Реклама на портале

Системы основанные на знаниях последние тренды. Системы, основанные на знаниях, и экспертные системы

В этой статье:

Это может случиться абсолютно с каждой женщиной. Миома появляется в разном возрасте, но чаще всего перед климаксом. Это доброкачественная опухоль, которая доставляет много неприятностей. Среди них - боль, жжение, разрастание тканей. Если миому не лечить, то она может переродиться в злокачественную опухоль. Именно это - главная угроза болезни. Защититься поможет заговор от миомы. Его необходимо знать каждой женщине после 35 лет. Он поможет вам оставаться здоровой и счастливой, вести нормальную жизнь.

Миома - доброкачественная опухоль

Мы живем в век развитых технологий. Многие тайны прошлых лет открываются нам. Но, к сожалению, пока еще не известны точные причины образования миомы матки. Самой частой причиной является гормональный дисбаланс. Он может наступить:

  • после родов;
  • после 45 лет, климакс;
  • употребления гормональных препаратов;
  • в связи с особенностью питания, окружающей среды.

В любом случае, болезнь развивается быстро. Самое доступное лечение - полное удаление матки. Иногда удаляют все женские детородные органы, если они тоже захвачены опухолью. Сама по себе, миома не опасна, ведь он является доброкачественным образованием, разрастанием мышечной ткани.

Опасности болезни

Заболевание сопровождается сильными болями. У женщины может быть только один очаг разрастания, или же много. Если он всего один - удаляется только очаг, это серьезная полостная операция. Восстановление занимает длительное время.

Чтобы этого не произошло, необходимо проверяться у своего врача.

Очень действенный способ - народные заговоры, который помогают против миомы. Очень важно реагировать быстро. Запущенная форма опасна - может привести к раку матки. Народная медицина успешно борется с недугом. Обязательно попробуйте такой метод, ведь он безопасный, проверенный и работает у всех. Не нужно быть целителем, чтобы самому заговорить миому.

Действенные заговоры от миомы

Их нужно обязательно выучить наизусть. Ни одна женщина не застрахована от подобной опасности. Против миомы есть метод борьбы.

Важно: если ваш диагноз старый, более 2-3 месяцев, то такие заговоры не помогут.

Они действуют только на первые стадии 1-1,5 месяца. Этот срок вам скажет любой врач. На более поздних стадиях нужно обращаться к профессиональному целителю.

Заговор на зеркало

Чтобы отразить болезнь, вам понадобится новое складное зеркало, церковная свеча и святая вода. Все это нужно купить, не торгуясь. Свечи покупайте только в церковной лавке. Воду нужно набрать в источнике, за воду не платят.

На кладбище не забудьте оставить гостинцы

Поставьте зеркало на столик, перед ним свечу.Выпейте глоток святой воды.Пусть область живота (там, где находится матка: ниже пупка) отражается в зеркале.

«Шла Божья Мать, устала, присела наземь,
Достала платок, пот с лица вытирала,
Ломоту и болезнь стирала.
Встала с земли и дальше зашагала -
Вся ее хвороба и боль ушла.
Нигде более не болит.
Ничего более не мозжит.
Так и у рабы Божьей (имя)
Тело не болит,
Не ноет, не мозжит.
Ключи-замки этим словам.
Аминь».

Зеркало закройте, залейте шов воском свечи.
Его нужно будет отнести на кладбище и там закопать в могилу женщины с таким же именем, как у вас. Так болезнь останется навеки там, а вам более не навредит. Этим методом лечится ранняя стадия.

Заговор на яйцо


Избавляющие ритуалы проводим на убывающей луне, в женский день

Используется в том случае, если вы считаете, что миома наведена как порча. Тогда ее нужно выкатать яйцом. Для этого берется свежее куриное яйцо. Чем свежее, тем лучше.
Произносите текст заговора от миомы 10 раз, пока катаете яйцо по животу в области матки:

«Как опухоль рабу Божью когда-то подкрутила, так пускай бы в сей же час она и отступила! Сгинь, боль болючая, мокрая и горючая, сухая да тягучая, уйди, опухоль, прочь с нутра моего, с живота моего! Тверды слова мои и помыслы, да будет так, как изрекаю я! Аминь».

Яйцо нужно будет потом отнести к реке и там закопать. Не разбейте его! Иначе, болезнь снова к вам вернется. Женщина должна делать это сама.

Женщина может оставаться здоровой и счастливой в любом возрасте. Опасностей много, миома матки - это лишь одна из сотен. Против всех недугов, хворей и болезней, есть решения у практиков целебной магии. Некоторые считают, что женские болезни - результат сглаза или порчи. Чтобы этого не случилось с вами - защититесь.

Как сохранить здоровье на долгие годы

Практики советуют вам:

  • Регулярно проверяйтесь у врача. Вы можете не знать, что больны. Регулярный осмотр лучше всего проводить раз в 6 месяцев;
  • Если вы занимаетесь магическими практиками, особенно, черной магией, то всегда ставьте защиту на себя. «Откат» от вашего ритуала может сильно ударить именно по детородным органам;
  • Используйте талисманы для защиты здоровья: Звезда Лады, Лунница. Это славянские обереги, которые защищают здоровье женщины;
  • Сила заговора от миомы зависит от вашего опыта. Если с первого раза не получилось - попробуйте другой заговор.

Убрать миому на поздней стадии

Сделать это самостоятельно не удастся. Если вы уже запустили болезнь, то есть только два выхода:

  • отправиться на срочную операцию;
  • идти к целителю.

Целитель будет проводить отчитку от болезни, это может занять 1-2 месяца. Решайте сами, как поступить. Если болезнь наведена порчей, то отчитать ее тяжело, она крепко держится за вас. С другой стороны, операция поможет избавиться от проблемы целиком. Оба этих метода длительны, болезненны и не дешевы. Лучше не доводите миому до стадии, когда придется полностью удалять матку и яичники.

Народная медицина знает ответы на все вопросы. Таким методом лечились еще тогда, когда не было современных лекарств и методов исследования. Они проверены тысячами женщин, которым удалось сохранить здоровье и жизнь.

Исследования в области искусственного интеллекта начали проводиться в 60-х годах. Под искусственным интеллектом сегодня понимают науку, изучающую возможности создания для ЭВМ таких программ, которые решают задачи, требующие определенных интеллектуальных усилий, а не рутинных процедур при выполнении их человеком. Задачей этой науки является воссоздание с помощью искусственных устройств, в основном ЭВМ, разумных суждений и действий. К настоящему времени на основе исследований в области искусственного интеллекта возникла новая отрасль индустрии – разработка интеллектуальных систем.

С самого начала исследования в области искусственного интеллекта развивались в двух направлениях :
. познание искусственного интеллекта и законов его функционирования.
. создание искусственных систем, которые способны не хуже (а возможно, и лучше) выполнять ту работу, которую традиционно относят к сфере интеллектуального труда.

Исследования в этой области сконцентрированы на разработке и внедрении компьютерных программ, способных эмулировать (имитировать, воспроизводить) те области деятельности человека, которые требуют мышления, определенного мастерства и накопленного опыта. К ним относятся задачи принятия решений, распознавания образов и понимания человеческого языка. Эта технология уже успешно применяется в некоторых областях техники и жизни общества - органической химии, поиске полезных ископаемых, медицинской диагностике.

Центральная парадигма интеллектуальных технологий сегодня – это обработка знаний. Системы, ядром которых является БЗ или модель предметной области, описанная на языке сверхвысокого уровня, приближенном к естественному, называют интеллектуальными. Чаще всего ИС применяются для решения сложных задач, где основная сложность решения связана с использованием слабоформализованных знаний специалистов-практиков и где логическая (или смысловая) обработка информации превалирует над вычислительной.

На пути разработки таких систем существуют две основные трудности. Во-первых, в большинстве случаев, выполняя какие-либо действия, человек четко не осознает, как он это делает. Другими словами, он не знает точного алгоритма выполнения таких действий, как понимание текста, принятие решения в тех или иных условиях. Во-вторых, несмотря на постоянное совершенствование и развитие по уровню компетентности в рассматриваемой деятельности ЭВМ все еще далеки от человека: они работают по соответствующей программе.

Задачи, решаемые методами искусственного интеллекта, обладают двумя характерными особенностями:
. в них, как правило, используется информация в символьной форме, такая как буквы, слова, знаки, рисунки, в отличие от традиционных ЭВМ, которые обрабатывают данные в числовой форме;
. в этих задачах предполагается наличие выбора, а именно, отсутствие в них алгоритма означает только то, что необходимо сделать выбор между многими вариантами, и часто в условиях неопределенности.

Все существующие в настоящее время интеллектуальные системы можно условно разбить на два класса: специализированные и общего назначения.

К специализированным ИС относятся те, которые выполняют решение фиксированного набора задач, предопределенного при проектировании системы. Для использования таких систем их требуется снабдить данными и знаниями, соответствующими конкретной проблемной или предметной областям.

К интеллектуальным системам общего назначения относятся такие, которые не только исполняют заданные процедуры, но на основе метапроцедур поиска генерируют и исполняют процедуры решения новых конкретных задач. В данных системах пользователь (эксперт) формирует знания (данные и правила), описывающие выбранную проблемную или предметную область. Затем на основании этих знаний, заданной цели и исходных данных метапроцедуры системы генерируют и исполняют процедуру решения конкретной задачи. Данная технология позволяет специалисту в некоторой проблемной области, не знающему программирования, разрабатывать гибкие прикладные системы.

Одним из основных типов интеллектуальных систем являются ЭС. Они появились в рамках исследований по ИИ в тот период, когда эта наука переживала серьезный кризис, и требовался существенных прорыв в развитии практических приложений. Пришла идея моделировать конкретные знания специалистов-экспертов. До сих пор единственным критерием интеллектуальности является наличие механизмов работы со знаниями.

Термин «системы, основанные на знаниях» появился в 1976 году одновременно с первыми системами, аккумулирующими опыт и знания экспертов. Это были экспертные системы для медицины и химии. Они ставили диагноз при инфекционных заболеваниях крови и расшифровывали данные масс-спектрографического анализа.

ЭС позволяют формализовать конкретные содержательные знания об объектах управления и протекающих в них процессах, то есть ввести в ЭВМ логико-лингвистические модели наряду с математическими. Логико-лингвистическое моделирование расширяет область применения ЭВМ за счет трудно или совсем неформализуемых ранее областей знаний (диспетчерское управление, управление гибким автоматизированным производством, управление боевыми действиями и т.п.).

ЭС эффективны в специфических «экспертных» областях, где важен опыт специалистов. Разработка ЭС направлена на использование ЭВМ для обработки информации в тех областях науки и техники, где традиционные математические методы моделирования малопригодны.

1. Знания и данные

Чем же отличаются знания от данных?

Данные – это информация, полученная в результате наблюдений или измерений отдельных свойств, характеризующих объекты, процессы и явления предметной области, то есть это конкретные факты, такие как температура воздуха, высота здания, фамилия и т.д.

Знания же основаны на данных, полученных эмпирическим путем. Они представляют собой результат опыта и мыслительной деятельности человека, направленной на обобщение этого опыта, полученного в результате практической деятельности. (Данные о высокой температуре у человека не позволяют решить задачу выздоровления. Однако знания о том, что температуру можно снизить тем или иным средством приближают решение задачи.)

Знания – это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющие специалистам ставить и решать задачи в данной области. Т.о. знания – это хорошо структурированные данные, или данные о данных, или метаданные.

Знания, которыми обладает специалист в какой-либо области, можно разделить на формализованные (точные) и неформализованные (неточные). Формализованные знания формулируются в книгах и руководствах в виде общих и строгих суждений, отражающих универсальные знания. Неформализованные знания, как правило, не попадают в книги в связи с их субъективностью, приблизительностью. Знания такого рода являются обобщением многолетнего опыта работы и интуиции специалистов.

К неформализованным задачам обычно относят те, которые обладают одной или несколькими из следующих особенностей:
. алгоритмическое решение задачи неизвестно или не может быть использовано из-за ограниченности вычислительных ресурсов;
. задача не может быть определена в числовой форме;
. цели задачи не могут быть выражены в терминах точно определенной
целевой функции.

Кроме того, неформализованные задачи обычно обладают следующими особенностями:
. ошибочностью, неоднозначностью, неполнотой и противоречивостью знаний о самой решаемой задаче и проблемной области, к которой она относится;
. ошибочностью, неоднозначностью, неполнотой и противоречивостью исходных данных;
. большой размерностью пространства решений задачи, из чего вытекает необходимость большого числа шагов перебора при поиске решения;
. динамически изменяющимися данными и знаниями.

Также знания делят на процедурные и декларативные. Любые знания можно представить как декларативно, так и процедурно, но, в зависимости от решаемых за¬дач, одни знания удобно иметь в декларативном представлении, а другие в процедур¬ном. Например, факт в декларативном представлении — это просто утверждение, что факт истинен.

Первичными были процедурные знания, т.е. знания, «растворенные» в алгоритмах. Они управляли данными. Для их изменения требуется изменять текст программ. Однако с развитием информатики и ПО все большая часть знаний сосредотачивалась в структурах данных (таблицах, списках, абстрактных типах данных), т.е. увеличивалась роль декларативных знаний.

Процедурное представление факта — это множество инструкций, выполнение ко¬торых дает результат, согласующийся с фактом. Если факты, заносимые в БЗ, незави¬симы и неизменяемы, то декларативный подход легче понимается пользователем и довольно просто поддерживается системой, благодаря его модульности. Эксперты и пользователи предпочитают иметь дело с декларативными представлением. Проце¬дурный подход является более эффективным в аналитическом плане, но его сложнее поддерживать в системе. Разработчики ЭС предпочитают именно процедурное пред¬ставление, т.к. результат работы процедуры всегда легко проверить, прослеживая последовательность ее выполнения. В принципе всегда можно преобразовать декла-ративное представление в процедурное и наоборот.

2. Характеристики и особенности экспертных систем (ЭС)

Мы под ИС будет понимать следующее: ИС - это программа для компьютера, которая оперирует со знаниями в определенной предметной области с целью выработки рекомендаций или решения проблем.

Для, экспертных систем приняты два основных определения:
— это программы, которые манипулируют знаниями в целях получения удовлетворительного или эффективного решения в узкой предметной области;
— это информационные системы, построенные на принципах искусственного интеллекта, способные в некоторой предметной области решать задачи, принимать решения и получать выводы, которые может сделать только очень квалифицированный специалист (эксперт).

Экспертная система может полностью взять на себя функции, выполнение которых обычно требует привлечения опыта человека-специалиста, или играть роль ассистента для человека, принимающего решение. Другими словами, система, требующая принятия решения, может получить его непосредственно от программы или через промежуточное звено - человека, который общается с программой. Тот, кто принимает решение, может быть экспертом со своими собственными правами, и в этом случае программа может «оправдать» свое существование, повышая эффективность его работы. Альтернативный вариант - человек, работающий в сотрудничестве с такой программой, может добиться с ее помощью результатов более высокого качества. Вообще говоря, правильное распределение функций между человеком и машиной является одним из ключевых условий высокой эффективности внедрения экспертных систем.

Как и человек-эксперт, экспертная система использует символическую логику и эмпирические правила, чтобы найти решение. Эти системы, как и человек, могут ошибаться, но в отличие от обычных программ, экспертные системы могут учиться на своих ошибках, накапливая и обобщая знания в некоторой проблемной области. У такой искусственной экспертизы есть и преимущества перед человеком: она постоянна, непротиворечива, легко передает свои знания, документируется и уточняется.

ЭС не отвергают и не заменяют традиционного подхода к разработке ПО, они отличаются от традиционных программ тем, что ориентированы на решение трудноформализуемых задач.

ЭС отличаются от традиционных программ тем, что ориентированы на решение неформализованных задач и обладают следующими особенностями:
. алгоритм решения не известен заранее, а строится самой ЭС с помощью символических рассуждений, базирующихся на эвристических приемах;
. ясность полученных решений, то есть ЭС «осознает» в терминах пользователя, как она получила решение;
. способность анализа и объяснения своих действий и знаний;
. способность приобретения новых знаний от пользователя-эксперта, не знающего программирования, и изменения в соответствии с ним своего поведения;
. обеспечение, как правило, естественно-языкового интерфейса с пользователем.

Экспертная система отличается от прочих прикладных программ наличием следующих признаков.
. Моделирует не столько физическую (или иную) природу определенной проблемной области, сколько механизм мышления человека применительно к решению задач в этой проблемной области. Это существенно отличает экспертные системы от систем математического моделирования или компьютерной анимации. Нельзя, конечно, сказать, что программа полностью воспроизводит психологическую модель специалиста в этой предметной области (эксперта), но важно, что основное внимание все-таки уделяется воспроизведению компьютерными средствами методики решения проблем, которая применяется экспертом, т.е. выполнению некоторой части задач так же (или даже лучше), как это делает эксперт.
. Система, помимо выполнения вычислительных операций, формирует определенные соображения и выводы, основываясь на тех знаниях, которыми она располагает. Знания в системе представлены, как правило, на некотором специальном языке и хранятся отдельно от собственно программного кода, который и формирует выводы и соображения. Этот компонент программы принято называть базой знаний.
. При решении задач основными являются эвристические и приближенные методы, которые, в отличие от алгоритмических, не всегда гарантируют успех. Такие методы являются приблизительными в том смысле, что, во-первых, они не требуют исчерпывающей исходной информации, и, во-вторых, существует определенная степень уверенности (или неуверенности) в том, что предлагаемое решение является верным.

Среди систем искусственного интеллекта экспертные системы выделяются двумя особенностями:
— практической направленностью (решают задачи в узкой предметной области);
— понятностью пользователю всех действий экспертной системы благодаря тому, что экспертная система ведет с ним диалог на подмножестве естественного языка и способна объяснить все свои действия.

Важность экспертных систем в современных процессах проектирования решений определяется, в основном, тремя обстоятельствами:
— технология экспертных систем в значительной степени расширяет круг решаемых практически значимых задач, что в свою очередь приносит значительный экономический эффект;
— технология экспертных систем представляет собой одно из важнейших средств решения глобальных проблем проектирования сложных систем при традиционном программировании, таких как длительность и высокая стоимость разработки, высокая стоимость сопровождения их программного обеспечения, повторная используемость программ;
— объединение технологий, экспертных систем и традиционного программирования добавляет новые качеств программным продуктам проектирования как в содержательной стороне процесса проектирования, так и в обеспечении, лучшей графики, лучшего интерфейса и взаимодействия с пользователем продукта.

Итак, ЭС предназначены для выполнения специальных, трудно формализуемых задач, решение которых возможно при учете опыта квалифицированных специалистов, являющихся экспертами. Эксперты не только участвуют в выявлении знаний из области разработки, изготовления и эксплуатации изделий АТ, необходимых для решения поставленной задачи, но и выработке правил, на основании которые могут быть предложены приемлемые варианты ее решения. Эти приемы или методы, существенно сокращающие время поиска путем отсечения неперспективных ветвей, не просто методом полного перебора, называются эвристиками и являются одной из разновидностей правил.

Глава 1. Системы, основанные на знаниях.

Глава 2. Введение в инженерию знаний.

ГЛАВА 1. Системы, основанные на знаниях.

^ 1.1. Знания и данные

Если у вас есть проблема или задача, которую нельзя решить самостоятельно - вы обращаетесь к знающим людям, или к экспертам, к тем, кто обла­дает ЗНАНИЯМИ. Термин "системы, основанные на знаниях" (knowledge-based systems) появился в 1976 году одновременно с первыми системами, аккумулирующими опыт и знания экспертов. Это были экспертные системы (expert systems) MYCIN и DENDRAL для медицины и химии. Они ставили диагноз при инфекционных заболеваниях крови и расшифровывали данные масс-спектрографического анализа.

Экспертные системы появились в рамках исследований по искусственному интеллекту (ИИ) (artificial intelligence) в тот период, когда эта наука пережи­вала серьезный кризис, и требовался существенный прорыв в развитии практических приложений. Этот прорыв произошел, когда на смену поис­кам универсального алгоритма мышления и решения задач исследователям пришла идея моделировать конкретные знания специалистов-экспертов. Так в США появились первые коммерческие системы, основанные на знани­ях, или экспертные системы (ЭС). Эти системы по праву стали первыми ин­теллектуальными системами, и до сих пор единственным критерием интел­лектуальности является наличие механизмов работы со знаниями.

Так появился новый подход к решению задач искусственного интеллекта - представление знаний.

Подробнее об истории искусственного интеллекта можно почитать в [Поспелов, 1986; Джексон, 2001; Гаврилова, Хорошевский, 2001; Эндрю, 1985|.

При изучении интеллектуальных систем традиционно возникает вопрос - что же такое знания и чем они отличаются от обычных данных, десятилетиями обрабатываемых на компьютерах. Можно предложить несколько рабочих определений, в рамках которых это становится очевидным.

Определение 1.1

Данные - это информация, полученная в результате наблюдений или измерений отдельных свойств (атрибутов), характеризующих объекты, процессы и явления предметной области.

Иначе, данные - это конкретные факты, такие как температура воздуха, высота здания, фамилия сотрудника, адрес сайта и пр.

При обработке на ЭВМ данные трансформируются, условно проходя следующие этапы:


  • D1 - данные как результат измерений и наблюдений;

  • D2 - данные на материальных носителях информации (таблицы, протоколы, справочники);

  • D3 - модели (структуры) данных в виде диаграмм, графиков, функций;

  • D4 - данные в компьютере на языке описания данных;

  • D5 - базы данных на машинных носителях информации.
Знания же основаны на данных, полученных эмпирическим путем. Они представляют собой результат опыта и мыслительной деятельности человека, направленной на обобщение этого опыта, полученного в результате практической деятельности.

Так, если вооружить человека данными о том, что у него высокая температура (результат наблюдения или измерения), то этот факт не позволит ему решить задачу выздоровления. А если опытный врач поделится знаниями о том, что температуру можно снизить жаропонижающими препаратами и обильным питьем, то это существенно приблизит решение задачи выздоровления, хотя на самом деле нужны дополнительные данные и более глу­бокие знания.

Определение 1.2

Знаний - это связи и закономерности предметной области (принципы, модели, законы), полученные в результате практической деятельности и профессионального опыта, позволяющего специалистам ставить и решать задачи в данной области.

При обработке на ЭВМ знания трансформируются аналогично данным:


  • Z1 - знания в памяти человека как результат анализа опыта и мышления;

  • Z2 - материальные носители знаний (специальная литература, учебники, методические пособия);

  • Z3 - поле знаний - условное описание основных объектов предметной области, их атрибутов и закономерностей, их связывающих;

  • Z4 - знания, описанные на языках представления знаний (продукцион­ные языки, семантические сети, фреймы - см. далее);

  • Z5 - база знаний на машинных носителях информации. Часто используется и такое определение знаний:
Знания - это хорошо структурированные данные, или данные о данных, или метаданные.

Ключевым этапом при работе со знаниями является формирование поля знаний (третий этап Z3), эта нетривиальная задача включает выявление и определение объектов и понятий предметной области, их свойств и связей между ними, а также представление их в наглядной и интуитивно понятной форме. Этот термин впервые был введен при практической разработке экспертной системы по психодиагностике АВТАНТЕСТ [Гаврилова, 1984] и теперь широко используется разработчиками ЭС.

Без тщательной проработки поля знаний не может быть речи о создании базы знаний.

Существенным для понимания природы знаний являются способы опреде­ления понятий. Один из широко применяемых способов основан на идее интенсионала и экстенсионала.

Определение 1.3

Интенсионал понятия - это определение его через соотнесение с понятием более высокого уровня абстракции с указанием специфических свойств.

Например, интенсионал понятия "МЕБЕЛЬ": "предметы, предназначенные для обеспечения комфортного проживания человека и загромождающие дом".

Определение 1.4

Экстенсионал - это определение понятия через перечисление его конкретных примеров, т. е. понятий более низкого уровня абстракции.

Экстенсионал понятия "МЕБЕЛЬ": "Шкаф, диван, стол, стул и т. д.".

Интенсионалы формируют знания об объектах, в то время как экстенсионал объединяет данные. Вместе они формируют элементы поля знаний конкретной предметной области.

Для хранения данных используются базы данных (для них характерны большой объем и относительно небольшая удельная стоимость информа­ции), для хранения знаний - базы знаний (небольшого объема, но исклю­чительно дорогие информационные массивы).

База знаний - основа любой интеллектуальной системы, где знания описа­ны на некотором языке представления знаний, приближенном к естественному.

Знания можно разделить на:


  • глубинные;

  • поверхностные.
Поверхностные - знания о видимых взаимосвязях между отдельными событиями и фактами в предметной области.

Глубинные - абстракции, аналогии, схемы, отображающие структуру и при­роду процессов, протекающих в предметной области. Эти знания объясняют явления и могут использоваться для прогнозирования поведения объектов.

Поверхностные знания

"Если ввести правильный пароль, на экране компьютера появится изображение рабочего стола".

Глубинные знания

"Понимание принципов работы операционной системы и знания на уровне квалифицированного системного администратора".

Современные экспертные системы работают, в основном, с поверхностны­ми знаниями. Это связано с тем, что на данный момент нет универсальных методик, позволяющих выявлять глубинные структуры знаний и работать с ними.

Кроме того, в учебниках по ИИ знания традиционно делят на процедурные и декларативные. Исторически первичными были процедурные знания, т. е. знания, "растворенные" в алгоритмах. Они управляли данными. Для их из­менения требовалось изменять текст программ. Однако с развитием информатики и программного обеспечения все большая часть знаний сосредота­чивалась в структурах данных (таблицы, списки, абстрактные типы данных), т. е. увеличивалась роль декларативных знаний.

Сегодня знания приобрели чисто декларативную форму, т. е. знаниями считаются предложения, записанные на языках представления знаний, приближенных к естественному языку и понятных неспециалистам.

Один из пионеров ИИ Алан Ньюэлл проиллюстрировал эволюцию средств общения человека с компьютером как переход от машинных кодов через символьные языки программирования к языкам представления знаний (рис. 1.1).

^ 1.2. Модели представления знаний

В настоящее время разработаны десятки моделей (или языков) представле­ния знаний для различных предметных областей. Большинство из них мо­жет быть сведено к следующим классам:


  • продукционные модели;

  • семантические сети;

  • фреймы;

  • формальные логические модели.
В свою очередь это множество классов можно разбить на две большие группы (рис. 1.2):

  • модульные;

  • сетевые.
Модульные языки оперируют отдельными (не связанными) элементами зна­ний, будь то правила или аксиомы предметной области.

Сетевые языки предоставляют возможность связывать эти элементы или фрагменты знаний через отношения в семантические сети или сети фреймов.

Рассмотрим подробнее наиболее популярные у разработчиков языки пред­ставления знаний (ЯПЗ).

^ 1.2.1. Продукционная модель

ЯПЗ, основанные на правилах (rule-based), являются наиболее распростра­ненными и более 80% ЭС используют именно их.

Определение 1.5

Продукционная модель или модель, основанная на правилах, позволяет представить знания в виде предложений типа "Если (условие), то (действие)".

Под "условием" (антецедентом) понимается некоторое предложение-образец, по которому осуществляется поиск в базе знаний, а под "действи­ем" (консеквентом) - действия, выполняемые при успешном исходе поиска (они могут быть промежуточными, выступающими далее как условия, и терминальными или целевыми, завершающими работу системы).

Чаще всего вывод на такой базе знаний бывает прямой (от данных к поиску цели) или обратный (от цели для ее подтверждения - к данным). Дан­ные - это исходные факты, хранящиеся в базе фактов, на основании кото­рых запускается машина вывода или интерпретатор правил, перебирающий правила из продукционной базы знаний (см. разд. 1.3).

Продукционная, модель так часто применяется в промышленных эксперт­ных системах, поскольку привлекает разработчиков своей наглядностью, высокой модульностью, легкостью внесения дополнений и изменений и простотой механизма логического вывода.

Имеется большое число программных средств, реализующих продукцион­ный подход (например, языки высокого уровня CLIPS и OPS 5; "оболочки" или "пустые" ЭС - EXSYS Professional и Карра, инструментштьные системы КЕЕ, ARTS, PIES [Хорошевский, 1993]), а также промышленных ЭС на его основе (например, ЭС, созданных средствами G2 [Попов, 1996]). Подробнее см. [Попов, Фоминых и др., 1996; Хорошевский, 1993; Гаврилова, Хорошев­ский, 2001; Durkin, 1998].

^ 1.2.2.Семантические сети

Термин "семантическая" означает "смысловая", а сама семантика - это нау­ка, устанавливающая отношения между символами и объектами, которые они обозначают, т. е. наука, определяющая смысл знаков. Модель на основе семантических сетей была предложена американским психологом Куиллиа-ном. Основным ее преимуществом является то, что она более других соот­ветствует современным представлениям об организации долговременной памяти человека [Скрэгг, 1983].

Определение 1.6

Семантическая сеть - это ориентированный граф, вершины которого - по­нятия, а дуги - отношения между ними.

В качестве понятий обычно выступают абстрактные или конкретные объек­ты, а отношения это связи типа: "это" ("АКО - A-Kind-Of, "is" или "эле­мент класса"), "имеет частью" ("has part"), "принадлежит", "любит".

Можно предложить несколько классификаций семантических сетей, связанных с типами отношений между понятиями.

По количеству типов отношений:


  • однородные (с единственным типом отношений);

  • неоднородные (с различными типами отношений).
-По типам отношений:

  • бинарные (в которых отношения связывают два объекта);
N-арные (в которых есть специальные отношения, связывающие более двух понятий).

Наиболее часто в семантических сетях используются следующие отношения:


  • элемент класса (роза это цветок);

  • атрибутивные связи /иметь свойство (память имеет свойство - объем);

  • значение свойства (цвет имеет значение - желтый);

  • пример элемента класса (роза, например - чайная);

  • связи типа "часть-целое" (велосипед включает руль);

  • функциональные связи (определяемые обычно глаголами "производит", "влияет"...);

  • количественные (больше, меньше, равно...);

  • пространственные (далеко от, близко от, за, под, над...);

  • временные (раньше, позже, в течение...);

  • логические связи (и, или, не) и др.
Минимальный состав отношений в семантической сети таков:

  • элемент класса или АКО;

  • атрибутивные связи /иметь свойство;

  • значение свойства.
Недостатком этой модели является сложность организации процедуры орга­низации вывода на семантической сети.

Эта проблема сводится к нетривиальной задаче поиска фрагмента сети, соответствующего некоторой подсети, отражающей поставленный запрос к базе.

На рис. 1.3 изображен пример семантической сети. В качестве вершин тут выступают понятия "человек", "т. Смирнов", "Audi A4", "автомобиль", "вид транспорта" и "двигатель".

Рис. 1.3. Семантическая сеть

Для реализации семантических сетей существуют специальные сетевые языки, например, NET [Цейтин, 1985], язык реализации систем SIMER + MIR [Осипов, 1997] и др. Широко известны экспертные системы, использую­щие семантические сети в качестве языка представления знаний - PROSPECTOR, CASNET, TORUS [Хейес-Рот и др., 1987; Durkin, 1998].

1.2.3. Фреймы

Термин фрейм (от англ. frame - "каркас" или "рамка") был предложен Марвином Минским [Минский, 1979], одним из пионеров ИИ, в 70-е годы для обозначения структуры знаний для восприятия пространственных сцен. Эта модель, как и семантическая сеть, имеет глубокое психологическое обоснование.

Определение 1.7

Фрейм - это абстрактный образ для представления стереотипа объекта, понятия или ситуации.

Интуитивно понятно, что под абстрактным образом понимается некоторая обобщенная и упрощенная модель или структура. Например, произнесение вслух слова "комната" порождает у слушающих образ комнаты: "жилое по­мещение с четырьмя стенами, полом, потолком, окнами и дверью, площадью 6-20 м 2 ". Из этого описания ничего нельзя убрать (например, убрав окна, мы получим уже чулан, а не комнату), но в нем есть "дырки" или "слоты"- это незаполненные значения некоторых атрибутов - например, количество окон, цвет стен, высота потолка, покрытие пола и др.

В теории фреймов такой образ комнаты называется фреймом комнаты. Фреймом также называется и формализованная модель для отображения образа.

Различают фреймы-образцы или прототипы, хранящиеся в базе знаний, и фреймы-экземпляры, которые создаются для отображения реальных фактиче­ских ситуаций на основе поступающих данных. Модель фрейма является достаточно универсальной, поскольку позволяет отобразить все многообразие знаний о мире через:


  • фреймы-структуры, использующиеся для обозначения объектов и поня­тий (заем, залог, вексель);

  • фреймы-роли (менеджер, кассир, клиент);

  • фреймы-сценарии (банкротство, собрание акционеров, празднование именин);

  • фреймы-ситуации (тревога, авария, рабочий режим устройства) и др.
Традиционно структура фрейма может быть представлена как список свойств:

^ (ИМЯ ФРЕЙМА:

(имя 1-го слота: значение 1-го слота),

(имя 2-го слота: значение 2-го слота),

…………….

(имя N-гo слота: значение N-го слота)).

Ту же запись можно представить в виде таблицы (см. табл. 1.1), дополнив ее двумя столбцами.

Таблица 1.1. Структура фрейма


Имя фрейма

Имя слота

Значение слота

Способ получения значения

Присоединенная процедура

В таблице дополнительные столбцы (3-й и 4-й) предназначены для описа­ния способа получения слотом его значения и возможного присоединения к тому или иному слоту специальных процедур, что допускается в теории фреймов. В качестве значения слота может выступать имя другого фрейма, так образуются сети фреймов.

Существует несколько способов получения слотом значений во фрейме-экземпляре:


  • по умолчанию от фрейма-образца (Default-значение);

  • через наследование свойств от фрейма, указанного в слоте АКО;

  • по формуле, указанной в слоте;

  • через присоединенную процедуру;

  • явно из диалога с пользователем;

  • из базы данных.
Важнейшим свойством теории фреймов является заимствование из теории семантических сетей - так называемое наследование свойств. И во фрей­мах, и в семантических сетях наследование происходит по АКО-связям (A-Kind-Of = это). Слот АКО указывает на фрейм более высокого уровня иерархии, откуда неявно наследуются, т. е. переносятся, значения анало­гичных слотов.

Например, в сети фреймов на рис. 1.4 понятие "ученик" наследует свойства фреймов "ребенок" и "человек", которые находятся на более высоком уровне иерархии. На вопрос "любят ли ученики сладкое?" следует ответ "да", т. к. этим свойством обладают все дети, что указано во фрейме "ребенок". Наследование свойств может быть частичным: возраст для учеников не насле­дуется из фрейма "ребенок", поскольку указан явно в своем собственном фрейме.


Рис. 1.4. Сеть фреймов

Основным преимуществом фреймов как модели представления знаний яв­ляется то, что она отражает концептуальную основу организации памяти человека [Шенк, Хантер, 1987], а также ее гибкость и наглядность.

Специальные языки представления знаний в сетях фреймов FRL (Frame Representation Language) [Байдун, Бунин, 1990], KRL (Knowledge Representa­tion Language) [Уотермен, 1989], фреймовая "оболочка" Kappa [Стрельников, Борисов, 1997] и другие программные средства позволяют эффективно строить промышленные ЭС. Широко известны такие фрейм-ориентирован­ные экспертные системы, как ANALYST, МОДИС, TRISTAN, ALTERID [Ковригин, Перфильев, 1988; Николов, 1988; Sisodia, Warkentin, 1992].

^ 1.2.4. Формальные логические модели

Традиционно в представлении знаний выделяют формальные логические мо­дели, основанные на классическом исчислении предикатов 1-го порядка, когда предметная область или задача описывается в виде набора аксиом. Реально исчисление предикатов 1-го порядка в промышленных экспертных системах практически не используется. Эта логическая модель применима в основ­ном в исследовательских "игрушечных" системах, т. к. предъявляет очень высокие требования и ограничения к предметной области. В промышлен­ных же экспертных системах используются различные ее модификации и расширения, изложение которых выходит за рамки этой книги. См. [Ада-менко, Кучуков, 2003].

^ 1.3. Вывод на знаниях

Как уже сказано в разд. 1.2, наибольшее распространение получила продук­ционная модель представления знаний. При ее использовании база знаний состоит из набора правил, а программа, управляющая перебором правил, называется машиной вывода.

Определение 1.8

Машина вывода (интерпретатор правил) - это программа, имитирующая логический вывод эксперта, пользующегося данной продукционной базой знаний для интерпретации поступивших в систему данных.

Обычно она выполняет две функции:

Просмотр существующих данных (фактов) из рабочей памяти (базы дан­ных) и правил из базы знаний и добавление (по мере возможности) в ра­бочую память новых фактов;

Определение порядка просмотра и применения правил. Этот механизм управляет процессом консультации, сохраняя для пользователя инфор­мацию о полученных заключениях, и запрашивает у него информацию, когда для срабатывания очередного правила в рабочей памяти оказывает­ся недостаточно данных [Осуга, Саэки, 1990].

В подавляющем большинстве систем, основанных на знаниях, механизм вывода представляет собой небольшую по объему программу и включает двакомпонента - один реализует собственно вывод, другой управляет этим процессом.

Действие компонента вывода основано на применении правила, называемого modus ponens: "Если известно, что истинно утверждение А, и существует правило вида "ЕСЛИ А, ТО В", тогда утверждение В также истинно".

Таким образом, правила срабатывают, когда находятся факты, удовлетво­ряющие их левой части: если истинна посылка, то должно быть истинно и заключение.

Компонент вывода должен функционировать даже при недостатке инфор­мации. Полученное решение может и не быть точным, однако система не должна останавливаться из-за того, что отсутствует какая-либо часть вход­ной информации.

^ Управляющий компонент определяет порядок применения правил и выполняет четыре функции:


  1. Сопоставление- образец правила сопоставляется с имеющимися фактами.

  2. Выбор - если в конкретной ситуации могут быть применены сразу несколько правил, то из них выбирается одно, наиболее подходящее по заданному критерию (разрешение конфликта).

  3. Срабатывание - если образец правила при сопоставлении совпал с какими-либо фактами из рабочей памяти, то правило срабатывает.

  4. Действие - рабочая память подвергается изменению путем добавления в нее заключения сработавшего правила. Если в правой части правила содержится указание на какое-либо действие, то оно выполняется (как, например, в системах обеспечения безопасности информации).
Интерпретатор продукций работает циклически. В каждом цикле он про­сматривает все правила, чтобы выявить те, посылки которых совпадают с известными на данный момент фактами из рабочей памяти. После выбора правило срабатывает, его заключение заносится в рабочую память, и затем цикл повторяется сначала.

В одном цикле может сработать только одно правило. Если несколько пра­вил успешно сопоставлены с фактами, то интерпретатор производит выбор по определенному критерию единственного правила, которое срабатывает в данном цикле. Цикл работы интерпретатора схематически представлен на рис. 1.5.

Информация из рабочей памяти последовательно сопоставляется с посыл­ками правил для выявления успешного сопоставления. Совокупность ото­бранных правил составляет так называемое конфликтное множество. Для разрешения конфликта интерпретатор имеет критерий, с помощью которого он выбирает единственное правило, после чего оно срабатывает. Это выра­жается в занесении фактов, образующих заключение правила, в рабочую

На начальном этапе исследований по искусственному интеллекту возникло всеобщее убеждение, что за интеллектуальным поведением человека скрываются его знания об окружающем мире. Речь идет о знаниях, которыми обладают специалисты профессионалы.

Интеллектуальная система, основанная на знаниях, представляет собой такую систему, в которой с помощью логического вывода знания применяются к решению поставленных задач.

    Экспертные системы отличаются от традиционных вычислительных пакетов программ тем, как они организованы. С традиционных позиций программы представляет собой процедуру и данные.

Общее представление о работе экспертной системы показано на рисунке 6.2.

Экспертные системы содержат в базе данных три различных модуля:

    факты о признаках конкретной ситуации

    правила относящиеся к области экспертизы

правила работы с «экспертными правилами» или «машина вывода»

Схема работы экспертной системы.

Рисунок 6.2

      1. Архитектура экспертных систем

Если компьютерной программе предстоит выполнить задачу эксперта, то она нуждается в большом объеме знаний, позволяющих решать сложные проблемы, подобно тому, как это делает человек. Система должна быть тщательно организована. В общем случае знания разделяются на три типа:

    Фактические (декларативные) знания. Этот вид знаний представляет собой информацию о конкретном случае, обычно собираемую посредством диалога с пользователем, который указывает какие факты следует считать справедливыми в настоящее время. Важно то, как представлена эта информация, поскольку сама структура представления также информативна. Структуру представления следует выбирать в зависимости от содержания знаний.

    Процедурные знания. Эти знания обычно собираются заранее путём опроса специалиста в данной предметной области и составляют ядро базы знаний. Они используются также в блоке рассуждения системы, позволяя потом выводить следствия. Процедурные знания дают возможность при необходимости генерировать и факты. Таким образом, фактические и процедурные знания тесно переплетаются. Кроме того, в ходе работы системы приходится принимать решения, какие из тех правил следует использовать.

    Управляющие знания. Системе должен быть предусмотрен некоторый набор стратегий, чтобы можно было рассматривать альтернативные возможности в ходе работы, переход при неудаче от одной стратегии к другой.

Системы продукций представляют собой конкретный метод организации программ в виде совокупностей трех групп, указанных выше. Каждая группа рассматривается отдельно, поэтому такую систему легко понять и с ней легко работать.

    База данных (БД)

    Список порождающих правил (ПП)

    Метод выбора, какое порождающее правило следует применить при данном состоянии базы данных

Каждое порождающее правило (продукция) имеет форму ЕСЛИ (условие), ТО (действие) или, возможно, форму ЕСЛИ (условие), ТО (действие 1), В ПРОТИВНОМ СЛУЧАЕ (действие2). При этом процедуры сопоставления с образцом определяет, является ли данное правило применимым вообще.

Условная часть продукции сопоставляется с имеющейся базой данных. Если процесс сопоставления заканчивается успешно, то всем переменным, входящим в образец, то есть переменным из условной части некоторого порождающего правила, придаются определенные значения из БД, которые обеспечивают сопоставимость. В дальнейшем эти значения будут использоваться в части, соответствующей действию того же самого порождающего правила. Эта часть может быть произвольной процедурой, которая запускается только при условии успешного сопоставления и если данная продукция была выбрана управляющим механизмом. Все изменения могут быть осуществлены посредством двух элементарных функций - добавления и удаления. В начале работы системы запускается некоторое простое правило, которое обеспечивает сбор информации о рассматриваемом случае и вносит ее в базу данных. В дальнейшем система действует по простому принципу: «выбери продукцию - примени соответствующие действия». Централизованная база данных является сосредоточием активности системы, причем программист должен внести в систему потенциально весьма сложные стратегии управления, которые позволят избежать столь естественной неупорядоченности в работе системы, поведут ее по верному пути к успешному решению поставленной задачи. Самый распространенный способ как «запуска» системы продукций, так и «управления» ею состоит в использовании механизмов, названных «демонами».

Существует три возможные разновидности демонов, а именно «если-добавлено», «если-удалено» и «если необходимо». Демоны запускаются в работу путем добавления их в базу данных. Как правило, демоны вида «если-добавлено» будут использоваться для проведения прямых логических дедукций, осуществляемых автоматически, если стали известны некоторые дополнительные факты. Демоны вида «если-удалено» запускаются функцией удаления. Эти демоны представляют по смыслу полную противоположность демонам «если-добавлено», но работают в значительной степени точно таким же образом. Как правило, демоны «если-удалено» используются для удаления из БД тех явных дедукций, которые были сделаны демонами «если-добавлено», как только те вещи, которые вызывали эти дедукции, были удалены из БД (что необходимо для поддержания согласования БД). Демоны «если-необхолдимо» используются для проведения дедукции в обратном направлении.

Большую часть БД составляют правила, которые запускаются путем сопоставления с соответствующими признаками, характеризующими данную задачу, и которые могут добавляться, модифицироваться или изыматься пользователем. Базу данных такого специального типа обычно называют базой знаний.

Для взаимодействия пользователя с экспертной системой существует три режима, в отличие от единственного режима взаимодействия (получение ответов на поставленные задачи), типичного для более привычных вычислительных систем:

    получение решений поставленных задач - пользователь как потребитель

    усовершенствование или наращивание знаний системы - пользователь как учитель

    извлечение пользы для человека из базы знаний - пользователь как ученик

Экспертные системы (ЭС) представляют собой компьютерные программы, использующие принципы искусственного интеллекта и формализованные знания эксперта для обработки оперативной информации и принятия обоснованных решений в анализируемой предметной области.

В экспертных системах для решения задач на уровне эксперта-человека широко используются специализированные знания. Термином "эксперт" обозначается личность, обладающая экспертными знаниями в определённой области. Это означает, что эксперт имеет знания или специальные навыки, которые неизвестны или недоступны для большинства людей. Эксперт способен решать задачи, которые большинство людей не способны решить вообще, или решает их гораздо более эффективно. После того как были впервые разработаны экспертные системы, они содержали исключительно только экспертные знания. Однако в наши дни термин "экспертная система " часто применяется по отношению к любой системе, в которой используется технология экспертных систем. Технология экспертных систем может включать специальные языки экспертных систем, а также программные и аппаратные средства, предназначенные для обеспечения разработки и эксплуатации экспертных систем.

В качестве знаний в экспертных системах могут применяться либо экспертные знания, либо обычные общедоступные знания, которые могут быть получены из книг, журналов и от хорошо осведомлённых людей. В этом смысле обычные знания рассматриваются как понятие более низкого уровня по сравнению с более редкими экспертными знаниями. Термины "экспертная система ", "система, основанная на знаниях ", и "экспертная система, основанная на знаниях ", часто используются как синонимы. Но большинство людей используют только термин "экспертная система " просто потому, что оно короче, даже несмотря на то, что в экспертной системе , о которой идёт речь, могут быть представлены не экспертные, а всего лишь обычные знания.

Существуют два принципиально различных класса ЭС: "основанные на знаниях" и "основанные на примерах". Первый класс ЭС применяется для работы с хорошо систематизированными элементами знаний и априори известными закономерностями, выраженными различного рода методиками, инструкциями, правилами и т.п. Принципы работы экспертной системы, основанной на знаниях , иллюстрируются на рис.11.15 .


Рис. 11.15.

Кроме того, разработаны полезные системы, основанные на знаниях, которые предназначены для использования в качестве интеллектуального помощника для эксперта - человека. Эти интеллектуальные помощники проектируются на основе технологии экспертных систем, поскольку такая технология обеспечивает значительные преимущества при разработке. Чем больше знаний будет введено в базу знаний интеллектуального помощника, тем в большей степени его действия будут напоминать действия эксперта. Разработка интеллектуального помощника может стать полезным промежуточным шагом перед созданием полноценной экспертной системы . К тому же интеллектуальный помощник позволяет освободить для эксперта больше полезного времени, поскольку его применение способствует ускоренному решению задач.

Знания эксперта относятся только к одной предметной области, и в этом состоит отличие методов, основанных на использовании экспертных систем, от общих методов решения задач. Предметная область - это специальная проблемная область, такая как медицина, финансы, наука и техника, в которой может очень хорошо решать задачи лишь определённый эксперт. Экспертные системы, как и эксперты - люди, в целом предназначены для использования в качестве экспертов в одной предметной области. Например, обычно нельзя рассчитывать на то, что эксперт в области шахмат будет обладать экспертными знаниями, относящимися к медицине. Экспертные знания в одной предметной области не переносятся автоматически на другую область.

Знания эксперта, касающиеся решения конкретных задач, называются областью знаний эксперта. Связь между предметной областью и областью знаний показана на рис.11.16 .

На данном рисунке область знаний полностью включена в предметную область. Часть, выходящая за пределы области знаний, символизирует область, в которой отсутствуют знания о какой-либо из задач, относящихся к данной предметной области.

В области знаний экспертная система проводит рассуждения или делает логические выводы по такому же принципу, как рассуждал бы эксперт - человек или приходил логическим путём к решению задачи.


Рис. 11.16.

Это означает, что на основании определённых фактов путём рассуждений формируется логичное, оправданное заключение, которое следует из этих фактов.

ЭС с успехом применяются в тех областях, где, кроме применения стандартных алгоритмических методов, основанных на точных вычислениях, по существу используются знания и опыт конкретных экспертов - аналитиков, а принятие решений формируется в условиях неполноты данных и зависит скорее от качественных, чем количественных оценок. К таким предметным областям относится, прежде всего, область анализа финансовой деятельности, где эффективность принимаемых решений зависит от сопоставления множества различных факторов, учёта сложных причинно-следственных связей, применения нетривиальных логических рассуждений и т.п.

Классическая экспертная система воплощает в себе неписанные знания, которые должны быть получены от эксперта с помощью интервью, проводимых инженером по знаниям в течение длительного периода времени. Такой процесс создания экспертной системы называется инженерией знаний и осуществляется инженером по знаниям. Инженерией знаний называют получение знаний от эксперта-человека или из других источников и последующее представление знаний в экспертной системе (рис.11.17).


Рис. 11.17.

Вначале инженер по знаниям устанавливает диалог с экспертом-человеком, чтобы выявить знания эксперта. Этот этап аналогичен этапу работы, выполняемому системным проектировщиком при обычном программировании в ходе обсуждения требований к системе с клиентом, для которого создается программа. Затем инженер по знаниям представляет знания в явном виде для внесения в базу знаний. После этого эксперт проводит оценку экспертной системы и передаёт критические замечания инженеру по знаниям. Такой процесс повторяется снова и снова, до тех пор, пока эксперт не оценит результаты работы системы как удовлетворительные.

Вообще говоря, процесс создания экспертных систем намного отличается от процесса разработки обычных программ. В экспертных системах рассматриваются задачи, не имеющие удовлетворительного алгоритмического решения, поэтому для достижения приемлемого решения используется логический вывод. Поскольку в основе функционирования экспертной системы лежит логический вывод, такая система должна обладать способностью объяснить свои рассуждения, чтобы можно было их проверить. Поэтому неотъемлемой частью любой сложной экспертной системы является средство объяснения. В действительности могут быть разработаны сложные средства объяснения, позволяющие пользователю исследовать многочисленные строки с вопросами наподобие "Что будет, если... ", называемые гипотетическими рассуждениями.

Следовательно, инженерия знаний – это область информационной технологии, цель которой – накапливать и применять знания не как объект обработки их человеком, но как объект для обработки их на компьютере. Для этого необходимо проанализировать знания и особенности их обработки человеком и компьютером, а также разработать их машинное представление. К сожалению, точного и неоспоримого определения, что собой представляют знания, до сих пор не дано. Но, тем не менее, цель инженерии знаний – обеспечить использование знаний в компьютерных системах на более высоком уровне, чем до сих пор, – актуальна. Возможность использования знаний осуществима только тогда, когда эти знания существуют, что вполне объяснимо. Технология накопления и суммирования знаний идёт "бок о бок" с технологией использования знаний, где они взаимно дополняют друг друга, и ведут к созданию одной технологии, технологии обработки знаний.

Второй класс ЭС используется в ситуациях, когда отсутствуют какие-либо явные связи и закономерности между элементами знаний, а сами знания представлены в виде списков примеров, описывающих реализации тех или иных событий. Если первый класс ЭС работает с хорошо определёнными данными и знаниями, извлечёнными из экспертов - аналитиков инженерами знаний, то второй - формирует свои знания путём адаптации к предметной области, представленной примерами, причём как обучающая, так и анализируемая информация может быть искажена и неполна. В первом случае в основе механизмов вывода, как правило, лежат классические стратегии наследования и логического вывода, то во втором - различные методы индуктивного обобщения по примерам, в частности, свойства используемых для этого искусственных нейронных сетей .

В cистеме, основанной на правилах, знания в проблемной области, необходимые для решения задач, закодированы в форме правил и содержатся в базе знаний. Безусловно, для представления знаний наиболее широко применяются правила. Элементы типичной экспертной системы , основанной на правилах, показаны на рис.11.18 .


Рис. 11.18.

Экспертная система состоит из описанных ниже компонентов.

  • Пользовательский интерфейс. Механизм, с помощью которого происходит общение пользователя и экспертной системы .
  • Средство объяснения. Компонент, позволяющий объяснить пользователю ход рассуждений системы.
  • Рабочая память. Глобальная база фактов , используемых в правилах.
  • Машина логического вывода. Программный компонент, который обеспечивает формирование логического вывода (принимая решение о том, каким правилам удовлетворяют факты или объекты). Располагает выполняемые правила по приоритетам и выполняет правило с наивысшим приоритетом.
  • Рабочий список правил. Созданный машиной логического вывода и расположенный по приоритетам список правил, шаблоны которых удовлетворяют фактам или объектам, находящимся в рабочей памяти.
  • Средство приобретения знаний. Автоматизированный способ, позволяющий пользователю вводить знания в систему, а не привлекать к решению задачи явного кодирования знаний инженера по знаниям.

Во многих системах имеется необязательное средство приобретения знаний, Это инструментальное средство в некоторых экспертных системах способно обучаться, осуществляя вывод правил по методу индукции на основании примеров, и автоматически вырабатывать правила. Для выработки правил в машинном обучении применялись также другие методы и алгоритмы, такие как искусственные нейронные сети и генетические алгоритмы . Основная проблема, возникающая при использовании машинного обучения для выработки правил, состоит в том, что отсутствует какое-либо объяснение, почему были созданы эти правила. В отличие от человека, способного объяснить причины, по которым было выбрано то или иное правило, системы машинного обучения никогда не были в состоянии объяснить свои действия, а это может повлечь за собой появление непредсказуемых результатов. Однако в целом для создания деревьев решений лучше всего подходят примеры, представленные в виде простых таблиц. Общие правила, подготовленные инженером по знаниям, могут быть намного сложнее по сравнению с простыми правилами, полученными путём вывода правил по методу индукции.

В экспертной системе , основанной на правилах, базу знаний называют также продукционной памятью. В качестве очень простого примера рассмотрим задачу принятия решения о переходе через дорогу. Ниже приведены продукции для двух правил, в которых стрелки означают, что система осуществит действия справа от стрелки, если условия слева от стрелки будут истинными:

горит красный свет -> стоять

горит зеленый свет -> двигаться

Продукционные правила могут быть выражены в эквивалентном формате псевдокода IF-THEN следующим образом:

Правило: red__light

IF горит красный свет THEN стоять

Правило: green_light

IF горит зеленый свет THEN двигаться

Каждое правило обозначается именем. Вслед за именем находится часть IF правила. Участок правила между частями IF и THEN правила упоминается под разными именами, такими как антецедент, условная часть, часть шаблона или левая часть (left-hand-side - LHS). Такое отдельно взятое условие, как

"горит красный свет" называется условным элементом, или шаблоном.

В системе, основанной на правилах, машина логического вывода определяет, какие антецеденты правил (если таковые вообще имеются) выполняются согласно фактам. В качестве стратегий решения задач в экспертных системах обычно используются два общих метода логического вывода: прямой логический вывод и обратный логический вывод. В число других методов, применяемых для выполнения более конкретных методов, могут входить анализ целей и средств, упрощение задачи, перебор с возвратами, метод "запланировать-выработать-проверить", иерархическое планирование и принцип наименьшего вклада, а также обработка ограничений.

Прямой логический вывод представляет собой метод формирования рассуждений от фактов к заключениям, которые следуют из этих фактов. Например, если перед выходом из дома вы обнаружите, что идёт дождь (факт), то должны взять с собой зонтик (заключение).

Обратный логический вывод предусматривает формирование рассуждений в обратном направлении - от гипотезы (потенциального заключения, которое должно быть доказано) к фактам, которые подтверждают гипотезу. Например, если вы не выглядываете наружу, но кто-то вошёл в дом с влажными ботинками и зонтиком, то можно принять гипотезу, что идёт дождь. Чтобы подтвердить эту гипотезу, достаточно спросить данного человека, идёт ли дождь. В случае положительного ответа будет доказано, что гипотеза истинна, поэтому она становится фактом. Как уже было сказано выше, гипотеза может рассматриваться как факт, истинность которого вызывает сомнение и должна быть установлена. В таком случае гипотеза может интерпретироваться как цель, которая должна быть доказана.

В зависимости от проекта экспертной системы в машине логического вывода осуществляется либо прямой, либо обратный логический вывод, либо обе эти формы логического вывода. Например, язык CLIPS спроектирован в расчёте на применение прямого логического вывода, в языке PROLOG осуществляется обратный логический вывод, а в версии CLIPS, называемой Eclipse, разработанной Полом Хэйли (Paul Haley), осуществляется и прямой, и обратный логический выводы. Выбор машины логического вывода зависит от типа задачи. Диагностические задачи лучше всего решать с помощью обратного логического вывода, в то время как задачи прогнозирования, текущего контроля и управления проще всего поддаются решению с помощью прямого логического вывода.

Рабочая память может содержать факты, касающиеся текущего состояния светофора, такие как "горит зелёный свет" или "горит красный свет". В рабочей памяти может присутствовать любой из этих фактов или оба факта одновременно. Если светофор работает нормально, то в рабочей памяти будет находиться только один факт. Но возможно также, что в рабочей памяти будут присутствовать оба факта, если светофор неисправен. В чём состоит различие между базой знаний и рабочей памятью? Факты не взаимодействуют друг с другом. Факт "горит зелёный свет" не воздействует на факт "горит красный свет". С другой стороны, знания о работе светофоров говорят о том, что если одновременно присутствуют оба факта, то светофор неисправен.

Если в рабочей памяти имеется факт "горит зеленый свет", машина логического вывода обнаруживает, что этот факт удовлетворяет условной части правила green_light и помещает это правило в рабочий список правил. А если правило имеет несколько шаблонов, то все эти шаблоны должны быть удовлетворены одновременно для того, чтобы правило можно было поместить в рабочий список правил. В качестве условия удовлетворения некоторых шаблонов можно даже указать отсутствие определённых фактов в рабочей памяти.

Правило, все шаблоны которого удовлетворены, называется активизированным, или реализованным. В рабочем списке правил может одновременно присутствовать несколько активизированных правил. В этом случае машина логического вывода должна выбрать одно из правил для запуска.

Вслед за частью THEN правила находится список действий, которые должны быть выполнены после запуска правила. Эта часть правила называется консеквентом, или правой частью (Right-Hand Side - RHS). Если происходит запуск правила red_light, выполняется его действие "стоять". Аналогичным образом после запуска правила green_light его действием становится "двигаться". В состав конкретных действий обычно входит добавление или удаление фактов из рабочей памяти либо вывод результатов. Формат описания этих действий зависит от синтаксиса языка экспертной системы . Например, в языке CLIPS действие по добавлению в рабочую память нового факта, называемого "stop" (стоять), принимает вид (assert stop).

Машина логического вывода работает в режиме осуществления циклов "распознавание – действие". Для описания указанного режима работы применяются также другие термины, такие как цикл "выборка - выполнение", цикл "ситуация - отклик" и цикл "ситуация - действие". Но как бы ни назывался такой цикл, машина логического вывода снова и снова выполняет некоторые группы задач до выявления определённых критериев, которые вызывают прекращение выполнения. При этом решаются общие задачи, обозначенные в приведённом ниже псевдокоде как разрешение конфликтов, действие, согласование и проверка условий останова.

WHILE работа не закончена

Разрешение конфликтов. Если имеются активизированные правила, то выбрать правило с наивысшим приоритетом; в противном случае работа закончена.

Действие. Последовательно осуществить действия, указанные в правой части выбранного активизированного правила. В данном цикле проявляется непосредственное влияние тех действий, которые изменяют содержимое рабочей памяти. Удалить из рабочего список правил только что запущенное правило.

Согласование. Обновить рабочий список правил путём проверки того, выполняется ли левая часть каких-либо правил. В случае положительного ответа активизировать соответствующие правила. Удалить активизированные правила, если левая часть соответствующих правил больше не выполняется.

Проверка условий останова. Если осуществлено действие halt или дана команда break, то работа закончена.

Принять новую команду пользователя.

В течение каждого цикла могут быть активизированы и помещены в рабочий список правил многочисленные правила. Кроме того, в рабочем списке правил остаются результаты активизации правил от предыдущих циклов, если не происходит деактивизация этих правил в связи с тем, что их левые части больше не выполняются. Таким образом, в ходе выполнения программы количество активизированных правил в рабочем списке правил изменяется. В зависимости от программы, ранее активизированные правила могут всегда оставаться в рабочем списке правил, но никогда не выбираться для запуска. Аналогичным образом некоторые правила могут никогда не становиться активизированными. В подобных случаях следует повторно проверять назначение этих правил, поскольку либо такие правила не нужны, либо их шаблоны неправильно спроектированы.

Машина логического вывода выполняет действия активизированного правила с наивысшим приоритетом из рабочего списка правил, затем - действия активизированного правила со следующим по порядку приоритетом и т.д., до тех пор, пока в списке не останется больше активизированных правил. Для инструментальных средств экспертных систем разработаны различные системы приоритетов, но, вообще говоря, все инструментальные средства позволяют инженеру по знаниям определять приоритеты правил.

В рабочем списке правил возникают конфликты, если различные активизированные правила имеют одинаковый приоритет и машина логического вывода должна принять решение о том, какое из этих правил необходимо запустить. В различных командных интерпретаторах для решения этой проблемы применяются разные способы. Ньюэлл и Саймон использовали такой подход, что правила, введённые в систему в первую очередь, приобретают по умолчанию наивысший приоритет. В языке CLIPS правила имеют по умолчанию одинаковый приоритет, если каким-то из них не присваивается другой приоритет инженером по знаниям.

После завершения выполнения всех правил управление возвращается к интерпретатору команд верхнего уровня, чтобы пользователь мог выдать командному интерпретатору экспертной системы дополнительные инструкции. Работа в режиме верхнего уровня соответствует применяемому по умолчанию режиму, в котором пользователь взаимодействует с экспертной системой , и обозначается как задача "Accept a new user command" (Принять новую команду пользователя). Приём новых команд происходит именно на верхнем уровне.

Верхний уровень представляет собой пользовательский интерфейс к командному интерпретатору в тот период, когда происходит разработка приложения экспертной системы . Но обычно разрабатываются более сложные пользовательские интерфейсы, позволяющие упростить работу с экспертной системой . В действительности проектирование и реализация пользовательского интерфейса могут потребовать больше усилий, чем создание базы знаний экспертной системы , особенно на стадии разработки прототипа. В зависимости от возможностей командного интерпретатора экспертной системы пользовательский интерфейс может быть реализован с помощью правил или с применением операторов на другом языке, вызываемых из экспертной системы .

Главной особенностью экспертной системы является предусмотренное в ней средство объяснения, которое даёт возможность пользователю задавать вопросы о том, как система пришла к определённому заключению и для чего ей требуется определённая информация. Система, основанная на правилах, способна легко ответить на вопрос о том, как было получено определённое заключение, поскольку хронология активизации правил и содержимое рабочей памяти можно сохранять в стеке. Но такая возможность не столь легко достижима при использовании искусственных нейронных сетей , генетических алгоритмов или других систем, разработка которых ещё продолжается. Безусловно, были сделаны попытки предусмотреть в некоторых системах возможность объяснения, но созданные при этом средства объяснения не могут сравниться по своей наглядности со средствами любой экспертной системы , спроектированной человеком. Развитые средства объяснения могут дать возможность пользователю задавать вопросы типа "что, если" и изучать альтернативные пути формирования рассуждений по принципу гипотетических рассуждений.