Загрузка...

Экспертные системы. Определение, назначение. Основные типы ЭС.


Назначение экспертных систем заключается в решении достаточно трудных для экспертов задач на основе накапливаемой базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Достоинство применения экспертных систем заключается в возможности принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решение задач предполагается осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов.
Экспертная система является инструментом, усиливающим интеллектуальные способности эксперта, и может выполнять следующие роли:
• консультанта для неопытных или непрофессиональных пользователей;
• ассистента в связи с необходимостью анализа экспертом различных вариантов принятия решений;
• партнера эксперта по вопросам, относящимся к источникам знаний из смежных областей деятельности.
Экспертные системы используются во многих областях: сельское хозяйство, бизнес, химия, образование, медицина, производство, наука, армия, транспорт и др.
Архитектура экспертной системы (рис.1) включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса. Причем центральным компонентом экспертной системы является база знаний, которая выступает по отношению к другим компонентам как содержательная подсистема, составляющая основную ценность. База знаний хорошей экспертной системы оценивается в сотни тысяч долларов, в то время как программный инструментарий — в тысячи или десятки тысяч долларов

База знаний — это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области и их взаимосвязей, действий над объектами и, возможно, неопределенностей, с которыми эти действия осуществляются.
В качестве методов представления знаний чаще всего используются либо правила, либо фреймы, либо их комбинация. Так, например, правила представляют собой конструкции:
Если < условие > То <заключение> CF (Фактор определенности) <значение>
В качестве факторов определенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо коэффициенты уверенности нечеткой логики (от 0 до 100). Примеры правил имеют следующий вид:
Правило 1: Если Коэффициент рентабельности > 0.2
То Рентабельность = «удовл.» CF 100
Правило 2: Если Задолженность = «нет» и Рентабельность = «удовл.»
То Финансовое_сост. = «удовл.» CF 80
Правило 3: Если Финансовое_сост. = «удовл.» и Репутация=»удовл.»
То Надежность предприятия = «удовл.» CF 90

Интеллектуальный интерфейс. Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интер¬фейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.
Механизм вывода. Этот программный инструмент, который получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.
В основе использования любого механизма вывода лежит процесс нахождения в соответствии с поставленной целью и описанием конкрет¬ной ситуации (исходных данных), относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая (рис.2) или обратная (рис.3) цепочка рассуждений.

Механизм объяснения. В процессе или по результатам решения задачи пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна предоставить соответствующий механизм объяснения. Объяснительные способности ЭС определяются возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя «Как?» и «Почему?» получено решение или запрошены те или иные данные, система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая выдачу объяснения заранее подготовленными комментариями. В случае отсутствия решения задач объяснение должно выдаваться пользователю автоматически. Полезно иметь возможность и гипотетического объяснения решения задачи, когда система отвечает на вопросы, что будет в том или ином случае.
Однако, не всегда пользователя может интересовать полный вывод решения, содержащий множество ненужных деталей. В этом случае система должна уметь выбирать из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя. Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь продолжает не понимать полученный ответ, то система должна быть способна в диалоге на основе поддерживаемой модели проблемных знаний обучать пользователя тем или иным фрагментам знаний, т.е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не использовались.
Механизм приобретения знаний. База знаний отражает знания экспертов (специалистов) в данной проблемной области о действиях в различных ситуациях или процессах решения характерных задач. Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты, называемые инженерами знаний. Для ввода знаний в базу и их последующего обновления ЭС Должна обладать механизмом приобретения знаний. В простейшем случае это интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость; в более сложных случаях извлекать, знания путем специальных сценариев интервьюирования экспертов, или из вводимых примеров реальных ситуаций, как в случае индуктивного вывода, или из текстов, или из опыта работы самой интеллектуальной системы.
Классы экспертных систем. По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом:
• По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (определение характеристик объектов), а синтетические системы — генерацию неизвестных решений (формирова¬ние объектов).
• По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.
• По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний (данных) понимается их неполнота (отсутствие), недостоверность (неточность измерения), двусмыслен¬ность (многозначность понятий), нечеткость (качественная оценка вместо количественной).
• По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. Источники знаний могут быть альтернативными (множество миров) или дополняющими друг друга (кооперирующими).
В соответствии с перечисленными признаками классификации, как правило, выделяются следующие четыре основные класса экспертных систем (рис. 4).
Классифицирующие экспертные системы. К аналитическим задачам прежде всего относятся задачи распознавания различных ситуаций, когда по набору заданных признаков (факторов) выявляется сущность некоторой ситуации, в зависимости от которой выбирается определенная последовательность действий. Таким образом, в соответствии с исходными условиями среди альтернативных решений находится одно, наилучшим образом удовлетворяющее поставленной цели и ограничениям.
Экспертные системы, решающие задачи распознавания ситуаций, называются классифицирующими, поскольку определяют принадлеж¬ность анализируемой ситуации к некоторому классу. В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимо¬связанных общих утверждений получается частное заключение.

Анализ Синтез

Детерминиро¬ванность знаний
Классифици¬рующие
Трансформи¬рующие
Один источник знаний

Неопределен¬ность знаний Доопределя¬ющие Многоагентные Множество источиков
.знаний

Статика Динамика

Рис. 4. Классы экспертных систем

Доопределяющие экспертные системы. Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как бы доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве методов работы с неопределенностями могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.
Доопределяющие экспертные системы могут использовать для формирования решения несколько источников знаний. В этом случае могут использоваться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.
Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области:
• Интерпретация данных — выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение — определение сущности рассматри¬ваемой ситуации, выбор гипотез, исходя из фактов. Типичным
примером является экспертная система анализа финансового состояния предприятия.
• Диагностика — выявление причин, приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.
• Коррекция — диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.
Трансформирующие экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.
В качестве методов решения задач в трансформирующих эксп¬ертных системах используются разновидности гипотетического вывода:
• генерации и тестирования, когда по исходным данным осуществляется генерация гипотез, а затем проверка сформулирован¬ных гипотез на подтверждение поступающими фактами;
• предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации в зависимости от ее развития;
• использование общих закономерностей (метауправления) в случае неизвестных ситуаций, позволяющих генерировать недостаю¬щее знание.
Многоагентные системы. Для таких динамических систем характерна интеграция в базе знаний нескольких разнородных источников знаний, обменивающихся между собой получаемыми результатами на динамической основе, например, через «доску объявлений» (рис. 5).

Для многоагентных систем характерны следующие особенности:
• Проведение альтернативных рассуждений на основе исполь¬зования различных источников знаний с механизмом устранения противоречий;
• Распределенное решение проблем, которые разбиваются на параллельно решаемые подпроблемы, соответствующие самостоятель¬ным источникам знаний;

• Применение множества стратегий работы механизма вывода заключений в зависимости от типа решаемой проблемы;
• Обработка больших массивов данных, содержащихся в базе данных;
• Использование различных математических моделей и внешних процедур, хранимых в базе моделей;
• Способность прерывания решения задач в связи с необходи¬мостью получения дополнительных данных и знаний от пользователей, моделей, параллельно решаемых подпроблем.
Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области:
• Проектирование — определение конфигурации объектов сточки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.
• Прогнозирование — предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.
• Диспетчирование — распределение работ во времени, составление расписаний, например, планирование графика освоения капиталовложений.
• Планирование — выбор последовательности действий пользова¬телей по достижению поставленной цели, например, планирование процессов поставки продукции.
• Мониторинг — слежение за текущей ситуацией с возможной последующей коррекцией. Для этого выполняется диагностика,
прогнозирование, а в случае необходимости планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.
• Управление — мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.

Загрузка...