Построение и использование механизмов логистического вывода

     Рис. 5. Иллюстрация механизма вывода во фреймовой модели

     Запрос  к ЭС в виде сообщения поступает  в старший по иерархии фрейм (на рисунке  — фрейм А). Если ответа на запрос нет ни в одном из слотов этого фрейма или их совокупности, соотвествующие сообщения (запросы) передаются во все фреймы, где имеются слоты (слот), имена которых содержатся в запросе или необходимы для поиска ответа на него (фреймы В и D). Если в них содержится искомый ответ, значение соответствующего слота передается в старший по иерархии фрейм (из фрейма D во фрейм А). Если для этого нужна дополнительная информация, предварительно передается сообщение (из фрейма В во фрейм С) и получается значение (из фрейма С во фрейм В). Значения, передаваемые в ответ на сообщения, либо непосредственно содержатся в соответствующих слотах фреймов, либо определяются как результат выполнения присоединенных процедур.

     В современных фреймовых системах, как правило, для пользователя реализована  возможность формулировать запросы на языке, близком к реальному. Интерфейсная программа (лингвистический процессор) должна "уметь" по результатам анализа запроса определять, в какой (какие) слот (слоты) необходимо поместить значение (значения) для инициализации автоматической процедуры поиска ответа.

     Рассмотрим  более конкретный пример, иллюстрирующий работу фреймовой ЭС, используемой в подразделении, организующем научно-исследовательскую работу (НИР) в некотором учреждении. На рис.6 представлена иерархия справочной информации об отчете по НИР (о-понятии, узле "отчет по НИР").

     

     Рис. 6. Иерахия справочной информации об отчете по НИР 

     

     Рис. 7. Структура понятий "Отчет по НИР" и "Этапный отчет по НИР" 

     

     Рис.8. Структура понятия "Этапный отчет по НИР "Залив" 

     Фреймовая система функционирует следующим  образом. Пусть в ЭС поступил запрос от полномочного пользователя: "Необходима информация о ходе выполнения НИР "Залив" (напомним, что, как правило, язык исходного  запроса близок к естественному). Информация проходит через лингвистический процессор, анализируется и в виде значения "Залив" вносится в слот Шифр узла "Этапный отчет по НИР "Залив". Далее начинают работать присоединенные процедуры:

     ♦   процедура "Если-добавлено", связанная  со слотом Шифр, выполняется, поскольку в слот было введено некоторое значение. Эта процедура осуществляет поиск сведений о руководителе НИР "Залив" (в нашем примере — Иванов И. И.) и вписывает это имя в слот Автор узла "Этапный отчет по НИР "Залив";

     ♦  процедура "Если-добавлено", связанная со слотом Автор, выполняется, так как в слот было вписано значение. Эта процедура начинает составлять сообщение, чтобы отправить его Иванову И. И., но обнаруживает, что отсутствует значение слота Дата;

     ♦ процедура "Если-добавлено", просматривая слот Дата, и найдя его пустым, активизирует процедуру "Если-нужно", связанную с этим слотом. Процедура найдет текущую дату, используя календарь ЭС, выберет ближайшую к ней (но большую) дату представления отчета (в нашем примере — 31.03.2003) и впишет ее в слот Дата;

     ♦  процедура "Если-добавлено", связанная  со слотом Автор, найдет, что отсутствует еще одно значение, необходимое для формирования выходного сообщения, а именно — значение слота Объем. Данный слот (узла "Этапный отчет по НИР "Залив") не имеет присоединенных процедур, поэтому приходится брать значение по умолчанию из одноименного слота общей концепции "Этапного отчета по НИР" (в нашем примере — 40 страниц).

     Теперь  ЭС может сформировать выходное сообщение  типа: "Этапный отчет по НИР "Залив" должен быть представлен Ивановым И. И. к 31 марта 2003 г. Предполагаемый объем отчета — 40 страниц" и/или "Иванов И. ИЛ Представьте этапный отчет по НИР "Залив" объемом не более 40 страниц к 31 марта 2003 г.".

     Если  в какой-либо момент значение слота  Автор (в нашем примере — Иванов И. И.) будет удалено, то сработает процедура "если-удалено" и система автоматически отправит Иванову И. И. уведомление о том, *го отчет не требуется.

     4. Механизм логического вывода  в диагностических системах байесовского  типа

     Диагностические ЭС широко применяются в различных  областях человеческой деятельности (медицине, технике, экономике и др.). Как  правило, в них используются продукционные  модели знаний о предметной области. Однако, если имеется возможность  использования в правилах статистических данных о понятиях и связях между ними, весьма целесообразно применить известную теорему Байеса для пересчета апостериорных вероятностей по результатам проверки наличия тех или иных симптомов.

     Применительно к техническим диагностическим системам используется следующая схема формализации:

     ♦ объект имеет множество возможных  неисправностей

     

     ♦ каждой неисправности приписывается  априорная вероятность

     

     ♦ каждая неисправность проявляется  через симптомы

     

     причем  каждая неисправность характеризуется "своими" симптомами из "общего" списка;

     ♦ известны условные вероятности проявления симптомов при каждой неисправности

     Тогда можно определить апостериорные  вероятности наличия неисправности  при данном симптоме I:

     причем  при расчете апостериорной вероятности учитывается, наблюдался при испытании данный симптом или нет.

