Разработка экспертных систем

Классификация по степени интеграции с другими программами

Классификация по типу ЭВМ

Классификация по связи с реальным временем

Классификация по решаемой задаче

Классификация экспертных систем

Существуют различные подходы к классификации экспертных систем, т. к. класс ЭС сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по десятку критериев. Полезными могут оказаться классификации, представленные на рис. 1.13.

Традиционно ЭС решают следующие классы задач (примеры взяты из [Попов и др., 1996; Adeli, 1994]):

Ø Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и коррект­ными. Обычно предусматривается много вариантный анализ данных.

Рис. 1.13. Классификация экспертных систем

Например, обнаружение и идентификация различных типов океанских судов по результатам аэрокосмического сканирования — SIAP; определе­ние основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Ø Диагностика. Под диагностикой понимается процесс соотнесения объек­та с некоторым классом объектов и/или 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. Важной специ­фикой является здесь необходимость понимания функциональной струк­туры ("анатомии") диагностирующей системы. Например: диагностика и терапия сужения коронарных сосудов — ANGY; диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ — система CRIB и др.

Ø 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. Например: контроль за работой электростанций СПРИНТ, помощь дис­петчерам атомного реактора — REACTOR; контроль аварийных датчиков на химическом заводе — FALCON и др.

Ø 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. Например: проектирование конфигураций ЭВМ VAX — 11/780 в системе XCON (или R1), проектирование БИС — CADHELP; синтез электриче­ских цепей — SYN и др.

Ø Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся дан­ных. 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. Например: предсказание погоды — система WILLARD; оценки будущего урожая — PLANT; прогнозы в экономике — ECON и др.

Ø 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. Например: планирование поведения робота— STRIPS; планирование промышленных заказов — 1SIS; планирование эксперимента — MOLGEN и др.

Ø Обучение. Под обучением понимается использование компьютера для обучения какой-то дисциплине или предмету. 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 они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они плани­руют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний. Например: обучение языку программирования LISP в системе "Учитель LISP"; система PROUST — обучение языку Паскаль и др.

Ø Управление. Под управлением понимается функция организованной сис­темы, поддерживающая определенный режим деятельности. Такого рода ЭС осуществляют управление поведением сложных систем в соответст­вии с заданными спецификациями. Например: помощь в управлении газовой котельной — GAS; управление системой календарного планирования Project Assistant и др.

Ø Поддержка принятия решений. Поддержка принятия решения — это со­вокупность процедур, обеспечивающая принимающего решения индиви­дуума необходимой информацией и рекомендациями, облегчающими процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений. Например: выбор стратегии выхода фирмы из кризисной ситуации — CRYSIS; помощь в выборе страховой компании или инвестора — CHOICE 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 том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений компонентов или подпроблем. Зада­чами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планиро­вание, управление. Комбинированные: обучение, мониторинг, прогнозиро­вание.

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

Пример: диагностика неисправностей в автомобиле.

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

Пример: микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4—5 часов (производ­ство лизина, например) и анализируется динамика полученных показате­лей по отношению к предыдущему измерению.

Ø Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих в сис­тему данных.

Пример: управление гибкими производственными комплексами, мони­торинг в реанимационных палатах.

Программный инструментарий для разработки динамических систем — G2 [Попов, 1996].

На сегодняшний день существуют:

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

Ø ЭС на ЭВМ средней производительности (mainframe);

Ø ЭС на символьных процессорах и рабочих станциях (SUN, Silicon Graph­ics, APOLLO);

Ø ЭС на персональных компьютерах (IBM-совместимые, Macintosh).

Ø 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.).

Ø 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 (пакетами прикладных программ) 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 различных методологий (что происходит в гибридных системах) по­рождает целый комплекс теоретических и практических трудностей.

На сегодняшний день следует констатировать, что разработка программных комплексов экспертных систем как за рубежом, так и в нашей стране оста­лась скорее на уровне искусства, чем науки. Это связано с тем, что долгое время системы искусственного интеллекта внедрялись в основном во время фазы проектирования, а чаще всего разрабатывалось несколько прототип-ных версий программ, и на их основе уже создавался конечный продукт. Такой подход действует хорошо в исследовательских условиях, однако в коммерческих условиях он является слишком дорогим, чтобы оправдать затраты на разработку.

Процесс разработки промышленной экспертной системы, опираясь на тра­диционные технологии [Николов и др., 1990; Хейес-Рот и др., 1987; Tuthill, 1994], практически для любой предметной области можно разделить на шесть более или менее независимых этапов (рис. 1.14).

Рис. 1.14. Этапы разработки ЭС

Последовательность этапов дана только с целью получения общего пред­ставления о процессе создания идеального проекта, т. к. последовательность эта не вполне фиксирована. В действительности каждый последующий этап разработки может принести новые идеи, которые могут повлиять на преды­дущие решения и даже привести к их переработке. Именно поэтому многие специалисты по информатике весьма критично относятся к методологии экспертных систем. Они считают, что расходы на разработку таких систем очень большие, время разработки слишком велико, а полученные в резуль­тате программы накладывают тяжелое бремя на вычислительные ресурсы.

В целом за разработку экспертных систем целесообразно браться организации, где накоплен опыт по автоматизации рутинных процедур обработки информации, таких как:

Ø формирование корпоративных информационных систем;

Ø организация сложных расчетов;

Ø работа с компьютерной графикой;

Ø обработка текстов и автоматизированный документооборот.

Решение таких задач, во-первых, подготавливает высококвалифицированных специалистов по информатике, необходимых для создания интеллектуальных систем, во-вторых, позволяет отделить от экспертных систем неэкспертные задачи.

Дата добавления: 2014-01-07