Назначение экспертных систем кратко

Обновлено: 30.06.2024

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

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

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 = 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.

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.

ГОСТ

Понятие экспертных систем

Экспертная система (ЭС) – компьютерная система, предназначенная для частичной замены специалиста-эксперта в разрешении проблемной ситуации.

ЭС разрабатывались с 1970-х гг. исследователями искусственного интеллекта. Прообраз ЭС был предложен в 1832 г. С.Н. Корсаковым, который создал механические устройства, называемые интеллектуальными машинами, которые позволяли находить решения по заданным условиям (например, позволяли определить нужные лекарства по симптомам заболевания).

В начале 1980-х гг. в рамках исследований по искусственному интеллекту было сформировано самостоятельное направление, которое и получило название экспертных систем. Основное назначение ЭС состоит в разработке программных средств, которые получают при решении задач результаты, не уступающие по качеству и эффективности решениям человека-эксперта. ЭС используют для решения задач, не поддающихся формализации, например в следующих случаях:

задачи невозможно задать в числовой форме;
цель нельзя выразить с помощью точно определенной целевой функции;
невозможно составить алгоритм решения задачи;
если алгоритм составить можно, то его использование невозможно из-за ограниченности ресурсов (времени, памяти).

Таким образом, экспертная система – это программное средство, которое использует знания экспертов для обеспечения высокоэффективного решения неформализованных задач в узкой предметной области.

В основе ЭС лежит база знаний (БЗ) о предметной области, которая способна накапливаться в процессе построения и эксплуатации ЭС. Важнейшим свойством всех экспертных систем является накопление и организация знаний.

Готовые работы на аналогичную тему

Структура экспертных систем

Пользователь;
Интерфейс пользователя;
Редактор базы знаний;
Инженер по знаниям;
Эксперт;
Оперативная память;
База знаний – содержит правила анализа информации от пользователя по конкретной проблеме. ЭС анализирует ситуацию и, в зависимости от своей направленности, выводит рекомендации по разрешению проблемы. База знаний экспертной системы включает факты (статические сведения о предметной области) и правила – набор инструкций, с помощью которых из уже существующих фактов можно получать новые факты.
Механизм логического вывода;
Подсистема объяснений.

Режимы функционирования

Существует 2 режима, в которых может работать экспертная система:

Режим ввода знаний – эксперт совместно с инженером по знаниям с помощью редактора базы знаний вводит данные о предметной области в базу знаний экспертной системы.
Режим консультации – пользователь в диалоговом режиме сообщает экспертной системе сведения о текущей задаче и получает рекомендации ЭС. Например, по введенным сведениям о физическом состоянии больного экспертная система сообщает о диагнозе в виде списка заболеваний, которые являются наиболее вероятными при данных симптомах.

Классификация экспертных систем

Статические ЭС решают задачи в условиях, когда исходные данные и знания не изменяются во времени.

Квазидинамические ЭС объясняют ситуацию, которая изменяется с течением времени (некоторое фиксированное значение интервала времени)

Динамические ЭС решают задачи в условиях, когда исходные данные и знания изменяются во времени.

Этапы разработки экспертной системы

Этап идентификации проблем – этап определения задач, подлежащих решению, выявления целей разработки, определение экспертов и типов пользователей.
Этап извлечения знаний – проведение содержательного анализа проблемной области, выявление используемых понятий и их взаимосвязей, определение методов решения задач.
Этап структурирования знаний – выбор ИС и определение способов представления всех видов знаний, формализация основных понятий, определение способов интерпретации знаний, моделирование работы системы, оценка адекватности целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.
Этап формализации – наиболее важный и трудоемкий этап разработки ЭС, на котором база знаний наполняется экспертом. Процесс приобретения знаний делится на получение знаний от эксперта, организацию знаний, которая обеспечивает эффективную работу системы, и представление знаний в понятном для ЭС виде.

Наиболее известные экспертные системы

CLIPS – достаточно популярная оболочка для построения экспертных систем.

OpenCyc – мощная динамическая экспертная система.

MYCIN – достаточно известная диагностическая система, предназначенная для диагностики и наблюдения за состоянием больного менингитом и бактериальными инфекциями.

HASP/SIAP – интерпретирующая система, определяющая местоположение и тип судна в Тихом океане по данным, полученным с акустических систем слежения.

Акинатор – интернет-игра, в которой игрок загадывает персонаж, а программа должна его отгадать, задавая вопросы.

IBM Watson – суперкомпьютер фирмы IBM, который может понимать вопросы на естественном языке и отвечать на них.

Читайте также: