Экспертные системы. Классификация экспертных систем. Разработка простейшей экспертной системы

определении целесообразности применения таких систем нужно

руководствоваться следующими критериями.

1. Данные и знания надежны и не меняются со временем.

2. Пространство возможных решений относительно невелико.

3. В процессе решения задачи должны использоваться формальные рассуждения.

Существуют системы, основанные на знаниях, пока еще не пригодные для

решения задач методами проведения аналогий или абстрагирования

(человеческий мозг справляется с этим лучше). В свою очередь традиционные

компьютерные программы оказываются эффективнее систем, основанных на

знаниях, в тех случаях, когда решение задачи связано с применением

процедурного анализа. Системы, основанные на знаниях, более подходят для

решения задач, где требуются формальные рассуждения.

4. Должен быть по крайней мере один эксперт, который способен явно

сформулировать свои знания и объяснить свои методы применения этих знаний

для решения задач.

В таблице один приведены сравнительные свойства прикладных задач, по

наличию которых можно судить о целесообразности использования для их

решения ЭС.

Таблица 1. Критерий применимости ЭС.

| применимы | неприменимы |

|Не могут быть построены строгие|Имеются эффективные |

|алгоритмы или процедуры, но |алгоритмические методы. |

|существуют эвристические методы| |

|решения. | |

|Есть эксперты, которые способны|Отсутствуют эксперты или их |

|решить задачу. |число недостаточно. |

|По своему характеру задачи |Задачи носят вычислительный |

|относятся к области |характер. |

|диагностики, интерпретации или | |

|прогнозирования. | |

|Доступные данные “зашумленны”. |Известны точные факты и строгие|

| |процедуры. |

|Задачи решаются методом |Задачи решаются прецедурными |

|формальных рассуждений. |методами, с помощью аналогии |

| |или интуитивно. |

|Знания статичны (неизменны). |Знания динамичны (меняются со |

| |временем). |

В целом ЭС не рекомендуется применять для решения следующих типов

задач:

- математических, решаемых обычным путем формальных преобразований и

процедурного анализа;

- задач распознавания, поскольку в общем случае они решаются численными

методами;

- задач, знания о методах решения которых отсутствуют (невозможно построить

базу знаний).

1.6. Ограничения в применение экспертных систем..

Даже лучшие из существующих ЭС, которые эффективно функционируют как на

больших, так и на мини-ЭВМ, имеют определенные ограничения по сравнению с

человеком-экспертом.

1. Большинство ЭС не вполне пригодны для применения конечным пользователем.

Если вы не имеете некоторого опыта работы с такими системами, то у вас

могут возникнуть серьезные трудности. Многие системы оказываются доступными

только тем экспертам, которые создавали из базы знаний.

2. Вопросно-ответный режим, обычно принятый в таких системах, замедляет

получение решений. Например, без системы MYCIN врач может (а часто и

должен) принять решение значительно быстрее, чем с ее помощью.

3. Навыки системы не возрастают после сеанса экспертизы.

4. Все еще остается проблемой приведение знаний, полученных от эксперта, к

виду, обеспечивающему их эффективную машинную реализацию.

5. ЭС не способны обучаться, не обладают здравым смыслом. Домашние кошки

способны обучаться даже без специальной дрессировки, ребенок в состоянии

легко уяснить, что он станет мокрым, если опрокинет на себя стакан с водой,

однако если начать выливать кофе на клавиатуру компьютера, у него не хватит

“ума” отодвинуть ее.

6. ЭС неприменимы в больших предметных областях. Их использование

ограничивается предметными областями, в которых эксперт может принять

решение за время от нескольких минут до нескольких часов.

7. В тех областях, где отсутствуют эксперты (например, в астрологии),

применение ЭС оказывается невозможным.

8. Имеет смысл привлекать ЭС только для решения когнитивных задач. Теннис,

езда на велосипеде не могут являться предметной областью для ЭС, однако

такие системы можно использовать при формировании футбольных команд.

