Извлечение знаний от многих экспертов

Извлечение знаний от экспертов ставит следующие проблемы:

(1) в какой форме осуществляется диалог с экспертами?

(2) как обрабатывать информацию, представленную экспертами?

Первая проблема состоит в том, что СИИ "не имеет представлений" о том, что она призвана решать. Иначе говоря, она либо ведет один и тот же сценарий диалога, либо вообще является пассивной стороной, пред­ставляя эксперту набор директив редактора базы знаний. Однако, даже и в этом последнем случае встает проблема, чтобы введенная экспертом информация:

(а1) была непротиворечивой;

(а2) не нарушала целостность существующей базы знаний;

(а3) не была "пустой" или избыточной.

Таким образом, обеспечение требований (а1 - а3) является важней­шей функцией модуля извлечения знаний и обучения.

Рассмотрим, как осуществляется обработка экспертной инфор­мации на примере системы диагностирования. Предположим, эксперты оценивают некоторый диагноз (гипотезу), указывая оценки правдо­подобности (коэффициенты уверенности - КУ) этой гипотезы. Таким образом, каждый эксперт формирует пару (Н, КУ_i),где Н- некоторая гипотеза. Если обозначить через a₁, a₂, ..., a_n - степени компетентности экспертов (веса), то результирующее значение КУ* для гипотезы Н полагаем равным:

(1.36)

При отсутствии информации о компетентности экспертов можно положить a_i = 1 .

Для оценки статистической значимости найденного значения КУ* находят дисперсию

(1.37)

и далее, задавшись вероятностью ошибки Р_ош, определяют вероятность (1 - Р_ош), с которой случайная величина попадает в интервал

[КУ* - D; КУ* + D], (1.38)

где и t- коэффициент Стьюдента, устанавливаемый из таб­лиц по значению Р_ош и n.

Другой важной задачей при экспертизе является ранжирование продукций с учетом их важности. Очевидно, что от того, насколько точ­но ранжированы правила, определяется эффективность стратегии вывода.

В результате процедуры ранжирования строится следующая табли­ца (табл. 1.4)

Таблица 1.4.

В нижней строке табл. 1.4 записываются суммы рангов, получен­ные каждой продукцией (чем больше сумма, тем продукция важнее). Ре­зультирующее упорядочение продукций осуществляется согласно оцен­кам r_i.

Статистическая согласованность (значимость) ранжирования про­веряется для случая отсутствия равных рангов в ранжировке каждого эксперта, на основании коэффициента конкордации (согласованности) W:

(1.39)

В случае нестрогого ранжирования (при наличии равных рангов) используется формула:

(1.40)

где k - число групп равных рангов, введенных i-м экспертом; t - число одинаковых элементов в j-ой группе i-го эксперта.

Пусть значение W найдено. Вычисляется величина n(m - 1)W, для которой задаются вероятностью ошибки Р_ош. Согласно c² - распреде­ления с (m - 1)степенью свободы для Р_ош находят табличное значение W_таб. Если найденное значение W³W_таб, то W считается статистичес­ки значимой.

Другой вариант извлечения знаний, связан с ответом системы на запросы пользователя. При этом вопрос интерпре­тируется как теорема, которая подлежит доказательству, а нахождение ответа на вопрос ищется на основании метода доказательства теорем. В рамках этой концепции построена система логического пропсам- минования Пролог, рассматриваемая позднее. В качестве иллюстрации рассмотрим следующий Пролог - подобный пример.

Здоровое_тело (Y) ® Здоровый_дух (Y).

Спортсмен (Х) & Ведет_здоровый_образ_жизни (Х) ® Здоровое_тело (Х).

Здоровый_дух (Z) ® Подходящий_партнер (Z).

Спортсмен (Сидоров).

Спортсмен (Иванов).

Спортсмен (Петров).

Здоровое_тело (Федоров).

Ведет_здоровый_образ_жизни (Петров).

Ведет_здоровый_образ_жизни (Сергеев).

Зададим вопрос системе в форме

? - Подходящий партнер (Т).

Для того, чтобы ответить на этот вопрос, система должна по­строить дедуктивную цепочку с чаключением в виде теоремы-вопроса. Не приводя способа построения этой цепочки, укажем ее Симу (одну ич подходящих цепочек):

Спортсмен (Петров) ® Ведет_здоровый_образ_жизни (Петров) ® Здоровое_тело (Петров) ® Здоровый_дух (Петров) ® Подходящий партнер (Петров).

Следовательно, ответом на вопрос является Т = Петров.