База знаний экспертной системы кратко

Обновлено: 08.07.2024

Базы знаний чаще всего используются в контексте экспертных систем, где с их помощью представляются навыки и опыт экспертов, занятых практической деятельностью в соответствующей области (например, в медицине или в математике). Обычно база знаний представляет собой совокупность правил вывода.

Экспертная система - это комплекс компьютерного программного обеспечения, помогающий человеку принимать обоснованные решения. Экспертные системы используют информацию, полученную заранее от экспертов - людей, которые в какой-либо области являются лучшими специалистами.

Экспертные системы должны:

    • хранить знания об определенной предметной области (факты, описания событий и закономерностей);
    • уметь общаться с пользователем на ограниченном естественном языке (т.е. задавать вопросы и понимать ответы);
    • обладать комплексом логических средств для выведения новых знаний, выявления закономерностей, обнаружения противоречий;
    • ставить задачу по запросу, уточнять её постановку и находить решение;
    • объяснять пользователю, каким образом получено решение.

    Желательно также, чтобы экспертная система могла:

    Экспертные системы могут использоваться в различных областях - медицинской диагностике, при поиске неисправностей, разведке полезных ископаемых, выборе архитектуры компьютерной cистемы и т.д.

    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.

    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.

    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

    image

    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 :
    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 , THEN
    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

    image


    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

    image

    Пример вырождающейся в сеть фреймов

    image


    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 = A2 = A3 = ; IF A1 AND A2 THEN
    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.


    Система является интеллектуальной, если она обладает знаниями и умеет использовать их для достижения сформулированной цели. Знания – это то, без чего нет интеллектуальной системы. Экспертные системы явились первыми действительно интеллектуальными системами и, в конечном счете, интеллектуальность определила их коммерческий успех.

    Эксперт – это человек, который благодаря обучению и опыту может делать то, что мы все, остальные люди делать не умеем; эксперты работают не просто профессионально, но быстро и эффективно. Они хорошо умеют распознавать в проблемах, с которыми сталкиваются, примеры тех типовых проблем, с которыми они уже знакомы. Очень важно подчеркнуть, что эксперт должен не только знать, но и уметь. Именно этим свойством отличаются базы данных от баз знаний – базы знаний активны.

    Очень значимым отличием экспертных систем от классических программ, работа которых основана на точных данных является то, что экспертные системы могут ошибаться. Причина ошибок лежит в том, что знания специалистов, как и знания, заложенные в экспертные системы, не точны. Важно, по крайней мере, чтобы экспертные системы ошибались не чаще, чем ошибается человек-эксперт.

    Т.о. можно сформулировать следующее определение экспертной системы. Экспертная система – это вычислительная система, в которую включены знания специалистов о некоторой узкой предметной области в форме базы знаний. Экспертные системы должны уметь принимать решения вместо специалиста в заданной предметной области.

    Характерными чертами экспертной системы являются:

    • четкая ограниченность предметной области;
    • способность принимать решения в условиях неопределенности;
    • способность объяснять ход и результат решения понятным для пользователя способом;
    • четкое разделение декларативных и процедурных знаний (фактов и механизмов вывода);
    • способность пополнять базу знаний, возможность наращивания системы;
    • результат выдается в виде конкретных рекомендаций для действий в сложившейся ситуации, не уступающих решениям лучших специалистов;
    • ориентация на решение неформализованных (способ формализации пока неизвестен) задач;
    • алгоритм решения не описывается заранее, а строится самой экспертной системой;
    • отсутствие гарантии нахождения оптимального решения с возможностью учиться на ошибках.

    Экспертные системы применяются для решения только трудных практических (не игрушечных) задач. По качеству и эффективности решения экспертные системы не уступают решениям эксперта-человека. Решения экспертных систем обладают прозрачностью, т.е. могут, быть объяснены пользователю на качественном уровне (в отличие от решений, полученных с помощью числовых алгоритмов, и в особенности от решений полученных статистическими методами). Это качество экспертных систем обеспечивается их способностью рассуждать о своих знаниях и умозаключениях. Экспертные системы способны пополнять свои знания в ходе взаимодействия с экспертом. Необходимо отметить, что в настоящее время технология экспертных систем используется для решения различных типов задач (интерпретация, предсказание, диагностика, планирование, конструирование, контроль, отладка, инструктаж, управление) в самых разнообразных проблемных областях, таких, как финансы, нефтяная и газовая промышленность, энергетика, транспорт, фармацевтическое производство, космос, металлургия, горное дело, химия, образование, целлюлозно-бумажная промышленность, телекоммуникации и связь и др.

    Свидетельство и скидка на обучение каждому участнику

    Зарегистрироваться 15–17 марта 2022 г.

    ЭКСПЕРТНЫЕ СИСТЕМЫ.

    План лекции:

    Назначения и основные свойства экспертных систем

    Состав и взаимодействие участников построения и эксплуатации экспертных систем

    Преимущества использования экспертных систем

    Особенности построения и организации экспертных систем

    Основные режимы работы экспертных систем

    Отличие экспертных систем от традиционных программ

    Технология разработки экспертных систем

    1. Назначения и основные свойства экспертных систем

    В начале 80-х годов в исследованиях по искусственному интеллекту сформировалось самостоятельное направление, получившее название "экспертные системы" (ЭС). Основным назначением ЭС является разработка программных средств, которые при решении задач, трудных для человека, получают результаты, не уступающие по качеству и эффективности решения, решениям, получаемым человеком-экспертом. ЭС используются для решения так называемых неформализованных задач, общим для которых является то, что:

    задачи не могут быть заданы в числовой форме;

    цели нельзя выразить в терминах точно определенной целевой функции;

    не существует алгоритмического решения задачи;

    если алгоритмическое решение есть, то его нельзя использовать из-за ограниченности ресурсов (время, память).

    Кроме того, неформализованные задачи обладают ошибочностью, неполнотой, неоднозначностью и противоречивостью как исходных данных, так и знаний о решаемой задаче.

    Экспертная система - это программное средство, использующее экспертные знания для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области.

    Основу ЭС составляет база знаний (БЗ) о предметной области, которая накапливается в процессе построения и эксплуатации ЭС Накопление и организация знаний - важнейшее свойство всех ЭС.

    Знания являются явными и доступными, что отличает ЭС от традиционных программ, и определяет их основные свойства, такие, как:

    1) Применение для решения проблем высококачественного опыта. Который представляет уровень мышления наиболее квалифицированных экспертов в данной области, что ведет к решениям творческим, точным и эффективным.

    2) Наличие прогностических возможностей, при которых ЭС выдает ответы не только для конкретной ситуации, но и показывает, как изменяются эти ответы в новых ситуациях, с возможностью подробного объяснения каким образом новая ситуация привела к изменениям.

    3) Обеспечение такого нового качества, как институциональная память, за счет входящей в состав ЭС базы знаний, которая разработана в ходе взаимодействий со специалистами организации, и представляет собой текущую политику этой группы людей. Этот набор знаний становится сводом квалифицированных мнений и постоянно обновляемым справочником наилучших стратегий и методов, используемых персоналом. Ведущие специалисты уходят, но их опыт остается.

    4) Возможность использования ЭС для обучения и тренировки руководящих работников, обеспечивая новых служащих обширным багажом опыта и стратегий, по которым можно изучать рекомендуемую политику и методы.

    2. Состав и взаимодействие участников построения и эксплуатации экспертных систем

    Познакомившись с тем, что такое экспертные системы и каковы их основные характеристики, попробуем теперь ответить на вопрос: "Кто участвует в построении и эксплуатации ЭС? ".

    К числу основных участников следует отнести саму экспертную систему, экспертов, инженеров знаний, средства построения ЭС и пользователей. Их основные роли и взаимоотношение приведены на рис.2.

    Экспертная система - это программное средство, использующее знания экспертов, для высокоэффективного решения задач в интересующей пользователя предметной области. Она называется системой, а не просто программой, так как содержит базу знаний, решатель проблемы и компоненту поддержки. Последняя из них помогает пользователю взаимодействовать с основной программой.

    Эксперт - это человек, способный ясно выражать свои мысли и пользующийся репутацией специалиста, умеющего находить правильные решения проблем в конкретной предметной области.

    Эксперт использует свои приемы и ухищрения, чтобы сделать поиск решения более эффективным, и ЭС моделирует все его стратегии.

    Инженер знаний - человек, как правило, имеющий познания в информатике и искусственном интеллекте и знающий, как надо строить ЭС.

    Инженер знаний опрашивает экспертов, организует знания, решает, каким образом они должны быть представлены в ЭС, и может помочь программисту в написании программ.

    Средство построения ЭС - это программное средство, используемое инженером знаний или программистом для построения ЭС.

    Этот инструмент отличается от обычных языков программирования тем, что обеспечивает удобные способы представления сложных высокоуровневых понятий.

    Пользователь - это человек, который использует уже построенную ЭС. Так, например, пользователем может быть юрист, использующий ее для квалификации конкретного случая; студент, которому ЭС помогает изучать информатику и т. д. Термин пользователь несколько неоднозначен. Обычно он обозначает конечного пользователя. Однако из рис.2 следует, что пользователем может быть:

    создатель инструмента, отлаживающий средство построения ЭС;

    инженер знаний, уточняющий существующие в ЭС знания,

    эксперт, добавляющий в систему новые знания,

    клерк, заносящий в систему текущую информацию.

    Важно различать инструмент, который используется для построения ЭС, и саму ЭС. Инструмент построения ЭС включает как язык, используемый для доступа к знаниям, содержащимся в системе, и их представления, так и поддерживающие средства - программы, которые помогают пользователям взаимодействовать с компонентой экспертной системы, решающей проблему.

    3. Преимущества использования экспертных систем

    Возникает вопрос: "Зачем разрабатывать экспертные системы? И не лучше ли обратиться к человеческому опыту, как это было в прошлом?". Отметим лишь основные преимущества, которые дает использование ЭС.

    Преимуществами и положительными качествами искусственной компетенции являются:

    1. Ее постоянство. Человеческая компетенция ослабевает со временем. Перерыв в деятельности человека-эксперта может серьезно отразиться на его профессиональных качествах.

    2. Легкость передачи или воспроизведения. 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. Эксперт-человек может принимать в тождественных ситуациях разные решения из-за эмоциональных факторов. Результаты ЭС - стабильны.

    4. Стоимость. Эксперты, особенно высококвалифицированные обходятся очень дорого. ЭС, наоборот, сравнительно недороги. Их разработка дорога, но они дешевы в эксплуатации.

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

    4. Особенности построения и организации экспертных систем

    Основой любой ЭС является совокупность знаний, структурированная в целях упрощения процесса принятия решения. Для специалистов в области искусственного интеллекта термин знания означает информацию, которая необходима программе, чтобы она вела себя "интеллектуально". Эта информация принимает форму фактов и правил. Факты и правила в ЭС не всегда либо истинны, либо ложные. Иногда существует некоторая степень неуверенности в достоверности факта или точности правила. Если это сомнение выражено явно, то оно называется "коэффициентом доверия".

    Коэффициент доверия - это число, которое означает вероятность или степень уверенности, с которой можно считать данный факт или правило достоверным или справедливым.

    Многие правила ЭС являются эвристиками, то есть эмпирическими правилами или упрощениями, которые эффективно ограничивают поиск решения. ЭС используют эвристики, так как задачи, которые она решает, трудны, не до конца понятны, не поддаются строгому математическому анализу или алгоритмическому решению. Алгоритмический метод гарантирует корректное или оптимальное решение задачи, тогда как эвристический метод дает приемлемое решение в большинстве случаев.

    Знания в ЭС организованы так, чтобы знания о предметной области отделить от других типов знаний системы, таких как общие или оптимальное решение задачи, тогда как эвристический метод дает приемлемое решение в большинстве случаев.

    Выделенные знания о предметной области называются базой знаний, тогда как общие знания о нахождении решений задач называются механизмом вывода.

    Программные средства, которые работают со знаниями, организованными таким образом, называются системами, основанными на знаниях

    БЗ содержит факты (данные) и правила (или другие представления знаний), использующие эти факты как основу для принятия решений.

    Механизм вывода содержит:

    интерпретатор, определяющий как применять правила для вывода новых знаний на основе информации, хранящейся в БЗ.

    Читайте также: