Реферат: Основные направления исследований в области

Основные направления исследований в области

искусственного интеллекта


Интеллектуальные информационные системы проникают во все сферы нашей жизни, поэтому трудно произвести строгую классификацию направлений, по которым ведутся активные и многочисленные исследования в области ИИ. Рассмотрим кратко некоторые из них.

Разработка интеллектуальных информационных систем или систем, основанных на знаниях. Это одно из главных направлений ИИ. Основной целью построения таких систем является выявление, исследование и применение знаний высококвалифицированных экспертов для решения сложных задач, возникающих на практике. При построении систем, основанных на знаниях (СОЗ), используются знания, накопленные экспертами в виде конкретных правил решения тех или иных задач. Это направление преследует цель имитации человеческого искусства анализа неструктурированных и слабо структурированных проблем [9]. В данной области исследований осуществляется разработка моделей представления, извлечения и структурирования знаний, а также изучаются проблемы создания баз знаний (БЗ), образующих ядро СОЗ. Частным случаем СОЗ являются экспертные системы (ЭС).

Разработка естественно-языковых интерфейсов и машинный перевод. Проблемы компьютерной лингвистики и машинного перевода разрабатываются в ИИ с 50-х годов двадцатого века. Системы машинного перевода с одного естественного языка на другой обеспечивают быстроту и систематичность доступа к информации, оперативность и единообразие перевода больших потоков, как правило, научно-технических текстов [6]. Системы машинного перевода строятся как интеллектуальные системы, поскольку в их основе лежат БЗ в определенной предметной области и сложные модели, обеспечивающие дополнительную трансляцию «исходный язык оригинала – язык смысла – язык перевода». Они базируются на структурно-логическом подходе, включающем последовательный анализ и синтез естественно-языковых сообщений. Кроме того, в них осуществляется ассоциативный поиск аналогичных фрагментов текста и их переводов в специальных базах данных (БД). Данное направление включает также направление, связанное с исследованиями методов и разработкой систем, обеспечивающих реализацию процесса общения человека с компьютером на естественном языке (так называемые системы ЕЯ - общения) [6].

Генерация и распознавание речи. Системы речевого общения создаются с целью повышения скорости ввода информации в ЭВМ, разгрузки зрения и рук, а также для реализации речевого общения на значительном расстоянии. В таких системах под текстом понимают фонемный текст (как слышится).

Обработка визуальной информации. В этом научном направлении решаются задачи обработки, анализа и синтеза изображений [6]. Задача обработки изображений связана с трансформированием графических образов, результатом которого являются новые изображения. В задаче анализа исходные изображения преобразуются в данные другого типа, например, в текстовые описания. При синтезе изображений на вход системы поступает алгоритм построения изображения, а выходными данными являются графические объекты (системы машинной графики).

Обучение и самообучение. Эта актуальная область ИИ включает модели, методы и алгоритмы, ориентированные на автоматическое накопление и формирование знаний с использованием процедур анализа и обобщения данных [4, 13]. К данному направлению относятся не так давно появившиеся системы добычи данных (Data-mining) и системы поиска закономерностей в компьютерных базах данных (Knowledge Discovery).

Распознавание образов. Одно из самых ранних направлений ИИ, в котором распознавание объектов осуществляется на основании применения специального математического аппарата, обеспечивающего отнесение объектов к классам [7], а классы описываются совокупностями определенных значений признаков.

Игры и машинное творчество. Машинное творчество охватывает сочинение компьютерной музыки [5] , стихов [6], интеллектуальные системы для изобретения новых объектов [2, 14]. Создание интеллектуальных компьютерных игр является одним из самых развитых коммерческих направлений в сфере разработки программного обеспечения. Кроме того, компьютерные игры предоставляют мощный арсенал разнообразных средств, используемых для обучения.

Программное обеспечение систем ИИ. Инструментальные средства для разработки интеллектуальных систем включают специальные языки программирования, ориентированные на обработку символьной информации (LISP, SMALLTALK, РЕФАЛ), языки логического программирования (PROLOG), языки представления знаний (OPS 5, KRL, FRL), интегрированные программные среды, содержащие арсенал инструментальных средств для создания систем ИИ (KE, ARTS, GURU, G2), а также оболочки экспертных систем (BUILD, EMYCIN, EXSYS Professional, ЭКСПЕРТ), которые позволяют создавать прикладные ЭС, не прибегая к программированию [8, 11].

Новые архитектуры компьютеров. Это направление связано с созданием компьютеров не фон-неймановской архитектуры, ориентированных на обработку символьной информации. Известны удачные промышленные решения параллельных и векторных компьютеров [1, 8], однако в настоящее время они обладают весьма высокой стоимостью, а также недостаточной совместимостью с существующими вычислительными средствами.

Интеллектуальные роботы. Создание интеллектуальных роботов является конечной целью робототехники. В настоящее время в основном используются программируемые манипуляторы с жесткой схемой управления, названные роботами первого поколения. Несмотря на очевидные успехи отдельных разработок, эра интеллектуальных автономных роботов пока не наступила. Основными сдерживающими факторами в разработке автономных роботов являются нерешенные проблемы в области интерпретации знаний, машинного зрения, адекватного хранения и обработки трехмерной визуальной информации.


^ 1.2. Классификация интеллектуальных информационных систем


Интеллектуальная информационная система (ИИС) основана на концепции использования базы знаний для генерации алгоритмов решения прикладных задач различных классов в зависимости от конкретных информационных потребностей пользователей.

Для ИИС характерны следующие признаки [12]:

развитые коммуникативные способности;

умение решать сложные плохо формализуемые задачи;

способность к самообучению;

адаптивность.

Каждому из перечисленных признаков условно соответствует свой класс ИИС. Различные системы могут обладать одним или несколькими признаками интеллектуальности с различной степенью проявления.

Средства ИИ могут использоваться для реализации различных функций, выполняемых ИИС. На рис.1.1 приведена классификация ИИС, признаками которой являются следующие интеллектуальные функции:

коммуникативные способности, характеризующие способ взаимодействия конечного пользователя с системой;

решение сложных плохо формализуемых задач, которые требуют построения оригинального алгоритма решения в зависимости от конкретной ситуации, характеризующейся неопределенностью и динамичностью исходных данных и знаний;

способность к самообучению – умение системы автоматически извлекать знания из накопленного опыта и применять их для решения задач;

адаптивность – способность системы к развитию в соответствии с объективными изменениями области знаний.





^ 1.2.1. Системы с интеллектуальным интерфейсом


Применение ИИ для усиления коммуникативных способностей информационных систем привело к появлению систем с интеллектуальным интерфейсом, среди которых можно выделить следующие типы:

^ Интеллектуальные базы данных. Позволяют в отличие от традиционных БД обеспечивать выборку необходимой информации, не присутствующей в явном виде, а выводимой из совокупности хранимых данных.

^ Естественно-языковый интерфейс. Применяется для доступа к интеллектуальным базам данных, контекстного поиска документальной текстовой информации; голосового ввода команд в системах управления; машинного перевода с иностранных языков. Для реализации ЕЯ-интерфейса необходимо решить проблемы морфологического, синтаксического и семантического анализа, а также задачу синтеза высказываний на естественном языке. При морфологическом анализе осуществляется распознавание и проверка правильности написания слов в словаре. Синтаксический контроль предполагает разложение входных сообщений на отдельные компоненты, проверку соответствия грамматическим правилам внутреннего представления знаний и выявление недостающих частей. Семантический анализ обеспечивает установление смысловой правильности синтаксических конструкций. В отличие от анализа, синтез высказываний заключается в преобразовании цифрового представления информации в представление на естественном языке.

^ Гипертекстовые системы. Используются для реализации поиска по ключевым словам в базах данных с текстовой информацией. Для более полного отражения различных смысловых отношений терминов требуется сложная семантическая организация ключевых слов. Решение этих задач осуществляется с помощью интеллектуальных гипертекстовых систем, в которых механизм поиска сначала работает с базой знаний ключевых слов, а затем с самим текстом. Аналогичным образом осуществляется поиск мультимедийной информации, включающей кроме текста графическую информацию, аудио и видео-образы.

