Логическая модель

Традиционно в представлении знаний выделяют логические модели, основанные на классическом исчислении предикатов первого порядка, когда предметная область или задача описывается в виде набора аксиом. Основное преимущество использования логики предикатов для представления знаний заключается в том, что обладающий хорошо понятными математическими свойствами мощный механизм вывода может быть непосредственно запрограммирован. С помощью этих программ из известных ранее знаний могут быть получены новые знания.

Языки логического типа опираются на исчисления, заимствованные из логики (чаще всего на исчисление предикатов). Каждый факт в базе знаний описывается в виде некоторого набора предикатов. Если, например, Р₁ есть предикат «хорошо относится», то Р₁(С, А) может интерпретироваться как утверждение: «система хорошо относится к пользователю А». Сложные структуры из фактов задаются формулами, состоящими из предикатов и операций. Например, формула описывает ситуацию на рис.а. В этой формуле черточка над символом предиката означает отрицание соответствующего утверждения, а значок & (операция конъюнкции) означает одновременность того, что все три предиката, являются истинными. Закономерности, характерные для проблемной области, в которой работает система, также задаются формулами исчисления предикатов. Для этого используется операция импликации, обозначаемая стрелкой ®. Запись: может характеризовать принцип типа: «друзья моих друзей – мои друзья». В этой формуле X и Y – переменные, вместо которых можно подставлять различные лица, поиск необходимого факта или закономерности в базах знаний, использующих языки логического типа, сводится к реализации процедуры логического вывода.

Достоинством языков логического типа является существование мощных процедур логического вывода, обеспечивающих поиск вывода в большинстве случаев. При использовании подобных языков довольно просто решается важная для баз знаний задача пополнения текстовых описаний, поступающих в базу знаний после работы системы общения.

Недостатком, присущим всем языкам логического типа, является их плохая наглядность для человека. Весьма нелегко описывать проблемную область в виде набора аксиом, отражающих фундаментальные факты и закономерности, характерные для нее. На практике они не получили большого распространения из-за малой наглядности базы знаний.

Лекция 7. Экспертные системы.

Рассмотрим несколько определений. Экспертная система - программно-техническое средство, позволяющее пользователю в диалоговом режиме получать от компьютера консультационную помощь в конкретной предметной области, где сконцентрированы опыт и знания людей-экспертов (специалистов в данной области).

Экспертные системы – программы для компьютера, которые могут воспроизводить процесс решения проблемы человеком-экспертом.

Экспертная система - программа, которая использует знания специалистов (экспертов) о некоторой конкретной узко специализированной предметной области и в пределах этой области способна принимать решения на уровне эксперта-профессионала.

Экспертные системы - прикладные программы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой-либо узкой предметной области.

В основе функционирования ЭС лежит использование знаний, а манипулирование ими осуществляется на базе эвристических правил, сформулированных экспертами. ЭС выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Они ориентированы на решение задач, обычно требующих проведения экспертизы человеком-специалистом. В отличие от машинных программ, использующий процедурный анализ, ЭС решают задачи в узкой предметной области (конкретной области экспертизы) на основе дедуктивных рассуждений. Главное достоинство экспертных систем - возможность накапливать знания, сохранять их длительное время, обновлять и тем самым обеспечивать относительную независимость конкретной организации от наличия в ней квалифицированных специалистов.

Все экспертные системы являются системами искусственного интеллекта, но не все системы искусственного интеллекта являются ЭС. Для ЭС характерно наличие цели функционирования, состоящей в решении сложных проблем, решение которых под силу специалисту высокой квалификации – эксперту. Выделим характерные черты ЭС:

1. Алгоритмы функционирования ЭС имитируют подход к решению проблемы со стороны человека.

2. Умение объяснять свои действия в понятной для человека форме.

3. Наличие естественно-языкового интерфейса.

Различают ЭС предметно-ориентированные и ЭС-оболочки, предназначенные для наполнения любым предметным знанием. ЭС могут строится на основе представления знаний в виде набора правил и на базе адаптивного подхода, основанного на обучении системы на примерах. В ЭС первого типа логический вывод описывается большим числом правил (продукций) типа

ЕСЛИ условие ТО действие

Условие определяет обстоятельства, при которых правило должно использоваться, действие – что должно происходить, когда условие срабатывает. Действие может быть любым, но, как правило, речь идет о выводе заключения как части аргументации или доказательства. В этом случае правила представляют следующее:

ЕСЛИ посылка ТО заключение

В ЭС, основанных на правилах, предметные знания представляются набором правил, которые проверяются через набор фактов или знаний о текущей ситуации. Когда часть ЕСЛИ правила удовлетворяет фактам, то действие, указанное в части ТО, выполняется. Интерпретатор правил сравнивает часть ЕСЛИ правила с фактами и выполняет то правило, чья часть ТО согласуется с фактами.

Работа всех экспертных систем основана строго на экспертной информации, полученной в конкретной проблемной области. При создании базы знаний для ЭС программная система должна иметь элементы, составляющие процесс принятия решения человеком - цели, факты, правила, механизмы вывода и упрощения. Основные компоненты таких систем показаны на рис.17.

Определение целей

Определение подхода к решению

Определение фактов

Получение данных

Достижение целей с помощью правил и механизма вывода

Извлечение новых фактов для верификации целей с помощью механизма вывода

Рис.17.

При проектировании системы ИИ прежде всего нужно определить цели, для достижения которых она предназначена. Приступая к разработке программы, необходимой для решения некоторой задачи, надо знать, к какому классу относится данная задача, и уметь описать ее в нужных терминах. Прежде чем принять решение, человек взвешивает различные факторы. В процессе принятия решения постоянно используются правила, в том числе и специальные правила механизма упрощения. Несущественными считаются все факты и правила, не относящиеся к достижению сформулированной цели.

Факты формулируются в виде вопросов, ответы на которые помогают человеку принять окончательное решение. Относительная важность (вес) фактов оценивается с помощью весовых факторов (выбираются не случайно), представляющие собой знания, полученные в результате исследования проблемной области. Чем больше назначенный факту вес, тем большее значение имеет этот факт при решении задачи.

Когда целесообразно использование экспертных систем?

Экспертные системы целесообразно использовать тогда, когда 1) разработка ЭС возможна, 2) оправдана и 3) методы инженерии знаний соответствуют решаемой задаче.

Рассмотрим более подробно эти условия.

Разработка ЭС возможна, когда:

· существуют эксперты в данной области;

· эксперты должны сходиться в оценке предлагаемого решения;

· эксперты должны уметь выразить на естественном языке и объяснить используемые методы;

· задача требует только рассуждений, а не действий;

· задача не должна быть слишком трудной, ее решение должно занимать у эксперта до нескольких часов или дней, а не недель или месяцев;

· задача должна относиться к достаточно структурированной области;

· решение не должно использовать в значительной мере здравый смысл (т.е. широкий спектр общих сведений о мире и о способе его функционирования).

Разработка ЭС оправдана, если:

· решение задачи принесет значительный эффект:

· использовать человека-эксперта невозможно из-за ограниченного количества экспертов или из-за необходимости выполнения экспертизы одновременно во многих местах;

· при передаче информации эксперту происходит значительная потеря времени или информации;

· необходимо решать задачу в окружении, враждебном человеку.

Методы инженерии знаний соответствуют задаче, если задача обладает следующими характеристиками:

· может быть естественным образом решена посредством манипуляции с символами, а не с числами;

· имеет эвристическую природу, т.е. не годится задача, которая может быть решена гарантированно с помощью некоторых формальных процедур;

· должна быть достаточно сложной, чтобы оправдать затраты, но не чрезмерно сложной;

· должна быть достаточно узкой, но практически значимой.

Назначение экспертных систем

Таким образом, экспертные системы - это прикладные системы ИИ, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в какой либо узкой предметной области. Экспертные системы предназначены для замены при решении задач экспертов в силу их недостаточного количества, недостаточной оперативности в решении задачи или в опасных (вредных) для них условиях.

Обычно экспертные системы рассматриваются с точки зрения их применения в двух аспектах: для решения каких задач они могут быть использованы и в какой области деятельности. Эти два аспекта накладывают свой отпечаток на архитектуру разрабатываемой экспертной системы.

ЭС нашли широкое применение в оценке займов, рисков страхования и капитальных вложений, медицинской диагностике и лечении заболеваний, синтезе новых химических соединений с заданными свойствами, обучении и др.

Можно выделить следующие основные классы задач, решаемых экспертными системами:

· диагностика,

· прогнозирование,

· идентификация,

· управление,

· проектирование,

· мониторинг.

Наиболее широко встречающиеся области деятельности, где используются экспертные системы:

· медицина,

· вычислительная техника,

· военное дело,

· микроэлектроника,

· радиоэлектроника,

· юриспруденция,

· экономика,

· экология,

· геология (поиск полезных ископаемых),

· математика.

Примеры широко известных и эффективно используемых (или использованных в свое время) экспертных систем:

DENDRAL - ЭС для распознавания структуры сложных органических молекул по результатам их спектрального анализа (считается первой в мире экспертной системой), MOLGEN - ЭС для выработки гипотез о структуре ДНК на основе экспериментов с ферментами; MYCIN - ЭС диагностики кишечных заболеваний; PUFF - ЭС диагностики легочных заболеваний; MACSYMA - ЭС для символьных преобразований алгебраических выражений; YES/MVS - ЭС для управления многозадачной операционной системой MVS больших ЭВМ корпорации IBM; DART - ЭС для диагностики больших НМД корпорации IBM;
PROSPECTOR - ЭС для консультаций при поиске залежей полезных ископаемых;
POMME - ЭС для выдачи рекомендаций по уходу за яблоневым садом;
набор экспертных систем для управления планированием, запуском и полетом космических аппаратов типа "челнок"; ЭСПЛАН - ЭС для планирования производства на Бакинском нефтеперерабатывающем заводе; МОДИС - ЭС диагностики различных форм гипертонии.

Рис.18. Структура экспертной системы.

На рис.18 изображена обобщенная структура экспертной системы. Подсистема приобретения знаний предназначена для добавления в базу знаний новых правил и модификации имеющихся. В простейшем случае это - интеллектуальный редактор базы знаний, в более сложных экспертных системах - средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д. В ее задачу входит приведение правила к виду, позволяющему подсистеме вывода применять это правило в процессе работы. В более сложных системах предусмотрены еще и средства для проверки вводимых или модифицируемых правил на непротиворечивость с имеющимися правилами.

База знаний - важная компонента экспертной системы, она предназначена для хранения долгосрочных данных, описывающих рассматриваемую предметную область, и правил, описывающих целесообразные преобразования данных этой области. В качестве предметной области выбирается узкая (специальная) прикладная область. Далее для создания ЭС в выбранной области собираются факты и правила, которые помещаются в базу знаний вместе с механизмами вывода и упрощения. В отличие от всех остальных компонент ЭС, база знаний - "переменная " часть системы, которая может пополняться и модифицироваться инженерами знаний и опыта использование ЭС, между консультациями (а в некоторых системах и в процессе консультации). Существует несколько способов представления знаний в ЭС, однако общим для всех них является то, что знания представлены в символьной форме (элементарными компонентами представления знаний являются тексты, списки и другие символьные структуры). Тем самым, в ЭС реализуется принцип символьной природы рассуждений, который заключается в том, что процесс рассуждения представляется как последовательность символьных преобразований. Существуют динамические и статические базы знаний. Динамическая база знаний изменяется со временем. Ее содержимое зависит и от состояния окружающей. Новые факты, добавляемые в базу знаний, являются результатом вывода, который состоит в применении правил к имеющимся фактам. В системах с монотонным выводом факты, хранимые в базе знаний, статичны, то есть не изменяются в процессе решения задачи. В системах с немонотонным выводом допускается изменение или удаление фактов из базы знаний. В качестве примера системы с немонотонным выводом можно привести ЭС, предназначенную для составления перспективного плана капиталовложения компании. В такой системе по вашему желанию могут быть изменены даже те данные, которые после вывода уже вызвали срабатывание каких-либо правил. Иными словами имеется возможность модифицировать значения атрибутов в составе фактов, находящихся в рабочей памяти. Изменение фактов в свою очередь приводит к необходимости удаления из базы знаний заключений, полученных с помощью упомянутых правил. Тем самым вывод выполняется повторно для того, чтобы пересмотреть те решения, которые были получены на основе подвергшихся изменению фактов.

Лекция 8. ЭС (продолжение)

База данных предназначена для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.

Основу ЭС составляет подсистема (машина) 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. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети. Допустим, БЗ состоит из фактов и правил (если <посылка> то <заключение>). 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. Цель ЭС - вывести некоторый заданный факт, который называется целевым утверждением (то есть в результате применения правил добиться того, чтобы этот факт был включен в рабочее множество), либо опровергнуть этот факт (то есть убедиться, что его вывести невозможно, следовательно, при данном уровне знаний системы он является ложным). Целевое утверждение может быть либо "заложено" заранее в базу знаний системы, либо извлекается системой из диалога с пользователем. Работа системы представляет собой последовательность шагов, на каждом из которых из базы выбирается некоторое правило, которое применяется к текущему содержимому рабочего множества. Цикл заканчивается, когда выведено либо опровергнуто целевое утверждение. Цикл работы экспертной системы иначе называется логическим выводом Логический вывод может происходить многими способами, из которых наиболее распространенные - прямой порядок вывода и обратный порядок вывода. Прямой порядок вывода - от фактов, которые находятся в рабочем множестве, к заключению. Если такое заключение удается найти, то оно заносится в рабочее множество. Прямой вывод часто называют выводом, управляемым данными.

Машина логического вывода может реализовывать рассуждения в виде:

1. Дедуктивного вывода (прямого, обратного, смешанного);

2. Нечеткого вывода (аппарат нечетких множеств и нечеткой логики);

3. Вероятностного вывода (использование коэффициентов уверенности, выражающих степень достоверности знания);

4. Унификации (подобно тому, как это реализовано в Прологе);

5. Поиска решения с разбиением на последовательность подзадач;

6. Поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных;

7. Монотонного или немонотонного рассуждения,

8. Рассуждений с использованием механизма аргументации;

9. Ассоциативного поиска с использованием нейронных сетей;

10. Вывода с использованием механизма лингвистической переменной.

Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также, дающая возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.

Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. ЭС объясняет, как система получила решение задачи (или почему она не получила решение) и какие знания она при этом использовала, что облегчает эксперту тестирование и повышает доверие пользователя к полученному результату. Для того чтобы неподготовленный пользователь мог взаимодействовать с ЭС в нее требуется включить средства общения на естественном языке. Если нет этой подсистемы, экспертная система выглядит для пользователя как "вещь в себе", решениям которой можно либо верить либо нет. Нормальный пользователь выбирает последнее, и такая ЭС не имеет перспектив для использования.

Дата добавления: 2014-01-07