Лекция: Классификация экспертных систем По степени сложности решаемых задач экспертные системы можно классифицировать следующим образом.

По способу формирования решения экспертные системы разделяются на два класса: аналитические и синтетические. Аналитические системы предполагают выбор решений из множества известных альтернатив (оп-ределение характеристик объектов), а синтетические системы — генерацию неизвестных решений (формирование объектов).

По способу учета временного признака экспертные системы могут быть статическими или динамическими. Статические системы решают задачи при не изменяемых в процессе решения данных и знаниях, динамические системы допускают такие изменения. Статические системы осуществляют монотонное непрерываемое решение задачи от ввода исходных данных до конечного результата, динамические системы предусматривают возможность пересмотра в процессе решения полученных ранее результатов и данных.

По видам используемых данных и знаний экспертные системы классифицируются на системы с детерминированными (четко определенными) знаниями и неопределенными знаниями. Под неопределенностью знаний понимается их неполнота, недостоверность, двусмысленность, нечеткость.

По числу используемых источников знаний экспертные системы могут быть построены с использованием одного или множества источников знаний. Источники знаний могут быть альтернативными или дополняющими друг друга

В соответствии с перечисленными признаками классификации выделяются следующие основные классы экспертных систем (табл. 12.1.).

Классифицирующие экспертные системы. Экспертные системы, решающие задачи распознавания ситуаций, называются классифицирующими, поскольку определяют принадлежность анализируемой ситуации к некоторому классу.

В качестве основного метода формирования решений используется метод логического дедуктивного вывода от общего к частному, когда путем подстановки исходных данных в некоторую совокупность взаимосвязанных общих утверждений получается частное заключение.

Доопределяющие экспертные системы. Более сложный тип аналитических задач представляют задачи, которые решаются на основе неопределенных исходных данных и применяемых знаний. В этом случае экспертная система должна как бы доопределять недостающие знания, а в пространстве решений может получаться несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения.

В качестве методов работы с неопределенностями могут применяться байесовский вероятностный подход и нечеткая логика.

Доопределяющие экспертные системы могут использовать для формирования решения несколько источников знаний. В этом случае могут применяться эвристические приемы выбора единиц знаний из их конфликтного набора, например, на основе использования приоритетов важности, или получаемой степени определенности результата, или значений функций предпочтений и т.д.

Для аналитических задач классифицирующего и доопределяющего типов характерны следующие проблемные области.

1. Интерпретация данных — выбор решения из фиксированного множества альтернатив на базе введенной информации о текущей ситуации. Основное назначение — определение сущности рассматриваемой ситуации, выбор гипотез, исходя их фактов. Типичным примером является экспертная система анализа финансового состояния предприятия.

2. Диагностика — выявление причин, приведших к возникновению ситуации. Требуется предварительная интерпретация ситуации с последующей проверкой дополнительных фактов, например, выявление факторов снижения эффективности производства.

3. Коррекция — диагностика, дополненная возможностью оценки и рекомендации действий по исправлению отклонений от нормального состояния рассматриваемых ситуаций.

Трансформирующие экспертные системы. В отличие от аналитических статических экспертных систем синтезирующие динамические экспертные системы предполагают повторяющееся преобразование знаний в процессе решения задач, что связано с характером результата, который нельзя заранее предопределить, а также с динамичностью самой проблемной области.

Для синтезирующих динамических экспертных систем наиболее применимы следующие проблемные области.

1. Проектирование — определение конфигурации объектов с точки зрения достижения заданных критериев эффективности и ограничений, например, проектирование бюджета предприятия или портфеля инвестиций.

2. Прогнозирование — предсказание последствий развития текущих ситуаций на основе математического и эвристического моделирования, например, прогнозирование трендов на биржевых торгах.

3. Диспетчеризация — распределение работ во времени, составление расписаний, например, планирование графика освоения капиталовложений.

4. Планирование — выбор последовательности действий пользователей по достижению поставленной цели, например, планирование процессов поставки продукции.

5. Мониторинг — слежение за текущей ситуацией с возможной последующей коррекцией. Для этого выполняется диагностика, прогнозирование, а в случае необходимости — планирование и коррекция действий пользователей, например, мониторинг сбыта готовой продукции.

6. Управление — мониторинг, дополненный реализацией действий в автоматических системах, например, принятие решений на биржевых торгах.

16. Архитектура статической экспертной системы. Понятие и организация базы знаний.

В самых первых ЭС не учитывалось изменение знаний, используемых в процессе решения конкретной задачи. Их назвали статическими ЭС. Типичная статическая ЭС содержит следующие основные компоненты (рис. 2): базу знаний; рабочую память, называемую также базой данных; решатель (интерпретатор); систему объяснений; компоненты приобретения знаний; интерфейс с пользователем

База знаний ЭС предназначена для хранения долгосрочных данных, описывающих рассматриваемую область, и правил, описывающих целесообразные преобразования данных этой области.

База данных (рабочая память)служит для хранения текущих данных решаемой задачи.

Решатель(интерпретатор) формирует последовательность применения правил и осуществляет их обработку, используя данные из рабочей памяти и знания из БЗ.

Система объясненийпоказывает, каким образом система получила решение задачи, и какие знания при этом использовались. Это облегчает тестирование системы и повышает доверие пользователя к полученному результату.

Компоненты приобретения знанийнеобходимы для заполнения ЭС знаниями в диалоге с пользователем-экспертом, а также для добавления и модификации заложенных в систему знаний.

К разработке ЭС привлекаются специалисты из разных предметных областей, а именно:

· эксперты той проблемной области, к которой относятся задачи, решаемые ЭС;

· инженеры по знаниям, являющиеся специалистами по разработке ИИС;

· программисты, осуществляющие реализацию ЭС.

Рис. 2 Структура статической экспертной системы

Эксперты поставляют знания в ЭС и оценивают правильность получаемых результатов. Инженеры по знаниямпомогают экспертам выявить и структурировать знания, необходимые для работы ЭС, выполняют работу по представлению знаний, выбирают методы обработки знаний, проводят выбор инструментальных средств реализации ЭС, наиболее пригодных для решения поставленных задач. Программисты разрабатывают программное обеспечение ЭС и осуществляют его сопряжение со средой, в которой оно будет использоваться.

В целом за разработку экспертной системы следует браться организации, где накоплен опыт по автоматизации рутинных процедур обработки информации, например: информационный поиск, графика, сложные расчеты, обработка текстов и т.д.

Любая ЭС должна иметь, по крайней мере, два режима работы. В режиме приобретения знаний эксперт наполняет систему знаниями, которые впоследствии позволят ЭС самостоятельно (без помощи эксперта) решать определенные задачи из конкретной проблемной области. Эксперт описывает проблемную область в виде совокупности данных и правил.

Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила определяют взаимные связи, существующие между данными, и способы манипулирования данными, характерные для рассматриваемого класса задач.

В режиме консультациипользователь ЭС сообщает системе конкретные данные о решаемой задаче и стремится получить с ее помощью результат. Пользователи-неспециалисты обращаются к ЭС за результатом, не умея получить его самостоятельно, пользователи-специалисты используют ЭС для ускорения и облегчения процесса получения результата.

Следует подчеркнуть, что термин «пользователь» является многозначным, так как использовать ЭС могут и эксперт, и инженер по знаниям, и программист. Поэтому, когда хотят подчеркнуть, что речь идет о том, для кого делалась ЭС, используют термин «конечный пользователь».

В режиме консультации входные данные о задаче поступают в рабочую память. Решатель на основе входных данных из рабочей памяти и правил из БЗ формирует решение.

В отличие от традиционных программ компьютерной обработки данных ЭС при решении задачи не только исполняет предписанную последовательность операций, но и сама формирует ее.

Существует широкий класс приложений, в которых требуется учитывать изменения, происходящие в окружающем мире за время исполнения приложения. Для таких задач необходимо применять динамические ЭС.

17.Архитектура ЭС: машина логического вывода.

Машина логического вывода. Ее цель, согласованная обработка данных с объектами внешней среды. При этом используется БЗ для получения конечного результата. Под внешней средой понимается техническая система, информацию о которой ЭС получает через датчики или операторы. В итоге выдвигаются и проверяются гипотезы, вырабатываются новые данные, формируются запросы на ввод новых данных, формируется решения, носящие рекомендательный или управляющий характер.

Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет алгоритм, а полученный результат предоставляется интеллектуальному интерфейсу для выдачи ответа на запрос пользователя.

В основе использования любого механизма вывода лежит процесс нахождения в

соответствии с поставленной целью и описанием конкретной ситуации (исходных данных) относящихся к решению единиц знаний (правил, объектов, прецедентов и т.д.) и связыванию их при необходимости в цепочку рассуждений, приводящую к определенному результату. Для представления знаний в форме правил это может быть прямая (рис. 1.6) или обратная (рис. 1.7) цепочка рассуждений.

Для фреймового (объектно-ориентированного) представления знаний характерно

применение механизма наследования атрибутов, когда значения атрибутов передаются по иерархии от вышестоящих классов к нижестоящим (например, на рис.1.5. код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

18. Архитектура ЭС: подсистема объяснений, редактор БЗ

Подсистема объяснений — программа, позволяющая пользователю получить ответы на вопросы; «Как была получена та или иная рекомендация?» и «Почему система приняла такое решение?» Ответ на вопрос «как» — это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, т.е. всех шагов цепи умозаключений. Ответ на вопрос «почему»- ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад.

Интеллектуальный редактор БЗ — программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме- Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок («help» — режим) и других сервисных средств, облегчающих работу с базой

 ПСО служит в ЭС для объяснения пользователю логических действий системы, т.е. для обеспечения «прозрачности» ЭС. Этот блок имеет особое значение в процессе освоения ЭС пользователем, для обучающих и консультирующих ЭС. ПСО обеспечивает в любой момент времени:

• Полную выдачу данных о текущем состоянии системы
• По запросу пользователя сообщение результатов ранее выполненных действий

 РБЗ предназначен для помощи инженеру по знаниям при заполнении БЗ в процессе работы с экспертами. БЗ – это файловая система, РБЗ представляет собой транслятор с некоторого подмножества естественного языка, используемого инженером по знаниям, в специальный код, ориентированный на МЛВ. Редактор БЗ должен:

• Быть удобным для инженера по знаниям
• Реализовывать любую структуру знаний, предусмотренную составом БЗ
• Позволять корректировать элементы БЗ без изменения структуры
• Обеспечивать «дружественный интерфейс» с инженером по знаниям.

19. Архитектура ЭС: интеллектуальный интерфейс:

Интеллектуальный интерфейс. Обмен данными между конечным пользователем и

ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и преобразует их в форму представления базы знаний и, наоборот, переводит внутреннее представление результата обработки в формат пользователя и выдает сообщение на требуемый носитель. Важнейшим требованием к организации диалога пользователя с ЭС является естественность, которая не означает буквально формулирование потребностей пользователя предложениями естественного языка, хотя это и не исключается в ряде случаев. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.

Естественно-языковой интерфейс предполагает трансляцию естественно-языковых конструкций на внутримашинный уровень представления знаний. Для этого необходимо решать задачи морфологического, синтаксического и семантического анализа и синтеза высказываний на естественном языке. Так, морфологический анализ предполагает распознавание и проверку правильности написания слов по словарям, синтаксический контроль – разложение входных сообщений на отдельные компоненты (определение структуры) с проверкой соответствия грамматическим правилам внутреннего представления знаний и

выявления недостающих частей и, наконец, семантический анализ – установление смысловой правильности синтаксических конструкций. Синтез высказываний решает обратную задачу преобразования внутреннего представления информации в естественно-языковое. Естественно-языковый интерфейс используется для:

• доступа к интеллектуальным базам данных;

• контекстного поиска документальной текстовой информации;

• голосового ввода команд в системах управления;

• машинного перевода c иностранных языков.