Разработка электронного учебника по Экспертным системам

    1. META-DENDRAL.Система DENDRAL позволяет определить  наиболее вероятную структуру химического соединения по экспериментальным данным (масс - спектрографии, данным ядерного магнитного резонанса и др.).M-D автоматизирует процесс приобретения знаний для DENDRAL. Она генерирует правила построения фрагментов химических структур. 

    2. MYCIN-EMYCIN-TEIREIAS-PUFF-NEOMYCIN. Это семейство  медицинских ЭС и сервисных  программных средств для их  построения.  

    3. PROSPECTOR-KAS. PROSPECTOR- предназначена для  поиска (предсказания) месторождений на основе геологических анализов. KAS- система приобретения знаний для  PROSPECTOR. 

    4. CASNET-EXPERT.  Система CASNET- медицинская  ЭС для диагностики выдачи рекомендаций по лечению глазных заболеваний.

    На  ее основе разработан язык инженерии знаний EXPERT, с помощью которой создан ряд других медицинских диагностических систем. 

    5. HEARSAY-HEARSAY-2-HEARSAY-3-AGE. Первые две системы  этого ряда являются развитием  интеллектуальной системы распознавания  слитной человеческой речи, слова которой берутся из заданного словаря. Эти системы отличаются оригинальной структурой, основанной на использовании доски объявлений- глобальной базы данных, содержащей текущие результаты работы системы. В дальнейшем на основе этих систем были созданы инструментальные системы HEARSAY-3 и AGE (Attempt to Generalize- попытка общения) для построения ЭС.  

    6. Системы AM (Artifical Mathematician- искусственный  математик) и EURISCO были разработаны  в Станфордском университете  доктором Д. Ленатом для исследовательских и учебных целей. Ленат считает, что эффективность любой ЭС определяется закладываемыми в нее знаниями. По его мнению, чтобы система была способна к обучению, в нее должно быть введено около миллиона сведений общего характера. Это примерно соответствует объему информации, каким располагает четырехлетний ребенок со средними способностями. Ленат также считает, что путь создания узкоспециализированных ЭС с уменьшенным объемом знаний ведет к тупику.

    В систему AM первоначально было  заложено около 100 правил вывода и более 200 эвристических алгоритмов обучения, позволяющих строить произвольные математические теории и представления. Сначала результаты работы системы были весьма многообещающими. Она могла сформулировать понятия натурального ряда и простых чисел. Кроме того, она синтезировала вариант гипотезы Гольдбаха о том, что каждое четное число, большее двух, можно представить в виде суммы двух простых чисел. До сих пор не удалось ни найти доказательства данной гипотезы, ни опровергнуть ее. Дальнейшее развитие системы замедлилось и было отмечено, что, несмотря на проявленные на первых порах “математические способности”, система не может синтезировать новых эвристических правил, т.е. ее возможности определяются только теми эвристиками, что были в нее изначально заложены.

    При разработке системы EURISCO была  предпринята попытка преодолеть указанные недостатки системы AM. Как и в начале эксплуатации AM, первые результаты, полученные с помощью EURISCO, были эффективными. Сообщалось, что система EURISCO может успешно участвовать в очень сложных играх. С ее помощью в военно-стратегической игре, проводимой ВМФ США, была разработана стратегия, содержащая ряд оригинальных тактических ходов. Согласно одному из них, например предлагалось взрывать свои корабли, получившие повреждения. При этом корабли, оставшиеся неповрежденными, получает необходимое пространство для выполнения маневра.

    Однако через некоторое время  обнаружилось, что система не  всегда корректно переопределяет  первоначально заложенные в нее правила. Так, например, она стала нарушать строгое предписание обращаться  к программистам с вопросами только в определенное время суток. Т.о., система EURISCO, так же как и ее предшественница, остановилась в своем развитии, достигнув предела, определенного в конечном счете ее разработчиком.

    С 1990 года доктор Ленат во  главе исследовательской группы  занят кодированием и вводом нескольких сот тысяч элементов знаний, необходимых, по его мнению, для создания “интеллектуальной” системы. Этот проект назван Cyc (“Цик”, от английского слова enciklopaedia). 

   «8.2» Проблемы, возникающие при создании ЭС. Перспективы разработки.

    С 70-х годов ЭС стали ведущим  направлением в области искусственного  интеллекта. При их разработке  нашли применение методы ИИ, разработанные ранее: методы представления знаний, логического вывода, эвристического поиска, распознавания предложений на естественном языке и др. Можно утверждать, что именно ЭС позволили получить очень большой коммерческий эффект от применения таких мощных методов. В этом - их особая роль.

     Каталог ЭС и инструментальных  программных средств для их  разработки, опубликованный в США в 1987 году, содержит более 1000 систем (сейчас их уже значительно больше). В развитых зарубежных странах сотни фирм занимаются их разработкой и внедрением. Имеются и отечественные разработки ЭС, в том числе  нашедший промышленное применение.

   Однако уже на начальных этапах  выявились серьезные принципиальные  трудности,  препятствующие более  широкому распространению ЭС и серьезно замедляющие и осложняющие их разработку. Они вполне естественных и вытекают из самих принципов разработки ЭС.

   Первая трудность возникает в  связи с постановкой задач.  Большинство заказчиков, планируя  разработку ЭС, вследствие недостаточной компетентности в вопросах применения методов ИИ, склонна значительно преувеличивать ожидаемые возможности системы. Заказчик желает увидеть в ней самостоятельно мыслящего эксперта в исследуемой области, способного решать широкий круг задач. Отсюда и типичные первоначальные постановки задачи по созданию ЭС: “Разработать ЭС по обработке изображения”; “Создать медицинские ЭС по лечению заболеваний опорно-двигательного аппарата у детей”. Однако, как уже отмечалось, мощность эвристических методов решения задач при увеличении общности их постановки резко уменьшается. Поэтому наиболее целесообразно (особенно при попытке создания ЭС в области, для которой у разработчиков еще нет опыта создания подобных систем) ограничиться для начала не слишком сложной обозримой задачей в рассматриваемой области, для решения которой нет простого алгоритмического способа (то есть неочевидно, как написать программу для решения этой задачи, не используя методы обработки знаний). Кроме того, важно, чтобы уже существовала сложившаяся методика решения этой задачи “вручную” или какими-либо расчетными методами. Для успешной разработки ЭС необходимы не только четкая и конкретная постановка задач, но и разработка подробного (хотя бы словесного) описания “ручного” (или расчетного) метода ее решения. Если это сделать затруднительно, дальнейшая работа по построению ЭС теряет смысл.

    Вторая и основная трудность  - проблема приобретения (усвоения) знаний. Эта проблема возникает при “передаче” знаний, которыми обладают эксперты-люди, ЭС. Разумеется, для того, чтобы “обучить” им компьютерную систему, прежде всего требуется сформулировать, систематизировать и формализовать эти знания “на бумаге”. Это может показаться парадоксальным, но большинство экспертов (за исключением, может быть, математиков), успешно используя в повседневной деятельности свои обширные знания, испытывают большие затруднения при попытке сформулировать и представить в системном виде хотя бы основную часть этих знаний: иерархию используемых понятий, эвристики, алгоритмы, связи между ними. Оказывается, что для подобной формализации знаний необходим определенный систематический стиль мышления, более близкий математикам и программистам, чем, например, юристам и медикам. Кроме того, необходимы, с одной стороны, знания в области математической логики и методов представления знаний, с другой - знания возможности ЭВМ, из программного обеспечения, в частности, языков и систем программирования.

      Таким образом, выясняется, что  для разработки ЭС необходимо  участие в ней особого рода специалистов, обладающих указанной совокупностью знаний и выполняющих функции “посредников” между экспертами в предметной области и компьютерными (экспертными) системами. Они получили название инженеры знаний (в оригинале - knowledge engineers), а сам процесс разработки ЭС и других интеллектуальных программ, основанных на представлении и обработке знаний - инженерией знаний (knowledge engineering). В развитых зарубежных странах специальность “инженер знаний” введена во многих вузах, в нашей стране основы инженерии знаний изучают пока в рамках специализаций по системному программированию. Функции эксперта и инженера знаний редко совмещаются в одном лице. Чаще функции инженера знаний выполняет разработчик ЭС. Как показал опыт многих разработок, для первоначального приобретения знаний, в которых участвуют эксперты, инженеры знаний и разработчики ЭС, требуется активная работа всех трёх категорий специалистов. Она может длиться от нескольких недель до нескольких месяцев.

На  этапе приобретения знаний могут  возникнуть трудности  и психологического порядка: эксперт может препятствовать передаче своих знаний ЭС, пологая, что это снизит его престиж как специалиста и создаст предпосылки для замены его “машиной”. Однако эти опасения лишены оснований: ЭС “уверенно “ работает лишь в типовых ситуациях, а также удобна в случаях, когда человек находится в состоянии стресса, в наиболее сложных ситуациях, требующих нестандартных рассуждений и оценок, эксперт-человек незаменим.

    Третья  серьёзная трудность в очень  большой трудоёмкости  создания ЭС: требуется разработать средства управления базой знаний, логического вывода, диалогового взаимодействия с пользователем и т.д. .Объем программирования столь велик, а программы столь сложны и нетрадиционны, что имеет смысл, как это принято сейчас при разработке больших программ, на первом этапе создать демонстрационный прототип системы – предварительный вариант, в котором в упрощенном виде реализованы лишь её основные планируемые возможности  и которая будет служить для заказчика подтверждением того, что разработка ЭС для решения данной задачи принципиально возможна, а для разработчиков – основой для последующего улучшения и развития системы.

    Когда стала очевидной полная непригодность  этих систем и созданного для них специализированного аппаратного оборудования, многие обозреватели пришли к выводу, что существующая технология создания ЭС была тупиковым направлением в развитии информационных технологий. В последнее десятилетие ЭС возродилось в виде систем с базой знаний, которые тесно переплетались с существующими деловыми системами.  Их используют в здравоохранении, страховании, банковском деле и других областях, чтобы с помощью правил  и объектов накапливать опыт, повысить качество принимаемых решений. Базы знаний встроены сегодня в наиболее современные крупные системы. Они находятся в самой сердцевине программ- агентов, осуществляющих поиск в сети Internet, и помогают коллективам пользователей справится с поиском информации.

    Рассмотрим  факторы, стимулировавшие развитие систем с базами знаний:

• компании, добившиеся значительной экономии денежных средств благодаря технологии баз знаний, развивают и выстраивают её в специальные бизнес - процессы, которые были бы просто невозможны без компьютерной экспертизы;
• разработаны новые технологии создания баз знаний, является необходимым средством, которое может изменить бизнес- процесс;
• современные системы реализованы не на специализированном, а на стандартном оборудовании.

    Объединение всех видов программных продуктов  и их отдельных компонентов в  единую ЭС признано экономически выгодным, так как применение ЭС позволяет существенно сократить расходы на подготовку квалифицированного персонала, дальнейшую проверку работоспособности и надёжности разрабатываемых  и исследовательских систем, а также уменьшить время проектирования и (или) исследования.

    Объектная технология, на основе которой могут  создаваться и развиваться современные ЭС, - значительный шаг в перёд по сравнению с CASE- средствами, т.к она похожа на наше восприятие окружающей действительности. Наше представление о моделировании меняется, то же самое происходит и с объектами,   поэтому сопровождение  программируемых объектов может выполнятся аналогично приспособлению наших умозрительных  образов к изменению окружающих условий. Данная технология прекрасно подходит аналитикам и программистам т.к очень напоминает стратегию решения проблемы и соответствует мысленным процессам людей, считающихся экспертами в своей области.

      Чтобы стать экспертом, специалисту  нужен инструментарий, имитирующий мышление эксперта. Разработка парадигмы превращается из задачи, незнакомой мышлению человека, в знакомое, привычное и лёгкое выполняемое  задание.

      Как работают эксперты? Следуя  принципам, заложенным в объектно-ориентированные  технологии, они подразумевают проблемы  на объекты или классы объектов. По мере накопления знаний в определённой области они делают обобщения, ориентируясь на выделенные объекты или классы объектов. Некоторые обобщения имеют иерархическую структуру, где свойства высших объектов наследуются объектами низшего уровня. Сущность может соответствовать нескольким классам объектов и взаимодействовать с различными объектами или классами. По мере того как знания эксперта углубляются, на их основе формируются новые ассоциации, а отдельные уровни иерархии пропадают или    расширяются.