9. Человек-эксперт при решении задач обычно обращается к своей интуиции или

здравому смыслу, если отсутствуют формальные методы решения или аналоги

таких задач.

Системы, основанные на знаниях, оказываются неэффективными при

необходимости проведения скрупулезного анализа, когда число “решений”

зависит от тысяч различных возможностей и многих переменных, которые

изменяются во времени. В таких случаях лучше использовать базы данных с

интерфейсом на естественном языке.

1.7. Преимущества ЭС перед человеком - экспертом.

Системы, основанные на знаниях, имеют определенные преимущества перед

человеком-экспертом.

1. У них нет предубеждений.

2. Они не делают поспешных выводов.

3. Эти системы работают систематизировано, рассматривая все детали, часто

выбирая наилучшую альтернативу из всех возможных.

4. База знаний может быть очень и очень большой. Будучи введены в машину

один раз, знания сохраняются навсегда. Человек же имеет ограниченную базу

знаний, и если данные долгое время не используются, то они забываются и

навсегда теряются.

Системы, основанные на знаниях, устойчивы к “помехам”. Эксперт пользуется

побочными знаниями и легко поддается влиянию внешних факторов, которые

непосредственно не связаны с решаемой задачей. ЭС, не обремененные знаниями

из других областей, по своей природе менее подвержены “шумам”. Со временем

системы, основанные на знаниях, могут рассматриваться пользователями как

разновидность тиражирования- новый способ записи и распространения знаний.

Подобно другим видам компьютерных программ они не могут заменить человека в

решении задач, а скорее напоминают орудия труда, которые дают ему

возможность решат задачи быстрее и эффективнее.

6. Эти системы не заменяют специалиста, а являются инструментом в его

руках.

1.8. История развития экспертных систем.

1.8.1. Основные линии развития ЭС.

Наиболее известные ЭС, разработанные в 60-70-х годах, стали в своих

областях уже классическими. По происхождению, предметным областям и по

преемственности применяемых идей, методов и инструментальных программных

средств их можно разделить на несколько семейств.

1. META-DENDRAL.Система DENDRAL позволяет определить наиболее вероятную

структуру химического соединения по экспериментальным данным (масс-

спектрографии, данным ядерном магнитного резонанса и др.).M-D

автоматизирует процесс приобретения знаний для DENDRAL. Она генерирует

правила построения фрагментов химических структур.

2. MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство медицинских ЭС и

сервисных программных средств для их построения.

3. PROSPECTOR-KAS. PROSPECTOR- предназначена для поиска (предсказания)

месторождений на основе геологических анализов. KAS- система приобретения

знаний для PROSPECTOR.

4. CASNET-EXPERT. Система CASNET- медицинская ЭС для диагностики выдачи

рекомендаций по лечению глазных заболеваний. На ее основе разработан язык

инженерии знаний EXPERT, с помощью которой создан ряд других медицинских

диагностических систем.

5. HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две системы этого ряда являются

развитием интеллектуальной системы распознавания слитной человеческой речи,

слова которой берутся из заданного словаря. Эти системы отличаются

оригинальной структурой, основанной на использовании доски объявлений-

глобальной базы данных, содержащей текущие результаты работы системы. В

дальнейшем на основе этих систем были созданы инструментальные системы

HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.

6. Системы AM (Artifical Mathematician- искусственный математик) и EURISCO

были разработаны в Станфордском университете доктором Д. Ленатом для

исследовательских и учебных целей. Ленат считает, что эффективность любой

ЭС определяется закладываемыми в нее знаниями. По его мнению, чтобы система

была способна к обучению, в нее должно быть введено около миллиона сведений

общего характера. Это примерно соответствует объему информации, каким

располагает четырехлетний ребенок со средними способностями. Ленат также

считает, что путь создания узкоспециализированных ЭС с уменьшенным объемом

знаний ведет к тупику.

В систему AM первоначально было заложено около 100 правил вывода и

более 200 эвристических алгоритмов обучения, позволяющих строить

произвольные математические теории и представления. Сначала результаты

работы системы были весьма многообещающими. Она могла сформулировать

понятия натурального ряда и простых чисел. Кроме того, она синтезировала

вариант гипотезы Гольдбаха о том, что каждое четное число, большее двух,

можно представить в виде суммы двух простых чисел. До сих пор не удалось ни

найти доказательства данной гипотезы, ни опровергнуть ее. Дальнейшее

развитие системы замедлилось и было отмечено, что несмотря на проявленные

на первых порах “математические способности”, система не может

синтезировать новых эвристических правил, т.е. ее возможности определяются

только теми эвристиками, что были в нее изначально заложены.

При разработке системы EURISCO была предпринята попытка преодолеть

указанные недостатки системы AM. Как и в начале эксплуатации AM, первые

результаты, полученные с помощью EURISCO, были эффективными. Сообщалось,

что система EURISCO может успешно участвовать в очень сложных играх. С ее

помощью в военно-стратегической игре, проводимой ВМФ США, была разработана

стратегия, содержащая ряд оригинальных тактических ходов. Согласно одному

из них, например предлагалось взрывать свои корабли, получившие

повреждения. При этом корабли, оставшиеся неповрежденными, получает

необходимое пространство для выполнения маневра.

Однако через некоторое время обнаружилось, что система не всегда

корректно переопределяет первоначально заложенные в нее правила. Так,

например, она стала нарушать строгое предписание обращаться к

программистам с вопросами только в определенное время суток. Т.о., система

EURISCO, так же как и ее предшественница, остановилась в своем развитии,

достигнув предела, определенного в конечном счете ее разработчиком.

С 1990 года доктор Ленат во главе исследовательской группы занят

кодированием и вводом нескольких сот тысяч элементов знаний, необходимых,

по его мнению, для создания “интеллекту-

альной” системы. Этот проект назван Cyc (“Цик”, от английского слова

enciklopaedia).

1.8.2. Проблемы, возникающие при созданииЭС. Перспективы разработки.

С 70-х годов ЭС стали ведущим направлением в области искусственного

интеллекта. При их разработке нашли применение методы ИИ, разработанные

ранее: методы представления знаний, логического вывода, эвристического

поиска, распознавания предложений на естественном языке и др. Можно

утверждать, что именно ЭС позволили получить очень большой коммерческий

эффект от примения таких мощных методов. В этом - их особая роль.

Каталог ЭС и инструментальных программных средств для их разработки,

опубликованный в США в 1987 году, содержит более 1000 систем (сейчас их уже

значительно больше). В развитых зарубежных странах сотни фирм занимаются их

разработкой и внедрением. Имеются и отечественные разработки ЭС, в том

числе - нашедший промышленное применение.

Однако уже на начальных этапах выявились серьезные принципиальные

трудности, препятствующие более широкому распространению ЭС и серьезно

замедляющие и осложняющие их разработку. Они вполне естественных и вытекают

из самих принципов разработки ЭС.

Первая трудность возникает в связи с постановкой задач. Большинство

заказчиков, планируя разработку ЭС, в следствие недостаточной

компетентности в вопросах применения методов ИИ, склонна значительно

преувеличивать ожидаемые возможности системы. Заказчик желает увидеть в ней

самостоятельно мыслящего эксперта в исследуемой области, способного решать

широкий круг задач. Отсюда и типичные первоначальные постановки задачи по

созданию ЭС: “Разработать ЭС по обработке изображения”; “Создать

медицинские ЭС по лечению заболеваний опорно-двигательного аппарата у

детей”. Однако, как уже отмечалось, мощность эвристических методов решения

задач при увеличении общности их постановки резко уменьшается. Поэтому

наиболее целесообразно (особенно при попытке создания ЭС в области, для

которой у разработчиков еще нет опыта создания подобных систем)

ограничиться для начала не слишком сложной обозримой задачей в

рассматриваемой области, для решения которой нет простого алгоритмического

способа (то есть неочевидно, как написать программу для решения этой

задачи, не используя методы обработки знаний). Кроме того, важно, чтобы уже

существовала сложившаяся методика решения этой задачи “вручную” или какими-

либо расчетными методами. Для успешной разработки ЭС необходимы не только

четкая и конкретная постановка задач, но и разработка подробного (хотя бы

словесного) описания “ручного” (или расчетного) метода ее решения. Если это

сделать затруднительно, дальнейшая работа по построению ЭС теряет смысл.

Вторая и основная трудность - проблема приобретения (усвоения) знаний.

Эта проблема возникает при “передаче” знаний, которыми обладают эксперты-

люди, ЭС. Разумеется для того, чтобы “обучить” им компьютерную систему,

прежде всего требуется сформулировать, систематизировать и формализовать

эти знания “на бумаге”. Это может показаться парадоксальным, но большинство

экспертов (за исключением, может быть, математиков), успешно используя в

повседневной деятельности свои обширные знания, испытывают большие

затруднения при попытке сформулировать и представить в системном виде хотя

бы основную часть этих знаний: иерархию используемых понятий, эвристики,

алгоритмы, связи между ними. Оказывается, что для подобной формализации

знаний необходим определенный систематический стиль мышления, более близкий

математикам и программистам, чем, например, юристам и медикам. Кроме того,

необходимы, с одной стороны, знания в области математической логики и

методов представления знаний, с другой - знания возможности ЭВМ, из

программного обеспечения, в частности, языков и систем программирования.

Таким образом, выясняется, что для разработки ЭС необходимо участие в

ней особого рода специалистов, обладающих указанной совокупностью знаний и

выполняющих функции “посредников” между экспертами в предметной области и

компьютерными (экспертными) системами. Они получили название инженеры

знаний (в оригинале - knowledge engineers), а сам процесс разработки ЭС и

других интеллектуальных программ, основанных на представлении и обработке

знаний - инженерией знаний (knowledge engineering). В развитых зарубежных

странах специальность “инженер знаний” введена во многих вузах, в нашей

стране основы инженерии знаний изучаются пока в рамках специализаций по

системному программированию. Функции эксперта и инженера знаний редко

совмещаются в одном лице. Чаще функции инженера знаний выполняет

разработчик ЭС. Как показал опыт многих разработок, для первоначального

приобретения знаний, в которых участвуют эксперты, инженеры знаний и

разработчики ЭС, требуется активная работа всех трех категорий

специалистов. Она может длиться от нескольких недель до нескольких месяцев.

На этапе приобретения знаний могут возникнуть трудности и

психологического порядка: эксперт может препятствовать передаче своих

знаний ЭС, полагая, что это снизит его престиж как специалиста и создаст

предпосылки для замены его “машиной”. Однако эти опасения лишены оснований:

ЭС “уверенно” работает лишь в типовых ситуациях, а также удобна в случаях,

когда человек находится в состоянии стресса, в наиболее сложных ситуациях,

требующих нестандартных рассуждений и оценок, эксперт- человек незаменим.

Третья серьезная трудность- в очень большой трудоемкости создания ЭС :

требуется разработать средства управления базой знаний, логического вывода,

диалогового взаимодействия с пользователем и т.д. Объем пограммирования

столь велик, а программы столь сложны и нетрадиционны, что имеет смысл, как

это принято сейчас при разработке больших программ, на первом этапе создать

демонстрационный прототип системы - предварительный вариант, в котором в

упрощенном виде реализованы лишь ее основные планируемые возможности и

которая будет служить для заказчика подтверждниением того, что разработка

ЭС для решения данной задачи принципиально возможна, а для разработчиков-

основой для последующего улучшения и развития системы.

Одной из причин неудач в создании ЭС стала недооценка авторами ЭС

объемов и роли неявных знаний. Системы, базы знаний которых создавались на

основе справочников, в лучшем случае так справочниками и остались.

Большинство же таких систем оказывались даже хуже справочников, так как

сковывали исследовательскую мысль пользователя. Вторым “узким местом” ЭС

оказалась модель, на которой были основаны их первые экземпляры, и лишь

Страницы: 1, 2, 3, 4, 5, 6