6.2 Структура экспертных систем

На рисунке 14 изображена обобщенная структура экспертной системы.

Как было уже сказано выше, база знаний (БЗ) – это формализованная система сведений о некоторой предметной области, содержащая данные о свойствах объектов, закономерностях процессов и явлений, а также правила использования этих данных в задаваемых ситуациях для принятия новых решений. Назначение базы знаний – поддержка экспертов и систем, основанных на знаниях, в которых компьютеры используют правила вывода для получения ответов на вопросы пользователя.

Рисунок 14. Структура экспертной системы

База данных предназначена для временного хранения фактов или гипотез, являющихся промежуточными решениями или результатом общения системы с внешней средой, в качестве которой обычно выступает человек, ведущий диалог с экспертной системой.

Машина логического вывода – механизм рассуждений, оперирующий знаниями и данными с целью получения новых данных и знаний из других данных, имеющихся в рабочей памяти. Для этого обычно используется программно реализованный механизм дедуктивного логического вывода (какая-либо его разновидность) или механизм поиска решения в сети фреймов или семантической сети.

Машина логического вывода может реализовывать рассуждения в виде:

– дедуктивного вывода (прямого, обратного, смешанного);

– нечеткого вывода;

– вероятностного вывода;

– унификации (подобно тому, как это реализовано в языке программирования Пролог);

– поиска решения с разбиением на последовательность подзадач;

– поиска решения с использованием стратегии разбиения пространства поиска с учетом уровней абстрагирования решения или понятий, с ними связанных;

– монотонного или немонотонного рассуждения;

– рассуждений с использованием механизма аргументации;

– ассоциативного поиска с использованием нейронных сетей;

– вывода с использованием механизма лингвистической переменной.

Подсистема общения служит для ведения диалога с пользователем, в ходе которого ЭС запрашивает у пользователя необходимые факты для процесса рассуждения, а также дает возможность пользователю в какой-то степени контролировать и корректировать ход рассуждений экспертной системы.

Подсистема объяснений необходима для того, чтобы дать возможность пользователю контролировать ход рассуждений и, может быть, учиться у экспертной системы. Если нет этой подсистемы, экспертная система выглядит для пользователя как “вещь в себе”, решениям которой можно либо верить, либо нет.

Подсистема приобретения знаний служит для корректировки и пополнения базы знаний. В простейшем случае это – интеллектуальный редактор базы знаний, в более сложных экспертных системах – средства для извлечения знаний из баз данных, неструктурированного текста, графической информации и т.д.

6.3 Задачи экспертных систем в экономике

6.3.1 Базы знаний предприятий и организаций

В качестве примера для рассмотрения структуры баз знаний экспертных систем возьмем ESWin – программную оболочку для работы с продукционно-фреймовыми экспертными системами с возможностью использования лингвистических переменных. Описываемая программная оболочка предназначена для решения задач методом обратного логического вывода на основе интерпретации правил-продукций с использованием фреймов как структур данных, включающих в себя, в частности, лингвистические переменные.

База знаний состоит из набора фреймов и правил-продукций. Фрейм – это структура данных, состоящая из слотов (полей). Формат внешнего представления базы знаний (в текстовом файле) выглядит следующим образом:

TITLE = <название экспертной системы>

COMPANY = <название предприятия>

FRAME // фрейм

<описание фрейма>

ENDF

.

.

.

FRAME // фрейм

<описание фрейма>

ENDF

RULE // правило-продукция

<описание условий правила>

DO

<описание заключений правила>

ENDR

.

.

.

RULE // правило-продукция

<описание условий правила>

DO

<описание заключений правила>

ENDR

База знаний состоит из двух частей: постоянной и переменной. Переменная часть базы знаний называется базой данных и состоит из фактов, полученных в результате логического вывода. Факты в базе данных не являются постоянными. Их количество и значение зависят от процесса и результатов логического вывода.

До начала работы с экспертной оболочкой база знаний находится в текстовом файле, в котором хранятся фреймы и правила-продукции (база знаний). При начале работы с програм-мной оболочкой наличие данного файла обязательно. Этот файл создается пользователем с помощью специального редактора или вручную.

В другом файле с расширением хранятся факты, полученные в процессе логического вывода (база данных). При начале работы с программной оболочкой наличие данного файла необя-зательно. Файл с базой данных создается программной оболочкой в процессе логического вывода.

При работе с программной оболочкой фреймы и правила-продукции, находившиеся в файле с базой знаний, остаются неизменными. Факты, находившиеся в файле с базой данных, могут изменяться в процессе логического вывода (появляться, удаляться или менять свое значение в результате срабатывания правил-продукций или диалога с пользователем).

