Экспертные системы и их особенности

Базы данных, ориентированные на искусственный интеллект

Термин «искусственный интеллект», безусловно, привлекает внимание каждого, хотя бы поверхностно интересующегося вычислительной техникой. Пока самым большим достижением в области ИИ можно считать «экспертные системы». В этой главе мы остановимся на некоторых особенностях их разработки.

В России исследования и разработки в области ЭС включены в ряд государственных и отраслевых научно-технических программ. Системы с базами знаний не только стали находить практическое применение в бизнесе и в решении серьезных информационных задач, но и продемонстрировали ощутимый эффект от их использования. Например, чрезвычайно эффективными с точки зрения применения ЭС оказались системы поддержки организационного управления и планирования распределения ресурсов. Основными областями их применения являются: медицина, электроника, вычислительная техника, геология, математика, космос, сельское хозяйство, управление, финансы, юриспруденция и т.д.

Эксперты на основе собственного опыта или глубокого изучения проблемы осмысливают большое число факторов и устанавливают правила, их объясняющие. Выработанные ими правила упорядочиваются и хранятся в памяти ЭВМ. К ЭВМ обращаются за консультацией другие специалисты.

Но возможности экспертной системы шире. Подобно базе данных, она позволяет проводить поиск по ряду признаков одновременно и дает возможность оценить вероятность событий, которые могут использоваться в качестве условий поиска. Такие системы применяются на практике, например, при определении диагноза заболевания – ЭС MYCIN (середина 1970-х гг., Стэнфордский университет) ставила диагноз при инфекционных заболеваниях крови.

Приведем примеры других известных прикладных ЭС, ставших сегодня классическими, это:

· DENDRAL (середина 1960-х гг., Стэнфордский университет) – ЭС расшифровки данных масс-спектрографического анализа;

· PROSPECTOR (1974–1983 гг., Стэнфордский университет) – ЭС обнаружения полезных ископаемых;

· SOPHIE – ЭС обучения диагностированию электрических цепей;

· XCON – ЭС конфигурирования оборудования системы VAX;

· PALLADIO – ЭС проектирования и тестирования СБИС;

· JUDITH – ЭС оказания помощи специалистам по гражданским делам и юристам, предлагающая различные варианты подходов к разрешению дела на основе его фактических и юридических предпосылок;

· LRS – ЭС оказания помощи в подборе и анализе информации о судебных решениях и правовых актах в области кредитно-денежного законодательства, связанного с использованием векселей и чеков;

· «Ущерб» – созданная на основе российского трудового законодательства ЭС, обеспечивающая юридический анализ ситуации привлечения рабочих и служащих к материальной ответственности при нанесении предприятию материального ущерба.

Многие из систем сегодня получили развитие. Например, HEARSAY, HEARSAY-2, HEARSAY-3, AGE [18]. Первые две системы этого ряда являются развитием интеллектуальной системы распознавания слитной человеческой речи, слова которой берутся из заданного словаря. Они отличаются оригинальной структурой, основанной на использовании доски объявлений - глобальной базы данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы HEARSAY-3 и AGE (Attempt to Generalize – попытка общения) для построения ЭС.

Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX в соответствии с требованиями покупателя. В настоящее время фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.

Среди современных коммерческих систем хочется выделить экспертную систему-оболочку G2 американской фирмы Gensym (США) [16] как непревзойденную экспертную коммерческую систему для работы с динамическими объектами. Работа в реальном масштабе времени с малыми интервалами ответа необходима при анализе критических ситуаций, возникающих в корпоративных информационных сетях, на атомных реакторах, в космических полетах и других задачах, требующих принятия решения в течение миллисекунд с момента их возникновения.

Многие предприятия используют ЭС для принятия решений в таких областях как торги на фондовой бирже, автоматическое понимание новостей, кредитный анализ, управление рисками, построение портфелей кредитов и инвестиций, оценка рейтинга банков, автоматизация аудита, предсказание изменений на финансовом рынке и др.

Приложением теории экспертных систем в экономике является использование их для организации бизнес-процесса реинжиниринга (БПР).

БПР – это анализ деятельности компании с целью выявления ее слабых мест и создание на основе его результатов максимально эффективной модели функционирования предприятия.

В практике построения экспертных систем используются следующие технологии искусственного интеллекта:

· набор инструментов программирования для представления знаний;

· стратегии обработки знаний, т.е. их преобразования, представления и управления их применением в процессе решения задач в рамках проблемной области;

· методологии проектирования, обеспечивающие создание таких экспертных систем, «прозрачных» как для пользователя, так и для инженеров по знаниям, сопровождающих систему в процессе эксплуатации.

Эти технологии оформлены в виде блоков-компонентов, из которых формируется архитектура экспертной системы (см. рис. 1.1).

Если данные существуют на жестком носителе в БД, то знания существуют только в рабочей области памяти в момент функционирования системы. В базе знаний представлены описания знаний (каркасы знаний) – модели, которые, попав в рабочую область памяти, заполняются текущими данными из БД прикладной системы или информационного приложения (ИП). Таким образом, осуществляется наполнение блока логического вывода для формирования рекомендаций и комментариев пользователю.

Современные экспертные системы основываются на знаниях экспертов, специалистов в заданной проблемной области. Программа работает с базой данных, где собраны различные факты, статистические данные, и извлекает из информации, хранимой в базе знаний, набор правил. Правила могут быть сформулированы в виде суждений на языке, близком к естественному, на основе которых можно принять решение или выработать его автоматически.

Например, можно ожидать, что база знаний, в которой хранятся сведения о торговых операциях фирмы, просмотрит записи о клиентах и попытается выявить характеристики потенциальных задолжников. А с помощью базы знаний, ориентированной на медицинские исследования, можно попытаться прогнозировать исход сердечных приступов или причины острых инфекционных заболеваний.

Во многих случаях базы знаний основываются на информации, собираемой для решения обычных задач. Вывод правил на основе этой информации проводится параллельно обработке данных. В других случаях данные будут собираться в процессе научного исследования. Подходы к проектированию БЗ и ЭС включают ряд альтернатив: от классического статистического анализа, байесовского логического анализа, в котором используются не только ответы типа «да» и «нет», «истинно» или «ложно», до теории вероятности, с генерацией правил вывода, нечеткая логика, нейросетевые и эволюционные технологии.

Таким образом, экспертные системы, или системы, основанные на знаниях, предназначены для решения плохо или слабо формализованных задач. Трудноформализуемые задачи обладают ошибочностью, неполнотой, неоднозначностью и противоречивостью, как исходных данных, так и знаний о решаемой задаче.

ЭС используются там, где существует враждебная человеку среда, отсутствует алгоритм решения задачи, или для решения задачи требуется достаточно много времени (машинного) и алгоритм трудоемкий, или имеется недостаток в числе экспертов для решения поставленной задачи.

Эксперт – это человек, являющийся профессионалом высокой квалификации в проблемной области, для которой предназначена разработка экспертной системы. Его знания лежат в основе системы.

ЭС разрабатывается в том случае, если ее разработка, во-первых, необходима, во-вторых, оправдана и задача, которую предполагается решать с ее помощью, должна быть вполне под силу эксперту-человеку.

Чаще всего экспертные системы используются как правило для решении так называемых NP-задач [15]. NP-задачи – это недетерминированные полиномиальные задачи, которые могут не сойтись при конечном количестве итераций. К ним относятся слабо формализованные или плохо структурированные задачи, а также задачи, для которых может не существовать точного решения. Подобные задачи призваны решать проблемы в условиях неполной, нечеткой или недостоверной информации, а также при достаточно большом объеме обрабатываемых данных, т.е. при угрозе комбинаторного взрыва.

Работающий совместно с экспертом специалист по инженерии знаний, выявляющий и формализующий экспертные знания, называется когнитологом. Часто когнитолога называют также инженером по знаниям.

Дополним определение.

Экспертная система – это система, основанная на знаниях о заданной проблемной области, в которой знания слабо структурированы, в которой решаются сложные NP-задачи, осуществляется взаимодействие с естественным языком на основе рассуждений и комментирования своих действий с целью обучения пользователя при самообучении системы.

Структура экспертной системы должна быть «прозрачна» для конечного пользователя. Конечными пользователями экспертной системы могут являться и необученный пользователь, и эксперт в заданной предметной области, и прикладной программист, и когнитолог.

Отличительными особенностями разработки экспертных систем в настоящее время являются использование естественного языка и объектно-ориентированное представление информации.

Дата добавления: 2014-12-29