^ Системы контекстной помощи. Относятся к классу систем распространения знаний. Такие системы являются, как правило, приложениями к документации. Системы контекстной помощи являются частным случаем гипертекстовых и ЕЯ-систем. В них пользователь описывает проблему, а система на основе дополнительного диалога конкретизирует ее и выполняет поиск относящихся к ситуации рекомендаций. В обычных гипертекстовых системах, наоборот, компьютерные приложения навязывают пользователю схему поиска требуемой информации.

^ Системы когнитивной графики. Ориентированы на общение с пользователем ИИС посредством графических образов, которые генерируются в соответствии с изменениями параметров моделируемых или наблюдаемых процессов. Когнитивная графика позволяет в наглядном и выразительном виде представить множество параметров, характеризующих изучаемое явление, освобождает пользователя от анализа тривиальных ситуаций, способствует быстрому освоению программных средств и повышению конкурентоспособности разрабатываемых ИИС. Применение когнитивной графики особенно актуально в системах мониторинга и оперативного управления, в обучающих и тренажерных системах, в оперативных системах принятия решений, работающих в режиме реального времени.


^ 1.2.2. Экспертные системы


Экспертные системы (ЭС), как самостоятельное направление в искусственном интеллекте, сформировалось в конце семидесятых годов прошлого столетия. История ЭС началась с сообщения японского комитета по разработке ЭВМ пятого поколения, в котором основное внимание уделялось развитию «интеллектуальных способностей» компьютеров с тем, чтобы они могли оперировать не только данными, но и знаниями, как это делают специалисты (эксперты) при выработке умозаключений. Группа по экспертным системам при Комитете British Computer Society определила ЭС как «воплощение в ЭВМ компоненты опыта эксперта, основанной на знаниях, в такой форме, что машина может дать интеллектуальный совет или принять решение относительно обрабатываемой функции». Одним из важных свойств ЭС является способность объяснить ход своих рассуждений понятным для пользователя образом [15].

Область исследования ЭС называют «инженерией знаний». Этот термин был введен Е. Фейгенбаумом и в его трактовке означает «привнесение принципов и инструментария из области искусственного интеллекта в решение трудных прикладных проблем, требующих знаний экспертов». Другими словами, ЭС применяются для решения неформализованных проблем, к которым относят задачи, обладающие одной или несколькими из следующих характеристик:

задачи не могут быть представлены в числовой форме;

исходные данные и знания о предметной области обладают неоднозначностью, неточностью, противоречивостью;

цели нельзя выразить с помощью четко определенной целевой функции;

не существует однозначного алгоритмического решения задачи;

алгоритмическое решение существует, но его нельзя использовать по причине большой размерности пространства решений и ограничений на ресурсы (времени, памяти).

Главным отличием ЭС и систем искусственного интеллекта от систем обработки данных является то, что в них используется символьный, а не числовой способ представления данных, а в качестве методов обработки информации применяются процедуры логического вывода и эвристического поиска решений.

ЭС применяются в самых разных предметных областях (рис.1.2), среди которых лидирующими являются бизнес, производство, медицина, проектирование и системы управления [4, 6, 11, 12, 15, 17].

Во многих случаях ЭС исполняет роль инструмента, усиливающего интеллектуальные способности эксперта. Кроме того, ЭС может выступать в роли:

консультанта для неопытных или непрофессиональных пользователей;

ассистента эксперта-человека в процессах анализа вариантов решений;

партнера эксперта в процессе решения задач, требующих привлечения знаний из разных предметных областей.
^ Для классификации ЭС используются следующие признаки:
способ формирования решения;

способ учета временного признака;

вид используемых данных и знаний;

число используемых источников знаний.

По способу формирования решения ЭС можно разделить на анализирующие и синтезирующие. В системах первого типа осуществляется выбор решения из множества известных решений на основе анализа знаний, в системах второго типа решение синтезируется из отдельных фрагментов знаний.




Рис. 1.2. Области применения ЭС.

В зависимости от способа учета временного признака ЭС делят на статические или динамические. Статические ЭС предназначены для решения задач с неизменяемыми в процессе решения данными и знаниями, а динамические ЭС допускают такие изменения.

По видам используемых данных и знаний различают ЭС с детерминированными и неопределенными знаниями. Под неопределенностью знаний и данных понимается их неполнота, ненадежность, нечеткость.

ЭС могут создаваться с использованием одного или нескольких источников знаний.

В соответствии с перечисленными признаками можно выделить четыре основных класса ЭС (рис. 1.3): классифицирующие, доопределяющие, трансформирующие и мультиагентные [12].


^ Рис. 1.3. Основные классы экспертных систем.
Классифицирующие ЭС решают задачи распознавания ситуаций. Основным методом формирования решений в таких системах является дедуктивный логический вывод.

Доопределяющие ЭС используются для решения задач с не полностью определенными данными и знаниями. В таких ЭС возникают задачи интерпретации нечетких знаний и выбора альтернативных направлений поиска в пространстве возможных решений. В качестве методов обработки неопределенных знаний могут использоваться байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика (см. главу 3).

Трансформирующие ЭС относятся к синтезирующим динамическим экспертным системам, в которых предполагается повторяющееся преобразование знаний в процессе решения задач. В ЭС данного класса используются различные способы обработки знаний:

генерация и проверка гипотез;

логика предположений и умолчаний (когда по неполным данным формируются представления об объектах определенного класса, которые впоследствии адаптируются к конкретным условиям изменяющихся ситуаций);

использование метазнаний (более общих закономерностей) для устранения неопределенностей в ситуациях.

Мультиагентные системы – это динамические ЭС, основанные на интеграции нескольких разнородных источников знаний. Эти источники обмениваются между собой получаемыми результатами в ходе решения задач. Системы данного класса имеют следующие возможности:

реализация альтернативных рассуждений на основе использования различных источников знаний и механизма устранения противоречий;

распределенное решение проблем, декомпозируемых на параллельно решаемые подзадачи с самостоятельными источниками знаний;

применение различных стратегий вывода заключений в зависимости от типа решаемой проблемы;

обработка больших массивов информации из баз данных;

использование математических моделей и внешних процедур для имитации развития ситуаций.


1.2.3. Самообучающиеся системы


Самообучающиеся интеллектуальные системы основаны на методах автоматической классификации ситуаций из реальной практики, или на методах обучения на примерах. Примеры реальных ситуаций составляют так называемую обучающую выборку, которая формируется в течение определенного исторического периода. Элементы обучающей выборки описываются множеством классификационных признаков.

Стратегия «обучения с учителем» предполагает задание специалистом для каждого примера значений признаков, показывающих его принадлежность к определенному классу ситуаций. При обучении «без учителя» система должна самостоятельно выделять классы ситуаций по степени близости значений классификационных признаков.

В процессе обучения производится автоматическое построение обобщающих правил или функций, описывающих принадлежность ситуаций к классам, которыми система впоследствии будет пользоваться при интерпретации незнакомых ситуаций. Из обобщающих правил, в свою очередь, автоматически формируется база знаний, которая периодически корректируется по мере накопления информации об анализируемых ситуациях.

Построенные в соответствии с этими принципами самообучающиеся системы имеют следующие недостатки:

относительно низкая адекватность баз знаний возникающим реальным проблемам из-за неполноты и/или зашумленности обучающей выборки;

низкая степень объяснимости полученных результатов;

поверхностное описание проблемной области и узкая направленность применения из-за ограничений в размерности признакового пространства.

^ Индуктивные системы позволяют обобщать примеры на основе принципа индукции «от частного к общему». Процедура обобщения сводится к классификации примеров по значимым признакам. Алгоритм классификации примеров включает следующие основные шаги:

Выбор классификационного признака из множества заданных.

Разбиение множества примеров на подмножества по значению выбранного признака.

Проверка принадлежности каждого подмножества примеров одному из классов.

Проверка окончания процесса классификации. Если какое-то подмножество примеров принадлежит одному подклассу, т.е. у всех примеров этого подмножества совпадает значение классификационного признака, то процесс классификации заканчивается.

Для подмножеств примеров с несовпадающими значениями классификационных признаков процесс распознавания продолжается, начиная с первого шага. При этом каждое подмножество примеров становится классифицируемым множеством.

^ Нейронные сети представляют собой классический пример технологии, основанной на примерах. Нейронные сети – обобщенное название группы математических алгоритмов, обладающих способностью обучаться на примерах, «узнавая» в последствии черты встреченных образцов и ситуаций. Благодаря этой способности, нейронные сети используются при решении задач обработки сигналов и изображений, распознавания образов, а также для прогнозирования [10].

Нейронная сеть – это кибернетическая модель нервной системы, которая представляет собой совокупность большого числа сравнительно простых элементов – нейронов, топология соединения которых зависит от типа сети. Чтобы создать нейтронную сеть для решения какой-либо конкретной задачи, следует выбрать способ соединения нейронов друг с другом и подобрать значения параметров межнейронных соединений.

В системах, основанных на прецедентах, содержатся описания конкретных ситуаций (прецеденты). Поиск решения осуществляется на основе аналогий и включает следующие этапы:

получение информации о текущей проблеме;

сопоставление полученной информации со значениями признаков прецедентов из базы знаний;

выбор прецедента из базы знаний, наиболее близкого к рассматриваемой проблеме;

адаптация выбранного прецедента к текущей проблеме;

проверка корректности каждого полученного решения;

занесение детальной информации о полученном решении в БЗ.

Прецеденты описываются множеством признаков, по которым строятся индексы быстрого поиска. Однако в системах, основанных на прецедентах, в отличие от индуктивных систем, допускается нечеткий поиск с получением множества допустимых альтернатив, каждая из которых оценивается некоторым коэффициентом уверенности. Наиболее эффективные решения адаптируются к реальным ситуациям с помощью специальных алгоритмов.

Системы, основанные на прецедентах, применяются для распространения знаний и в системах контекстной помощи.

^ Информационные хранилища отличаются от интеллектуальных баз данных тем, что представляют собой хранилища значимой информации, регулярно извлекаемой из оперативных баз данных. Хранилище данных – это предметно-ориентированное, интегрированное, привязанное ко времени, неизменяемое собрание данных, применяемых для поддержки процессов принятия управленческих решений [3]. Предметная ориентация означает, что данные объединены в категории и хранятся в соответствии с теми областями, которые они описывают, а не с приложениями, которые их используют. В хранилище данные интегрируются с целью удовлетворения требований предприятия в целом, а не отдельной функции бизнеса. Привязанность данных ко времени выражает их «историчность», т. е. атрибут времени всегда явно присутствует в структурах хранилища данных. Неизменяемость означает, что, попав однажды в хранилище, данные уже не изменяются в отличие от оперативных систем, где данные присутствуют только в последней версии, поэтому постоянно меняются.

Технологии извлечения знаний из хранилищ данных основаны на методах статистического анализа и моделирования, ориентированных на поиск моделей и отношений, скрытых в совокупности данных. Эти модели могут в дальнейшем использоваться для оптимизации деятельности предприятия или фирмы.

Для извлечения значимой информации из хранилищ данных используются специальные методы (^ OLAP-анализа, Data Mining или Knowledge Discovery), основанные на применении методов математической статистики, нейтронных сетей, индуктивных методов построения деревьев решений и др. (см. главу 4).

Технология OLAP (On-Line Analytical Processing – оперативный анализ данных) предоставляет пользователю средства для формирования и проверки гипотез о свойствах данных или отношениях между ними на основе разнообразных запросов к базе данных. Они применяются на ранних стадиях процесса извлечения знаний, помогая аналитику сфокусировать внимание на важных переменных. Средства Data Mining отличаются от OLAP тем, что кроме проверки предполагаемых зависимостей, они способны самостоятельно (без участия пользователя) генерировать гипотезы о закономерностях, существующих в данных, и производить модели, позволяющие количественно оценить степень взаимного влияния исследуемых факторов на основе имеющейся информации.


^ 1.2.4. Адаптивные информационные системы


Потребность в адаптивных информационных системах возникает в тех случаях, когда поддерживаемые ими проблемные области постоянно развиваются. В связи с этим адаптивные системы должны удовлетворять ряду специфических требований, а именно:

адекватно отражать знания проблемной области в каждый момент времени;

быть пригодными для легкой и быстрой реконструкции при изменении проблемной среды.

Адаптивные свойства информационных систем обеспечиваются за счет интеллектуализации их архитектуры. Ядром таких систем является постоянно развиваемая модель проблемной области, поддерживаемая в специальной базе знаний – репозитарии. Ядро системы управляет процессами генерации или переконфигурирования программного обеспечения.

В процессе разработки адаптивных информационных систем применяется оригинальное или типовое проектирование. Оригинальное проектирование предполагает разработку информационной системы с «чистого листа» на основе сформулированных требований. Реализация этого подхода основана на использовании систем автоматизированного проектирования или CASE-технологий (Designer2000, SilverRun, Natural Light Storm и др.).

При типовом проектировании осуществляется адаптация типовых разработок к особенностям проблемной области. Для реализации этого подхода применяются инструментальные средства компонентного (сборочного) проектирования информационных систем (R/3, BAAN IV, Prodis и др.).

Главное отличие подходов состоит в том, что при использовании CASE-технологии на основе репозитория при изменении проблемной области каждый раз выполняется генерация программного обеспечения, а при использовании сборочной технологии – конфигурирование программ и только в редких случаях их переработка.


^ 1.3. Технологии разработки экспертных систем


Технология создания интеллектуального программного обеспечения существенно отличается от разработки традиционных программ с использованием известных алгоритмических языков (табл. 1.1).
Таблица1.1.
Отличия систем искусственного интеллекта от обычных программных систем

Характеристика

Программирование в системах

искусственного интеллекта

Традиционное

программирование

Тип обработки

Символьная

Числовая

Методы

Эвристический поиск

Точный алгоритм

Задание шагов решения

Неявное

Явное

Искомое решение

Удовлетворительное

Оптимальное

Управление и данные

Смешаны

Разделены

Знания

Неточные

Точные

Модификации

Частые

Редкие


Рассмотрим отработанные на сегодняшний день элементы технологии создания ИИС на примере разработки экспертных систем. Этот выбор обусловлен тем, что ЭС получили весьма широкое распространение во многих сферах человеческой деятельности, а технологии их создания имеют универсальный характер и не требуют аппаратных реализаций.

^ Экспертными системами называют сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях и тиражирующие этот эмпирический опыт для консультаций менее квалифицированных пользователей. [4].

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:

• 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) предназначена для хранения текущих данных решаемой задачи.

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

^ Система объяснений показывает, 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 знаний необходимы 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.

Эксперты поставляют знания в ЭС и оценивают правильность получаемых результатов.

^ Инженеры по знаниям помогают экспертам выявить и структуриро­вать знания, необходимые для работы ЭС, выполняют работу по представлению знаний, выбирают методы обработки знаний, осуществляют выбор инструментальных средств для реализации ЭС, наиболее пригодных для решения поставленных задач.

Программисты разрабатывают программное обеспечение ЭС и осу­ществляют его сопряжение со средой, в которой оно будет исполь­зоваться.

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 консультации пользователь 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 решения таких задач необходимо применять динамические ЭС, которые наряду с компонентами статических систем содержат подсистему моделирования внешнего мира и подсистему связи с внешним окружением. Подсистема моделирования внешнего мира необходима для прогнозирования, анализа и адекватной оценки состояния внешней среды. Изменения окружения решаемой задачи требуют изменения хранимых в ЭС знаний, для того чтобы отразить временную логику проис­ходящих в реальном мире событий. Компонента связи с внешним миром актуальна для автономных интеллектуальных систем (роботов), а также для интеллектуальных систем управления. Связь с внешним миром осуществляется через си­стему датчиков и контроллеров.


1.3.1. Классификационные признаки экспертных систем


В основе классификации экспертных систем (будем называть их приложениями) лежат следующие пара­метры:

тип приложения;

стадия существования;

масштаб;

тип проблемной среды;

тип решаемой задачи.

Тип приложения. Характеризуется следующими признаками.

1. Возможность взаимодействия приложения с другими про­граммными средствами:

• изолированное приложение- это ЭС, не способная вза­имодействовать с другими программными системами (например, с БД, электронными таблицами, пакетами прикладных программ, контроллерами, датчиками и т. п.);

• интегрированное приложение – ЭС и другие про­граммные системы, с которыми она взаимодействует в ходе работы. Большинство современных ЭС, используемых для решения практически значимых задач, являются интегрированными.

2. Возможность исполнять приложение на разнородной аппарату­ре и переносить его на различные платформы:

• закрытые приложения – исполняются только в про­граммной среде данной фирмы и могут быть перенесены на другие платформы только путем перепрограммирования приложения;

• открытые приложения – ориентированы на исполнение в разнородном программно-аппаратном окружении и могут быть перенесены на другие платформы без перепрограммирования.

3. Архитектура приложения:

• централизованное приложение – реализуется на базе цент­ральной ЭВМ, с которой связаны терминалы;

• распределенное приложение – обычно используется архитектура клиент-сервер.

Стадия существования характеризует степень завершенности разработки ЭС. Принято выделять следующие стадии:

• исследовательский прототип – ре­шает представительный класс задач проблемной области, но может быть не­устойчив в работе и не полностью проверен. При наличии развитых инструментальных средств для разработки исследовательского прототипа требуется примерно 2 - 4 месяца. БЗ исследовательского про­тотипа обычно содержит небольшое число исполняемых утверждений;

• действующий прототип – надежно решает любые задачи проблемной области, но при реше­нии сложных задач может потребовать чрезмерно много времени и (или) памяти. Доведение системы от начала разработки до стадии дей­ствующего прототипа требует примерно 6 - 9 месяцев, при этом коли­чество исполняемых утверждений в БЗ увеличивается по сравнению с исследовательским прототипом;

• промышленная система – обеспечивает вы­сокое качество решения всех задач при минимуме времени и памяти. Обычно преобразование действующего прототипа в про­мышленную систему состоит в расширении базы знаний и ее тщательной отладке. Доведение ЭС от начала разработки до стадии промышленной системы с применением развитых инструментальных средств требует не менее 12 - 18 месяцев;

• коммерческая система – пригодна не только для использования разработчиком, но и для продажи различным потребителям. Доведение системы до коммер­ческой стадии требует примерно 1.5 - 2 года. Приведенные здесь сро­ки справедливы для ЭС средней сложности.

Масштаб ЭС. Характеризует сложность решаемых задач и связан с типом используемой ЭВМ. По этому признаку ЭС различают:

малые ЭС – предназначены для первичного обучения и исследования возможности применения технологии ЭС для рассматриваемого класса задач. Системы такого типа могут быть реализованы на персональных компьютерах;

средние ЭС – охватывают весь спектр необходимых приложений и обычно интегрированы с БД, электронными таблицами и т. д. Системы такого масштаба чаще всего реализуются на рабочих станциях;

большие ЭС – имеют доступ к высокомощным БД и реализуются на рабочих станциях или на специализированных компьютерах;

символьные ЭС – создаются с исследовательскими целями и реализуются на специализированных компьютерах, ориентированных на обработку символьных данных.

Тип проблемной среды. Это понятие включает описание предметной области (множество сущностей, описывающих множе­ство объектов, их характеристик и отноше­ний между объектами) и решаемых в ней задач. Иначе говоря, про­блемная среда включает структуры данных и решаемые с ними задачи, представленные в виде исполняемых утверждений (правил, процедур, формул и т. п.). В связи с этим проблемная среда определяется характеристиками соответствующей предметной области и характеристиками типов решаемых в ней задач.

Характеристики предметной области

Тип предметной области:

статический – входные данные не изменяются за время сеа