Пример базы знаний:

TITLE = для выбора метода представления знаний

FRAME = Цель

Метод представления знаний: ()

ENDF

FRAME = Тип

Решаемые задачи: (диагностика; прогнозирование)

ENDF

FRAME = Область

Применение [Какова область применения?]: (медицина; экономика)

ENDF

FRAME = Действие

Сообщение: ()

ENDF

RULE 1

= (Область.Применение; медицина)

= (Тип.Решаемые задачи; диагностика)

DO

= (Метод представления знаний; Правила-продукции с представлением нечетких знаний) 90

ENDR

RULE 2

= (Область.Применение; экономика)

= (Тип.Решаемые задачи; прогнозирование)

DO

= (Метод представления знаний; Фреймы) 100

= (Метод представления знаний; Правила-продукции с представлением нечетких знаний) 70

= (Метод представления знаний; Семантические сети) 70

MS (Действие.Сообщение; Доказано правило 4)

ENDR

Фреймы используются в базе знаний для описания объектов, событий, ситуаций, прочих понятий и взаимосвязей между ними. Формат внешнего представления фреймов (в текстовом файле) выглядит следующим образом:

FRAME (<тип фрейма>) = <имя фрейма>

PARENT: <имя фрейма-родителя>

OWNER: <имя фрейма-владельца>

<имя слота 1> (<тип слота>) [<вопрос слота>?]: (<значение 1>; <значение 2>; ... ; <значение k>)

<имя слота 2> (<тип слота>) [<вопрос слота>?]: (<значение 1>; <значение 2>; ... ; <значение l>)

<имя слота n> (<тип слота>) [<вопрос слота>?]: (<значение 1>; <значение 2>; ... ; <значение m>)

ENDF

Фрейм может принадлежать к одному из трех типов фреймов:

– фрейм-класс (тип описывается зарезервированным словом “класс”);

– фрейм-шаблон (тип описывается зарезервированным словом “шаблон”);

– фрейм-экземпляр (тип описывается зарезервированным словом “экземпляр”).

В базе знаний содержатся фреймы-классы и фреймы-шаблоны. При создании базы знаний тип фрейма-класса можно не описывать, этот тип фрейма понимается по умолчанию. Явно следует описывать только тип фрейма-шаблона.

В базе данных хранятся только фреймы-экземпляры. Так как для хранения фреймов-экземп-ляров используется специальный файл, явно их тип в этом файле также можно не описывать. (Описание типов фреймов-классов и фреймов-экземпляров используется по преимуществу во внутреннем представлении базы знаний и базы данных.)

Тип слота может принадлежать к одному из трех типов: символьный, численный, лингвисти-ческий. Описание типа слота определяет тип возможных значений слота. Обязательным является описание типов слотов численного (описывается зарезервированным словом “численный”) и лингвистического (описывается зарезервированным словом “лп”). Слот без описания типа понимается как символьный по умолчанию.

Напомним, что понятие “база знаний” ведет свое происхождение из систем искусственного интеллекта. В этих системах базы знаний генерируются для экспертов и систем, основанных на знаниях, в которых компьютеры используют правила вывода для получения ответов на вопросы пользователя. По мере усложнения АИС, многие методы, которые ранее использовались только в исследовательских целях, находили свое место в разработках организационно-технических систем. Методы и средства “управления знаниями” в настоящее время стали применяться в АИС различного назначения, в том числе в производстве, экономике, коммерческих и финансовых приложениях.

В таких системах под управлением знаниями понимается установленный в организации формальный порядок работы с информационными ресурсами для облегчения доступа к знаниям и повторного их использования с помощью современных информационных технологий. Основная цель – сделать знания доступными и повторно используемыми на уровне всей организации.

Ресурсы знаний различаются в зависимости от отраслей индустрии и приложений, но, как правило, они включают руководства, письма, новости, информацию о заказчике, сведения о конкурентах и данные, накопившиеся в процессе работы. При этом используются разнообразные технологии:

– электронная почта;

– базы и хранилища данных;

– системы групповой поддержки;

– броузеры и системы поиска;

– корпоративные сети и Internet;

– экспертные системы и системы баз знаний.

Традиционно проектировщики АИС ориентировались лишь на отдельные группы пользователей – главным образом, менеджеров. Такие системы содержат набор инструментальных средств для нисходящего доступа к базам данных, информация в которых необходима для поддержки принятия решений в процессе управления. Более современные системы проектируются в расчете на целую организацию. Очевидно, что когда все данные содержатся в едином хранилище, изучение связей между отдельными элементами данных может быть более эффективным, а результатом анализа становятся новые знания, скрытые в анализируемых знаниях.

Если хранилища данных содержат в основном количественные данные, то хранилища знаний ориентированы в большей степени на качественные данные. Знания генерируются из следующих источников:

– баз и хранилищ данных;

– рабочих процессов, статей и новостей;

– внешних баз данных, в том числе Web-страниц и др.

Хранилища знаний обычно распределены по большому количеству серверов. Базы знаний могут содержать руководства и правила проектирования, спецификации и требования.

Другим распространенным приложением является база знаний кадровых ресурсов, содержащая данные о квалификации и профессиональных навыках сотрудников, об образовании, перечень специальностей, сведения об опыте работы и т.д.

Получили развитие обучающие базы знаний. Например, обучающая база знаний агентства безопасности может содержать три типа уроков: информационные, уроки успеха и проблемы.

Информационный урок может описывать, как служащий принимает на себя временные обязанности в случае опасности. В “Уроках успеха” приводится позитивный опыт разрешения трудной ситуации. В “Уроках по проблемам” показаны примеры типичных ситуаций возникно-вения ошибок и возможные пути их устранения.