Экспертные системы

Экспертные системы представляют собой класс компьютерных программ, которые выдают советы, проводят анализ, выполняют классификацию, дают консультации и ставят диагноз. Назначение экспертных систем (ЭС) заключается в решении трудно описываемых на математическом уровне задач на основе накопленной базы знаний, отражающей опыт работы экспертов в рассматриваемой проблемной области. Экспертные системы предоставляют возможность принятия решений в уникальных ситуациях, для которых алгоритм заранее не известен и формируется по исходным данным в виде цепочки рассуждений (правил принятия решений) из базы знаний. Причем решать задачу приходиться в условиях неполноты, недостоверности, многозначности исходной информации и качественных оценок процессов.

Экспертная система является инструментом, усиливающим интеллектуальные способности специалиста, и может выполнять следующие функции:

· консультанта для неопытных или непрофессиональных пользователей;

· ассистента менеджера при анализе различных вариантов решений;

· помощника при рассмотрении вопросов, относящихся к источникам знаний из смежных областей деятельности.

Экспертные системы используются во многих областях, среди которых лидирует сегмент приложений в бизнесе, производстве и медицине (рис. 1.2). Менее всего ЭС используются в науке, так как почти каждый автор считает себя уникальным экспертом [21].

.

Рис. 1.2. Области применения экспертных систем

Архитектура экспертной системы (рис. 1.3) включает в себя два основных компонента: базу знаний (хранилище единиц знаний) и программный инструмент доступа и обработки знаний, состоящий из механизмов вывода заключений (решения), приобретения знаний, объяснения получаемых результатов и интеллектуального интерфейса. Причем главным компонентом экспертной системы является база знаний, которая по отношению к другим компонентам выступает как содержательная подсистема, составляющая основную ценность. Содержимое базы знаний хорошей экспертной системы оценивается в сотни тысяч долларов, в то время как программный инструментарий – в тысячи или десятки тысяч долларов.

База знаний – это совокупность единиц знаний, которые представляют собой формализованное с помощью некоторого метода представления знаний отражение объектов проблемной области, их взаимосвязей, а также действий над объектами.

Рис. 1.3 Архитектура экспертной системы

В качестве методов представления знаний чаще всего используются либо правила, либо фреймы (объекты), либо их комбинация. Так, правила могут быть представлены следующим образом:

Если < условие >,

То <заключение> CF (Фактор уверенности) <значение>

В качестве факторов уверенности (CF), как правило, выступают либо условные вероятности байесовского подхода (от 0 до 1), либо фактор уверенности CF (от 0 до 100). Примеры правил имеют вид:

Правило 1: Если Коэффициент рентабельности > 0.1 ,

То Рентабельность = "удовл." CF 100 .

Правило 2: Если Задолженность = "нет" и Рентабельность = "удовл.",

То Финансовое_сост. = "удовл." CF 80 .

Правило 3: Если Финансовое_сост. = "удовл." и Репутация="удовл.",

То Надежность предприятия = "удовл." CF 90 .

Фреймы(объекты) представляют собой совокупность атрибутов, описывающих свойства и отношения с другими объектами. В отличие от записей баз данных каждый объект имеет уникальное имя. Часть атрибутов отражают типизированные отношения, такие как "род – вид" (super-class – sub-class), "целое – часть" и др. Вместо конкретных значений атрибутов объектов могут быть заданы значения по умолчанию, присущие целым классам объектов, или присоединенные процедуры (process). Пример описания фреймов представлен на рис. 1.4.

ПРЕПРИЯТИЕ#1

Рис. 1.4. Описание фреймов (объектов)

Интеллектуальный интерфейс.Обмен данными между конечным пользователем и ЭС выполняет программа интеллектуального интерфейса, которая воспринимает сообщения пользователя и переводит внутреннее представление результата обработки в формат пользователя. Важнейшим требованием к организации диалога пользователя с ЭС является простота и естественность, которая в ряде случаев предполагает использование предложений естественного языка. Важно, чтобы последовательность решения задачи была гибкой, соответствовала представлениям пользователя и велась в профессиональных терминах.

Механизм вывода. Этот программный инструмент получает от интеллектуального интерфейса преобразованный во внутреннее представление запрос, формирует из базы знаний конкретный алгоритм решения задачи, выполняет его и 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. 1.5) или обратная (рис. 1.6) цепочка рассуждений.

Рис. 1.5. Прямая цепочка рассуждений

Рис. 1.6. Обратная цепочка рассуждений

Для объектно-ориентированного представления знаний характерно применение механизма наследования атрибутов, когда значения атрибутов передаются от вышестоящих классов к нижестоящим (например, на рис. 1.4 код отрасли, отраслевой коэффициент рентабельности). Также при заполнении атрибутов фрейма необходимыми данными запускаются на выполнение присоединенные процедуры.

Механизм объяснения.В процессе решения задачи или по результатам ее решения пользователь может запросить объяснение или обоснование хода решения. С этой целью ЭС должна представить соответствующий механизм объяснения. Объяснительные способности ЭС определяются возможностью механизма вывода запоминать путь решения задачи. Тогда на вопросы пользователя "Как?" и "Почему?" получено решение система всегда может выдать цепочку рассуждений до требуемой контрольной точки, сопровождая объяснения заранее подготовленными комментариями. Если решение задачи отсутствует, объяснение выдается пользователю автоматически. Полезно иметь и гипотетическое объяснение решения задачи, когда система отвечает на вопрос, что, возможно, произойдет в том или другом случае.

Однако пользователя не всегда может интересовать полный вывод решения, содержащий множество ненужных деталей. В этом случае система должна уметь выбирать из цепочки только ключевые моменты с учетом их важности и уровня знаний пользователя. Для этого в базе знаний необходимо поддерживать модель знаний и намерений пользователя. Если же пользователь не понимает полученный ответ, то система должна быть способна в диалоге (на основе поддерживаемой модели проблемных знаний) обучать пользователя тем или иным фрагментам знаний, т. е. раскрывать более подробно отдельные понятия и зависимости, если даже эти детали непосредственно в выводе не используются.

Механизм приобретения знаний. База знаний содержит знания экспертов (специалистов) о действиях в различных ситуациях или в процессе решения характерных задач. Выявлением подобных знаний и последующим их представлением в базе знаний занимаются специалисты, называемые инженерами знаний. Для ввода знаний в базу и их последующего обновления ЭС должна обладать механизмом приобретения знаний. В простейшем случае это - интеллектуальный редактор, который позволяет вводить единицы знаний в базу и проводить их синтаксический и семантический контроль, например, на непротиворечивость. В более сложных случаях извлекать знания следует с помощью специальных сценариев интервьюирования экспертов, которые приводятся ниже в гл.3, или из опыта работы самой интеллектуальной системы.