Аналогия в задачах принятия решений

      Но  само по себе наличие общих признаков  у сравниваемых предметов не является решающим при получении выводов по аналогии. Надо стремиться к тому, чтобы общие признаки сравниваемых предметов были наиболее типичными для этих предметов, тесно связанными с их специфическими признаками.

      Большое значение имеет разнообразие общих свойств у сравниваемых предметов. Если общие свойства будут однотипными, то вывод  будет менее правомерен, чем при общности как геометрических, так и физических, химических, метеорологических и других свойств.

      Повышение степени вероятности выводов по аналогии зависит от следующих условий [15]: 1) от количества рассмотренных сходных признаков у сравниваемых явлений; 2) от степени существенности этих признаков. Одним словом, чем обстоятельнее проанализировано сходство и различие изучаемых явлений, тем основательнее заключение по аналогии.

      Для получения более вероятных выводов  по аналогии требуется, возможно, большее  сходство между сравниваемыми предметами или явлениями. Однако при этом следует  учитывать одно весьма существенное обстоятельство. Чем больше сходства между сравниваемыми предметами, тем меньше эвристическая ценность аналогии.

      Выводы  по аналогии вероятны. Но вероятный  характер этих выводов не следует абсолютизировать. Аналогия аналогии рознь. В отличие от популярных аналогий, используемых  в обыденной практике людей, некоторые научные выводы, основывающиеся на аналогии, близки к достоверному знанию.  Известно, что действие таких монументальных сооружений, как мост, плотина, первоначально изучается на моделях. Модель – аналог предмета. Моделирование позволяет на уменьшенной или увеличенной модели проводить качественное  и количественное изучение процесса, протекающего в «образце», который недоступен для детального исследования. Результаты единичного опыта обобщаются и переносятся на целую группу предметов, подобных изучаемому. Метод моделирования базируется на теории подобия, которая дает обоснование для переноса закономерностей, полученных на модели, на образце. При это выводы близки к достоверным. Здесь нельзя остановиться на суждениях: плотина, вероятно, выдержит напор воды, корабль, вероятно, не утонет [14].             

      1.6. Обзор результатов  в области исследований  по аналогии, как  способа принятия решений в интеллектуальных системах

      Одним из механизмов логического вывода  умозаключений в современных экспертных системах является вывод на основе аналогий.

      О важности наличия средств, способных  моделировать человеческие рассуждения, в частности, рассуждения на основе аналогий, говорится во многих работах в области ИИ: Д.А. Поспелова [4], О.И. Ларичева [11], Э.В. Попова [14], В.Н. Вагина [10], О.П. Кузнецова, Г.С. Осипова [15], В.Ф. Хорошевского [17], С. Осуги [9], Ж.Л. Лорьера.[5], Ю. Саэки [7], Осипова Г.С. [15], Финн В.К. [19] и др.

      Изучение  механизмов, участвующих в процессе построения умозаключений на основе аналогий, является важной задачей, как для психологов, так и для специалистов в области искусственного интеллекта (ИИ). Аналогия может использоваться в различных приложениях ИИ и для решения разнообразных задач, например, для генерации гипотез о незнакомой предметной области, для обобщения некоторого опыта в виде абстрактной схемы или понимания естественного языка (ЕЯ) [6]. Большой интерес к моделям и методам рассуждения на основе аналогий обусловлен тем, что на сегодняшний день весьма актуальна проблема моделирования человеческих рассуждений (рассуждений так называемого «здравого смысла») для повышения эффективности современных компьютерных систем типа интеллектуальных систем (ИС) поддержки принятия решений реального времени (ИСППР РВ).

      ИСППР РВ предназначены для помощи лицам, принимающим решения (ЛПР), при управлении сложными объектами и процессами различной природы в реальном масштабе времени при наличии  в имеющейся информации (данных и  знаниях) различного рода неопределенностей (неполноты, неточности, противоречивости и т.п.), называемых для краткости НЕ-факторами.

      Под сложным объектом понимается объект, имеющий сложную архитектуру с тысячами взаимосвязей, отследить которые в полном объеме достаточно трудно, с большим количеством контролируемых и управляемых параметров, которые изменяются в процессе функционирования объекта, и малым временем на принятие управляющих воздействий. Как правило, такие сложные динамические объекты декомпозируются на технологические подсистемы (например, энергоблок включает в себя такие подсистемы как реактор, первый контур, компенсатор объема и др.) и могут функционировать в различных режимах (в штатном, нештатном и аварийном, когда включаются системы автоматической защиты) [13].

      ИСППР РВ принадлежат к классу интегрированных ИС, сочетающих строгие математические методы и модели поиска решения с нестрогими, эвристическими моделями и методами, базирующимися на экспертных знаниях, моделях человеческих рассуждений  и накопленном системой опыте.

      Применение  моделей и методов поиска решения на основе аналогий в ИСППР РВ позволяет ЛПР в реальном масштабе времени при наличии разного рода НЕ-факторов различного рода неопределенностей (неполноты, неточности, противоречивости и т.п.) как в исходной информации, получаемой от объекта и среды, так и в экспертных знаниях принимать более адекватные управляющие воздействия на объект в различных нештатных (аномальных) ситуациях.

      В работе [6]: «Реализация метода правдоподобных рассуждений на основе прецедентов для интеллектуальных систем поддержки принятия решений» [Варшавского П.Р.] рассматривается механизм вывода на основе структурной аналогии с учётом контекста (структурная аналогия имеет место, если  знания о предметной области представимы в структурированном виде), приводится разработанный алгоритм. В качестве формализма для представления знаний автор выбирает семантические сети (СС). Выбор СС для представления структурной аналогии обусловливается рядом важных достоинств сетей, отличающих их от других моделей представления знаний (например, продукционного типа). Важным преимуществом СС является естественность представления структурированных знаний и достаточно простое их обновление в относительно однородной среде. Последнее свойство особенно важно для ИСППР РВ, ориентированных на открытые и динамические предметные области.

      Структуру СС автор рассматривает на примере, взятом из области энергетики – оперативного управления атомным энергоблоком. Вводятся необходимые определения и утверждения, даётся оценка вычислительной сложности базового алгоритма поиска решения на основе структурной аналогии с учетом контекста.

      В работе [7] указывается, что одна из важнейших  проблем инженерии знаний — приобретение знаний. Под приобретением здесь понимается получение знаний в виде, пригодном для их использования компьютерами, поэтому многие исследователи указывают, что ключом к знаниям является теория и методология машинного обучения.

      В общем случае машинное обучение включает приобретение новых декларативных знаний, систематизацию и хранение новых знаний, а также обнаружение новых фактов. Среди указанных форм обучения аналогия, о которой будет идти речь в данной главе, связана, в частности, с проблемой машинного обнаружения новых фактов.

      Под новыми фактами мы будем понимать факты, которые дедуктивно не выводятся из некоторых существующих знаний. В общем случае при индуктивных выводах по заданным данным создается гипотеза, их объясняющая, а с помощью дедукции из этой гипотезы можно вывести новые факты. С другой стороны, при аналогии новые факты предсказываются путем использования некоторых преобразований уже известных знаний.

      Индукция  и аналогия крайне необходимы при  обработке интеллектуальной информации. Так, Шапиро [8] ввел строгую формализацию индуктивных выводов в части вывода моделей с использованием логики предикатов первого порядка; в теории индуктивных выводов также есть заметные успехи. В книге [9] с указанной точки зрения дана формализация аналогии также с помощью логики предикатов, указаны теоретические основы для автоматизации аналогии. Приведена реализация машины аналогий, использующая логические программы. В [7] выделены два типа аналогии: для решения задач и для предсказаний. Аналогия первого типа применяется главным образом для повышения эффективности решения задач, которые, вообще говоря, можно решить и без аналогии. Например, благодаря использованию решений аналогичных задач в областях программирования и доказательства теорем можно прийти к выводам о программах или доказательствах. С другой стороны, используя   аналогию   для   предсказаний,   благодаря преобразованию знаний на основе подобия между объектами можно сделать заключение о том, что, возможно, справедливы новые факты. Например, если объектами аналогии является некая система аксиом, то знаниями могут быть теоремы, справедливые в этой системе. При этом, используя схожесть между системами аксиом, можно преобразовать теорему в одной из систем в логическую формулу для другой системы и сделать вывод о том, что эта формула есть теорема. Другими словами, аналогия используется и для решения некоторых строго сформулированных задач и для предсказаний, а также для приобретения не заданной ранее информации. 

      1.7. Понятие логической  экспертной системы 

      Экспертная  система (ЭС) - это интеллектуальная программа, способная делать логические выводы на основании знаний в конкретной предметной области и обеспечивающая решение специфических задач [2].

      Чтобы проводить эспертизу, компьютерная программа должна быть способна решать задачи посредством логического вывода и получать при этом достаточно надежные результаты. Программа должна иметь доступ к системе фактов, называемой базой знаний.

      Программа также должна во время консультации выводить заключения из информации, имеющейся  в базе знаний. Некоторые экспертные системы могут также использовать новую информацию, добавляемую во время консультации. Экспертную систему, таким образом, можно представлять состоящей из трех частей:

      1. База знаний (БЗ).

      2. Механизм вывода (МВ).

      3. Система пользовательского интерфейса (СПИ).

        База знаний - центральная часть  экспертной системы. Она содержит  правила, описывающие отношения или явления, методы и знания для решения задач из области применения системы. Можно представлять базу знаний состоящей из фактических знаний и знаний, которые используются для вывода других знаний.

      Механизм  вывода содержит принципы и правила  работы. Механизм вывода "знает", как использовать базу знаний так, чтобы  можно было получать разумно согласующиеся заключения (выводы) из информации, находящейся в ней. Когда экспертной системе задается вопрос, механизм вывода выбирает способ применения правил базы знаний для решения задачи, поставленной в вопросе. Фактически, механизм вывода запускает экспертную систему в работу, определяя какие правила нужно вызвать и организуя к ним доступ в базу знаний. Механизм вывода выполняет правила, определяет когда найдено приемлемое решение  и передает результаты программе интерфейса с пользователем.

      Когда вопрос должен быть предварительно обработан, то доступ к базе знаний осуществляется через интерфейс с пользователем. Интерфейс - это часть экспертной системы, которая взаимодействует с пользователем.

      Система интерфейса с пользователем принимает  информацию от пользователя и передает ему информацию. Просто говоря, система интерфейса должна убедиться, что, после того как пользователь описал задачу, вся необходимая информация получена. Интерфейс, основываясь на виде и природе информации, введенной пользователем, передает необходимую информацию механизму вывода. Когда механизм вывода возвращает знания, выведенные из базы знаний, интерфейс передает их обратно пользователю в удобной форме. Интерфейс с пользователем и механизм вывода могут рассматриваться как "приложение" к базе знаний. Они вместе составляют оболочку экспертной системы. Для базы знаний, которая содержит обширную и разнообразную информацию, могут быть разработаны и реализованы несколько разных оболочек.

      Рассмотрим  ключевые этапы разработки экспертных систем с целью дальнейшей реализации аналогии при помощи Турбо-Пролога. 

      1.7.1. Представление знаний

        Представление знаний - это множество  соглашений по синтаксису и  семантике, согласно которым описываются объекты. Хорошее правило при проектировании представления знаний - это организация знаний в такой форме, которая позволяет легко осуществлять доступ с помощью естественных и простых механизмов. Экспертные системы часто создаются "инженером по знаниям" (или проектировщиками экспертных систем), который работает с человеком-экспертом, чтобы закодировать знания эксперта в базе знаний. Первый способ - это классификация и помещение фактов и чисел (фрагментов фактического знания) в правила Турбо-Пролога. Это представление подходит для использования в экспертных системах, базирующихся на правилах. Другой способ - это организация фактов и числовой информации в утверждениях, которые образуют базу знаний на утверждениях. Представление знаний в утверждениях подходит для использования в экспертных системах, базирующихся на логике.