Экспертные системы Принципы работы и примеры

— это вычислительная система, в которую включены знания специалистов о

некоторой конкретной проблемной об­ласти и которая в пределах этой области способна принимать экспертные решения.

Экспертные системы положили начало развитию совокупности методов "инженерии знаний" (техники использования знаний), составляющих но­вый подход к созданию высокоэффективных программных систем.

Основные усилия в области искусственного интеллекта прихо­дились на поиск универсальных методов решения: ученые старались по возможности найти общие принципы, которые можно было бы применять, не отвлекаясь от специфики конкретной предметной области.

в век компьютеров.
 








В колонке "Парадигма" помещен ответ на вопрос

специалисту по искусственному интеллекту, чему посвящены исследования в этой области.
 
В колонке "Исполнители" указаны основные фамилии ученых, которые, ха­рактеризуют дух искусственного интеллекта в этот период.
 
В колонке "Сис­тема" указаны типичные системы (не обязательно самые лучшие), которые отражают тенденции или модные течения.

строить разумные машины, имитируя мозг.
 
Типичной системой является PERCEPTRON [8].

Она представляла собой самоорганизующийся автомат, который мож­но считать грубой моделью сетчатки глаза человека.

В то время имелся большой энтузиазм в отношении систем, подобных системе Розенблата, основанный на кибернетических представ­лениях Норберта Винера и Уоррена Маккалока об абстрактных нейронных сетях.
 
Считалось, что если взять сильно связанную систему модельных ней­ронов, которой вначале ничего не известно, применить к ней программу тре­нировки из поощрений и наказаний, то в конце концов она будет делать все, что ни задумает ее создатель.

из Университета Карнеги-Меллона (США), работа которых завершилась созда­нием системы GPS

— универсального решателя задач [2].

Центральным для их подхода было представление об эвристическом поиске.

Решение задач они представляли себе как поиск (пе­ребор) в пространстве возможных решений по эвристическим правилам, которые помогают направить поиск к искомой цели.
С технической точки зрения можно сказать, что процесс, известный как "поиск в глубину" и состоящий в последовательном разбиении задачи на подзадачи, пока не будет получена легко решаемая подзадача, является мало­эффективным по той причине, что большое число тупиковых направлений подвергается тщательному анализу.

годах группа ученых, возглавляемая Эдвардом Фейгенбаумом из Станфордского университета, начала

искать средства, избавляющие от такого недостатка.
 
Вместо того чтобы отыскивать очень эффективные и универсальные эврис­тики, они занялись сужением рассматриваемых вопросов. То, чем располагает специалист — это набор разнообразных умений, т. е. боль­шое число приемов и неформальных правил.

На этом пути и родилась экспертная система, выглядевшая почти как Sa-рикатура на специалиста-человека, который узнает все больше о все мень­шем.
 
 

бактериальные инфекции крови и дает предписания относительно лекарст­венной терапии.
 
 Система

MYCIN ввела в рассмотрение несколько характеристик, кото­рые стали отличительной чертой экспертных систем.
 
Во-первых, ее знание составляют сотни правил, подобных следующему:
 
ЕСЛИ ( 1) инфекция представляет собой первичную бактерию, и
(2) место взятия культуры является стерильным, и
(3) предполагается, что этот организм проник через желудочно- кишечный тракт
ТО можно предположить (0,7), что этот организм носит бактериаль­ный характер.

использовании "коэффициентов уверенности" (кото­рые, строго говоря, вероятностями не являются)- и

позволяющую системе прийти, исходя из ненадежных данных, к правдоподобным заключениям.
В-третьих, система MYCIN может объяснить свой процесс рассуждения. Пользователь (врач, а не пациент) может допрашивать систему различным образом, спрашивая, почему она задала некоторый вопрос или как она, например, пришла к данному промежуточному решению.
В четвертых, система MYCIN действительно работает. Она выполняет работу, которой люди обучаются годами.

ЗНАНИЕ –СИЛА (ПРОДОЛЖЕНИЕ)

качество базы знаний и определяют успех экспертной системы.
Дуг Ленат

создал машинную обучающуюся систему EURISKO [4], которая автоматически улучшает и расширяет свой запас эвристических правил.

Эта система выигрывала три года подряд в учебной военной игре (несмотря на то, что правила игры каждый раз менялись, что­бы помешать ей это сделать), она произвела переворот в области создания СБИС (сверхбольших интегральных схем)

Знания — ценный товар, поэтому рано или поздно его начнут производить, и в больших количествах.

что они действуют чрезвычайно успешно.

Уже существуют системы, превосходящие в

медицинской диагностике искусных специалистов.

Совершенно неожиданно люди и некоторые действительно крупные корпорации стали использовать программы искус­ственного интеллекта для своего обогащения.
 
Экспертные системы нако­нец перечеркнули старое высказывание: если нечто работает, то это уже не, искусственный интеллект!

знаний о кон­кретной проблемной области.
 
В большинстве случаев эти знания

организу­ются как некоторая совокупность правил, которые позволяют делать за­ключения на основе исходных данных или предположений.

При таком подходе традиционное соотношение

Данные + Алгоритм = Программа

заменяется на новую архитектуру, основу которой составляют база знаний и "машина логического вывода", теперь имеем

Знания + Вывод = Система,

что похоже на предыдущее, однако отличается достаточно сильно, чтобы иметь серьезные последствия.

основанной на знаниях компоненты, соответствующей навыку эксперта, в такой форме,

которая позволяет системе дать разумный совет или при­нять разумное решение о функции обработки данных.
 До­стижение таких свойств обеспечивается самим методом программирова­ния с использованием правил.

Экспертная система ограничена определенной сферой

экспертизы.
2. Она способна рассуждать при сомнительных данных.
3. Она способна объяснить цепочку рассуждений понятным способом.
4. Факты и механизм вывода четко отделены друг от друга.
5. Она строится так, чтобы имелась возможность постепенного наращива­- ния системы.
6. Чаще всего она основана на использовании правил.
7. На выходе она выдает совет — не таблицы из цифр, не красивые картин­- ки на экране, а четкий совет.
8. Она экономически выгодна. (Это требование к ее работе.)
 
Самой серьезной проблемой до настоящего времени является получение
знаний от спе­циалиста в форме, пригодной для манипулирования на вычислительной машине.

Полностью оформленная экспертная система имеет четыре компоненты: 1. База знаний.

2. Ма­шина вывода. 3. Модуль извлечения знаний. 4. Система объяснения (интер­фейс) .

 Все четыре модуля, показанные на рис. 1,(ниже) являются важными. Система, основанная на знаниях, может обойтись без одного - двух из них.

Однако истинно экспертная система обязана иметь их все.

представляют собой краткосрочную информацию, они могут изменяться, например, в ходе

консультации.

Правила пред­ставляют более долговременную информацию о том, как порождать новые факты или гипотезы из того, что сейчас известно.
 
Основное отличие использования методики базы знаний от базы данных заключается в том, что, что база знаний обладает боль­шими творческими возможностями.

Факты в базе данных обычно пас­сивны: они либо там есть, либо их нет.
База знаний, с другой стороны, актив­но пытается пополнить недостающую информацию.

 
Такие правила имеют знакомый формат ЕСЛИ - ТО, например:
 
Правило 99

ЕСЛИ

хозяева поля проиграли последнюю игру у себя дома И гости выиграли последнюю игру на своем поле,
ТО вероятность ничьей следует умножить на 1,075; вероятность выиг­рыша гостей умножается на 0,96.

 
Для этой цели в других системах использовались деревья решений (например,

в системе ACLS), семантические сети (например, в системе PROSPECTOR) и исчисление предикатов.

Все типы представления знания должны быть экви­валентны между собой, однако рекомендуется выбирать простейший способ из тех, которые дают возможность работать.

"прямой цепочки рассуждений" и "обратной цепочки рассуждений" в качестве стратегии

для логического вывода в целом.

Пря­мая цепочка связана с рассуждениями, ведущимися от данных к гипотезам, тогда как обратная цепочка — с попыткой найти данные для доказа­тельства или опровержения некоторой гипотезы.

Чисто прямая цепочка рассуждений ведет к неуправляемому режиму задания вопросов в диалоге, тогда как обратная цепочка будет, как правило, приводить к настойчивому повторению вопросов, касающихся цели.

Наиболее удачные системы используют комбинации этих цепочек (косвенной цепочки рассуждений").

обратном направ­лении, она будет иметь дело с ненадежными данными.
 
Теперь

появились средства работы с неопределенностью, т.е., иными словами, с реальным миром, а не с неко­торой идеализированной абстракцией, в которую заставляли нас верить наши системы данных.
 Существует много способов работы с неуве­ренностью в данных! Имеется нечеткая логика, байесовская логика, коэф­фициенты уверенности, многозначная логика, если назвать только четыре из них.
 Были испробованы все виды схем, большинство из них работает.
 Организация зна­ний играет большую роль, чем связанные с ними числовые значения.
 В боль­шинстве баз знаний предусмотрена избыточность, позволяющая экспертной системе прийти к правильному заключению несколькими различными марш­рутами.
 Числа, измеряющие степень доверия, служат лишь для тонкой на­стройки.

подсистема, обеспечивающая возможность объяснения с человеком.
 
Одним из самых замечательных свойств,

присущих классическим эксперт­ным системам, подобным системе MYCIN, является то внимание, которое было уделено интерфейсу с пользователем.
 
В любой момент можно было спросить систему, почему была сделана такая дедукция или почему систе­ма задала такой вопрос пользователю.
 
В системе, основанной на использо­вании правил, ответ обычно получается путем прослеживания еще раз тех шагов рассуждения, которые привели к данному вопросу или к данному заключению.

решить.
В табл. 2.1 представлен контрольный список характеристик степени пригод­ности

подхода с использованием знаний.













Если имеющаяся информация надежна и четко задана, то исполь­зование экспертной системы не рекомендуется. Если же доступные данные "замусорены", то экспертные системы - это как раз то, что нужно.

Тогда начнет играть нечеткая, неточная или какая-нибудь логи­ческая схема со смешным названием.

экспертные системы должны быть обязательно написаны на языке либо Лисп,

либо Пролог.

В настоящее время Visual Basic 2010 вполне может быть использован для создания экспертных систем.

Правильном будет воспользоваться тем языком, ко­торый вы знаете.

G. and Newell, A. (1969) GPS: a Case Study in

Generality and Problem.
.Solving, Academic Press, New York.
3. Feigenbaum, E. (1971) On generality and problem solving. Machine Intelligence, 6.
4.Lenat, D. (1982) Eurisko: a program that learns new heuristics and domain
concepts. Artificial Intelligence, 21.
5. McCorduck, P. (1979) Machines Who Think, Freeman, San Francisco.
6. McCulloch, W. and Pitts, W. (1943) A logical calculus of ideas imminent in
nervous activity. Bulletin of Mathematical Biophysics, 5.
7. Minsky, M. and Papert, S. (1969) PERCEPTRON; an Introduction to Computational
8. Rosenblatt, F. (1957) The PERCEPTRON: a Perceiving and Recognizing Automaton,
Cornell Aeronautical Lab, New York.
9. Shortliffe, E. (1976) Computer Based Medical Consultations: MYCIN, American
Elsevier, New York.