Представление знаний в экспертных системах реферат

Обновлено: 08.07.2024

Представление знаний в экспертной системе о проблемной среде необходимо реализовывать таким образом, чтобы экспертная система могла управлять процессом поиска решения, была способна приобретать новые знания и объяснять свои действия. Она должна уметь работать не только со знаниями, но и над знаниями т.е. обладать способностью понимать и исследовать их. Таким образом, экспертная система должна иметь знания о том, как представлены ее знания о проблемной сфере.

Содержание

Уровни представления

Если знания о проблемной среде назвать знаниями нулевого уровня представления, то первый уровень представления содержит метазнания, т.е. знания о том, как представлены во внутреннем мире системы знания нулевого уровня. Первый уровень содержит знания о тех средствах, которые используются для представления знаний на нулевом уровне. Знания первого уровня имеют важное назначение в управлении процессом решения, в приобретении новых знаний и объяснении действий системы. Знания первого уровня не зависят от проблемной среды по той причине, что они не содержат ссылок на знания нулевого уровня. Число уровней представления может быть и больше двух. Второй уровень представления в этом случае будет содержать сведения о знаниях первого уровня, т.е. знания о представлении базовых понятий первого уровня. Разделение знаний по уровням представления обеспечивает расширение области применимости системы.

Уровни детальности

Введение уровней детальности позволяет рассматривать знания с различной степенью подробности. Количество уровней детальности во многом зависит от специфики решаемых задач, объема знаний и способа их представления. Обычно, создают не менее трех уровней детальности, которыми определяются соответственно общая, логическая и физическая организации знаний. Выделение нескольких уровней детальности придает дополнительную степень гибкости системы, так как позволяет производить изменения на одном уровне, не затрагивая другие. Изменения на одном уровне детальности могут приводить к дополнительным изменениям на этом же уровне, что порой необходимо для обеспечения согласованности структур данных и программ. Однако наличие различных уровней препятствует распространению изменений с одного уровня на другие.

Организация знаний в рабочей системе

Рабочая память экспертных систем представляет из себя базу данных (см. Экспертные системы (архитектура)). Данные в рабочей памяти могут представляться однородными или разделяться на уровни по своим типам. Во втором случае на каждом уровне рабочей памяти хранятся данные соответствующего типа. Разделение на уровни усложняет структуру экспертной системы, но сообщает ей большую эффективность. Например, можно выделить уровень планов, уровень упорядоченного списка правил, готовых к выполнению и уровень решений. В современных экспертных системах данные в рабочей памяти (РП) могут быть изолированными или связанными. В первом случае рабочая память состоит из множества простых элементов, во втором - из одного или нескольких сложных элементов. При этом сложный элемент соответствует множеству объединенных простых. Теоретически оба подхода обеспечивают полноту, но использование изолированных элементов в сложных предметных областях приводит к потере эффективности. Данные в РП в простейшем могут быть константными, переменными или смешанными. При этом переменные могут рассматриваться как характеристики некоего объекта, а константы – как значения соответствующих характеристик. Если в РП требуется анализировать одновременно несколько различных объектов, описывающих сложившуюся проблемную ситуацию, то необходимо указывать, к каким объектам относятся рассматриваемые характеристики. Одним из способов решения этой задачи является явное указание того, к какому объекту относится характеристика.

Если рабочая память состоит из сложных элементов, то связь между отдельными объектами указывается явно, например заданием семантических отношений. При этом каждый объект может иметь свою внутреннюю структуру. Для ускорения поиска и сопоставления данные в РП могут быть связаны не только логически, но и ассоциативно.

Организация знаний в базе данных

Критерием интеллектуальности системы с точки зрения представления знаний считается умение системы использовать в нужный момент необходимые (релевантные) знания. Системы, не имеющие средств анализа релевантных знаний, неизбежно сталкиваются с проблемой, называемой "комбинаторным взрывом". Эта проблема является одной из основных причин, ограничивающих сферу применения экспертных систем. В проблеме доступа к знаниям можно выделить три аспекта: связность (или агрегация) знаний и данных, механизм доступа к знаниям и способ сопоставления.

Связность знаний

Связанность знаний является основным способом, обеспечивающим повышение скорости поиска релевантных данных. Распространено мнение, что знания следует организовывать вокруг наиболее важных объектов предметной области. Все знания, характеризующие некоторую сущность, связываются и представляются в виде отдельного объекта. При подобной организации знаний, если системе необходима информация о некоторой сущности, то она ищет объект, описывающий эту сущность, а затем уже внутри объекта находит информацию о данной сущности. В объектах выделяют два типа связок между элементами: внешние и внутренние. Внутренние связки организуют элементы в единый объект и выражают структуру объекта. Внешние связки указывают на взаимосвязи, между объектами в области экспертизы. Существует деление внешних связок на логические и ассоциативные. Логические отражают семантические отношения между элементами знаний. Ассоциативные связки обеспечивают взаимосвязи, способствующие повышению скорости процесса поиска релевантных знаний.

Проблема поиска знаний

Основной проблемой при работе с большой базой знаний является проблема поиска знаний, относящихся к решаемой задаче. В связи с тем, что в обрабатываемых данных может не содержаться явных ссылок на значения, требуемые для их обработки, необходим некий более общий механизм поиска, чем метод прямого доступа (метод явных ссылок). Этот способ предназначен для того, чтобы по некоторому описанию показателя, имеющемуся в рабочей памяти, найти уже в базе знаний объекты, удовлетворяющие этому описанию. Таким образом, упорядочение и структурирование знаний могут значительно ускорить процесс поиска. Поиск данных можно рассмотреть как процесс, состоящий из двух этапов. Первый этап соответствует процессу выбора по ассоциативным связкам. Здесь происходит предварительный выбор потенциальных кандидатов на роль желаемых объектов в базе знаний. На втором этапе путем выполнения операции сопоставления потенциальных кандидатов с описаниями кандидатов осуществляется окончательный выбор искомых объектов Операция сопоставления также может быть использована для классификации, подтверждения, декомпозиции и коррекции. Для идентификации неизвестного объекта его можно сопоставить с некоторыми известными образцами. Это позволит классифицировать неизвестный объект как такой известный образец, при сопоставлении с которым были получены лучшие результаты. Сопоставление используется для подтверждения некоторых кандидатов из множества возможных. Если сопоставить некоторый известный объект с неизвестным описанием, то в случае успешного сопоставления будет произведена частичная декомпозиция описания.

Методы поиска решений

Методы решения задач, основанные на сведении этих задач к поиску, зависят от особенностей предметной области, в которой решается задача и от требований, предъявляемых к решению. Особенности проблемной области определяются следующими параметрами:

объем пространства поиска решения
изменяемость области во времени и пространстве
полнота модели, описывающей область. Если модель не полна, то для описания области используются несколько моделей, дополняющих друг друга.
определенность данных о решаемой задаче

Требования пользователя к результату задачи, решаемой с помощью поиска, можно определить количеством решений и свойствами результата и (или) способом его получения. Так, задача может иметь одно решение, несколько решений, все решения. Свойствами решения задают ограничения, которым должен удовлетворять полученный результат или способ его получения. Например, для системы, выдающей рекомендации ремонту машин, пользователь может указать требование не использовать детали некоторых производителей ценовой категории или свойств металлов. Параметр "свойства" может определять и такие особенности, как время, отведенное для решения, объем памяти, занимаемой для получения результата, указание об обязательности использования каких-либо знаний и т.п.

Сложность задачи, определяемой такими параметрами, варьируется от простых задач малой размерности с неизменяемыми определенными данными и отсутствием ограничений на результат со способом его получения до сложных задач большой размерности с изменяемыми, ошибочными и неполными данными и произвольными ограничениями на результат и способ его получения. Каким-либо одним методом нельзя решить все задачи. Обычно одни методы превосходят другие только по некоторым из перечисленных параметров.

Существующие методы решения задач, используемые в экспертных системах, можно классифицировать следующим образом:

методы поиска в одном пространстве (область небольшой размерности, полнота модели, точные и полные данные)
методы поиска в иерархических пространствах (областях большой размерности)
методы поиска при неточных и неполных данных
методы поиска, использующие несколько моделей

Эти методы при необходимости должны объединяться для того, чтобы позволить решать задачи, сложность которых возрастает одновременно по нескольким параметрам.

Анализ системы искусственного интеллекта. Описание моделей представления знаний как одного из важнейших направлений исследований в области искусственного интеллекта. Продукционная, фреймовая и логическая модели, семантические сети; экспертные системы.

Рубрика	Программирование, компьютеры и кибернетика
Вид	реферат
Язык	русский
Дата добавления	04.05.2014
Размер файла	30,9 K

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

Федеральное агентство по образованию

Государственное образовательное учреждение высшего профессионального образования

"Ижевский государственный технический университет"

имени М.Т. Калашникова

Модели знаний. Экспертные системы

Введение 1. Модели представления знаний

1.1 Продукционная модель знаний

1.2 Семантические сети

1.3 Фреймовая модель знаний

1.4 Логическая модель знаний

2. Экспертные системы

Заключение Список использованных источников

Введение

Исследование и создание машин, имитирующих интеллектуальное мышление человека, назовем искусственным интеллектом. Наиболее значительными работами в области искусственного интеллекта являются разработки мощных компьютерных систем или экспертных систем, т.е. систем основанных на знаниях.

Системой искусственного интеллекта называется система, созданная на базе ЭВМ, которая воспроизводит человеческие решения сложных интеллектуальных задач.

Задачи систем искусственного интеллекта охватывают самые разные предметные области, среди которых лидируют бизнес, производство, медицина, проектирование и системы управления.

1. Модели представления знаний

Модели представления знаний - это одно из важнейших направлений исследований в области искусственного интеллекта.

На сегодняшний день разработано уже достаточное количество моделей. Каждая из них обладает своими плюсами и минусами, и поэтому для каждой конкретной задачи необходимо выбрать именно свою модель. От этого будет зависеть не столько эффективность выполнения поставленной задачи, сколько возможность ее решения вообще.

Модели представления знаний относятся к действительному направлению исследований в области искусственного интеллекта. Это направление основано на предположении о том, что мыслительная деятельность человека - "черный ящик". При таком подходе не ставится вопрос об адекватности используемых в компьютере моделей представления знаний тем моделям, которыми пользуется в аналогичных ситуациях человек, а рассматривается лишь конечный результат решения конкретных задач.

Наиболее часто используются следующие модели знаний:

1) продукционная модель;

2) семантические сети;

3) фреймовая модель;

4) логическая модель.

1.1 Продукционная модель знаний

искусственный интеллект знание семантический

Продукционная модель представления знаний наиболее распространена в приложениях.

Продукционная модель - это модель, основанная на правилах, позволяющая представить знание в виде предложений типа: если то .

В качестве условия может выступать любая совокупность суждений, соединенных логическими связками и, или.

Пример. Продукцией будет следующее правило: если (курс доллара - растет) (сезон-осень) (число продавцов - убывает) то (прогноз цен на рынке жилья - рост рублевых цен на квартиры).

Любое правило состоит из одной или нескольких пар "атрибут-значение".

В рабочей памяти систем, основанных на продукционных моделях, хранятся пары атрибут-значение, истинность которых установлена в процессе решения конкретной задачи к некоторому текущему моменту времени. Содержимое рабочей памяти изменяется в процессе решения задачи. Это происходит по мере срабатывания правил.

Правило срабатывает, если при сопоставлении фактов, содержащихся в рабочей памяти, с предшествующего анализируемого правила имеет место совпадение, при этом заключение сработавшего правила заносится в рабочую память. Поэтому в процессе логического вывода объём фактов в рабочей памяти, увеличивается (уменьшаться он может в том случае, если действие какого-нибудь правила состоит в удалении фактов из рабочей памяти). В процессе логического вывода каждое правило из базы правил может сработать только один раз.

Существует два основных типа правил-продукций:

а) прямой вывод (вывод от исходных данных-фактов, утверждением - к цели, по пути вывода пополняя исходную базу знаний новыми полученными истинными фактами; процесс заканчивается лишь тогда, когда выведен факт, равнозначный искомому);

б) обратный вывод (вывод от целевого факта к данным, на очередном шаге отыскивается очередной факт, в заключительной части содержится факт, равнозначный исходному факту; процесс заканчивается тогда, когда для каждого факта, выведенного на очередном шаге, не будет найдено правило, имеющее этот факт в качестве заключения, а посылками - исходные или выведенные на предыдущих шагах факты).

Оба приведенных типа правил имеют недостатки, достоинства и модификации.

Пример. Если все множество правил-продукций разбито на группы по некоторому признаку (структурировано), то вместо полного или случайного перебора всех правил при прямом и обратном выводе осуществляется целенаправленный переход от одной группы правил к другой. Используются также смешанные стратегии вывода, сочетающие прямой и обратный вывод.

Основные достоинства систем, основанных на продукционных моделях, связаны с простотой представления знаний и организации логического вывода.

К недостаткам таких систем можно отнести следующее:

1) отличие от структур знаний, свойственных человеку;

2) неясность взаимных отношений правил;

3) сложность оценки целостного образа знаний;

4) низкая эффективность обработки знаний.

При разработке небольших систем (десятки правил) проявляются в основном положительные стороны продукционных моделей знаний, однако при увеличении объёма знаний более заметными становятся слабые стороны.

1.2 Семантические сети

Семантическая сеть - это ориентированная графовая структура, каждая вершина которой отображает некоторое понятие (объект, процесс, ситуацию), а ребра графа соответствуют отношениям типа "это есть", "принадлежать", "быть причиной", "входить в", "состоять из", "быть как" и аналогичным между парами понятий.

На семантических сетях используются специальные процедуры вывода: пополнение сети, наследование свойств, поиск по образцу и др.

Пример. Рассмотрим факт: "причиной неритмичной работы предприятия является старое оборудование, а причиной последнего - отсутствие оборотных средств". Семантическая сеть может содержать вершины "оборотные средства", "старое оборудование", соединяемые ребрами - отношениями типа "быть причиной".

Достоинство семантических сетей - наглядность представления знаний, с их помощью удобно представлять причинно-следственные связи между элементами (подсистемами), а также структуру сложных систем.

Недостаток таких сетей - сложность вывода, поиска подграфа, соответствующего запросу.

Семантические сети подразделяются на экстенсиональные и интенсиональные. Экстенсиональная семантическая сеть описывает конкретные отношения данной ситуации. Интенсиональная - семантическая сеть, которая описывает имена классов объектов, а не индивидуальные имена объектов. Связи в интенсиональной сети отражают те отношения, которые всегда присущи объектам данного класса.

Характерная особенность семантических сетей - наличие трех типов отношений:

1) класс - элемент класса (часть - целое, класс - подкласс, элемент - множество и т.п.);

2) свойство - значение (иметь свойство, иметь значение и т.п.);

3) пример элемента класса (элемент за, элемент под, раньше, позже и др.).

1.3 Фреймовая модель знаний

Фреймовая модель представляет собой систематизированную психологическую модель памяти человека и его сознания.

Фрейм (англ. frame - рамка, каркас) - структура данных для представления некоторого концептуального объекта. Информация, относящаяся к фрейму, содержится в составляющих его слотах.

Слот (англ. slot - щель, прорезь) может быть терминальным (листом иерархии) или представлять собой фрейм нижнего уровня.

Фреймовое представление данных достаточно универсальное. Оно позволяет отображать знания с помощью:

а) фрейм-структур - для обозначения объектов и понятий;

б) фрейм-ролей - для обозначения ролевых обязанностей;

в) фрейм-сценариев - для обозначения поведения;

г) фрейм-ситуаций - для обозначения режимов деятельности, состояний.

Пример. Фрейм-структурами являются понятия "заем", "вексель", "кредит". Фрейм-роли - "кассир", "клиент", "сервер". Фрейм-сценарии - "страхование", "банкинг", "банкротство". Фрейм-ситуации - "эволюция", "функционирование", "безработица".

Пример. Например, возьмем такое понятие, как "функция". Различные функции могут отличаться друг от друга, но существует некоторый набор формальных характеристик для описания любой функции (фрейм "Функция"): тип и допустимое множество изменений аргумента (область определения функции), тип и допустимое множество значений функции (множество значений функции), аналитическое правило связи аргумента со значением функции. Соответственно, могут быть определены фреймы "Аргумент", "Значение функции", "Закон соответствия". Далее можно определить фреймы "Тип аргумента", "Вычисление значения функции", "Операция" и др.

Пример слотов для фрейма "Закон соответствия": аналитический способ задания закона; сложность вычисления (реализации). Чтобы описать конкретное значение фрейма, необходимо каждому слоту придать конкретное значение, например, таким образом:

Имя фрейма - Функция;

Значение функции - y;

Закон соответствия - квадратичный.

Значения аргумента - R;

Способ задания функции

Сложность вычисления - 7.

В целом фреймовая модель допускает представление всех свойств декларативных и процедурных знаний. Глубина вложенности слотов во фрейме (число уровней) зависит от предметной области и языка, реализующего модель.

1.4 Логическая модель знаний

Основная идея при построении логических моделей знаний заключается в следующем - вся информация, необходимая для решения прикладных задач, рассматривается как совокупность фактов и утверждений, которые представляются как формулы в некоторой логике. Знания отображаются совокупностью таких формул, а получение новых знаний сводится к реализации процедур логического вывода. В основе логических моделей знаний лежит понятие формальной теории.

Основные достоинства логической модели знаний:

1) в качестве "фундамента" здесь используется классический аппарат математической логики, методы которой достаточно хорошо изучены и формально обоснованы;

2) существуют достаточно эффективные процедуры вывода;

3) в базах знаний можно хранить лишь множество утверждений, а все остальные знания получать из них по правилам вывода.

В логических моделях знаний слова, описывающие сущности предметной области, называются термами (константы, переменные, функции), а слова, описывающие отношения сущностей - предикатами.

Модель предметной области можно определить упрощенно в виде:

Предикат - логическая n-арная пропозициональная функция, определенная для предметной области и принимающая значения либо истинности, либо ложности. Предикат принимает значения "истина" или "ложь" в зависимости от значений входящих в него термов.

Способ описания предметной области, используемый в логических моделях знаний, приводит к потере некоторых нюансов, свойственных естественному восприятию человека, и поэтому снижает возможность таких моделей.

2. Экспертные системы

Под экспертными системами понимается направление исследований в области искусственного интеллекта по созданию вычислительных систем, умеющих принимать решения, схожие с решениями экспертов в заданной предметной области.

Как правило, экспертные системы создаются для решения практических задач в некоторых узкоспециализированных областях. Экспертные системы были первыми разработками, которые смогли привлечь большое внимание к результатам исследований в области искусственного интеллекта.

Такие системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач. Экспертные системы предназначены для качественного решения задач в определенной разработчиками области, в редких случаях - областях.

Экспертное знание - это сочетание теоретического понимания проблемы и практических навыков ее решения, эффективность которых доказана в результате практической деятельности экспертов в данной области. Фундаментом экспертной системы любого типа является база знаний, которая составляется на основе экспертных знаний специалистов. Правильно выбранный эксперт и удачная формализация его знаний позволяет наделить экспертную систему уникальными и ценными знаниями. Врач, к примеру, хорошо диагностирует болезни и эффективно назначает лечение, не потому, что он обладает некими врожденными способностями, а потому что имеет качественное медицинское образование и большой опыт в лечении своих пациентов. Поэтому ценность всей экспертной системы как законченного продукта на 90% определяется качеством созданной базы знаний.

Эксперт предоставляет необходимые знания о тщательно отобранных примерах проблем и путей их решения. Инженер по знаниям, формализует всю полученную информацию в виде базы знаний и помогает программисту в написании экспертной системы.

Можно выделить следующие основные классы задач, решаемых экспертными системами: а) диагностика;

На сегодняшний день создано уже большое количество экспертных систем. С помощью них решается широкий круг задач, но исключительно в узкоспециализированных предметных областях. Эти области хорошо изучены и располагают наиболее четкими стратегиями принятия решений. Сейчас развитие экспертных систем приостановилось, и этому есть ряд причин:

1) передача экспертным системам "глубоких" знаний о предметной области является большой проблемой. Как правило, это является следствием сложности формализации знаний экспертов;

2) экспертные системы неспособны предоставить осмысленные объяснения своих рассуждений, как это делает человек. Экспертные системы всего лишь описывают последовательность шагов, предпринятых в процессе поиска решения.

3) отладка и тестирование любой компьютерной программы является достаточно трудоемким делом, но проверять экспертные системы особенно тяжело. Это является серьезной проблемой, поскольку экспертные системы применяются в таких критичных областях, как управление воздушным и железнодорожным движением, системами оружия и в ядерной промышленности.

4) экспертные системы обладают еще одним большим недостатком: они неспособны к самообучению. Для того, чтобы поддерживать экспертные системы в актуальном состоянии необходимо постоянное вмешательство в базу знаний инженеров по знаниям. Экспертные системы, лишенные поддержки со стороны разработчиков, быстро теряют свою значимость.

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

Заключение

Сегодня за счет достижений в области искусственного интеллекта создано большое количество научных разработок, которое существенно упрощает жизнь людей. Распознавание речи или отсканированного текста, решение вычислительно сложных задач за короткое время и многое другое - все это стало доступно благодаря развитию искусственного интеллекта.

Замена человека-специалиста на системы искусственного интеллекта, в частности на экспертные системы, разумеется, там, где это допустимо, позволяет существенно ускорить и удешевить процесс производства. Системы искусственного интеллекта всегда объективны и результаты их работы не зависят от моментного настроения и ряда других субъективных факторов, которые присущи человеку. Опыт показывает, что на сегодняшний день системы искусственного интеллекта достигают наилучших результатов, функционируя совместно с человеком. Ведь именно человек, в отличие от искусственного интеллекта, умеет мыслить нестандартно и творчески, что позволяло ему развиваться и идти вперед на протяжении всей его эпохи.

Список использованных источников

1. Люгер Джордж Ф. Искусственный интеллект: стратегии и методы решения сложных проблем. 4-е издание. Пер. с англ. - М.: Издательский дом "Вильямс", 2003.

2. Искусственный интеллект: в 3 кн. / под ред. Д.А. Поспелова. -- М.: Радио и связь, 1990.

Подобные документы

История развития искусственного интеллекта. Экспертные системы: их типы, назначение и особенности, знания и их представление. Структура идеальной и инструменты построения экспертных систем. Управление системой продукции. Семантические сети и фреймы.

реферат [85,7 K], добавлен 20.12.2011

Понятие искусственного интеллекта как свойства автоматических систем брать на себя отдельные функции интеллекта человека. Экспертные системы в области медицины. Различные подходы к построению систем искусственного интеллекта. Создание нейронных сетей.

презентация [3,0 M], добавлен 28.05.2015

Программные системы искусственного интеллекта, экспертные системы как их разновидность. Автоматизированное формирование баз знаний в формате CLIPS на основе анализа баз данных СУБД Cache. Программные средства и технологии. Описание программной системы.

дипломная работа [5,1 M], добавлен 25.05.2012

Преимущества и недостатки моделей представления знаний. Модель, основанная на правилах, фреймовая модель. Семантическая сеть. Структура экспертных систем и этапы их разработки. Механизмы логического вывода. Стратегия "вверх-снизу", "от цели к ситуации").

презентация [195,3 K], добавлен 29.10.2013

Проблема представления знаний в компьютерных системах – одна из основных проблем в области искусственного интеллекта. Исследование различных моделей представления знаний. Определения их понятия. Разработка операции над знаниями в логической модели.

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.

Наиболее общими методами представления знаний в ЭС являются: правила; семантические сети; фреймы. Возможно представление знаний в виде нечетких правил, а также в виде нейронных сетей.

Правила, по сравнению с другими способами представления знания имеют следующие преимущества: модульность; единообразие структуры; естественность (вывод заключения в такой системе аналогичен процессу рассуждения эксперта); гибкость иерархии понятий, которая поддерживается только как связи между правилами.

Однако, такие системы не свободны от недостатков: процесс вывода менее эффективен, чем при других способах представления, так как большая часть времени затрачивается на непроизводительную проверку применимости правил; этот процесс трудно поддается управлению; сложно представить иерархию понятий.

При этом правила могут быть представлены в одном из двух видов:

1) Если в зависимости от возможных четких значений входных параметров делается вывод о значениях выходного параметра, то такая система называется системой L(1) – типа. Данная система представляется в виде:

, где m – число экспертных высказываний; Aj – четкое значение входного параметра; Bj – четкое значение выходного параметра или некоторое конкретное действие процесса проектирования.

2) В случаях, когда в зависимости от возможных значений выходной ситуации (Вj) экспертом делается предположение о возможной входной ситуации (Аj), система экспертных высказываний называется системой L(2) — типа и представляется в виде:

Представление знаний с использованием фреймов –является альтернативным по отношения к системам, основанным на правилах: оно дает возможность хранить иерархию понятий в базе знаний в явной форме.

Фреймом называется структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации и их значений.

Характеристики называются слотами, а значения — заполнителями слотов. Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одно или несколько правил, с помощью которых это значение можно найти.

В слот может входить не одно, а несколько значений. Иногда слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений.

Как уже отмечалось, помимо конкретного значения, в слоте могут храниться процедуры и правила, которые вызываются при необходимости вычисления этого значения.

Процедуры, располагающиеся в слоте, называются связанными процедурами. Чаще всего используются процедуры трех видов:

Эти процедуры могут проверять, что при изменении значения производятся соответствующие действия.

Совокупность фреймов, моделирующая какую-нибудь предметную область, представляет собой ие-

рархическую структуру, в которую соединяются фреймы. На верхнем уровне иерархии находится

фрейм, содержащий наиболее общую информацию, истинную для всех остальных фреймов. Фреймы

обладают способностью наследовать значения характеристик своих родителей, находящихся на более

высоком уровне иерархии. Значения характеристик фреймов могут передаваться по умолчанию фрей-

мам, находящимся ниже них в иерархии, но если последние содержат собственные значения данных ха-

рактеристик, то в качестве истинных данных принимаются именно они. Это обстоятельство позволяет

легко учитывать во фреймовых системах различного рода исключения.

Различают статические и динамические системы фреймов. В системах статических фреймы не мо-

гут быть изменены в процессе решения задачи, в динамических системах это допустимо.

Наиболее ярко достоинства фреймовых систем представления знаний проявляются в том случае,

если связи между объектами изменяются нечасто и предметная область насчитывает немного исключе-

ний. Значения слотов представляются в системе в единственном экземпляре, поскольку включается

только в один фрейм, описывающий наиболее общее понятие из всех тех, которые содержат слот с дан-

ным именем. Такое свойство систем фреймов дает возможность уменьшить объем памяти, необходи-

мый для их размещения в компьютере. Однако основное достоинство состоит не в экономии памяти, а в

представлении в базе знаний связей, существующих между понятиями предметной области.

Иными словами, семантическая сеть отображает совокупность объектов предметной области и отношений между ними. При этом, объектам соответствуют вершины сети, а отношениям — соединяющие их дуги.

В семантическую сеть включаются только те объекты предметной области, которые необходимы для решения прикладных задач. В качестве объектов могут выступать события, действия, обобщенные понятия или свойства объектов.

Основной недостаток такого способа представления знаний — сложность обработки исключений.

Представление знаний в виде нечетких высказываний –Методы построения математических моделей часто основаны хотя и не неточной, но в целом объективной информации об объекте. Однако возможны ситуации, когда при построении моделей решающее значение имеют сведения, полученные от эксперта, обычно качественного характера. Они отражают содержательные особенности изучаемого объекта и формулируются на естественном языке. Описание объекта в таком случае носит нечеткий характер.

Нейронные сети –Моделирование сложных систем требует большого числа знаний об объекте, в том числе экспериментальных и экспертных. Для их обработки в последнее время широко используются нейронные сети.

В основе теории нейронных сетей лежит желание воспроизвести функции мозга при решении конкретной задачи. Однако создающиеся системы не полностью воспроизводят функции мозга, а, скорее,

представляют математическую модель, воспроизводящую отдельные возможности человеческого мозга, по аналогии с которым искусственные нейтронные сети характеризуются следующими свойствами [8]:

– обучение (т.е. изменение поведения в зависимости от окружающей среды).

– обобщение (реакция сети после обучения будет, до известной степени, нечувствительна к малым

Содержание

Введение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1.Экспертные системы, их особенности. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4
1.1 Определение экспертных систем, достоинство и назначение. . . . . . . . . . . . . . . 4
1.2 Классификация экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6
2.Структура, этапы разработки экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.1 Технология разработки экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2 Наиболее известные и распространенные экспертные системы. . . . . . . . . . . . . 8
Заключение. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
Литература. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

Прикрепленные файлы: 1 файл

Экспертные системы.docx

1.Экспертные системы, их особенности. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4

1.1 Определение экспертных систем, достоинство и назначение. . . . . . . . . . . . . . . 4

1.2 Классификация экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .6

2.Структура, этапы разработки экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.1 Технология разработки экспертных систем. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

2.2 Наиболее известные и распространенные экспертные системы. . . . . . . . . . . . . 8

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

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

Экспертная система - это набор программ, выполняющий функции эксперта при решении задач из некоторой предметной области. Экспертные системы выдают советы, проводят анализ, дают консультации, ставят диагноз. Практическое применение экспертных систем на предприятиях способствует эффективности работы и повышению квалификации специалистов.

Главным достоинством экспертных систем является возможность накопления знаний и сохранение их длительное время. В отличие от человека к любой информации экспертные системы подходят объективно, что улучшает качество проводимой экспертизы.

Причиной повышенного интереса, который экспертные системы вызывают к себе на протяжении всего своего существования, является возможность их применения к решению задач из самых различных областей человеческой деятельности.

1. Экспертные системы, их особенности

1.1. Определение экспертных систем, достоинство и назначение

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 такой программный инструмент как Мастер (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения 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 спра вочные системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей.

Структуры экспортной системы:

Интерфейс пользователя
Пользователь
Интеллектуальный редактор базы знаний
Эксперт
Инженер по знаниям
Рабочая (оперативная) память
База знаний
Решатель (механизм вывода)
Подсистема объяснений

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 экспертной системы 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.

Обычно факты в базе знаний описывают те явления, которые являются постоянными для данной предметной области. Характеристики, значения которых зависят от условий конкретной задачи, ЭС получает от пользователя в процессе работы, и сохраняет их в рабочей памяти.

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.

ЭС может функционировать в 2-х режимах:

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.
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.

1.2. Классификация экспертных систем

Классификация ЭС по решаемой задаче:

Классификация ЭС по связи с реальным временем:

Статические ЭС - это ЭС, решающие задачи в условиях не изменяющихся во времени исходных данных и знаний.
Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.
Динамические ЭС - это ЭС, решающие задачи в условиях изменяющихся во времени исходных данных и знаний.

Классификация по типу ЭВМ:

На сегодняшний день существуют:

экспертные системы для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRAY, CONVEX и другие.);
экспертные системы на ЭВМ средней производительности (типа mainfrave);
экспертные системы на символьных процессорах и рабочих станциях (SUN, АРОLLО);
экспертные системы на мини- и супермини-ЭВМ (VАХ, micro-VАХ и другие);
экспертные системы на персональных компьютерах (IВМ РС, МАС II и подобные).

2. Этапы разработки экспертных систем

2.1 Технология 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

Экспертные системы являются наиболее известным и распространённым видом интеллектуальных систем.

Как и любые другие системы, они имеют ряд своих особенностей:

экспертные системы ориентированы на решение широкого круга задач в неформализованных областях, на приложения, которые до недавнего времени считались малодоступными для вычислительной техники.
с помощью экспертных систем специалисты, не знающие программирования, могут самостоятельно разрабатывать интересующие их приложения, что позволяет резко расширить сферу использования вычислительной техники.
при решении практических задач экспертные системы достигают результатов, не уступающих, а иногда и превосходящих возможности людей-экспертов, не оснащённых ЭВМ.

Особенно широкое применение экспертные системы получили в медицине, математике, машиностроении, химии, геологии, вычислительной технике, бизнесе, законодательстве, обороне.

А также в настоящее время особенно актуально использование экспертных систем в таких приложениях, как образование, психолого-педагогическая диагностика и тестирование.

Экспертные системы строятся для решения широкого круга проблем в таких областях, как:

прогнозирование – проектирование возможных последствий данной ситуации.
диагностика – определение причин неисправностей в сложных ситуациях на основе наблюдаемых симптомов.
проектирование – нахождение конфигурации компонентов системы, которая удовлетворяет целевым условиям и множеству проектных ограничений.
планирование – разработка последовательности действий для достижения множества целей при данных начальных условиях и временных ограничениях.
мониторинг – сравнение наблюдаемого поведения системы с её ожидаемым поведением.
инструктирование – помощь в образовательном процессе по изучению технической области.
управление – управление поведением сложной среды.

Таким образом, проблема разработки и использования экспертных систем является весьма актуальной в современном обществе.

Читайте также: