Этапы разработки экспертных систем кратко

Обновлено: 02.07.2024

- Этап идентификации проблем — определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

- Этап извлечения знаний — проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

- Этап структурирования знаний — выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

- Этап формализации — осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

- Реализация ЭС — создается один или нескольких прототипов ЭС, решающие требуемые задачи.

- Этап тестирования — производится оценка выбранного способа представления знаний в ЭС в целом.

Этапы разработки экспертных систем. Этап I. Идентификация

В ходе работ по созданию экспертных систем сложилась определенная технология их разработки, включающая шесть следующих этапов: идентификация, концептуализация, формализация, реализация, тестирование, опытная эксплуатация и внедрение.

В данной статье рассматривается первый этап: идентификация.

На этапе идентификации определяются задачи, участники процесса разработки и их роли, ресурсы и цели. Определение участников и их ролей сводится к определению количества экспертов и инженеров по знаниям, а также формы их взаимоотношений. Обычно в основном цикле разработки экспертной системы участвуют не менее трех-четырех человек (один эксперт, один или два инженера по знаниям и один программист, привлекаемый для модификации и согласования инструментальных средств). К процессу разработки экспертной системы могут привлекаться и другие участники. Например, инженер по знаниям может привлекать других экспертов для того, чтобы убедиться в правильности своего понимания основного эксперта; представительности тестов, демонстрирующих особенности рассматриваемой задачи; совпадении взглядов различных экспертов на качество предлагаемых решений. Формы взаимоотношений экспертов и инженеров следующие: эксперт исполняет роль информирующего или эксперт выполняет роль учителя, а инженер - ученика. Вне зависимости от выбранной формы взаимоотношений инженер по знаниям должен быть готов и способен изучать специфические особенности той проблемной области, в рамках которой предстоит работать создаваемой экспертной системе. Несмотря на то, что основу знаний экспертной системы будут составлять знания эксперта, для достижения успеха инженер по знаниям должен использовать дополнительные источники знаний в виде книг, инструкций, которые ему рекомендовал эксперт.

Идентификация задачи заключается в составлении неформального (вербального) описания решаемой задачи. В этом описании указываются общие характеристики задачи; подзадачи, выделяемые внутри данной задачи; ключевые понятия (объекты), характеристики и отношения; входные (выходные) данные; предположительный вид решения; знания, релевантные решаемой задаче; примеры (тесты) решения задачи.

Цель этапа идентификации задачи состоит в том, чтобы характеризовать задачу и структуру поддерживающих ее знаний и приступить к работе по созданию базы знаний. Если исходная задача оказывается слишком сложной с учетом имеющихся ресурсов, то этап идентификации может потребовать нескольких итераций.

В ходе идентификации задачи необходимо ответить на следующие вопросы:

Какие задачи предлагается решать экспертной системе?

Как эти задачи могут быть охарактеризованы и определены?

На какие подзадачи разбивается каждая задача, какие данные они используют?

Какие ситуации препятствуют решению?

Как эти препятствия будут влиять на экспертную систему?

Ряд других вопросов.

В процессе идентификации задачи инженер и эксперт работают в тесном контакте. Начальное содержательное описание задачи экспертом влечет за собой вопросы инженера по знаниям с целью уточнения терминов и ключевых понятий. Эксперт уточняет описание задачи, объясняет, как решать эту задачу и какие рассуждения лежат в основе решения. После нескольких циклов, уточняющих описание, эксперт и инженер по знаниям получают окончательное неформальное описание задачи.

При разработке экспертной системы типичными ресурсами являются: источники знаний, время разработки, вычислительные средства (возможности ЭВМ и программного инструментария) и объем финансирования. Для достижения успеха эксперт и инженер должны использовать при построении экспертной системы все доступные им источники знаний. Для эксперта источниками знаний могут быть его предшествующий опыт по решению задачи, книги, конкретные примеры задач и использованных решений. Для инженера по знаниям источниками знаний могут быть опыт в решении аналогичных задач, методы решения и представления знаний, программный инструментарий.

При определении временных ресурсов необходимо иметь в виду, что сроки разработки и внедрения экспертной системы составляют (за редким исключением) не менее шести месяцев (при трудоемкости от двух до пяти человеко-лет). Задача определения ресурсов является весьма важной, поскольку ограниченность какого-либо ресурса существенно влияет на процесс проектирования. Так, например, при недостаточном финансировании предпочтение может быть отдано не разработке оригинальной новой системы, а адаптации существующей.

Задача идентификации целей заключается в формулировании в явном виде целей построения экспертной системы. При этом важно отличать цели, ради которых строится система, от задач, которые она должна решать. Примерами возможных целей являются: формализация неформальных знаний экспертов; улучшение качества решений, принимаемых экспертом; автоматизация рутинных аспектов работы эксперта (пользователя); тиражирование знаний эксперта.

Следует подчеркнуть, что в настоящее время при разработке экспертной системы (особенно динамических экспертных систем) применяется принцип кооперативного проектирования, заключающийся в участии конечных пользователей системы в процессе разработки. Пользователи обладают неформальным пониманием прикладных задач, которые должна решать разрабатываемая программная система. Хотя системные аналитики и программисты могут изучить этот класс прикладных задач, затраты на обучение (прежде всего время) будут высоки, а их компетентность все равно останется более низкой, чем у опытных пользователей. Поэтому включение конечных пользователей в группу разработчиков обычно более эффективно и позволяет более качественно анализировать автоматизируемые операции. Эти преимущества усиливаются по мере усложнения решаемой задачи.

Этапы разработки, структура, режимы функционирования и классификация экспертных систем. Способность компьютерной программы частично заменить специалиста. Отличие мастеров от ЭС, отсутствие базы знаний, жесткая запрограммированность всех действий.

Рубрика Программирование, компьютеры и кибернетика
Вид реферат
Язык русский
Дата добавления 09.12.2010
Размер файла 21,1 K

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

1. Экспертная система. Cтруктура, режимы функционирования, классификация экспертных систем

2. Этапы разработки экспертных систем

3. Экспертная система

4. Экспертная система CLIPS

5. Список используемой литературы

Экспертная система (ЭС, expert system) -- компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление.

В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний -- как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет программа-мастер (wizard). Мастера применяются как в системных программах, так и в прикладных для интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС -- отсутствие базы знаний; все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы -- поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель). Например, в Википедии аналогами статических визардов являются её структуры (типы данных, в терминологии ООП - классы и интерфейсы) - категории, списки, шаблоны, порталы, которые по названию объекта выдают пользователю все его имеющиеся для данной структуры Википедии аттрибуты.

1. Структура, режимы функционирования, классификация экспертных систем

экспертный система компьютерный специалист

Интерфейс пользователя (Интерфейс (от англ. interface -- поверхность раздела, перегородка) -- совокупность средств и методов взаимодействия между элементами системы.) состоит из

· Эксперт (Эксперт (от лат. expertus -- опытный) -- специалист, дающий заключение при рассмотрении какого-нибудь вопроса.)

· Рабочая (оперативная) память

· Решатель (механизм вывода)

База знаний состоит из правил анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от направленности ЭС, дает рекомендации по разрешению проблемы.

Как правило, база знаний ЭС содержит факты (статические сведения о предметной области) и правила - набор инструкций, применяя которые к известным фактам можно получать новые факты.

В рамках логической модели баз данных и базы знаний, записываются на языке Пролог с помощью языка предикатов для описания фактов и правил логического вывода, выражающих правила определения понятий, для описания обобщенных и конкретных сведений, а также конкретных и обобщенных запросов к базам данных и базам знаний.

Конкретные и обобщенные запросы к базам знаний на языке Пролог записываются с помощью языка предикатов, выражающих правила логического вывода и определения понятий над процедурами логического вывода, имеющихся в базе знаний, выражающих обобщенные и конкретные сведения и знания в выбранной предметной области деятельности и сфере знаний.

База знаний ЭС создается при помощи трех групп людей:

1. эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;

2. инженеры по знаниям, являющиеся специалистами по разработке ИИС;

3. программисты, осуществляющие реализацию ЭС.

Режимы функционирования Экспертных систем

ЭС может функционировать в 2-х режимах.

1. Режим ввода знаний -- в этом режиме эксперт с помощью инженера по знаниям посредством редактора базы знаний вводит известные ему сведения о предметной области в базу знаний ЭС.

2. Режим консультации -- пользователь ведет диалог с ЭС, сообщая ей сведения о текущей задаче и получая рекомендации ЭС. Например, на основе сведений о физическом состоянии больного ЭС ставит диагноз в виде перечня заболеваний, наиболее вероятных при данных симптомах.

Классификация Экспертных систем по решаемой задаче:

Классификация Экспертных систем по связи с реальным временем

2. Этапы разработки Экспертных систем

Этап идентификации проблем -- определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.

Этап извлечения знаний -- проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

Этап структурирования знаний -- выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

Этап формализации -- осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

Реализация ЭС -- создается один или нескольких прототипов ЭС, решающие требуемые задачи.

Этап тестирования -- производится оценка выбранного способа представления знаний в ЭС в целом.

Наиболее известные/распространённые ЭС

· CLIPS -- весьма популярная ЭС (public domain)

· OpenCyc -- мощная динамическая ЭС с глобальной онтологической моделью и поддержкой независимых контекстов

Экспертная система Cyc Cyc -- проект по созданию объёмной онтологической базы знаний, позволяющей программам решать сложные задачи из области искусственного интеллекта на основе логического вывода и привлечения здравого смысла.

Большая часть сегодняшней работы в проекте Cyc все ещё связана с инженерией знаний -- описание фактов об окружающем мире вручную и реализация эффективных механизмов логического вывода на основе этих знаний. Однако ведётся работа над тем, чтобы дать системе Cyc возможность самостоятельно общаться с пользователями на естественном языке, и над ускорением процесса пополнения базы с помощью машинного обучения.

3. Описание Базы Знаний, терминология

OpenCyc. Последняя версия OpenCyc, 1.0 была выпущена в июле 2006 года. OpenCyc 1.0 включает в себя полную онтологию Cyc содержащую сотни тысяч выражений, миллионы утверждений, связывающих термы между собой. База знаний содержит 470000 концепций и 306000 фактов и её можно просмотреть на сайте OpenCyc. Первая версия OpenCyc была выпущена в мае 2001 года и содержала только 6000 концепий и 60000 фактов. База знаний выпущена под лицензией Apache. Cycorp намерена выпускать OpenCyc под параллельными, менее жесткими лицензиями чтобы удовлетворить потребности своих пользователей. Интерпретатор CycL и SubL (программа, которая позволяет вам просматривать и изменять базу данных и делать выводы) выпущена бесплатно, но только в двоичном виде, без исходных текстов. Она работает как под GNU/Linux так и под Microsoft Windows.

ResearchCyc. В июле 2006 года Cycorp выпустила ResearchCyc 1.0, бесплатную (но с закрытыми исходниками) версию Cyc предназначенную для исследовательского сообщества. (ResearchCyc находился в бета версии в течение всего 2004 года, а выпущена в бета-тестирование она была в феврале 2005.) В дополнение к таксономической информации из OpenCyc, ResearchCyc включает значительно больше семантических знаний (то есть дополнительные факты) о концепциях в своей базе знаний, и включает большой лексикон, инструменты для грамматического разбора и генерации Английского языка, написанные на языке Java интерфейсы для редактирования знаний и создания запросов к базе.

Cycorp публично выразила своё намерение выпустить все термы и таксономические взаимосвязи, содержащиеся в ResearchCyc, как часть OpenCyc и это было сделано в версии 1.0. Одна из указанных целей -- создать полностью свободный и неограниченный семантический словарь для использования в Semantic Web. Таксономия OpenCyc доступна в формате Owl на сайте проекта

· Чрезмерная сложность системы -- без сомнения необходимая в силу энциклопедических амбиций -- и соответственно сложность добавления (вручную) данных в систему

· Проблемы масштабируемости from widesdivad reification, особенно как константы

· Неудовлетворительное использование концепции материи, и связанного с этим, различия между внутренними и внешними свойствами

· Отсутствие вменяемых измерений производительности или сравнений эффективности машины вывода Cyc

· Нынешняя неполнота системы как в ширину, так и глубину, и связанная с этим сложность в измерении её полноты

· Отсутствие не устаревшего онлайнового обучающего материала усложняет изучение системы для новичков

· Несмотря на своё название система OpenCyc не является полностью открытой: данные доступны для редактирования пользователям, но код недоступен для расширения разработчикам.[1]

Данные вопросы обсуждались в разных местах с момента запуска проекта. Даг Ленат и другие опубликовали множество аргументов в защиту своего проекта.

Экспертная система CLIPS CLIPS, (от англ. C Language Integrated Production System) -- программная экспертная система. Синтаксис и название предложены Чарльзом Форги (Charles Forgy) в OPS (Official Production System). Первые версии CLIPS разрабатывались с 1984 года в Космическом центре Джонсона (Johnson Space Center), NASA (как альтернатива существовавшей тогда системе ART*Inference), пока в начале 1990-х не было приостановлено финансирование, и NASA вынудили купить коммерческие продукты.

Вероятно, CLIPS является наиболее широко используемой экспертной системой благодаря своей скорости, эффективности и бесплатности. Несмотря на то, что теперь она является общественным достоянием, она до сих пор обновляется и поддерживается своим изначальным автором, Гэри Райли (Gary Riley).

CLIPS включает полноценный объектно-ориентированный язык COOL для написания экспертных систем. Хотя она написана на языке Си, её интерфейс намного ближе к языку программирования LISP. Расширения можно создавать на языке Си, кроме того, можно интегрировать CLIPS в программы на языке Си.

Как и другие экспертные системы, CLIPS имеет дело с правилами и фактами. Различные факты могут сделать правило применимым. Применимое правило затем допускается (assert). Факты и правила создаются предварительным объявлением, как показано в примере:

(car_problem (name ignition_key) (status on))

(car_problem (name engine) (status wont_start))

(car_problem (name headlights) (status work))

(car_problem (name ignition_key) (status on))

(car_problem (name engine) (status wont_start))

(assert (car_problem (name starter) (status faulty))

Потомками CLIPS являются языки программирования Jess (часть CLIPS, работающая с правилами и переписанная на Java, позже развившаяся в другом направлении), ECLiPSe, Haley Eclipse, FuzzyCLIPS (с добавлением концепции значимости relevancy в язык) и другие.

Существует учебник для колледжей, Expert Systems: Principles and Programming (ISBN 0-534-95053-1) и книга по Jess, Jess in Action: Rule Based Systems in Java (ISBN 1-930110-89-8). Кроме того CLIPS содержит обширную документация прямо в поставке.

Список используемой литературы

1. Гаврилова Т. А., Хорошевский В. Ф. Базы знаний интеллектуальных систем. Учебник. -- СПб: Питер, 2000.

2. Субботін С. О. Подання й обробка знань у системах штучного інтелекту та підтримки прийняття рішень: Навчальний посібник. -- Запоріжжя: ЗНТУ, 2008. -- 341 с.

Подобные документы

Экспертная система - компьютерная программа, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Структура, режимы функционирования, классификация экспертных систем, этапы разработки. Базы знаний интеллектуальных систем.

реферат [32,2 K], добавлен 04.10.2009

Структура экспертных систем, их классификация и характеристики. Выбор среды разработки программирования. Этапы создания экспертных систем. Алгоритм формирования базы знаний с прямой цепочкой рассуждений. Особенности интерфейса модулей "Expert" и "Klient".

курсовая работа [1,1 M], добавлен 18.08.2009

Определение экспертных систем, их достоинство и назначение. Классификация экспертных систем и их отличие от традиционных программ. Структура, этапы разработки и области применения. Классификация инструментальных средств и технология разработки систем.

курсовая работа [78,0 K], добавлен 03.06.2009

Рассмотрение экспертных систем: классификация, назначение, общие принципы построения и функционирования. Среда разработки данных систем: BorlandC++ Builder 6.0 и AMZI! Prolog. Описание процесса разработки экспертной системы "Выбор спортивного инвентаря".

курсовая работа [426,9 K], добавлен 19.08.2012

Понятия, классификация и структура экспертных систем. Базы знаний и модели представления знаний. Механизмы логического вывода. Инструментальные средства проектирования и разработки экспертных систем. Предметная область ЭС "Выбор мобильного телефона".

курсовая работа [2,2 M], добавлен 05.11.2014

Этапы разработки экспертных систем. Требования к организации-разработчику. Правильный выбор подходящей проблемы, работа с экспертом. Разработка прототипной системы. Развитие прототипа до промышленной экспертной системы. Особенности оценки системы.

презентация [169,1 K], добавлен 14.08.2013

Механизм автоматического рассуждения. Основные требования к экспертным системам. Наделение системы способностями эксперта. Типовая структура и классификация интерфейсов пользователей экспертных систем. Основные термины в области разработки систем.

оправдана и методы инженерии знаний соответствуют решаемой задаче.

Чтобы разработка ЭС была возможной для данного приложения, необходимо

одновременное выполнение по крайней мере следующих требований:

− существуют эксперты в данной области, которые решают задачу

значительно лучше, чем начинающие специалисты;

− эксперты сходятся в оценке предлагаемого решения, иначе нельзя

будет оценить качество разработанной ЭС;

− эксперты способны вербализовать (выразить на естественном языке)

и объяснить используемые ими методы, в противном случае трудно рассчи-

тывать на то, что знания экспертов будут "извлечены" и вложены в ЭС;

− решение задачи требует только рассуждений, а не действий;

− задача не должна быть слишком трудной (т.е. ее решение должно

занимать у эксперта несколько часов или дней, а не недель);

− задача хотя и не должна быть выражена в формальном виде, но все

же должна относиться к достаточно "понятной" и структурированной облас-

ти, т.е. должны быть выделены основные понятия, отношения и известные

(хотя бы эксперту) способы получения решения задачи;

− решение задачи не должно в значительной степени использовать

"здравый смысл" (т.е. широкий спектр общих сведений о мире и о способе

его функционирования, которые знает и умеет использовать любой нормаль-

ный человек), так как подобные знания пока не удается (в достаточном коли-

честве) вложить в системы искусственного интеллекта.

Использование ЭС в данном приложении может быть возможно, но не

оправдано. Применение ЭС может быть оправдано одним из следующих

− решение задачи принесет значительный эффект, например экономический;

− использование человека-эксперта невозможно либо из-за недостаточного количества экспертов, либо из-за необходимости выполнять экспертизу одновременно в различных местах;

− использование ЭС целесообразно в тех случаях, когда при передаче

информации эксперту происходит недопустимая потеря времени или инфор-

− использование ЭС целесообразно при необходимости решать задачу

в окружении, враждебном для человека.

Приложение соответствует методам ЭС, если решаемая задача обладает совокупностью следующих характеристик:

− задача может быть естественным образом решена посредством манипуляции с символами (т.е. с помощью символических рассуждений), ане

манипуляций с числами, как принято в математических методах и в традиционном программировании;

− задача должна иметь эвристическую, а не алгоритмическую природу, т.е. ее решение должно требовать применения эвристических правил. Задачи, которые могут быть гарантированно решены (с соблюдением u1079 заданных

ограничений) с помощью некоторых формальных процедур, не подходят для применения ЭС;

− задача должна быть достаточно сложна, чтобы оправдать затраты на

разработку ЭС. Однако она не должна быть чрезмерно сложной (решение занимает у эксперта часы, а не недели), чтобы ЭС могла ее решать;

− задача должна быть достаточно узкой, чтобы решаться методами

ЭС, и практически значимой.

При разработке ЭС, как правило, используется концепция "быстрого

прототипа". Суть этой концепции состоит в том, что разработчики не пытаются сразу построить конечный продукт. На начальном этапе они создаютпрототип (прототипы) ЭС. Прототипы должны удовлетворять двум противоречивым требованиям: с одной стороны, они должны решать типичные задачи конкретного приложения, а с другой - время и трудоемкость их разработки должны быть весьма незначительны, чтобы можно было максимально запараллелить процесс накопления и отладки знаний (осуществляемый экспертом) с процессом выбора (разработки) программных средств (осуществляемым инженером по знаниям и программистом). Для удовлетворения указан-ным требованиям, как правило, при создании прототипа используются разнообразные средства, ускоряющие процесс проектирования.

Прототип должен продемонстрировать пригодность методов инженерии знаний для данного приложения. В случае успеха эксперт с помощью инженера по знаниям расширяет знания прототипа о проблемной области.

При неудаче может потребоваться разработка нового прототипа или разработчики могут прийти к выводу о непригодности методов ЭС для данного приложения. По мере увеличения знаний прототип может достигнуть такого состояния, когда он успешно решает все задачи данного приложения. Преобразование прототипа ЭС в конечный продукт обычно приводит к перепрограммированию ЭС на языках низкого уровня, обеспечивающих как увеличение быстродействия ЭС, так и уменьшение требуемой памяти. Трудоемкость и время u1089 создания ЭС в значительной степени зависят от типа используемого инструментария.

В ходе работ по созданию ЭС сложилась определенная технология их разработки, включающая шесть следующих этапов (рис.5): идентификацию, концептуализацию, формализацию, выполнение, тестирование, опытную эксплуатацию. На этапе идентификации определяются задачи, которые подлежат решению, выявляются цели разработки, определяются эксперты и типы пользователей.





Рис. 5. Технология разработки ЭС

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач.

На этапе формализации выбираются ИС и определяются способы представления всех видов знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и наиболее трудоемким этапом разработки ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организацию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС. Процесс приобретения знаний осуществляется инженером по знаниям на основе анализа деятельности эксперта по решению реальных задач.

