Экспертные системы как прикладная область искусственного интеллекта

     Программа, которая работает со знаниями, организованными  подобным образом, называется системой, основанной на знаниях. 

     Рис. 3. Экспертные системы как системы, основанные на знаниях. 

     Как показано на рисунке 3 , в сущности все  экспертные системы являются системами, основанными на знаниях, но не наоборот. Программу искусственного интеллекта для игры в «крестики и нолики»  нельзя будет считать экспертной системой, даже если в ней знания о предметной области отделить от остальной программы.

     База  знаний экспертной системы содержит факты (данные) и правила (или другие представления знаний), использующие эти факты как основу для принятия решений. Механизм вывода содержит интерпретатор, определяющий, каким образом применять правила для вывода новых знаний, и диспетчер, устанавливающий порядок применения этих правил. Такая структура экспертной системы показана на рисунке 4. 

     Экспертная система

     Рис. 4. Состав экспертной системы. 

     Выделение знаний о предметной области облегчает  инженеру по знаниям разработку процедур для манипулирования ими. Каким  образом система использует свои знания, имеет первостепенное значение, поскольку экспертная система должна иметь и адекватные знания, и средства эффективно использовать знания, чтобы её можно было считать умелой в каком-либо виде деятельности. Следовательно, для того, чтобы быть умелой, экспертная система должна иметь базу знаний, содержащую высококачественные знания о предметной области, а её механизм вывода должен содержать знания о том, как эффективно использовать знания о предметной области.

     Концепция механизма вывода экспертной системы часто вызывает некоторое недоумение среди начинающих разработчиков. Обычно ясно, как знания предметной области могут быть записаны в виде фактов и правил, но далеко не ясно, каким образом конструировать и использовать так называемый «механизм вывода». Это недоумение происходит от отсутствия простого и общего метода организации логического вывода. Его структура зависит и от специфики предметной области и от того, как знания структурированы и организованы в экспертной системе. Многие языки высокого уровня, предназначенные для построения экспертных систем, например ЕМYСIМ, имеют механизм вывода, в некотором смысле встроенный в язык как его часть.

     Другим  примером может служить язык программирования Пролог со встроенным в него механизмом логического вывода, который может  быть непосредственно использован при создании простых экспертных систем.

     Языки более низкого уровня, например LISP, требуют, чтобы создатель экспертной системы спроектировал и реализовал механизм вывода.

     Оба подхода имеют свои достоинства  и недостатки. Язык высокого уровня со встроенным механизмом вывода облегчает работу создателя экспертной системы. В то же время у него, понятно, меньше возможностей определять способы организации знаний и доступа к ним, и ему следует очень внимательно рассмотреть вопрос о том, годится или нет на самом деле предлагаемая схема управления процессом поиска решения для данной предметной области. Использование языка более низкого уровня без механизма вывода требует больших усилий на разработку, но позволяет разработать нужные программные блоки, которые разработчик может встроить в схему управления процессом решения, который будет адекватен данной предметной области.

     Что касается механизма вывода, то здесь  дело не ограничивается выбором «всё или ничего». Так, некоторые инструменты  построения экспертных систем имеют набор встроенных механизмов вывода, но позволяют разработчику модифицировать или переопределять их для большего соответствия с предметной областью.

       Существует много стандартных  способов представления знаний, и при построении экспертных  систем « может быть использован любой из них, сам по себе или в сочетании с другими. Каждый способ позволяет получить программу с некоторыми преимуществами - делает её более эффективной, облегчает её понимание и модификацию. В современных экспертных системах чаще всего используются три самых важных метода представления знаний: правила (самый популярный), семантические сети и фреймы.

       Представление знаний, основанное  на правилах, построено на использовании  выражений вида ЕСЛИ (условие) - ТО (действие). Например:

     (1) Если пациент был по профессии изолировщиком до 1988 г., то пациент непосредственно работал с асбестом. (2) Если пациент непосредственно работал с асбестом и пациент находился при этом в закрытом помещении, то пациент получил большую дозу асбестовой пыли. Когда текущая ситуация (факты) в задаче удовлетворяет или согласуется с частью правила ЕСЛИ, то выполняется действие, определяемое частью ТО. Это действие может оказаться воздействием на окружающий мир (например, вызовет распечатку текста на терминале пользователя), или же повлиять на управление программой (например, вызвать проверку и запуск некоторого набора правил), или может сводиться к указанию системе о получении определенного заключения (например, необходимо добавить новый факт или гипотезу в базу данных).

     Сопоставление частей ЕСЛИ правил с фактами может  породить так называемую цепочку выводов. Цепочка выводов, образованная последовательным применением правил 1 и 2, изображена на рисунке 5. Эта цепочка показывает, как система использует правила для вывода о том, насколько серьёзную дозу канцерогенного вещества пациент получил при работе с асбестом. 

     Рис. 5. Цепочка вывода для получения  заключения  о накопленной дозе асбестовой пыли. 

     Правила обеспечивают естественный способ описания процессов, управляемых сложной и быстро изменяющейся внешней средой. Через правила можно определять, как программа должна реагировать на изменение данных; при этом не нужно заранее знать блок-схему управления обработкой данных. В программе традиционного типа схема передачи управления и использования данных предопределена в самой программе. Обработка здесь осуществляется последовательными шагами, а ветвление имеет место только в заранее выбранных точках. Этот способ управления хорошо работает в случае задач, допускающих алгоритмическое решение, если к тому же при этом данные меняются достаточно медленно, например, при решении систем линейных уравнений. Для задач, ход решения которых управляется самими данными, где ветвление скорее норма, чем исключение, этот способ малоэффективен. В задачах такого рода правила дают возможность на каждом шаге оценить ситуацию и предпринять соответствующие действия. Использование правил упрощает объяснение того, что и как сделала программа, т. е. каким способом она пришла к конкретному заключению.

     Представление знаний, основанное на фреймах, использует сеть узлов, связанных отношениями  и организованных иерархически. Каждый узел представляет собой концепцию, которая может быть описана атрибутами и значениями, связанными с этим узлом. Узлы, которые занимают более низкое положение в иерархии, автоматически наследуют свойства узлов, занимающих более высокое положение. Эти методы обеспечивают естественный и эффективный путь классификации и построения таксономии, например залежей руд или различных заболеваний. 

     2.4. Технология разработки  экспертных систем 

     Этапы разработки

     Разработка  программных комплексов экспертных систем как за рубежом, так и в  нашей стране находится на уровне скорее искусства, чем науки. Это  связано с тем, что долгое время  системы искусственного интеллекта внедрялись в основном во время фазы проектирования, а чаще всего разрабатывалось несколько прототипных версий программ, прежде чем был получен конечный продукт. Такой подход действует хорошо в исследовательских условиях, однако в коммерческих условиях он является слишком дорогим, чтобы оправдать коммерчески жизненный продукт.

     Процесс разработки промышленной экспертной системы, опираясь на традиционные технологии, можно разделить на шесть более  или менее независимых этапов, практически не зависимых от предметной области.

     Последовательность  этапов дана для общего представления  о создании идеального проекта. Конечно, последовательность эта не вполне фиксированная. В действительности каждый последующий  этап разработки экспертной системы приносит новые идеи, которые могут повлиять на предыдущие решения и даже привести к их переработке. Именно поэтому многие специалисты по информатике весьма критично относятся к методологии экспертных систем. Они считают, что расходы на разработку таких систем очень большие, время разработки слишком длительное, а полученные в результате программы ложатся тяжёлым бременем на вычислительные ресурсы.

     В целом за разработку экспертных систем целесообразно браться организации, где накоплен опыт по автоматизации рутинных процедур обработки информации, например:

• информационный поиск;
• сложные расчёты;
• графика;
• обработка текстов.

     Решение таких задач, во-первых, подготавливает высококвалифицированных специалистов по информатике, необходимых для  создания интеллектуальных систем, во-вторых, позволяет отделить от экспертных систем неэ

     Этап 1: выбор подходящей проблемы

     Этот  этап включает деятельность, предшествующую решению начать разрабатывать конкретную экспертную систему. Он включает:

• определение проблемной области и задачи;
• нахождение эксперта, желающего сотрудничать при решении проблемы, и назначение коллектива разработчиков;
• определение предварительного подхода к решению проблемы;
• анализ расходов и прибыли от разработки;
• подготовку подробного плана разработки.

     Правильный выбор проблемы представляет, наверное, самую критическую часть разработки в целом. Если выбрать неподходящую проблему, можно очень долгое время искать решение спроектированных задач. Неподходящая проблема может также привести к созданию экспертной системы, которая стоит намного больше, чем экономит. Дело будет обстоять ещё хуже, если разработать систему, которая работает, но не приемлема для пользователей. Даже если разработка выполняется самой организацией для собственных целей, эта фаза является подходящим моментом для получения рекомендаций извне, чтобы гарантировать удачно выбранный и осуществимый с технической точки зрения первоначальный проект.

     При выборе области применения следует  учитывать, что если знание, необходимое  для решения задач, постоянное, чётко формулируемое и связано с вычислительной обработкой, то обычные алгоритмические программы, по всей вероятности, будут самым целесообразным способом решения проблем в этой области.

     Экспертная  система ни в коем случае не устранит потребность в реляционных базах данных, статистическом программном обеспечении, электронных таблицах и системах текстовой обработки. Но если результативность задачи зависит от знания, которое является субъективным, изменяющимся, символьным или вытекающим частично из соображений здравого смысла, тогда область может обоснованно выступать претендентом на экспертную систему.

     Рассмотрим  некоторые факты, свидетельствующие  о необходимости разработки и  внедрения экспертных систем:

• нехватка специалистов, расходующих значительное время для оказания помощи другим;
• потребность в многочисленном коллективе специалистов, поскольку;
• сниженная производительность, поскольку задача требует полного анализа сложного набора условий, а обычный специалист не в состоянии просмотреть (за отведённое время) все эти условия;
• большое расхождение между решениями самых хороших и самых плохих исполнителей;
• наличие конкурентов, имеющих преимущество в том, что они лучше справляются с поставленной задачей.

     Подходящие  задачи имеют следующие характеристики:

• являются узкоспециализированными;
• не зависят в значительной степени от общечеловеческих знаний или соображений здравого смысла;
• не являются для эксперта слишком лёгкими, ни слишком сложными (время, необходимое эксперту для решения проблемы, может составлять от трех часов до трех недель);
• условия исполнения задачи определяются самим пользователем системы;
• имеет результаты, которые можно оценить.

     Обычно  экспертные системы разрабатываются  путём получения специфических  знаний от эксперта и ввода их в  систему. Некоторые системы могут содержать стратегии одного индивида. Следовательно, найти подходящего эксперта - это ключевой шаг в создании экспертных систем.