Обновлено: 05.07.2024

· Постоянство. Экспертные системы ничего не забывают в отличие от человека-эксперта.

· Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств.

· Эффективность. Может увеличить производительность и уменьшать затраты персонала.

· Постоянство. С использованием экспертных системам подобные транзакции обрабатываются одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих ситуаций.

· Влияние на людей. Новый эффект (самая современная ин­фор­ма­ция, имеющая влияние на здравый смысл). Главный эффект (ранняя информация доминирует над здравым смыслом).

· Документация. Экспертная система может документировать процесс решения.

· Законченность. Экспертная система может выполнять обзор всех транзакций, a человек-эксперт сможет сделать обзор только отдельной выборки.

· Своевременность. Погрешности в конструкциях и-или могут быть своевременно найдены.

· Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь один человек.

· Снижение риска ведения дела благодаря последовательности принятия решения документированности и компетентности.

Недостатки экспертных систем:

· Здравый смысл. В дополнение к широкому техническому знанию, че­ловек-эксперт имеет здравый смысл. Еще не известно, как за­ло­жить здравый смысл в экспертные системы.

· Творческий потенциал. Человек-эксперт может реагировать твор­чески на необычные ситуации, экспертные системы не могут.

· Обучение. Человек-эксперт автоматически адаптируются к изме­не­нию среды; экспертные системы нужно явно модифицировать.

· Сенсорный опыт. Человек-эксперт располагает широким диапа­зо­ном сенсорного опыта; экспертные системы в настоящее время ос­нованы на вводе символов.

Экспертные системы не хороши, если решения не существует или когда проблема лежит вне области их компетенции.

Класс экспертных систем сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям: решаемая задача, связь с реальным временем, тип ЭВМ, степень интеграции.

4.Системы поддержки принятия решений.

Система поддержки принятия решений или СППР (Decision Support Systems, DSS) — это компьютерная система, которая путем сбора и анализа большого количества информации может влиять на процесс принятия решений организационного плана в бизнесе и предпринимательстве. Интерактивные системы позволяют руководителям получить полезную информацию из первоисточников, проанализировать ее, а также выявить существующие бизнес-модели для решения определенных задач. С помощью СППР можно проследить за всеми доступными информационными активами, получить сравнительные значения объемов продаж, спрогнозировать доход организации при гипотетическом внедрении новой технологии, а также рассмотреть все возможные альтернативные решения.

Решение прикладных задач с использованием искусственного интеллекта. Преимущества и недостатки экспертных систем по сравнению с использованием специалистов, области их применения. Представление знаний и моделирование отношений семантическими сетями.

Рубрика	Программирование, компьютеры и кибернетика
Вид	реферат
Язык	русский
Дата добавления	25.06.2015
Размер файла	260,9 K

Студенты, аспиранты, молодые ученые, использующие базу знаний в своей учебе и работе, будут вам очень благодарны.

Министерство образования и науки Российской Федерации

ФГАОУ ВПО "Российский государственный профессионально-педагогический университет"

Кафедра сертификации, метрологии и управлении качеством в машиностроении

по Информатике

Экспертные системы

Работу выполнил: Ерохина Т.В.

Работу проверил: Садчиков И.А.

Оглавление

Введение
• 1. Экспертные системы и их особенности
  • 1.1 Что такое экспертная система
  • 1.2 Достоинства и недостатки экспертных систем
  • 1.3 Структура экспертной системы
  • 2.1 Логическая модель представления знаний
  • 2.2 Продукционная модель представления знаний
  • 2.3 Представление знаний фреймами
  • 2.4 Представление знаний семантическими сетями

  Введение

  Экспертные системы возникли как значительный практический результат в применении и развитии методов искусственного интеллекта - совокупности научных дисциплин, изучающих методы решения задач интеллектуального (творческого) характера с использованием ЭВМ.

  Область искусственного интеллекта имеет более чем сорокалетнюю историю развития. С самого начала в ней рассматривался ряд весьма сложных задач, которые, наряду с другими, и до сих пор являются предметом исследований: автоматические доказательства теорем, машинный перевод, распознавание изображений и анализ сцен, планирование действий роботов, алгоритмы и стратегии игр.

  Экспертная система - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Экспертные системы выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение экспертных систем на предприятиях способствует эффективности работы и повышению квалификации специалистов. Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

  При создании экспертных систем возникает ряд затруднений. Это, прежде всего, связано с тем, что заказчик не всегда может точно сформулировать свои требования к разрабатываемой системе. Также возможно возникновение трудностей чисто психологического порядка: при создании базы знаний системы эксперт может препятствовать передаче своих знаний, опасаясь, что впоследствии его заменят "машиной". Но эти страхи не обоснованы, так как экспертные системы не способны обучаться, они не обладают здравым смыслом, интуицией. Но в настоящее время ведутся разработки экспертных систем, реализующих идею самообучения.

  1. Экспертные системы и их особенности

  Целесообразность использования экспертных систем (ЭС) характерна для организаций социального обеспечения, поскольку в данной проблемной области при решении большинства задач (планирование финансово-экономических показателей, консультация по различным организационно-правовым вопросам) приходится опираться на опыт и знания специалистов-экспертов.

  Экспертная система позволяет накапливать, систематизировать и сохранять знания, профессиональный опыт тех экспертов, которые решают конкретные задачи наилучшим образом. Накопленные в ЭС знания могут быть использованы на практике неограниченное число раз.

  Рисунок 1 . Экспертная система в микроскопии МС 100 (TS), Expert Set.

  Рассмотрим особенности экспертных систем.

  1. ЭС ограничена определенной предметной областью.

  2. ЭС способна "рассуждать" при сомнительных исходных данных.

  3. ЭС способна "объяснить" цепочку сделанных ею рассуждений.

  4. Факты и механизм (программа) формирования выводов четко отделены друг от друга.

  5. ЭС строится так, чтобы имелась возможность постепенного ее наращивания (расширения) и модернизации.

  6. В результате работы ЭС формируется диагноз, рекомендация, совет, как нужно поступать в конкретной ситуации или предположение о том, что произошло с исследуемым объектом.

  Экспертные системы имитируют процессы принятия решения людьми-экспертами и в состоянии компетентно решать сложные проблемы. Кратко опишем некоторые ЭС, что позволит еще раз наглядно представить сферы использования "электронных советников".

  MYCIN (Стэндфордский университет, США) - одна из первых и наиболее известных ЭС, разработана в середине 70-х годов двадцатого столетия. Система предназначена для диагностики инфекционных заболеваний.

  JUDITH - одна из первых юридических ЭС, позволявшая юристам получать экспертные заключения по гражданским делам. Разработана в 1975 г. в Гейдельбергском и Дармштадтском университетах (Германия).

  INTERNIST(США). ЭС диагностирует несколько сотен болезней с точностью, которая сопоставима с точностью диагноза, сделанного квалифицированным врачом.

  Использование этой системы позволило обнаружить залежи молибдена в Британской Колумбии (Канада).

  Management Advisor(консультант менеджера). Система разработана фирмой Paladin Software, Inc. в 1986 г.; помогает руководителю в планировании его коммерческой деятельности.

  XCON(Carnegie-Melon University). Система предназначена для определения конфигурации компьютеров при их продаже. Покупатель заказывает ЭВМ с определенными характеристиками, а ЭС позволяет оптимально подобрать комплектующие блоки (тип дисплея, объем ОЗУ, тип процессора, тип звуковой карты, объем видеопамяти и т. п.).

  1.1 Что такое экспертная система

  Экспертная система (ЭС) - это компьютерная программа, которая моделирует рассуждения человека-эксперта в некоторой определенной области и использует для этого базу знаний, содержащую факты и правила об этой области, специальную процедуру логического вывода. Разработка систем, основанных на знаниях, является составной частью исследований по ИИ, и имеет целью создание компьютерных методов решения проблем, обычно требующих привлечения экспертов-специалистов. Взаимодействие эксперта, пользователя и структурных частей системы можно представить в виде следующей базовой структуры.

  Определим экспертную систему (ЭС), как программную систему, использующую экспертные знания для обеспечения высокоэффективного решения задач в узкой предметной области.

  Рисунок 2 . Аппарат УЗИ.

  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. Такие системы часто оказываются способными найти решение задач, которые неструктурированны и плохо определены. Они справляются с отсутствием структурированности путем привлечения эвристик, т. е. правил, взятых "с потолка", что может быть полезным в тех системах, когда недостаток необходимых знаний или времени исключает возможность проведения полного анализа [1].

  1.2 Достоинства и недостатки экспертных систем

  интеллект экспертный знание семантический

  Экспертные системы разрабатываются с расчетом на обучение и способны обосновать логику выбора решения, т.е. обладают свойствами адаптивности и ее аргументирования. У большинства экспертных систем имеется механизм объяснения. Этот механизм использует знания, необходимые для объяснения тою, каким образом система пришла к данному решению. Очень важным является определение области применения экспертной системы, границ ее использования и действия.

  Преимущества экспертных систем по сравнению с использованием опытных специалистов состоят в следующем:

  · достигнутая компетентность не утрачивается, может документироваться, передаваться, воспроизводиться и наращиваться;

  · имеют место более устойчивые результаты, отсутствуют эмоциональные и другие факторы человеческой ненадежности;

  · высокая стоимость разработки уравновешивается низкой стоимостью эксплуатации, возможностью копирования, а в совокупности они дешевле высококвалифицированных специалистов.

  Недостатком экспертных систем:

  - меньшая приспособляемость к обучению новым правилам и концепциям, к творчеству и изобретательству.

  Использование экспертных систем позволяет во многих случаях отказаться от высококвалифицированных специалистов, но предполагает оставить в системе место эксперту с более низкой квалификацией. Экспертные системы служат средством для расширения и усиления профессиональных возможностей конечного пользователя [2].

  1.3 Структура экспертной системы

  Обобщенная структура экспертной системы представлена на рисунке. Следует учесть, что реальные ЭИС могут иметь более сложную структуру, однако блоки, изображенные на рисунке, непременно присутствуют в любой действительно экспертной системе, поскольку представляют собой стандарт современной структуры ЭИС.

  Основные компоненты ИТ, используемой в экспертной системе:

  Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке своей деятельности со стороны ЭИС

  Интерфейс пользователя - это комплекс программ, реализующих диалог пользователя с ЭИС (экспертной интеллектуальной системой) как на стадии ввода информации, так и при получении результатов Специалист использует интерфейс для ввода информации и команд в экспертную систему и получения выходной информации из нее. Команды включают в себя параметры, направляющие процесс обработки знаний. Информация обычно выдается в форме значений, присваиваемых определенным переменным. Специалист может использовать четыре метода ввода информации: меню, команды, естественный язык и собственный интерфейс.

  База знаний (БЗ) - это совокупность знаний (долгосрочных данных, а не текущих) предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю (обычно на некотором языке, приближенном к естественному). Параллельно такому "человеческому" представлению существует БЗ во внутреннем "машинном" представлении. БЗ содержит факты, описывающие проблемную область, а также логическую взаимосвязь этих фактов.

  Центральное место в базе знаний принадлежит правилам. Правило определяет, что следует делать в данной конкретной ситуации, и состоит из двух частей: условия, которое может выполняться или нет, и действия, которое следует произвести, если условие выполняется. Все используемые в экспертной системе правила образуют систему правил, которая даже для сравнительно простой системы может содержать несколько тысяч правил.

  Инженер по знаниям (орнитолог, инженер-интерпретатор, аналитик) - специалист в области искусственного интеллекта, выступающий в роли промежуточного буфера В информатике буфер (англ. buffer) - это область памяти, используемая для временного хранения данных при вводе или выводе. между экспертом и базой знаний.

  Решатель - (интерпретатор, дедуктивная машина, машина вывода, блок логического вывода) - это программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ, и производящая в определенном порядке обработку знаний (мышление). Блок логических выводов и диагноза помогает наметить пути выхода из сложившейся ситуации с помощью фактического анализа показателей

  Технология работы решателя сводится к последовательному рассмотрению совокупности правил (правило за правилом). Если условие, содержащееся в правиле, соблюдается, выполняется определенное действие, и пользователю предоставляется вариант решения его проблемы.

  Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы: "Как была получена та или иная рекомендация?" и "Почему система приняла такое решение?" Ответ на вопрос "как" - это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, то есть всех шагов цепи умозаключений. Ответ на вопрос "почему" - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад. Развитые подсистемы объяснений поддерживают и другие типы вопросов

  Интеллектуальный редактор БЗ - программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок (Help) и других сервисных средств, облегчающих работу с базой [2, 3].

  Рисунок 3 . Базовая структура экспертной системы.

  Представленная на рисунке структура является минимальной, что означает обязательное присутствие указанных на ней блоков. Если система объявлена разработчиками как экспертная, только наличие всех этих блоков гарантирует реальное использование аппарата обработки знаний. Однако промышленные прикладные ЭИС могут быть существенно сложнее и дополнительно включать БД, блок расчета, интерфейсы обмена данными с различными пакетами прикладных программ, электронными библиотеками и т. д.

  База данных содержит плановые, фактические, расчетные, отчетные и другие постоянные/оперативные показатели. Этот термин совпадает по названию, но не по смыслу с термином, используемым в системах управления базами данных (СУБД) для обозначения всех данных (в первую очередь долгосрочных), хранимых в системе.

  - блок расчета необходим в ситуациях, связанных с принятием управленческих решений;

  - блок ввода и корректировки данных используется для оперативного и своевременного отражения текущих изменений в базе данных если в системе есть блок учета, то надобность в блоке ввода и корректировки данных отпадает;

  - блок приобретения знаний снимает проблему самообучения системы. Он необходим для получения знаний от эксперта, поддержки базы знаний и дополнения ее при необходимости. Автоматизирует процесс наполнения ЭИС знаниями, осуществляемый пользователем-экспертом модуль создания системы служит для создания набора (иерархии) правил. Существуют два подхода, которые могут быть положены в основу модуля создания системы: использование алгоритмических языков программирования и использование оболочек экспертных систем. Для представления базы знаний специально разработаны языки Лисп Лисп (LISP, от англ. LISt Processing language - "язык обработки списков"; современное написание) - семейство языков программирования, программы и данные в которых представляются системами линейных списков символов и Пролог Пролог (фр. Programmation en Logique) - язык и система логического программирования, основанные на языке предикатов математической логики дизъюнктов Хор на, представляющей собой подмножество логики предикатов первого порядка. , хотя можно использовать и любой известный алгоритмический язык.

  Оболочка экспертных систем - это готовая программная среда, которая может быть приспособлена к решению определенной проблемы путем создания соответствующей базы знаний. В большинстве случаев использование оболочек позволяет создавать экспертные системы быстрее и легче в сравнении с программированием [5].

  В целом процесс функционирования ЭИС можно представить следующим образом: пользователь, желающий получить необходимую информацию, через пользовательский интерфейс Интерфейс (англ. interface - поверхность раздела, перегородка) - граница раздела двух систем, устройств или программ, определённая их характеристиками, характеристиками соединения, сигналов обмена и т. п. посылает запрос к ЭИС; решатель, пользуясь базой знаний, генерирует и выдает пользователю подходящую рекомендацию, объясняя ход своих рассуждений при помощи подсистемы объяснений.

  Специальности специалистов по разработке экспертных систем

  В разработке ЭИС предметной области участвуют представители следующих специальностей:

  - эксперт в проблемной области, задачи которой будет решать ЭИС. Определяет знания (данные и правила), характеризующие проблемную область, обеспечивает полноту и правильность введенных в ЭИС знаний;

  - инженер по знаниям - специалист по разработке ЭИС (используемые им технологию, методы называют технологией (методами) инженерии знаний). Помогает эксперту выявить и структурировать знания, необходимые для работы ЭИС; осуществляет выбор того ИС, которое наиболее подходит для данной проблемной области, и определяет способ представления знаний в этом ИС; выделяет и программирует (традиционными средствами) стандартные функции (типичные для данной проблемной области), которые будут использоваться в правилах, вводимых экспертом;

  - программист по разработке инструментальных средств (ИС), предназначенных для ускорения разработки ЭИС. Осуществляет интеграцию с той средой, в которой она будет использоваться

  Необходимо отметить, что отсутствие среди участников разработки инженеров по знаниям (т. е. их замена программистами) либо приводит к неудаче процесс создания ЭИС, либо значительно удлиняет его.

  2. Модели представления знаний

  Одной из наиболее важных проблем, характерных для систем, основанных на знаниях, является проблема представления знаний. Это объясняется тем, что форма представления знаний оказывает существенное влияние на характеристики и свойства системы. Для того чтобы манипулировать всевозможными знаниями из реального мира с помощью компьютера, необходимо осуществлять их моделирование. В таких случаях необходимо отличать знания, предназначенные для обработки компьютером, от знаний, используемых человеком. Кроме того, при большом объеме знаний желательно упростить последовательное управление отдельными элементами знаний.

  При проектировании модели представления знаний следует учитывать такие факторы, как однородность представления и простота понимания. Однородное представление приводит к упрощению механизма управления логическим выводом и упрощению управления знаниями. Представление знаний должно быть понятным экспертам и пользователям системы. В противном случае затрудняются приобретение знаний и их оценка. Однако выполнить это требование в равной степени, как для простых, так и для сложных задач довольно трудно.

  Типичными моделями представления знаний являются:

  1. Логическая модель;

  2. Модель, основанная на использовании правил (продукционная модель);

  3. Модель, основанная на использовании фреймов;

  4. Модель семантической сети.

  Однако во всех разработанных в прошлом системах с базами знаний помимо этих моделей использовались специальные для конкретного случая средства, поэтому представление знаний получалось сложным. Тем не менее, классификация моделей оставалась неизменной. Язык, используемый для разработки систем, спроектированных на основе этих моделей, называется языком представления знаний [4].

  Экспертная система (далее по тексту — ЭС) — это информационная система, назначение которой частично или полностью заменить эксперта в той или иной предметной области. Подобные интеллектуальные системы эффективно применяются в таких областях, как логистика, управление воздушными полетами, управление театром военных действий. Основною направленной деятельностью предсказание, прогнозирование в рамках определенного аспекта в предметной области.

  Экскурс в историю экспертных систем

  История экспертных систем берет свое начало в 1965 году. Брюс Бучанан и Эдвард Фейгенбаум начали работу над созданием информационной системы для определения структуры химических соединений.

  Результатом работы была система под названием Dendral. В основе системы формировалась последовательность правил подобных к «IF – THEN». Информационная система не перестала развиваться и получила множество наследников, таких как ONCOIN – информационная система для диагностики раковых заболеваний, MYCIN – информационная система для диагностики легочных инфекционных заболеваний.

  Следующим этапом стали 70-е годы. Период не выделялся особыми разработками. Было создано множество разных прототипов системы Dendral. Примером служит система PROSPECTOR, областью деятельности которой являлась геологические ископаемые и их разведка.
  В 80-ых годах появляются профессия – инженер по знаниям. Экспертные системы набирают популярность и выходят на новый этап эволюции интеллектуальных систем. Появились новые медицинские системы INTERNIS, CASNE.

  С 90-ых годов развитие интеллектуальных систем приобретает новые и новые методы и особенности. Нововведением становится парадигма проектирования эффективных и перспективных систем. Гибкость, четкость решения поставленных задач дало новое название – мультиагентных систем. Агент – фоновый процесс который действует в целях пользователя. Каждый агент имеет свою цель, «разум» и отвечает за свою область деятельности. Все агенты в совокупности образуют некий интеллект. Агенты вступают в конкуренцию, настраивают отношения, кооперируются, все как у людей.

  В 21 век, интеллектуальной системой уже не удивишь никого. Множество фирм внедряет экспертные системы в области своей деятельности.

  Быстродействующая система OMEGAMON разрабатывается c 2004 года с IBM, цель которой отслеживание состояния корпоративной информационной сети. Служит для моментального принятия решений в критических или неблагоприятных ситуациях.

  G2 – экспертная система от фирмы Gensym, направленная на работу с динамическими объектами. Особенность этой системы состоит в том, что в нее внедрили распараллеливание процессов мышления, что делает ее быстрее и эффективней.

  Структура экспертной системы

  
  

  1. База знаний
  Знания — это правила, законы, закономерности получены в результате профессиональной деятельности в пределах предметной области.
  База знаний — база данных содержащая правила вывода и информацию о человеческом опыте и знаниях в некоторой предметной области. Другими словами, это набор таких закономерностей, которые устанавливают связи между вводимой и выводимой информацией.

  2. Данные
  Данные — это совокупность фактов и идей представленных в формализованном виде.
  Собственно на данных основываются закономерности для предсказания, прогнозирования. Продвинутые интеллектуальные системы способные учиться на основе этих данных, добавляя новые знания в базу знаний.

  3. Модель представления данных
  Самая интересная часть экспертной системы.
  Модель представления знаний (далее по тексту — МПЗ) — это способ задания знаний для хранения, удобного доступа и взаимодействия с ними, который подходит под задачу интеллектуальной системы.

  4. Механизм логического вывода данных(Подсистема вывода)
  Механизм логического вывода(далее по тексту — МЛВ) данных выполняет анализ и проделывает работу по получению новых знаний исходя из сопоставления исходных данных из базы данных и правил из базы знаний. Механизм логического вывода в структуре интеллектуальной системы занимает наиболее важное место.
  Механизм логического вывода данных концептуально можно представить в виде <A,B,C,D> :
  А — функция выбора из базы знаний и из базы данных закономерностей и фактов соответственно
  B — функция проверки правил, результатом которой определяется множество фактов из базы данных к которым применимы правила
  С — функция, которая определяет порядок применения правил, если в результате правила указаны одинаковые факты
  D — функция, которая применяет действие.

  Какие существуют модели представления знаний?

  Распространены четыре основных МПЗ:

  • Продукционная МПЗ
  • Семантическая сеть МПЗ
  • Фреймовая МПЗ
  • Формально логическая МПЗ

  Продукционная МПЗ

  В основе продукционной модели представления знаний находится конструктивная часть, продукция(правило):
  IF <условие>, THEN <действие>
  Продукция состоит из двух частей: условие — антецендент, действие — консеквент. Условия можно сочетать с помощью логических функций AND, OR .
  Антецеденты и консеквенты составленных правил формируются из атрибутов и значений. Пример: IF температура реактора подымается THEN добавить стержни в реактор
  В базе данных продукционной системы хранятся правила, истинность которых установлена к за ранее при решении определенной задачи. Правило срабатывает, если при сопоставлении фактов, содержащихся в базе данных с антецедентом правила, которое подвергается проверке, имеет место совпадение. Результат работы правила заносится в базу данных.

  Пример

  
  

  Диагноз	Температура	Давление	Кашель
  Грипп	39	100-120	Есть
  Бронхит	40	110-130	Есть
  Аллергия	38	120-130	Нет

  
  

  Пример продукции:
  IF Температура = 39 AND Кашель = Есть AND Давление = 110-130 THEN Бронхит

  Продукционная модель представления знаний нашла широкое применение в АСУТП

  Среды разработки продукционных систем(CLIPS)

  CLIPS (C Language Integrated Production System) — среда разработки продукционной модели разработана NASA в 1984 году. Среда реализована на языке С, именно потому является быстрой и эффективной.
  Пример:

  Подобное правило будет активировано только тогда, когда в базе данных появится факт симптома с подобными параметрами.

  Семантическая сеть МПЗ

  В основе продукционной модели лежит ориентированный граф. Вершины графа — понятия, дуги — отношения между понятиями.
  Особенностью является наличие трех типов отношений:

  • класс — подкласс
  • свойство — значение
  • пример элемента класса

  По количеству типов отношений выделяют однородные и неоднородные семантические сети. Однородные имею один тип отношения между всеми понятиями, следовательно, не однородные имею множество типов отношений.

  Все типы отношений:

  • часть — целое
  • класс — подкласс
  • элемент — количество
  • атрибутивный
  • логический
  • лингвистический

  Пример

  
  

  
  Недостатком МПЗ является сложность в извлечении знаний, особенно при большой сети, нужно обходить граф.

  Фреймовая МПЗ

  Предложил Марвин Мински в 1970 году. В основе фреймовой модели МПЗ лежит фрейм. Фрейм — это образ, рамка, шаблон, которая описывает объект предметной области, с помощью слотов. Слот — это атрибут объекта. Слот имеет имя, значение, тип хранимых данных, демон. Демон — процедура автоматически выполняющаяся при определенных условиях. Имя фрейма должно быть уникальным в пределах одной фреймовой модели. Имя слота должно быть уникальным в пределах одного фрейма.

  Слот может хранить другой фрейм, тогда фреймовая модель вырождается в сеть фреймов.

  Пример

  
  

  Пример вырождающейся в сеть фреймов

  
  

  
  На своей практике, мне доводилось встречать системы на основе фреймовой МПЗ. В университете в Финляндии была установлена система для управления электроэнергией во всем здании.

  Языки разработки фреймовых моделей (Frame Representation Language)

  FRL (Frame Representation Language) — технология создана для проектирования интеллектуальных систем на основе фреймовой модели представления знаний. В основном применяется для проектирования вырождающихся в сеть фреймовой модели.

  Запись фрейма на языке FRL будет иметь вид:

  Существуют и другие среды: KRL (Knowledge Representation Language), фреймовая оболочка Kappa, PILOT/2.

  Формально логическая МПЗ

  В основе формально логической МПЗ лежит предикат первого порядка. Подразумевается, что существует конечное, не пустое множество объектов предметной области. На этом множестве с помощью функций интерпретаторов установлены связи между объектами. В свою очередь на основе этих связей строятся все закономерности и правила предметной области. Важное замечание: если представление предметной области не правильное, то есть связи между объектами настроены не верно или не в полной мере, то правильная работоспособность системы будет под угрозой.

  Пример

  A1 = <идет дождь> A2 = <небо в тучах> A3 = <солнечно>; IF A1 AND A2 THEN <взять зонтик>
  Банальней примера и не придумаешь.
  Важно: Стоит заметить, что формально логическая МПЗ схожа с продукционной. Частично это так, но они имеют огромную разницу. Разница состоит в том, что в продукционной МПЗ не определены никакие связи между хранимыми объектами предметной области.

  Важно

  Любая экспертная система должна иметь вывод данных и последовательность "мышления" системы. Это нужно для того чтобы увидеть дефекты в проектировании системы. Хорошая интеллектуальная система должна иметь право ввода данных, которое реализуется через интеллектуальный редактор, право редактора на перекрестное "мышление" представлений при проектировании системы и полноту баз знаний(реализуется при проектировки закономерностей предметной области между инженером по знаниям и экспертом).

  Заключение

  Экспертные системы действительно имеют широкое применение в нашей жизни. Они позволяют экономить время реальных экспертов в определенной предметной области. Модели представления знаний это неотъемлемая часть интеллектуальных систем любого уровня. Поэтому, я считаю, что каждый уважающий себя IT-специалист, должен иметь даже поверхностные знания в этих областях.

  Потенциальный пользователь экспертной системы чаще всего задается вопросом: «Сможет ли система решить проблему?». Существуют три фактора, от которых зависит окончательный ответ, - природа проблемы, наличие определенного опыта в той предметной области, к которой относится проблема, и возможность сопоставления результатов анализа проблемы и имеющегося опыта методом, доступным компьютерной программе. Перед принятием решения о создании экспертной системы, следует задуматься над следующим: доступен ли эксперт, который:

  • · способен решить проблему;
  • · знает, как решается проблема;
  • · способен объяснить, как решается проблема;
  • · располагает временем, чтобы объяснить, как решается проблема;
  • · имеет достаточные побудительные мотивы к активному участию в создании экспертной системы.

  Например, предсказание погоды - это не та задача, которую может решить кто-либо, даже умудренный большим опытом эксперт. Распознавание речи - это задача, которую решает практически каждый, но никто из нас (включая и профессиональных лингвистов) не может вразумительно объяснить, как это делается. А потому использовать для решения этой проблемы методы, основанные на анализе знаний, вряд ли удастся. Здесь большего следует ожидать от статистического моделирования. Даже имея на примете гениального эксперта, знающего, как решается задача, нельзя рассчитывать на успех, если этот эксперт не может или не желает подробно и вразумительно объяснить, как он это делает. Эксперт может быть не расположен к общению с посторонними или слишком занят, чтобы терять время на длительные собеседования с инженером, которому поручено проектирование базы знаний. Как правило, эксперт высокого класса не испытывает недостатка в предложениях работы в той области, с которой он хорошо знаком, а потому предпочитает выполнять ее, а не вести беседы о том, как он это делает. Есть еще и психологический фактор - многие эксперты весьма ревниво относятся к своему уникальному опыту и не склонны его разглашать, поскольку считают, что, передавая опыт автоматизированным системам, они рубят сук, на котором сидят.

  Но даже если удастся выполнить оговоренные выше условия, в задаче могут существовать факторы, ограничивающие возможность «машинного» воспроизведения человеческого опыта. Например:

  • · в процессе решения задачи используются способности органов чувств человека, недоступные на сегодняшний день в мире машин;
  • · в решение задачи вовлечены соображения здравого смысла человечества или большой объем знаний, само собой разумеющихся для любого человека.

  Нельзя упускать из виду и огромный объем знаний об окружающем мире, которым мы все располагаем: знаниями о предметах и их свойствах, людях и мотивации их действий, взаимосвязях в физическом мире и наиболее вероятном течении событий в тех или иных условиях - список можно продолжать до бесконечности. Эту совокупность знаний мы не включаем в знания, отличающие эксперта, но до сих пор еще совсем не ясно, насколько они важны компьютеру для решения узкоспециальной проблемы. Таким образом, любая задача, которую не удается инкапсулировать в ограниченный перечень фактов и правил, на сегодняшний день не под силу экспертным системам.

  Возникает вопрос в надобности экспертных систем. Не лучше ли обратиться к человеческому опыту, как это было в прошлом? Но, не смотря на выше перечисленные недостатки, экспертные системы ряд преимуществ:

  Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьёзно отразиться на его профессиональных качествах.

  2. Лёгкость передачи.

  Передача знаний от одного человека другому - долгий и дорогой процесс. Передача искусственной информации - это простой процесс копирования программы или файла данных.

  3. Устойчивость и воспроизводимость результатов.

  Экспертные системы устойчивы к «помехам». Человек же легко поддается влиянию внешних факторов, которые непосредственно не связаны с решаемой задачей. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты экспертной системы - стабильны.

  Эксперты, особенно высококвалифицированные обходятся очень дорого. Экспертные системы, наоборот, сравнительно недороги. Их разработка дорога, но они дёшевы в эксплуатации.

  Вместе с тем разработка экспертной системы не позволяет полностью отказаться от эксперта-человека. Хотя экспертная система хорошо справляется со своей работой, тем не менее, в определённых областях человеческая компетенция явно превосходит искусственную. Однако и в этих случаях экспертная система может позволить отказаться от услуг высококвалифицированного эксперта, оставив эксперта средней квалификации, используя при этом экспертную систему для усиления и расширения его профессиональных возможностей.

  Несмотря на все эти ограничения и недостатки, экспертные системы уже доказали всю свою ценность и значимость во многих важных приложениях.

  Экспертные системы — это сложные программные комплексы, ак­ку­­му­ли­­рующие знания специалистов в конкретных предметных областях и ти­ра­жирующие этот эмпирический опыт для консультаций менее квали­фи­ци­­рован­ных пользователей.

  Области применения систем, основанных на знаниях, весьма раз­но­об­разны: бизнес, производство, военные приложения, медицина, со­ци­о­ло­гия, геология, космос, сельское хозяйство, управление, юриспру­ден­ция и др.

  Системы, основанные на знаниях (СОЗ) — это системы программ­ного обес­печения, основными структурными элементами которых яв­ляются база знаний и механизм логических выводов. Среди СОЗ можно вы­де­лить:

  • интеллектуальные информационно-поисковые системы;
  • экспертные системы (ЭС).

  Интеллектуальные информационно-поисковые системы отличаются от предыдущего поколения информационно-поисковых систем не только гораздо более обширным справочно-информационным фондом, но и важнейшей способностью формировать адекватные ответы на запросы пользователя даже тогда, когда запросы не носят прямого характера.

  Наиболее известным практическим примером СОЗ могут служить экспертные сис­темы, способные диагностировать заболевания, оценивать по­тен­ци­аль­ные месторождения полезных ископаемых, осуществлять обработку естественного языка, распознавание речи и изображений и т.д. Экспертные сис­те­мы являются первым шагом в практической реализации исследований в об­ласти искусственного интеллекта

  Базовая структура экспертной системы приведена на рисунке ниже.

  Структурные элементы, составляющие экспертную систему, выполняют следующие функции.

  База знаний реализует функции представления знаний в конкретной предметной области и управление ими.

  Механизм логических выводов выполняет логические выводы на основании знаний, имеющихся в базе знаний.

  Пользовательский интерфейс необходим для правильной передачи отве­тов пользователю, иначе пользоваться системой крайне неудобно.

  Модуль приобретения знаний необходим для получения знаний от экспер­та, поддержки базы знаний и дополнения ее при необходимости.

  
  

  Структура экспертной системы.

  Перечисленные структурные элементы являются наиболее характерными, хотя в реальных экспертных системах их функции могут быть соответствующим образом усилены или расширены.

  Знания в базе знаний представлены в конкретной форме и ор­га­ни­за­ция ба­зы знаний позволяет их легко определять, модифицировать и по­пол­нять. Реше­ние задач с помощью логического вывода на основе знаний хра­ня­щихся в базе зна­ний, реализуется автономным механизмом логического вы­вода. Хотя оба эти ком­понента системы с точки зрения ее структуры яв­ля­ются неза­висимыми, они на­­ходятся в тесной связи между собой и оп­ре­де­ление модели представления знаний накладывает ограничения на выбор соответствующего механизма логи­чес­ких выводов.

  Преимущества экспертных систем:

  • Постоянство. Экспертные системы ничего не забывают в отличие от человека-эксперта.
  • Воспроизводимость. Можно сделать любое количество копий экспертной системы, а обучение новых экспертов отнимает много времени и средств.
  • Эффективность. Может увеличить производительность и уменьшать затраты персонала.
  • Постоянство. С использованием экспертных системам подобные транзакции обрабатываются одним и тем же способом. Система будет делать сопоставимые рекомендации для похожих ситуаций.
  • Влияние на людей. Новый эффект (самая современная ин­фор­ма­ция, имеющая влияние на здравый смысл). Главный эффект (ранняя информация доминирует над здравым смыслом).
  • Документация. Экспертная система может документировать процесс решения.
  • Законченность. Экспертная система может выполнять обзор всех транзакций, a человек-эксперт сможет сделать обзор только отдельной выборки.
  • Своевременность. Погрешности в конструкциях и-или могут быть своевременно найдены.
  • Широта. Могут быть объединены знания многих экспертов, что дает системе больше широты, чем с вероятно может достичь один человек.
  • Снижение риска ведения дела благодаря последовательности принятия решения документированности и компетентности.

  Недостатки экспертных систем:

  • Здравый смысл. В дополнение к широкому техническому знанию, че­ловек-эксперт имеет здравый смысл. Еще не известно, как за­ло­жить здравый смысл в экспертные системы.
  • Творческий потенциал. Человек-эксперт может реагировать твор­чески на необычные ситуации, экспертные системы не могут.
  • Обучение. Человек-эксперт автоматически адаптируются к изме­не­нию среды; экспертные системы нужно явно модифицировать.
  • Сенсорный опыт. Человек-эксперт располагает широким диапа­зо­ном сенсорного опыта; экспертные системы в настоящее время ос­нованы на вводе символов.

  Экспертные системы не хороши, если решения не существует или когда проблема лежит вне области их компетенции.

  Класс экспертных систем сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям: решаемая задача, связь с реальным временем, тип ЭВМ, степень интеграции.

  Методология разработки экспертных систем

  Разработка интеллектуальных информационных систем отличается от создания обыч­ного программного продукта. Опыт разработки ранних экспертных систем по­казал, что использование традиционной технологии програм­мирования ли­бо чрезмерно затягивает процесс разработки, либо во­обще приводит к от­рицательному результату. Это связано главным об­разом с не­об­хо­ди­мостью модифицировать принципы и способы построения по мере того, как увеличивается знание разработчиков о проблемной области.

  Известно, что большая часть знаний в конкретной предметной области ос­тается личной собственностью эксперта. Наибольшую проблему при раз­ра­бот­ке экспертной системы представляет процедура получения знаний у эксперта и занесения их в базу знаний, называемая извлечением знаний. Это происходит не по­тому, что он не хочет разглашать своих секретов, а потому, что не в состоянии сде­лать это — ведь эксперт знает гораздо больше, чем сам осознает. Для выявления знаний эксперта и их формализации на протяжении всего периода разработки с ним взаимодействует инженер по знаниям.

  Чтобы избежать дорогостоящих и безуспешных попыток, был разра­бо­тан набор рекомендаций для того, чтобы определить, является ли проб­ле­ма подходящей для решения с помощью экспертной системы:

  • Потребность в решении должна соответствовать затратам на ее раз­работку. Суммы затрат и полученная выгода должны быть ре­а­листическими.
  • Невозможно использовать знания человека-эксперта там, где это необходимо. Если «экспертные» знания широко распростра­не­ны, то маловероятно, что стоит разрабатывать экспертную сис­тему. Однако в таких областях как разведка нефти и медицина мо­гут быть редкие специализированные знания, которыми можно недорого снабдить экспертную систему, и не использовать очень высоко оплачиваемого эксперта.
  • Проблема может быть решена с использованием символических методов рассуждения.
  • Проблема хорошо структурирована и не требует применения зна­ний, основанных на здравом смысле. Знания, основанные на здра­вом смысле, хорошо известны, поэтому их незачем фиксировать и представлять.
  • Проблема не может быть легко решена с использованием более тра­диционных вычислительных методов. Если имеется хорошее ал­горитмическое решение проблемы, не следует использовать экспертную систему.
  • Существуют эксперты в данной проблемной области. Поскольку экспертная система проектируется для успешной работы, весьма существенно, чтобы эксперты желали помогать при ее проек­ти­ро­ва­нии, а не считали, что их работе угрожают. Кроме того не­об­хо­дима поддержка администрации и потенциальных пользователей.
  • Проблема имеет подходящий размер и область применения. Как правило, проблема требует применения знаний высоко спе­ци­а­ли­зи­рованных экспертов, но человек-эксперт должен тратить на ее ре­ше­ние короткое время, максимум час.

  В настоящее время сложилась последовательность действий при разработке экспертных систем. Она включает следующие этапы: идентификация, получение знаний, концептуализация, формализация, выполнение, тестирование и опытная эксплуатация.

  
  

  Рис. 10.2. Технология разработки экспертных систем

  Идентификация

  Этап идентификации связан, прежде всего, с осмыслением тех задач, которые предстоит решать будущей экспертной системе, и формированием требований к ней. На этом этапе планируется ход разработки прототипа системы, определяются источники знаний (книги, эксперты, методики), цели (распространение опыта, автоматизация рутинных операций), классы решаемых задач и т.д. Результатом идентификации является ответ на вопрос, что надо сделать и какие ресурсы необходимо задействовать.

  Получение знаний

  При решении проблемы получения знаний выделяют три стратегии: приобретение знаний, извлечение знаний и обнаружение знаний.

  Под приобретением (acquisition) знаний понимается способ автоматизированного наполнения базы знаний посредством диалога эксперта и специальной программы.

  Извлечением (elicitation) знаний называют процедуру вза­и­мо­дей­ствия инженера по знаниям с источником знаний (экспертом, спе­циальной литературой и др.) без использования вычислительной тех­ни­ки.

  Термины «обнаружение знаний» (knowledge discovery), а также Data Mining связывают с созданием компьютерных систем, реализующие методы автоматического получения знаний.

  Концептуализация

  На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Этот этап завершается созданием мо­дели предметной области, включающей основные концепты и от­но­ше­ния. Модель представляется в виде графа, таблицы, диаграммы или текста.

  Формализация

  На этапе формализации все ключевые понятия и отношения выражаются на некотором формальном языке, который выбирается из числа уже существующих, либо создается заново. Другими словами, на данном этапе определяется состав средств и способы представления декларативных и процедурных знаний, осуществляется это представление и в итоге создается описание решения задачи экспертной системы на выбранном формальном языке.

  Выполнение (реализация)

  На этапе выполнения создается один или несколько реально работающих прототипов экспертной системы. Для ускорения этого процесса в настоящее время широко применяются различные инструментальные средства.

  Тестирование

  На данном этапе оценивается и проверяется работа программы прототипа с целью приведения ее в соответствие с реальными запросами пользователей. Прототип проверяется по следующих основным позициям:

  • удобство и адекватность интерфейсов ввода-вывода (характер вопросов в диалоге, связность выводимого текста результата и др.);
  • эффективность стратегии управления (порядок перебора, использование нечеткого вывода и т.д.);
  • корректность базы знаний (полнота и непротиворечивость правил).

  Задача стадии тестирования — выявление ошибок и выработка рекомендаций по доводке прототипа экспертной системы до промышленного образца.

  Опытная эксплуатация

  На этапе опытной эксплуатациипроверяется пригодность эк­спертной системы для конечного пользователя. Пригодность оп­ре­де­ля­ет­ся в основном удобством и полезностью разработки. Под по­лезностью по­ни­мается способность экспертной системы определять в хо­де диалога по­треб­ности пользователя, выявлять и устранять причины неудач в работе, а так­же удовлетворять указанные потребности пользователя (решать поставленные задачи). Удобство работы подразумевает естественность взаимодействия с экспертной системой, гибкость (способность системы настраиваться на различных пользователей, а также учитывать изменения в квалификации одного и того же пользователя) и устойчивость системы к ошибкам (способность не выходить из строя при ошибочных действиях пользователя).

  После успешного завершения этапа опытной эксплуатации эксперт­ная система классифицируется как коммерческая система, пригодная не толь­ко для собственного использования, но и для продажи различным по­тре­бителям.

  Инструментальные средства построения экспертных систем

  В настоящее время имеются средства, ускоряющие проектирование и разработку ЭС. Их называют инструментальными средствами, или про­сто инструментарием. Иными словами, под инструментальными средствамипонимают совокупность аппаратного и программного обес­пе­че­ния, позволяющего создавать прикладные системы, основанные на знаниях.

  Среди программных инструментальных средств выделяют следующие большие группы:

  Читайте также:

    
  • Файл i386 что это
    
  • Мерцает дисплей в биосе
    
  • Как сделать визитку такси на компьютере самому онлайн бесплатно
    
  • Как выглядит планшет из фнафа
    
  • Как узнать номер на мегафон на планшете