Одна из новых сфер применения экспертных систем – задачи управления сложными техническими объектами и процессами. Заметим, что традиционный подход к проектированию систем автоматического управления (САУ) сводится к выбору таких алгоритмов управления объектом (часто в рамках некоторых стандартных, например, ПИ (ПИД) - законов управления), которые обеспечили бы заданные требования к качеству установившихся и переходных режимов работы в условиях действия возмущений. Математическая модель объекта (процесса) при этом считается известной, что позволяет использовать на стадии синтеза алгоритмов управления (регулятора) хорошо разработанные методы оптимизации. Требования к качеству процессов управления задаются или в виде желаемых значений показателей качества САУ (порядок астатизма, время регулирования, перерегулирование и др.) или же в виде некоторых функционалов качества, подлежащих оптимизации.

Очевидно, что применение экспертных систем, аккумулирующих знания и опыт экспертов-специалистов в данной предметной области, позволяет существенно повысить качество проектируемых систем управления. Возможны два варианта использования экспертных систем:

1) в качестве "советчика" на этапе проектирования САУ (режим off-line), предлагающего к рассмотрению большое число вариантов (альтернатив) построения регулятора и поясняющего преимущества или недостатки тех или иных решений;

2) включив ее непосредственно в контур управления объектом (процессом) и используя в режиме реального времени (on-line) в качестве "экспертного регулятора" (или "экспертно-управленческой" системы), заменяя, таким образом, традиционные цифровые регуляторы или дополняя их.

Если в первом из этих случаев проблема построения экспертной системы сводится к проблеме "инженерии знаний" (knowledge engineering), т.е. накопления, обобщения знаний экспертов и представления их в наиболее наглядной и удобной для пользователя форме, то цели и функции экспертной системы во втором случае уже совершенно иные.

На "экспертный регулятор" здесь возлагается задача оценки текущего состояния системы на основе информации, поступающей от датчиков, и выбора наиболее подходящей в данный момент стратегии управления, так же, как это делал бы опытный человек-оператор, хорошо представляющий себе особенности управления данным конкретным объектом или процессом. Системы управления 2-го типа, построенные на основе экспертных регуляторов, имитирующих действия человека-оператора в условиях неопределенности характеристик объекта и внешней среды, называются интеллектуальными системами управления (intelligent control systems).

Согласно другому аналогичному определению, интеллектуальной системой управления (ИСУ) является такая, которая обладает способностью понимать, рассуждать и изучать процессы, возмущения и условия функционирования. К изучаемым факторам при этом относятся, главным образом, характеристики процесса (статическое и динамическое поведение, характеристики возмущений, практика эксплуатации оборудования). Желательно, чтобы система сама накапливала эти знания, целенаправленно используя их для улучшения своих качественных характеристик.

Чтобы лучше понять принципы функционирования этих систем, рассмотрим возможную структуру ИСУ (рис. 6), предназначенной для управления гибкой производственной системой (ГПС) .

Гибкая производственная система (flexible manufacturing system) – это такой тип системы, которая объединяет совместно функционирующую в едином производственном процессе группу станков (или рабочих станций), управляемых с помощью ЭВМ и легко переналаживаемых под выпуск широкой номенклатуры изделий. Управление ГПС имеет свои особенности – частая смена заказов на выпуск продукции, большой объем перерабатываемой информации, динамически изменяющаяся внешняя среда.

Интеллектуальная система управления (рис.1.3) обеспечивает принятие рациональных, обоснованных решений по управлению ГПС на этапах планирования, выпуска конечной продукции и контроля за ходом производства.


Рис.6. Структура интеллектуальной системы управления ГПС

В функции системы управления при этом входят: сохранение нужного состава деталей в системе; выбор последовательности операций по их управлению; распределение работ по станкам; размещение деталей в накопителях в процессе обработки; выбор транспортных средств для перевозки материалов; управление их движением и т.д.

Указанные задачи решаются в режиме прямого цифрового управления (on-line) с помощью специализированной ЭВМ, на которую возлагаются также функции по сбору информации о планируемых заказах, фактическом их исполнении, эффективности функционирования ГПС и по управлению вводом и выводом данных.

Экспертная система играет важную роль в процессе принятия решений, выполняя функции "интеллектуальной" обратной связи. В качестве основных модулей (компонент) в состав экспертной системы входят:

- модуль прогнозирования входных воздействий (МПВ), отвечающих за выполнение прогнозов тех внешних переменных, которые определяют требованиями производства и оказывают непосредственное влияние на график прохождения деталей, использование оборудования и т.д.;

- модуль анализа состояния системы (MAC), обеспечивающий моделирование поведения ГПС на основе входов, предсказанных МПВ, начального состояния системы и фиксированных параметров стратегии (т.е. способа) управления ГПС;

- модуль назначения стратегии (МНС), отвечающий за выбор наиболее пригодных для данной конкретной ситуации альтернатив из имеющегося множества стратегий управления:

- модуль выбора параметров стратегии (МПС), предназначенный для выбора конкретных значений параметров (числовых показателей), определяющих ту или иную стратегию управления.

Взаимодействие перечисленных выше компонент в составе ИСУ показано на рис. 7. В процессе работы данной системы используются как; формализованные, математические, методы (временного сглаживания, статистического прогнозирования, распознавания образов, поисковые методы оптимизации и др.), так и специфические, качественные, знания (know-how), полученные путем обработки мнений экспертов и накопленные в базе знаний. Последние включают в себя результаты, касающиеся реакций производственной системы на отдельные комбинации входных воздействий. Для определения частной стратегии управления применяется механизм логического вывода, т.е. набор определенных правил принятия решений с использованием накопленной информации о функционировании ГПС.


Рис.7. Взаимодействие компонент ИСУ

Данная интеллектуальная система управления быстро реагирует на изменения условий производства (очередности и размеров заказанных партий деталей, количества исправных станков, износа инструмента и т.п.), адаптируясь к указанным возмущениям, изменяя логику своей работы и сокращая в конечном итоге суммарное время изготовления деталей и запасы незавершенного производства.

2. Гаврилова Т.А., Хорошевский В.Ф.Базы знаний интеллектуальных систем – СПб.: Питер, 2000. – 384 с.

4. Искусственный интеллект. В 3 кн. / Под ред. Д.А. Поспе­лова. — М.: Радио и связь, 1990.-304 с.

5. Искусственный интеллект. В 3-х кн. Кн. 1. Системы общения и экспертные системы: Справочник / Под ред. Э. В. Попова. – М.: Радио и связь, 1990. – 464 с.

6. Пупков К.А., Коньков В.Г. Интеллектуальные системы. – М.: Изд – во МГТУ им. Н.Э. Баумана, 2003.

7. Статические и динамические экспертные системы: Учебное пособие / Э.В. Попов, И.Б. Фоминых, Е.Б. Кисель, М.Д. Шапот. – М.: Финансы и статистика, 1996. – 320 с.

б) Дополнительная:

1.. Барский А. Б. Нейронные сети: распознавание, управление, принятие решений. – М.: Финансы и статистика, 2007. – 175 с.

2. Гаврилов А. В. Системы искусственного интеллекта: уч.пособие. – Новосибирск: Изд-во НГТУ, 2002. – 77 с.

3. Ерёмин Д. М., Гарцев И. Б. Искусственные нейронные сети в интеллектуальных системах управления: учебн. пособие. – М.: Изд-во МИРЭА, 2004. – 75 с.

6. Капля В. И., Капля Е. В., Коробцова Е. В. Системы искусственного интеллекта: учебное пособие по дисциплине "Системы искусственного интеллекта" / ВолгГТУ, Волгоград, 2006. - 80 c.

7. Луценко Е. В.Интеллектуальные информационные системы: Учебное пособие .Изд-е 2-е испр. и доп. – Краснодар: КубГАУ. 2006. – 645 с.

8. Экспертные системы: Инструментальные средства разработки: учебн. пособие. Под ред. Ю. В. Юдина. – СПб.: Политехника, 1996. – 220 с.

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.


Рис.1. Базовая структура экспертной системы

Базовые функции экспертных систем
1. Приобретение знаний
"Приобретение знаний - это передача потенциального опыта решения проблемы от некоторого источника знаний и преобразование его в вид, который позволяет использовать эти знания в программе".
2. Представление знаний
Представление знаний — еще одна функция экспертной системы. Теория представления знаний — это отдельная область исследований, тесно связанная с философией формализма и когнитивной психологией. Предмет исследования в этой области — методы ассоциативного хранения информации, подобные тем, которые существуют в мозгу человека. При этом основное внимание, естественно, уделяется логической, а не биологической стороне процесса, опуская подробности физических преобразований.
3. Управление процессом поиска решения
При проектировании экспертной системы серьезное внимание должно быть уделено и тому, как осуществляется доступ к знаниям и как они используются при поиске решения. Знание о том, какие знания нужны в той или иной конкретной ситуации, и умение ими распорядиться — важная часть процесса функционирования экспертной системы. Такие знания получили наименование метазнаний — т.е. знаний о знаниях. Решение нетривиальных проблем требует и определенного уровня планирования и управления при выборе, какой вопрос нужно задать, какой тест выполнить, и т.д.
4. Разъяснение принятого решения
Вопрос о том, как помочь пользователю понять структуру и функции некоторого сложного компонента программы, связан со сравнительно новой областью взаимодействия человека и машины, которая появилась на пересечении таких областей, как искусственный интеллект, промышленная технология, физиология и эргономика. На сегодня вклад в эту область исследователей, занимающихся экспертными системами, состоит в разработке методов представления информации о поведении программы в процессе формирования цепочки логических заключений при поиске решения.

Отличительные особенности ЭС
1. Экспертиза может проводиться только в одной конкретной области.
2. Создание новой БЗ для ЭС должно обеспечивать выполнение требований машины логического вывода.
3. ЭС объясняет ход решения задачи (цепочку рассуждений) понятным пользователю способом (можно спросить как и почему получилось такое решение и получить понятный ответ).
4. Выходные результаты являются качественными (например, совет), а не количественными (цифровыми).
5. Системы строятся по модульному принципу, что позволяет наращивать их базы знаний.
6. Наиболее подходящая область применения - решение задач дедуктивным методом (лат. deductio - выведение), позволяющим по определенным правилам логики делать выводы из некоторых утверждений и комбинаций.

· генерация и проверка гипотез;

· логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным усло­виям изменяющихся ситуаций);

· использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.

4) Мулътиагентные системы — это динамические ЭС, основан­ные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми резуль­татами в ходе решения задач. Системы данного класса имеют сле­дующие возможности:

· реализация альтернативных рассуждений на основе исполь­зования различных источников знаний и механизма устранения противоречий;

· распределенное решение проблем, декомпозируемых на па­раллельно решаемые подзадачи с самостоятельными источника­ми знаний;

· применение различных стратегий вывода заключений в за­висимости от типа решаемой проблемы;

· обработка больших массивов информации из баз данных;

· использование математических моделей и внешних процедур для имитации развития ситуаций.

2) Синтезирующие . В системах решение синтезируется из отдельных фрагментов знаний.
7. По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимаются их неполнота, ненадежность, нечеткость.

Этапы разработки экспертных систем
В коллектив разработчиков ЭС входят как минимум четыре человека:

  • эксперт;
  • инженер по знаниям;
  • программист;
  • пользователь.

Возглавляет коллектив инженер по знаниям, это ключевая фигура при разработке систем, основанных на знаниях.
Экспертная система может полностью взять на себя функции, выполнение которых обычно требует опыта человека эксперта или играть роль ассистента для человека принимающего решение.

Процесс разработки ЭС можно разделить на следующие этапы:
1. Выбор проблемы.
2. Разработка прототипа ЭС.
3. Доработка до промышленной ЭС.
4. Оценка ЭС.
5. Стыковка ЭС.
6. Поддержка ЭС.

  • критерии пользователя (понятность работы системы, удобство интерфейсов и т.д.);
  • критерии приглашенных экспертов (оценка советов-решений, предлагаемые системой, оценка подсистемы объяснений и т.д.);
  • критерии коллектива разработчиков (эффективность реализации, производительность, непротиворечивость базы знаний, количество тупиковых ситуаций и т.д.).

5. На этапе стыковки системы осуществляется соединение ЭС с другими программными средствами в среде, в которой она будет работать, и обучение людей, которых она будет обслуживать. Для подтверждения полезности системы важно предоставить каждому из пользователей возможность поставить перед ЭС реальные задачи и проследить, как она их выполняет. Стыковка включает обеспечение связи ЭС с существующими базами данных и другими системами на предприятии.
6. Поддержка системы . Готовые системы для повышения ее быстродействия и увеличения переносимости можно перекодировать на другой язык (например, С), но при этом уменьшится ее гибкость. Это можно производить с системами, которые разработаны для проблемных областей, где знания не изменяются. Если же проблемная область, для которой создана система, изменяется, то ее необходимо поддерживать в той инструментальной среде, где она создавалась.

Читайте также: