Реализация возможностей экспертных систем в образовательных целях реферат

Обновлено: 05.07.2024

Для учеников 1-11 классов и дошкольников
Бесплатные сертификаты учителям и участникам

Реализация технологии обучения на базе экспертных систем

Современное состояние компьютерных технологий и моделирование процессов в сфере обучения характеризуется интенсивным переходом от информационных технологий обучения к технологиям, которые используют методы искусственного интеллекта, обеспечивающие воспроизводство, распространение и использование знаний на базе гибридного интеллекта – естественного и искусственного. В традиционных компьютерных технологиях обучения используются различные программно-технические средства, основной состав которых представлен на рис.1

Автоматизированные учебные курсы

Экспертные обучающие системы

Тестовые, графические редакторы и электронные таблицы

БД, СУБД, Электронные словари

Интегриро-ванная АОС реального времени

Средства
представления и обработки
знаний

Рис.1. Программно-технические средства обучения

Обучение под руководством

Применяются они автономно и в комбинации с информационно-справочными, автоматизированными учебными курсами и другими прикладными обучающими системами на этапе самостоятельной работы обучаемого и в процессе учебного процесса под руководством преподавателя.

Во всех сферах реализации обучения при подготовке кадров  1,2,3  ведутся поиски способов повышения эффективности учебного процесса в условиях совместного применения аккумулирующей и циклической стратегии обучения. Эффект достигается и в основном за счет внедрения в учебный процесс средств автоматизации поддержки принятия решений (СППР) [2,3,4,5].

Компьютерная технология обучения с помощью прикладных и инструментальных средств обеспечивает реализацию дидактических функций, формирование рациональных стратегий и алгоритмов усвоения учебного материала, а также приобретение практических навыков за счет тренировок, деловых игр, других видов практических занятий с учетом индивидуальных особенностей обучаемого.

Обучающие системы подобного класса могут быть реализованы в рамках концепции открытых ЭС, (рис.2), что обусловлено следующим положениями.

Для глубокого обоснования принимаемых решений в конкретной области образования (экономике, бизнесе, медицине и т.п) необходим детальный анализ ситуации, своевременное вскрытие тенденций развития событий и выработка эффективных мер (контрмер - для случая жесткой конкуренции) на основе информации, поступающей в реальном масштабе времени с учетом всей априорной логико-аналитической деятельности органов перспективного и текущего
планирования. Фактически речь идет об эффективном использовании знаний, полученных на этапе планирования в процессе непосредственного оперативного изменения ситуации (непосредственно обстановки и условий реализации задач, например, конъюнктуры рынка, законодательных актов и подзаконных постановлений).

Решение такой задачи возможно на основе ЭС, однако теория построения традиционных ЭС не позволяет решать указанные задачи, по крайней мере по следующим причинам: невозможность непосредственного участия пользователя (педагога, обучаемого) в пополнении базы знаний, что является необходимым элементом процесса накопления опыта и учета результатов деятельности органов управления. Действительно, если следовать традиционной структуре ЭС, то функции пополнения знаний определяет, так называемый, когнитолог, который должен в нашем случае знать правила структуризации знаний лица, принимающего решения, органов планирования, директив вышестоящих органов, условия реализации и тенденции изменения процессов в изучаемой области (экономике, медицине, законодательстве и т.п.) При этом каждый из респондентов системы вносит неопределенность и даже противоречивые знания, которые не позволяют непосредственно реализовать процедуры логического вывода для получения приемлемых рекомендаций действий; невозможность автоматизированного учета большого объема данных, характеризующих сложившуюся ситуацию, и поступающих в реальном масштабе времени; отсутствие возможности обучения системы, т. е. пополнения БЗ и получения результатов ее работы в понятиях различного уровня общности; отсутствие конструктивных подходов к решению задач интерпретации знаний ЭС в условиях априорной неопределенности.

Кроме того следует учитывать, что классическая теория принятия решений рассматривает процесс принятия решений как выбор одной из множества альтернатив. При этом, за рамками теории остается процесс формализованного представления задачи принятия решений, отвечающий соответствующим требованиям.

Основу теоретических положений концепции открытых ЭС составляет разработка методологического аппарата формализации задач принятия решений в системах реального времени, рассматриваемого по двум аспектам: разработка логико-математических методов и средств формализации задач принятия решений в условиях неполноты и противоречивости знаний и данных; разработка формально-логического аппарата структуризации баз знаний открытых ЭС.

Основой аппарата формализации являются элементы алетической логики возможностей, деонтической логики необходимости и фрактальной логики как составные части аппарата формализации, а также элементы теории топологии и сложных систем. Следует отметить, что если учесть, что ошибки функционирования систем поддержки принятия решений рассматриваемого класса могут привести к

В своей работе я рассмотрю реализацию возможностей экспертных систем.На этапе реализации экспертной системы происходит физическое наполнение базы знаний и настройка всех программных механизмов в рамках выбранного инструментального средства, а при необходимости и допрограммирование специализированных модулей программного инструмента.
Особенности реализации экспертной системы во многом определяются характером инструментального средства, в качестве которого могут выступать программные оболочки (shells), генераторы (интегрированные среды), языки представления знаний (языки программирования).

Содержание работы

Введение
1 глава. Определение экспертных систем.
Структура экспертных систем.
Разработка экспертных систем.
2 глава. Представление знаний в экспертных системах
2.1.Образовательные и учебные приложения в системах.
2.2. Методы поиска решения в экспертных системах.
Заключение.
Литература.

Файлы: 1 файл

на сдачу.docx

Студентка гр. ПВ-10 к.п. н. доцент

Сироткина Д.А. Суханова Н.Т.

Нижний Новгород 2011 год

1 глава. Определение экспертных систем.

Структура экспертных систем.
Разработка экспертных систем.

2 глава. Представление знаний в экспертных системах

2.1.Образовательные и учебные приложения в системах.

2.2. Методы поиска решения в экспертных системах.

Особенности реализации экспертной системы во многом определяются характером инструментального средства, в качестве которого могут выступать программные оболочки (shells), генераторы (интегрированные среды), языки представления знаний (языки программирования). Так, оболочки имеют реализованные механизмы вывода, накопления, объяснения знаний, диалоговый компонент, что, с одной стороны, упрощает разработку программной части экспертной системы, поскольку не требуется программирование, а с другой стороны, усложняет разработку базы знаний вследствие возможного несоответствия формализма системы требованиям структуры. Использование языков представления знаний таких как: язык логического программирования PROLOG, язык функционального программирования LISP, язык объектно-ориентированного программирования SmallTalk, язык продукционных правил OPS5 и др. повышает гибкость разрабатываемой системы и одновременно увеличивает трудоемкость разработки.

Наиболее приемлемыми инструментальными средствами для создания экспертных систем являются генераторы или интегрированные среды разработки, например, G2 (фирма Gensym, дистрибьютор фирма ArgusSoft), ART-Enterprise (фирма Inference, дистрибьютор фирма Метатехнология), GURU (фирма MDBS, дистрибьютор фирма ЦПС Тверь), которые позволяют настраивать программные средства на особенности проблемных областей, при необходимости предоставляют возможность программировать на встроенных языках четвертого поколения и осуществлять эффективный экспорт/импорт данных с другими инструментальными средствами.

Среди отечественных разработок следует отметить экспертную оболочку ЭКО (ArgusSoft) и программный комплекс SIMER - MIRAGE (Исследовательский центр искусственного интеллекта ИПС РАН), который предоставляет инструментальные средства как автоматизации разработки, так и поддержки экспертных систем.

Инструментальные средства создания и поддержки экспертных систем являются дорогостоящими продуктами и стоят от тысяч до десятков тысяч долларов. Однако, для готовых баз знаний инструментальные средства могут поставляться в исполнительской версии (RUN-TIME) на порядок дешевле.

Цена предметно-ориентированных систем может быть на порядок выше универсальных, преимущество же их заключается в более простой адаптации к конкретной предметной области, а следовательно, и в сокращении затрат на разработку. Например, интеллектуальная система для разработки финансовых приложений CogensysJudgmentSoftware (CogensysCorp) стоит 200 тыс. долл.

Глава 1. Определение экспертных систем.

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 (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 справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

Экспертные системы имеют одно большое отличие от других систем искусственного интеллекта: они не предназначены для решения каких-то универсальных задач, как например нейронные сети или генетические алгоритмы. 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.

Экспертная система – это не простая программа, которая пишется одним или несколькими программистами

1.1.Структура экспертных систем.

Выделяют два типа экспертных систем: статические и динамические. Статические экспертные системы используются в тех приложениях, где можно не учитывать изменения окружающего мира, происходящие за время решения задачи. Первые экспертные системы, получившие практическое использование, были статическими. Динамические экспертные системы по сравнению со статическими содержат дополнительно два следующих компонента: подсистему моделирования внешнего мира и подсистему взаимодействия с внешним миром.

На рисунке ниже представлена каноническая структура экспертной системы динамического типа:

Пояснение к рисунку:

механизм логического вывода, называемый также интерпретатором, решателем;
рабочую память (РП), называемую также рабочей базой данных (БД);
базу знаний (БЗ);
подсистему приобретения и пополнения знаний;
подсистему объяснения;
подсистему диалога;
подсистему взаимодействия с внешним миром.

Механизм логического вывода (МЛВ) предназначен для получения новых фактов на основе сопоставления исходных данных из рабочей памяти и знаний из базы знаний. Механизм логического вывода во всей структуре экспертной системы занимает наиболее важное место. Он реализует алгоритмы прямого и/или обратного вывода и формально может быть представлен четверкой:

– процедура выбора из базы знаний и рабочей памяти правил и фактов;
– процедура сопоставления правил и фактов, в результате которой определяется множество фактов к которым применимы правила для присвоения значений;
– процедура разрешения конфликтов, определяющая порядок использования правил, если в заключении правила указаны одинаковые имена фактов с разными значениями;
– процедура, осуществляющая выполнение действий, соответствующих полученному значению факта (заключению правила).

Рабочая память предназначена для хранения исходных и промежуточных фактов решаемой в текущий момент задачи. Как правило, размещается в оперативной памяти ЭВМ и отражает текущее состояние предметной области в виде фактов с коэффициентами уверенности (КУ) в истинности этих фактов.

Следующий элемент в структуре экспертной системы не менее важен, чем механизм логического вывода. Это – база знаний. База знаний предназначена для хранения долгосрочных фактов, описывающих рассматриваемую область, правил, описывающих отношения между этими фактами и других типов декларативных знаний о предметной области. Кроме правил и фактов, образующих декларативную часть базы знаний, в нее может входить процедурная часть – множество функций и процедур, реализующих оптимизационные, расчетные и другие требуемые алгоритмы.

Экспертные системы относятся к классу интеллектуальных систем, основывающихся на понимании факта. Другими словами экспертные системы основываются на знаниях специалиста-эксперта о предметной области. Высококачественный опыт наиболее квалифицированных специалистов, доступный для всех пользователей системы, становится фактором, резко повышающим качество принимаемых решений для организации, использующей экспертные системы в целом.

Подсистема приобретения и пополнения знаний автоматизирует процесс наполнения экспертной системы знаниями, осуществляемый пользователем-экспертом, и адаптации базы знаний системы к условиям ее функционирования. Адаптация экспертной системы к изменениям в предметной области реализуется путем замены правил или фактов в базе знаний.

Подсистема объяснения объясняет, как система получила решение задачи (или почему она не получила решения) и какие знания она при этом использовала, что облегчает эксперту тестирование системы и повышает доверие пользователя к полученному результату. Возможность объяснять свои действия является одним из самых важных свойств экспертной системы, так как:

повышается доверие пользователей к полученным результатам;
облегчается отладка системы;
создаются условия для пользователей по вскрытию новых закономерностей предметной области;
объяснение полученных выводов может служить средством поиска точки в парето-оптимальном множестве решений.

Структура экспертной системы была бы неполной без подсистемы диалога. Подсистема диалога ориентирована на организацию дружественного интерфейса со всеми категориями пользователей как в ходе решения задач, так и в ходе приобретения знаний и объяснения результатов работы.

Konkova Daria Sergeevna 1 , Matveev Vladislav Andreyevich 1 , Komissarova Oksana Romanovna 1 , Musin Ruslan Farhadovich 1
1 Magnitogorsk State Technical University. G.I. Nosov, student

В настоящее время автоматизация, каких бы то ни было процессов охватывает все сферы нашей жизни. Не обошла она стороной и формализацию знаний экспертов.

Экспертная система (ЭС) в простом понимание представляет собой программу, которая по конкретным знаниям специалистов, способна принимать решения, за эксперта- профессионала в какой-то узкой, конкретной, предметной области.

Рисунок 1- Формирование экспертной системы

На рисунке 1 наглядно показано, как формируется экспертная система, на какой информации она простроена.

Важнейшей особенностью экспертной системы является ее интерпретация под конкретную задачу. Достаточно вложить в ЭС знания определенной направленности, и система за счет того, что перебирает множество альтернатив имеет большую эффективность, в сравнении с экспертом.

Интеллектуальные системы обучения, созданные на основе идеологии автоматного моделирования, могут автоматически настраиваться на ученика с учетом его индивидуальных особенностей (типа памяти, сосредоточенности, утомляемости, способности и т.п.) и оптимально осуществлять презентацию учебного материала 3.

Рисунок 2- Технологическая схема процесса дистанционного обучения на основе IDEA

Внедрение экспертных систем в образование, скорее всего, будет положительно влиять на учебный процесс, так как умение самостоятельно приобретать знания, и потом их анализировать – будут этому способствовать. Проблемам использования новых методов и систем в образовательном процессе уделяется внимание многими учеными, педагогами 12. Данные технологии хороши для дистанционного обучения.

ЭКСПЕРТНЫЕ СИСТЕМЫ КАК ИНСТРУМЕНТ РЕШЕНИЯ ПРОБЛЕМ В ОБРАЗОВАНИИ

С.З. Хутинаева, кандидат педагогических наук

В данной статье актуализирован вопрос использования экспертных систем для решения проблем в образовании; показаны принципы работы экспертной системы и основы ее применения в образовательном процессе.

Ключевые слова: умственная деятельность, человеко-машинные системы, экспертная система, обмен данными, логические, продукционные, семантические, нейронные сети, идентификация, концептуализация, формализация, реализация.

Ускорение социально-экономических процессов, ориентация на рыночные отношения в экономике, интенсификация жизни человека, переход от индустриального общества к информационному, стремление российского государства к открытому обществу во всех его сферах (политика, культура и т. д.) потребовали конструктивных изменений в образовательной сфере.

На форуме подчеркивалось, что образование необходимо каждому человеку, чтобы он мог себя нормально чувствовать во взрослой жизни, имея возможность занять свое место в ней, так как именно образование принципиально работает на будущее, предопределяя личностные качества каждого человека, его знания, умения, навыки, мировоззренческие и поведенческие приоритеты, а следовательно, в конечном итоге, - экономический, нравственный, духовный потенциал общества, цивилизации в целом.

При решении практических задач во многих областях человеческой де-

ятельности бывает затруднительно, а то и просто невозможно использовать формализованные, теоретически обоснованные методы. Основная проблема - моделирование умственной деятельности людей при решении ими сложных задач из разных областей человеческой деятельности. В частности, одним из направлений в создании систем, позволяющих решить те или иные проблемы, является разработка систем, имитирующих действия и рассуждения человека-специалиста в узкой предметной области, называемого экспертом.

Экспертные системы (далее - ЭС), о которых пойдет речь в данной статье - одно из наиболее характерных порождений информационного общества, поскольку представляют собой человеко-машинные системы искусственного интеллекта.

Вкратце можно сказать, что использование ЭС базируется на следующих трех принципах:

1) их мощность зависит главным образом от объема базы знаний и возможности ее пополнения и лишь затем - от используемых ЭС процедур;

2) используются, в основном, эвристические, неопределенные, правдоподобные знания;

3) эксперт непосредственно взаимодействует с экспертной системой в форме диалога.

Состав и условия функционирования ЭС достаточно подробно рассмотрены в целом ряде работ исследователей в данной области [2; 3 и др.]. Поскольку решение задач предполагается осуществлять в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов, с помощью ЭС можно решать следующие задачи, относящиеся к шести основным видам: 1) интерпретация данных; 2) диагностика; 3) контроль; 4) прогнозирование; 5) планирование; 6) проектирование.

Типичная архитектура экспертной системы включает следующие компоненты: 1) база знаний; 2) база данных; 3) интерпретатор; 4) лингвистический процессор; 5) объяснительная компонента.

Из сказанного можно вывести, что экспертная система работает в двух ре-

жимах: 1) приобретение знаний; 2) решение задач.

В первом режиме эксперт (экспертная группа) при содействии когнитоло-га общается с ЭС и наполняет ее теми знаниями или правилами, которые будут необходимы ей в режиме решения задач и дадут ей возможность для получения полноценных экспертных решений. Режим приобретения знаний правомерно сравнить с созданием компьютерной программы (алгоритмизация, программирование, отладка), однако в ЭС создание программы осуществляет не программист, а специалист в области экспертизы, не владеющий программированием. Собственно, именно способностью приобретать знания и определяется мощность ЭС.

Процесс приобретения знаний происходит следующим образом: сначала получают знания от эксперта; потом полученные знания организуются таким образом, чтобы обеспечить эффективную работу системы; и наконец знания представляются в понятном системе виде.

В связи с тем, что знания носят эвристический характер, их приобретение ЭС достаточно сложный процесс. Это, пожалуй, наиболее серьезная проблема при создании экспертных систем (как, впрочем, и вообще - систем искусственного интеллекта). В режиме приобретения знаний эксперт вводит в систему правила на естественном для пользователя языке.

Существуют различные модели предоставления знаний: логические; продукционные; семантические; нейронные сети. Продукционная система - это совокупность независимых модулей,

управляемых образцами, т.е. программа на каждом своем шаге анализирует ситуацию и сравнивает с образцами, выбирая подходящую модель [1].

Приобретение знаний является их получением (извлечением) в форме, соответствующей решаемой задаче и проходит следующие этапы:

• идентификация (области, проблемы);

• концептуализация (выделение основных понятий, связей и т. п. для описания знаний и путей решения задач в данной области);

• реализация (формирование базы знаний);

Объединение вновь вводимых правил с базой знаний осуществляется компонентой приобретения знаний. Для того чтобы убедиться в достаточности знаний, эксперт дает системе тестовые примеры. В случае если результат, полученный системой, не

удовлетворяет эксперта, он с помощью объяснительной компоненты получает сведения о том, как был сформулирован результат. По окончании процесса отладки система передается в эксплуатацию пользователям.

Пользователи общаются с ЭС в режиме решения задач, в ходе этого общения получая решение поставленной задачи или сведения о способе решения. Пользователь может:

• не бы1ть специалистом в конкретной области; тогда для получения ответа на интересующий его вопрос, он и обращается к ЭС за советом;

• быыть специалистом; тогда он может и сам получить результат. Но все же прибегает к услугами ЭС либо для того, чтобы ускорить процесс получения результата, либо для того, чтобы возложить на ЭС рутинную работу, сосредоточив собственные усилия на творческой деятельности.

Интерпретатор на основе входных данных, а также руководствуясь приобретенными в первичном режиме правилами и общей информацией, относящихся к изучаемой области, генерирует решение задачи. Пользователь может

затребовать уточнение по поводу того, как был получен ответ, если у него имеются какие-либо сомнения, с ним связанные. Обычно объяснительный блок сообщает следующее: 1) каким образом была использована информация пользователя; т. е. объясняет механизм работы используемых ранее введенных правил, относящихся к изучаемой области; 2) объясняет причины использования/неиспользования введенных данных; 3) какие были сделаны выводы. Все эти объяснения обрабатываются лингвистическим блоком и представляются на усеченном естественном для пользователя языке.

А теперь можно дать краткий обзор общего построения алгоритма ЭС достаточно серьезного уровня.

3) разбиение пары объект-значение;

4) проверка объектов и их значений;

5) включение нового объекта в общий список; 6) выведение списка значений; 7) выведение фактов базы знаний.

2. Работа с коэффициентом достоверности (доверия). Программные модули, выполняющие с коэффициентом доверия следующие операции: 1) определение; 2) изменение; 3) сохранение.

4. Обработка объекта и его значений. Эти модули обеспечивают:

1) нахождение разрешенного значения;

5. Обеспечение ввода пользователем информации (интерфейс пользователя).

6. Работа с правилами. Эти модули обеспечивают: 1) вспомогательные операции (например, изменение регистра символов или устранение пробела в текстовом файле с введенной пользователе

Для дальнейшего прочтения статьи необходимо приобрести полный текст. Статьи высылаются в формате PDF на указанную при оплате почту. Время доставки составляет менее 10 минут. Стоимость одной статьи — 150 рублей.

Читайте также: