Время,Х4);

(Условие,Х5). "Взятие":

(Субъект, Робот);

(Объект, Деталь);

(Место, Приемный бункер);

(Время, 10.35);

(Условие, В бункере есть деталь, а у робота нет).

Модель фрейма позволяет отобразить большое разнообразие мира.

Типы фреймов:

· Фреймы-структуры – для объектов понятий.

· Фреймы-роли. (Например, менеджер, кассир)

· Фреймы-сценарии. (Например, банкротство, собрание акционеров)

· Фреймы-ситуации. (Например, тревога, авария, рабочий режим устройства)

Рисунок 12.2. Наследование свойств.

В ИС с фреймовым представлением знаний 3 способа логического вывода

· Демоны

· Присоединенные процедуры

· Механизм наследования

Управленческие функции механизма наследования заключаются в автоматическом поиске и определении значения слотов фреймов нижележащих уровней по значениям слотов фреймов верхних уровней, а также в запуске присоединенных процедур и демонов. Присоединенные процедуры и демоны позволяют реализовать любой механизм вывода в системах с фреймовым представлением знаний. Однако эта реализация имеет конкретный характер и требует значительных затрат труда проектировщика и программиста.

Таким образом:

Вопросы:

· Опишите семантические сети как модель представления знаний.

· Опишите фреймовые модели представления знаний.

Дополнительные ссылки:

Лекция 13. Экспертные системы: структура и классификация.

Термины: экспертные системы, пользователь ЭС, инженер по знаниям, когнитолог, инженер-интерпретатор, аналитик, интерфейс пользователя ЭС, база знаний БЗ, решатель, дедуктивная машина, блок логического вывода, подсистема объяснений, интеллектуальный редактор БЗ.

План темы:

13.1. Предметные области для экспертных систем

13.2. Обобщенная структура экспертной системы

13.3. Основные понятия и определения

13.4. Классификация экспертных систем

13.5. Инструментальные средства построения экспертных систем

Вспомнить вопросы:

· Что такое экспертные системы?

13.1. Предметные области для экспертных систем

В нашей стране современное состояние разработок в области экспертных систем можно охарактеризовать как стадию всевозрастающего интереса среди широких слоев экономисте, финансистов, преподавателей, инженеров, медиков, психологов, программистов, лингвистов. К сожалению, этот интерес имеет пока достаточно слабое материальное подкрепление - явная нехватка учебников и специальной литературы, отсутствие символьных процессоров и рабочих станций искусственного интеллекта, ограниченное финансирование исследований в этой области, слабый отечественный рынок программных продуктов для разработки экспертных систем.

Поэтому распространяются "подделки" под экспертные системы в виде многочисленных диалоговых систем и интерактивных пакетов прикладных программ, которые дискредитируют в глазах пользователей это чрезвычайно перспективное направление. Процесс создания экспертной системы требует участия высококвалифицированных специалистов в области искусственного интеллекта, которых пока выпускает небольшое количество высших учебных заведений страны.

Современные экспертные системы широко используются для тиражирования опыта и знаний ведущих специалистов практически во всех сферах экономики. Традиционно знания существуют в двух видах - коллективный опыт и личный опыт.

Если большая часть знаний в предметной области представлена в виде коллективного опыта (например, высшая математика), эта предметная область не нуждается в экспертных системах.

Если в предметной области большая часть знаний является личным опытом специалистов высокого уровня (экспертов), если эти знания по каким-либо причинам слабо структурированы, такая предметная область скорее всего нуждается в экспертной системе (рис. 1.2).

Рис. 13.1. Предметная область, не пригодная для создания экспертной системы.

Рис. 13.2. Предметная область, пригодная для создания экспертной системы.

13.2. Обобщенная структура экспертной системы.

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

Обобщенная структура экспертной системы представлена на рис. 1.5. Следует учесть, что реальные экспертные системы могут иметь более сложную структуру, однако блоки, изображенные на рисунке, непременно присутствуют в любой действительно экспертной системе, поскольку являют собой негласный канон на структуру современной экспертной системы.

Определим основные термины в рамках данного учебника.

Рис. 13.3. Структура экспертной системы.

Пользователь - специалист предметной области, для которого предназначена систе­ма. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭС.

Инженер по знаниям - специалист по искусственному интеллекту, высту­пающий в роли промежуточного буфера между экспертом и базой знаний. Синонимы: когнитолог, инженер-интерпретатор, аналитик.

Интерфейс пользователя - комплекс программ, реализующих диалог пользователя с ЭС как на стадии ввода информации, так и получения результатов.

База знаний (БЗ) - ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому "человеческому" представле­нию существует БЗ во внутреннем "машинном" представлении.

Решатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, блок логического вывода.

Подсистема объяснений - программа, позволяющая пользователю полу­чить ответы на вопросы: "Как была получена та или иная рекомендация?" и "Почему систе­ма приняла такое решение?" Ответ на вопрос "как" - это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, т.е. всех шагов цепи умо­заключений. Ответ на вопрос "почему" - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад.

Интеллектуальный редактор БЗ - программа, представляющая инже­неру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок ("help" - режим) и Других сервисных средств, облегчающих работу с базой.

В коллектив разработчиков ЭС входят как минимум четыре человека:

· эксперт;

· инженер по знаниям;

· программист;

· пользователь.

Возглавляет коллектив инженер по знаниям, это ключевая фигура при разработке сис­тем, основанных на знаниях.

Таким образом:

Вопросы:

· Что такое экспертные системы?

· Какие предметные области пригодны для создания ЭС?

· Опишите структуру экспертной системы.

· Назовите группы пользователей экспертной системы.

Дополнительные ссылки:

Лекция 14. Классификация экспертных систем.

Термины: эвристики, метазнания.

План темы:

· 14.1. Схема классификации

· 14.2. Классификация по решаемой задаче

· 14.3. Классификация по связи с реальным временем

· 14.3. Классификация по связи с реальным временем

· 14.4. Классификация по типу ЭВМ

· 14.5. Классификация по степени интеграции с другими программами

· 14.6. Организация знаний в ЭС.

· 14.7. Отличие ЭС от традиционных программ.

14.1. Схема классификации

Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Полезными могут оказаться следующие классификации (рис. 14.1).

Рис. 14.1. Классификация экспертных систем.

14.2. Классификация по решаемой задаче.

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под ин­терпретацией понимается определение смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Пример 14.1:

· обнаружение и идентификация различных типов океанских судов - SIAP;

· определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Диагностика. Под диагностикой понимается обнаружение неисправности в некото­рой системе. Неисправность-- это отклонение от нормы. Такая трактовка позволяет с еди­ных теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важно спецификой является необходимость понимания функциональной структуры (“анатомии” диагностирующей системы.

Пример 14.2:

· диагностика и терапия сужения коронарных сосудов - ANGY;

· диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ – система CRIB и др.

Мониторинг. Основная задача мониторинга - непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допусти­мые пределы. Главные проблемы - "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных си­туаций и необходимость учета временного контекста.

Пример 14.3:

· контроль за работой электростанций СПРИНТ, помощь диспетчерам атомного реактора - REACTOR;

· контроль аварийных датчиков на химическом заводе - FALCON и др.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов - чертеж, пояснительная записка и т.д. Основные пробле­мы здесь - получение четкого структурного описания знаний об объекте и проблема "следа". Для организации эффективного проектирования и, в еще большей степени, перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Пример 14.4:

· проектирование "конфигураций ЭВМ VAX - 11/780 в системе XCON {или R1), проектирование БИС -CADHELP;

· синтез электрических цепей-SYNи др.

Прогнозирование. Прогнозирующие системы логически выводят вероятные следст­вия из заданных ситуаций. В прогнозирующей системе обычно используется параметричес­кая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с веро­ятностными оценками.

Пример 14.5:

· предсказание погоды - система WILLARD;

· оценки будущего урожая - PLANT;

· прогнозы в экономике -ECON и др.

Планирование. Под планированием понимается нахождение планов действий, отно­сящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия плани­руемой деятельности.

Пример 14.6:

· планирование поведения робота - STRIPS;

· планирование промышленных заказов - ISIS;

· планирование эксперимента - MOLGEN и др.

Обучение. Системы обучения диагностируют ошибки при изучении какой-либо дис­циплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Пример 14.7:

· обучение языку программирования Лисп в системе "Учитель Лиспа";

· система PROUST -- обучение языку Паскаль и др.

В общем случае все системы, основанные на знаниях, можно подразделить на систе­мы, решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отли­чие задач анализа от задач синтеза заключается в следующем: если в задачах анализа мно­жество решений может быть перечислено и включено в систему, то в задачах синтеза мно­жество решений потенциально строится из решений компонентов или подпроблем. Задача анализа - это интерпретация данных, диагностика; к задачам синтеза относятся проектиро­вание, планирование. Комбинированные задачи: обучение, мониторинг, прогнозирование.

14.3. Классификация по связи с реальным временем.

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Пример 14.8. Диагностика неисправностей в автомобиле.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с неко­торым фиксированным интервалом времени.

Пример 14.9. Микробиологические ЭС, в которых снимаются лабораторные измере­ния с технологического процесса один раз в 4 - 5 ч (производство лизина, например) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме ре­ального времени с непрерывной интерпретацией поступаемых данных.

Пример 14.10. Управление гибкими производственными комплексами, мониторинг в реанимационных палатах и т.д. Пример инструментария для разработки динамичес­ких систем - G2.

14.4. Классификация по типу ЭВМ.

На сегодняшний день существуют:

· ЭС для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRAY,
CONVEX и др.);

· ЭС на ЭВМ средней производительности (типа ЕС ЭВМ, mainframe);

· ЭС на символьных процессорах и рабочих станциях (SUN, APOLLO);

· ЭС на мини- и супермини-ЭВМ (VAX, micro-VAX и др.);

· ЭС на персональных компьютерах (IBM PC, MAC II и подобные).

14.5. Классификация по степени интеграции с другими программами.

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "экспертных" задач, для решения которых не требуется привлекать тра­диционные методы обработки данных (расчеты, моделирование и т.д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандарт­ные пакеты прикладных программ (например, математическую статистику, линейное про­граммирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу, на порядок более сложную, чем разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происхо­дит в гибридных системах) порождает целый комплекс теоретических и практических труд­ностей.

14.6. Организация знаний в ЭС.

Для специалистов в области ИИ термин знания означает информацию, которая необходима программе, чтобы она вела себя, «интеллектуально». Эта информация принимает форму фактов или правил.

Факты и правила в экспертной системе не всегда либо истинны, либо ложны; иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется «коэффициентом уверенности».

Многие правила экспертной системы являются эвристиками, т. е. эмпирическими правилами или упрощениями, которые эффективно ограничивают поиск решения. Экспертная система использует эвристики, потому что задачи, которые она решает, будь то поиск новых месторождений или согласование исков, как правило, трудны и не до конца понятны. Эти задачи не поддаются строгому математическому анализу или алгоритмическому решению. Алгоритмический метод гарантирует корректное или оптимальное решение задачи, тогда как эвристический метод дает приемлемое решение в большинстве случаев.

Рис. 14.2. Алгоритмические и эвристические модели данных

На рисунке 14.2 показано различие между алгоритмическим и эвристическим методами. Здесь сравнивается алгоритм предотвращения захвата самолетов на коммерческих авиалиниях с эвристическим методом, предназначенным для той же цели.

Алгоритм обеспечивает полную гарантию предотвращения захвата самолета, потому что в принципе полностью исключает возможность проникновения оружия на борт самолета. К сожалению, он требует слишком много времени, слишком дорог и, что еще важнее, слишком непопулярен, чтобы иметь какую-либо практическую цен­ность. Приведенный эвристический метод также может предотвратить большинство попыток захвата самолетов, но не гарантирует, что они вообще не возникнут. Использование эвристических правил де­лает поиск решения намного более легким и более практичным.

Знания в ЭС организованы таким образом, чтобы знания о предметной области отделить от других типов знаний системы, таких, как общие знания о том, как решать задачи, или знания о том, как взаимодействовать с пользователем, например как печатать текст на терминале пользователя или как изменить текст в соответствии с командами пользователя. Выделенные знания о предметной области называются базой знаний, тогда как общие знания о нахождении решений задач называются механизмом вывода. Программа, которая работает со знаниями, организованными подобным образом, называется системой, основанной на знаниях.

Рис. 14.3. Экспертные системы как системы, основанные на знаниях.

Как показано на рисунке 14.3, в сущности все экспертные системы являются системами, основанными на знаниях, но не наоборот. Программу ИИ для игры в «крестики и нолики» нельзя будет считать экспертной системой, даже если в ней знания о предметной области отделить от остальной программы.

База знаний ЭС содержит факты (данные) и правила (или другие представления знаний), использующие эти факты как основу для принятия решений. Механизм вывода содержит интерпретатор, определяющий, каким образом применять правила для вывода новых знаний, и диспетчер, устанавливающий порядок применения этих правил. Такая структура экспертной системы показана на рис. 14.4.

Выделение знаний о предметной области облегчает инженеру по. знаниям разработку процедур для манипулирования ими. Каким образом система использует свои знания, имеет первостепенное значение, поскольку ЭС должна иметь и адекватные знания, и средства эффективно использовать знания, чтобы ее можно было считать умелой в каком-либо виде деятельности. Следовательно, для того. чтобы быть умелой, ЭС должна иметь базу знаний, содержащую высококачественные знания о предметной области, а ее механизм вывода должен содержать знания о том, как эффективно использовать знания о предметной области.

Концепция механизма вывода ЭС часто вызывает некоторое недоумение среди начинающих разработчиков. Обычно ясно, как знания предметной области могут быть записаны в виде фактов и правил, но далеко не ясно, каким образом конструировать и использовать так называемый «механизм вывода». Это недоумение происходит от отсутствия простого и общего метода организации логического вывода. Его структура зависит и от специфики предметной области и от того, как знания структурированы и организованы в ЭС. Многие языки высокого уровня, предназначенные для построения экспертных систем, например EMYCIN, имеют механизм вывода, в некотором смысле встроенный в язык как его часть.

Другим примером может служить язык программирования Пролог со встроенным в него механизмом логического вывода, который может быть непосредственно ис­пользован при создании простых ЭС.

Языки более низкого уровня, например LISP, требуют, чтобы создатель ЭС сам проектировал и реализовал механизм вывода.

Оба подхода имеют свои достоинства и недостатки. Язык высоко­го уровня со встроенным механизмом вывода облегчает работу соз­дателя экспертной системы. В то же время у него, понятно, меньше возможностей определять способы организации знаний и доступа к ним, и ему следует очень внимательно рассмотреть вопрос о том, годится или нет на самом деле предлагаемая схема управления процессом поиска решения для данной предметной области. Использо­вание языка более низкого уровня без механизма вывода требует больших усилий на разработку, но позволяет разработать нужные программные блоки, которые разработчик может встроить в схему управления процессом решения, который будет адекватен данной предметной области.

Что касается механизма вывода, то здесь дело не ограничивается выбором «все или ничего». Так, некоторые инструменты построения экспертных систем имеют набор встроенных механизмов вывода, но позволяют разработчику модифицировать или переопределять их для большего соответствия с предметной областью.

14.7. Отличие ЭС от традиционных программ.

Еще один способ определить ЭС - это сравнить их с обычными программами. Главное различие состоит в том, что ЭС манипулируют знаниями, тогда как обычные программы манипулируют данными. Фирма Teknowledge, которая занимается производством коммерческих экспертных систем, описывает эти различия, как показано в таблице 14.1.

В §2.4 обсуждалось, как экспертные системы используют эвристики и механизм вывода, и рассмотрены некоторые из общих методов представления знаний.

Обработка данных	Инженерия знаний
Представление и использование данных Алгоритмы, Повторный прогон, Эффективная обработка больших баз данных	Представление и использование знаний Эвристики, процесс логического вывода, Эффективная обработка баз знаний

Таблица 14.1. Сравнение ЭС с обычными программами.

Специалисты в области ИИ имеют несколько более узкое (и более сложное) представление о том, что такое ЭС. Под экспертной системой понимается программа для ЭВМ, обладающая свойствами, изображенными на рисунке 14.4. Рассмотрим эти характеристики более подробно.

Рисунок 14.4. Свойства экспертной системы.

Компетентность. Экспертная система должна демонстрировать компетентность, т.е. достигать в конкретной предметной области того же уровня профессионализма, что и эксперты-люди. Но просто уметь находить хорошие решения еще недостаточно. Настоящие эксперты не только находят хорошие решения, но часто находят их очень быстро, тогда как новичкам для нахождения тех же решений, как правило, требуется намного больше времени. Следовательно, ЭС должна быть умелой - она должна применять знания для получения решений эффективно и быстро, используя приемы и ухищрения, какие применяют эксперты-люди, чтобы избежать громоздких или ненужных вычислений. Для того чтобы по-настоящему подражать поведению эксперта-человека, ЭС должна обладать робастностью. Это подразумевает не только глубокое, но и достаточно широкое понимание предмета. А этого можно достичь, используя общие зна­ния и методы нахождения решений проблем, чтобы уметь рассуждать исходя из фундаментальных принципов в случае некорректных дан­ных или неполных наборов правил. Это один из наименее разработанных методов в современных ЭС, но именно им успешно пользуются эксперты-люди.

Символьные рассуждения. Эксперты, решая какие-то задачи (особенно такого типа, для решения которых применяются ЭС), обходятся без решения систем уравнений или других трудоемких математических вычислений. Вместо этого они с помощью символов представляют понятия предметной области и применяют различные стратегии и эвристики в процессе манипулирования этими понятия­ми. В ЭС знания тоже представляются в символьном виде, т. е. наборами символов, соответствующих понятиям предметной области. На жаргоне ИИ символ - это строка знаков, соответствующая содержанию некоторого понятия реального мира.

Примеры символов: продукт ответчик 0.8

Эти символы можно объединить, чтобы выразить отношения между ними. Когда эти отношения представлены в программе ИИ, они называются символьными структурами.

Примеры символьных структур:

(ДЕФЕКТНЫЙ продукт)

(ВЫПУЩЕННЫЙ ответчиком продукт)

(РАВНО (ОТВЕТСТВЕННОСТЬ ответчик) 0.8)

Эти структуры можно интерпретировать следующим образом: «продукт является дефектным», «продукт был выпущен в продажу ответчиком» и «ответственность ответчика равна 0.8».

При решении задачи ЭС вместо выполнения стандартных матема­тических вычислений манипулирует этими символами. Нельзя ска зать, что ЭС вообще не производит математических расчетов, она их делает, но в основном она приспособлена для манипулирования символами. Вследствие подобного подхода представление знаний - выбор, форма и интерпретация используемых символов – становится очень важным. Кроме того, эксперты могут получить задачу, сформулированную неким произвольным образом, и преобразовать ее к тому виду, который в наибольшей степени соответствует быстрому получению решения или гарантирует его максимальную эффективность. Эта способность переформулирования задачи - как раз то свойство, которое должно быть присуще ЭС для того, чтобы приблизить их мастерство к уровню экспертов-людей. К сожалению, большинство существующих в настоящее время ЭС не обладают этим свойством.

Глубина. Экспертная система должна иметь глубокие знания; это значит, что она способна работать эффективно в узкой предметной области, содержащей трудные, нетривиальные задачи. Поэтому прави­ла в ЭС с необходимостью должны быть сложными либо в смысле сложности каждого правила, либо в смысле их обилия. Экспертные системы, как правило, работают с предметными областями реального мира, а не с тем, что специалисты в области ИИ называют игрушечными предметными областями. В предметной области реального мира тот, кто решает задачу, применяет фактическую информацию к практической проблеме и находит решения, которые являются ценными с точки зрения некоторого критерия, определяющего соотношение стоимости и эффективности. В игрушечной предметной области либо задача подвергается чрезвычайному упрощению, либо производится нереалистическая адаптация некоторой сложной проблемы реального мира. Тот, кто решает такую проблему, обрабатывает искусственную информацию, которая в целях облегчения решения упрощена и порождает решения, имеющие чисто теоретический интерес.

В тех случаях, когда по отношению к сложной задаче или данным о ней сделаны существенные упрощения, полученное решение может оказаться неприменимым в масштабах, которые характерны для реальной проблемы. Рекомендации, методы представления знаний, организация знаний, необходимые для применения методов решения задач к этим знаниям, часто связаны с объемом и сложностью пространства поиска, т.е. множества возможных промежуточных и окончательных решений задачи. Если проблема сверхупрощена или нереалистична, то размерность пространства поиска будет, скорее всего, резко уменьшена, и не возникнет проблем с быстродействием и эффективностью, столь характерных для реальных задач. Эта проблема размерности возникает столь естественно и неуловимо, что даже искушенные в ИИ специалисты могут не оценить ее истинные масштабы.

Самосознание. Экспертные системы имеют знания, позволяющие им рассуждать об их собственных действиях, и структуру, упрощающую такие рассуждения. Например, если ЭС основана на продукциях то ей легко просмотреть цепочки выводов, которые она порождает, чтобы прийти к решению задачи. Если заданы еще и специальные продукции, из которых ясно, что можно сделать с этими цепочками выводов, то можно использовать эти знания для проверки точности, устойчивости и правдоподобия решений задачи и даже построить доводы, оправдывающие или объясняющие процесс рассуждения. Это знание системы о том, как она рассуждает, называется метазнанием, что означает всего лишь знания о знаниях.

У большинства ныне существующих ЭС есть так называемый механизм объяснения. Это знания, необходимые для объяснения того, каким образом система пришла к данным решениям. Большинство этих объяснений включают демонстрацию цепочек выводов и доводов, объясняющих, на каком основании было применено каждое пра­вило в цепочке. Возможность проверять собственные процессы рас­суждения и объяснять свои действия - это одно из самых новатор­ских и важных свойств ЭС. Но почему это свойство так важно?

«Самосознание» так важно для ЭС потому, что:

· пользователи начинают больше доверять результатам, испытывать большую уверенность в системе;

· ускоряется развитие системы, так как систему легче отлаживать;

· предположения, положенные в основу работы системы, становятся явными, а не подразумеваемыми;

· легче предсказывать и выявлять влияние изменений на работу

системы.

Умение объяснить - это всего лишь один из аспектов самосознания. В будущем самосознание позволит ЭС делать даже больше. Они сами смогут создавать обоснования отдельных правил путем рассуждения, исходящего из основных принципов. Они будут приспосабливать свои объяснения к требованиям пользователя. Они смогут изменять собственную внутреннюю структуру путем коррекции правил, реорганизации базы знаний и реконфигурации системы.

Первый шаг в этом направлении - выделить метазнания и сделать их явными, точно так же как знания о предметной области выделены и сделаны явными. Ниже приведен пример метазнания - знания о том, как использовать предметные знания.

ЕСЛИ: к данной ситуации применимо несколько правил,

ТО: использовать сначала правила, предложенные экспертами, прежде чем прибегнуть к правилам, предложенным новичками.

Это метаправило говорит ЭС, каким образом она должна выбирать те правила, которые надо выполнить. Специалисты по ИИ еще только начинают экспериментировать с формами представления метазнаний и их организацией в ЭС.

Экспертные системы делают ошибки.Существует еще одно очень важное отличие ЭС от традиционных программ. Тогда как традиционные программы разрабатываются таким образом, чтобы каждый раз порождать правильный результат, ЭС разработаны с тем, чтобы вести себя как эксперты, которые, как правило, дают правильные ответы, но иногда способны ошибаться.

На первый взгляд кажется, что в этом отношении традиционные программы имеют явное преимущество. Однако это преимущество кажущееся. Традиционные программы для решения сложных задач, напоминающих те, которые подходят для ЭС, тоже могут делать ошибки. Но их ошибки чрезвычайно трудно исправлять, поскольку стратегии, эвристики и принципы, лежащие в основе этих про­грамм, явно не сформулированы в их тексте. Следовательно, эти ошибки нелегко определить и исправить. Подобно своим двойникам-людям ЭС могут делать ошибки. Но в отличие от обычных программ, они имеют потенциальную способность учиться на своих ошибках. С помощью компетентных пользователей можно заставить экспертные системы совершенствовать свое умение решать задачи в ходе практи­ческой работы

Вопросы:

· По каким признакам классифицируются ЭС?

· Классификация по решаемой задаче.

· Классификация по связи с реальным временем.

· Классификация по связи с реальным временем.

· Классификация по типу ЭВМ.

· Классификация по степени интеграции с другими программами.

· Как организуются знания в ЭС?

· Назовите отличия ЭС от традиционных программ.

Дополнительные ссылки:

Дата добавления: 2014-10-31