     Зная  перечисленные вероятности, легко  реализовать процедуру проверки наиболее вероятных симптомов, причем проверка очередного симптома должна сопровождаться пересчетом значений всех апостериорных вероятностей. Для получения априорных и условных вероятностей необходимо обработать статистические данные (при их наличии) или получить и обработать экспертную информацию.

     На  рис. 9, а, б, в представлена иллюстрация  описанного подхода. На рис. 9, а показаны исходные априорные вероятности наличия неисправностей. Как правило, задается некоторый уровень вероятности Р , превышение которого свидетельствует о необходимости проверки именно тех неисправностей, для которых и наблюдается превышение (в нашем примере — S.). Далее проверяется наличие того симптома, для которого вероятность его проявления при i-й неисправности наибольшая (например, симптома С_% на рис. 9 б).

     По  результатам проверки пересчитываются  все апостериорные вероятности и выявляются те из них, которые превышают заданный уровень. По ним определяется очередной проверяемый симптом (на рис. 9, в — симптом С₂) и т. д. Заметим, что в результате пересчета апостериорная вероятность той или иной неисправности может как увеличиться, так и уменьшиться. После нескольких шагов.данный алгоритм приводит к тому, что ЭС некоторые неисправности, 

       
 

     Рис. 9. Иллюстрация алгоритма работы диагностической ЭС

     апостериорные вероятности которых стали очень  малыми, отбрасывает (перестает учитывать), а другие предлагает исправить.

     Рассмотрим  конкретный пример — фрагмент ЭС диагностического типа, предназначенной для поиска неисправности в автомобиле при следующих исходных данных:

     ♦  автомобиль может иметь четыре неисправности:

     ♦  S1 — неисправна аккумуляторная батарея;

     ♦  S2— отсутствует топливо;

     ♦  S3 — "отсырело" зажигание;

     ♦  S4 — замаслены свечи;

     ♦  симптомами неисправностей являются:

     ♦  C1 — фары не горят;

     ♦  С_г — указатель топлива на нуле;

     ♦  С₃ — автомобиль не заводится;

     ♦  С₄ — стартер проворачивается;

     ♦  С₅ — двигатель работает неустойчиво, "чихает";

     

     ♦  значения априорных вероятностей:

     ♦ значения условных вероятностей проявлений симптомов при наличии неисправностей приведены в таблице. Знаком "+" обозначены вероятности Р(С /S_t)_t а знаком "-"— вероятности P(Cj/S_t).

     Значения  условных вероятностей проявления симптомов  при наличии неисправностей

       

     Реализация  описанного выше алгоритма для последовательности симптомов "фары горят" — "указатель топлива не на нуле" — "стартер проворачивается" — "автомобиль заводится" — "двигатель "чихает" приведет к следующему заключению ЭС: "Просушите зажигание, проверьте свечи". Другая последовательность симптомов "фары не горят" — "автомобиль не заводится" — "стартер не проворачивается" — "указатель топлива не на нуле" — "двигатель не чихает" приведет ЭС к рекомендации "Замените аккумуляторную батарею". Если при проверке симптомов окажется, что "фары горят", "указатель топлива на нуле", "автомобиль не заводится", "стартер проворачивается", "двигатель не чихает", рекомендация ЭС, естественно, такова: "Залейте бензин".

     Широкое распространение диагностических  ЭС в различных областях деятельности определяется рядом обстоятельств:

     ♦  возможностью обеспечения близости априорных и условных вероятностей, используемых в алгоритме, к "истинным" значениям. Как правило, при грамотном учете опыта работы специалистов по устранению соответствующих неисправностей хорошие оценки названных вероятностей могут быть получены по результатам обработки статистических данных;

     ♦  сравнительной простотой обеспечения  диалога пользователя с системой на языке, близком к естественному, поскольку промежуточные и итоговые заключения ЭС, основанные на формальных шагах алгоритма работы, легко интерпретируются в понятные всем рекомендации;

     ♦  возможностью выдачи пользователю (как  правило, по запросу) промежуточных  результатов диагностики неисправности, т. е. пояснения рекомендаций ЭС, что в подавляющем большинстве случаев облегчает их восприятие;

     ♦   возможностью постоянного учета  текущего опыта пользователей и простотой корректировки (при необходимости) модели знаний о предметной области.

     388В  заключение раздела отметим, что  в учебнике рассмотрены лишь методологические основы построения и использования систем искусственного интеллекта. Практика совершенствования информационных технологий представляет все новые направления применения интеллектуальных средств. Так, например, наряду с интеллектуальными пакетами прикладных программ появились так называемые интеллектуальные базы данных [27], в которых используются достижения теории искусственного интеллекта как для организации хранения информации о предметной области, так и для удовлетворения информационных потребностей пользователей. Другим примером может служить разработанная специалистами Института человеческого и машинного познания при университете Западной Флориды (США) технология хранения и представления пользователям информации, получившая название СМар (англ. Concept Map — карта понятий), являющаяся одним из вариантов применения семантических сетей. С помощью этой технологии можно осваивать большие объемы сложно структурированного материала, решая различные задачи (в том числе и задачи обучения специалистов). Еще одним примером является известная концепция "интеллектуального дома (жилища)", призванная рационально использовать средства искусственного интеллекта при всестороннем обеспечении управления бытовыми системами (начиная от регулирования подачи электроэнергии и воды и заканчивая включением/выключением микроволновой печи или телевизора в заданное время). Существует множество подобных примеров, подтверждающих главный вывод: магистральным путем современной автоматизации профессиональной деятельности людей является ее интеллектуализация.