Автоматизированное структурированное интервью

Примеры методов и систем приобретения знаний

Данный параграф посвящен обзору некоторых наиболее известных методов и си­стем приобретения знаний, на основе переработки материалов из работ [Осипов, 1990; Молокова, 1992; Осипов, 1997].

Впервые структурированное интервью применено при создании системы TEI-RESIAS [Davis, 1982] для формирования новых правил и новых понятий. Для этих целей в системе использованы следующие соображения: в случае неудачи в режиме консультации (или тестирования), система предлагает эксперту выде­лить причины неудачи. Контекст, полученный в результате этого, позволяет сис­теме сформировать некоторые «ожидания», характеризующие содержание ново­го правила, которое будет вводиться экспертом для устранения неудачи.

Система ROGET [Bennet, 1985] - это первая попытка заменить инженера знаний программной системой на начальном этапе приобретения знаний. Эта система беседует с экспертом как инженер по знаниям, стремящийся понять, как концеп­туально могут быть организованы экспертные знания, необходимые для создания диагностической ЭС.

В системе MOLE [Eshelman, 1987] приобретение знаний осуществляется в два этапа: на первом этапе используется структурированное интервью и эксперту (или инженеру по знаниям) предлагается ввести список событий предметной об­ласти и определить связи между ними; на втором этапе выполняется контекстное приобретение знаний, как это сделано в системе TEIRESIAS. Система состоит из двух частей: интерпретатора базы предметных знаний и подсистемы приобретения знаний. Последняя поддерживает как процесс перво­начального заполнения БЗ, так и процесс отладки и уточнения БЗ.

Интерпретатор БЗ ориентирован на класс диагностических задач и осуществляет вывод решения путем сопоставления заранее определенного множества гипотез (о причине неисправности, о заболевании и т. д.) с совокупностью наблюдений (симптомов, показаний приборов и т. д.). Иными словами, интерпретатор систе­мы MOLE реализует некоторый вариант метода эвристической классификации.

В базе знаний MOLE первоначально существуют знания о том, какие типы когни­тивных структур необходимы для осуществления вывода и как распознать зна­ния того или иного типа в информации, сообщаемой экспертом. MOLE запраши­вает у эксперта список объектов, играющих роли гипотез и наблюдений. Эксперт, кроме того, должен указать, какие пары «наблюдение - гипотеза» и «гипотеза - гипотеза» ассоциативно связаны.

Результатом этого этапа извлечения знаний является сеть объектов. Затем MO­LE пытается получить дополнительную информацию: о типе объекта (является объект наблюдаемым или выводимым); о природе ассоциативной связи (какой тип знаний лежит в основе ассоциации - объясняющие, предсказывающие или иные); о направлении ассоциативной связи, о численной оценке «силы» ассоциа­тивной связи. Однако MOLE понимает, что эксперт не всегда может предоста­вить такую информацию. Поэтому на этом этапе MOLE использует стратегию ожиданий: она пытается вывести необходимую информацию из сообщений экс­перта на основе своих ожиданий.

На этапе начального формирования базы знаний MOLE назначает численные веса ассоциативных связей по умолчанию на основе следующих посылок:

• каждое наблюдение должно быть объяснено некоторой гипотезой;

• только одна из гипотез, объясняющих данное наблюдение, является в каждом конкретном случае наиболее вероятной;

• сумма оценок для связей данного наблюдения с объясняющими его гипотеза­ми равна единице.

Тогда по умолчанию MOLE назначает для каждой связи данного наблюдения оценку, полученную как частное от деления единицы на число гипотез, объясня­ющих данное наблюдение. MOLE предполагает, что если эксперт сообщил не­сколько объяснений для одного и того же объекта, то, вероятно, он может сооб­щить и знания, позволяющие различать эти объяснения.

Система приобретения знаний SALT [Markus, 1987] создана в университете Car­negie Mellon. Система SALT - система приобретения знаний для задач конструи­рования. Система SALT разрабатывалась в предположении, что решение этой за­дачи осуществляется методом пошагового распространения ограничений.

Для решения задач конструирования методом пошагового распространения огра­ничений необходимы знания следующих типов:

• процедуры установления значений параметров;

• процедуры проверки ограничений;

• процедуры коррекции значений параметров с указанием «цены» каждого кор­ректирующего действия.

Важно, чтобы все эти знания составляли целостную и непротиворечивую БЗ.

Наибольшую трудность для эксперта представляет необходимость последова­тельно, шаг за шагом описать все свои действия при разработке проекта. Работая с системой SALT, эксперт избавлен от этой необходимости.

Исходя из того, как именно экспертные знания будут использоваться в ЭС при составлении конкретных проектов, SALT анализирует текущее состояние БЗ и предлагает эксперту-пользователю ввести или пересмотреть тот или иной фраг­мент знаний. Диалог с пользователем в SALT ведется либо посредством вопро­сов-подсказок, либо посредством меню. Инициатива в диалоге принадлежит си­стеме.

Система приобретения знаний OPAL [Musen, Fagan, et al., 1987] была создана в начале 80-х годов в Стэнфордском университете. Эта система обеспечивает формирование и наращивание базы знаний для ЭС ONCOCIN, дающей советы по лечению онкологических больных. Система приобретения знаний OPAL ос­нована на детально проработанной модели медицинских знаний, используемых врачами-онкологами для рекомендации лечения.

Системой используется девять типов знаний:

• схема лечения (порядок и длительность режимов лечения);

• критерий выбора протокола;

• химиотерапия (описание комбинаций лекарств, назначаемых в том или ином режиме, их дозировка);

• радиотерапия (локализация и дозировка радиотерапии);

• изменения в составе крови, требующие модификации дозировки;

• негативные реакции на лечение, выявленные путем лабораторных исследова­ний;

• другие отрицательные последствия проводимого лечения, требующие моди­фикации дозировки лекарств;

• перерыв или прекращение лечения;

• лабораторные исследования, необходимые для обнаружения токсичности ле­чения и для сохранения истории течения болезни.

Эти типы медицинских знаний связаны в иерархическую структуру.

Для ввода каждого типа знаний разработан специальный графический интер­фейс, учитывающий то, как принято фиксировать соответствующие знания. Так, например, для записи схемы лечения онкологи используют диаграммы перехо­дов с условиями на дугах. В системе OPAL ввод таких знаний осуществляется с помощью графического языка программирования. Схема лечения создается как программа на этом языке.

Схемы протоколов и заполненные формы транслируются системой OPAL во внутреннее представление БЗ ЭС ONCOCIN. Этот процесс осуществляется без участия пользователя. По схемам протоколов порождаются диаграммы перехо­дов, называемые генераторами; по формам-бланкам порождаются правила про­дукций, присоединяемые к соответствующим состояниям в диаграмме.

Система KNACK создана в 1989 г. в университете Carnegie Mellon. Она представ­ляет собой ориентированный на экспертов предметной области инструмент для создания ЭС, помогающих оценивать и улучшать различные виды проектов.

Единственными знаниями, изначально встроенными в систему KNACK, явля­ются знания о процессе оценки проектов вообще, то есть независимо от конкрет­ного содержания проектов. Все остальные знания приобретаются системой KNACK на основе диалога и анализа документов, называемых отчетами. Отчет описывает процесс оценки какого-либо конкретного проекта.

Приобретение знаний, необходимых для оценки проектов определенного класса, система KNACK осуществляет в два этапа. Первый этап - это настройка на класс проектов. На этом этапе система KNACK с помощью эксперта создает предвари­тельную модель. Расширенная с помощью специальных процедур модель пред­метной области автоматически транслируется в программу на языке OPS-5.

К методам структурированного интервью примыкают и использованные при по­строении системы МЕДИКС [Ларичев, Мечитов и др., 1989] процедуры эксперт­ной классификации. Задача экспертной классификации формулируется в работе [Ларичев, Мечитов и др., 1989] для:

• множества независимых свойств Р;

• множества признаков Q;

• множества Q_m возможных значений m-го признака;

• множества А всех возможных состояний.

Эксперту (или группе экспертов) предлагается идентифицировать наличие свойств из множества Р и тем самым построить классификацию множества А ⁼ UK_i, та­кую, что состояние а О А относится к некоторому классу К_j если, по мнению экс­перта, это состояние обладает свойством P O P. Повысить эффективность экспер­тной классификации в этом случае удается благодаря использованию априорно заданного отношения линейного порядка на множестве состояний.

Дата добавления: 2015-07-02