1. Экспертные системы интерпретации данных осуществляют процесс определения смысла данных, результаты которых должны быть согласованы и корректны.

2. Пятое поколение авиационной техники занимается разработкой интеллектуальных систем обнаружения и уничтожения военных объектов; разработка интеллектуального дома.

3. Определение основных свойств личности по результатам психодиагностического тестирования (АВТЕНТЕСТ, МИКРОЛЮШЕР).

4. Диагностические экспертные системы.

Диагностика - процесс соотношения объекта с некоторым известным классом объектов, обнаружения неисправностей в некоторых системах.

Неисправность - отклонение некоторых технических параметров от нормы. Это позволяет с единых теоретических позиций рассматривать:

• неисправность оборудования;

• заболевания живых организмов;

• природных явлений.

5. Проектирование - процесс подготовки спецификаций на создание объектов с заранее определенными свойствами.

Спецификация - набор необходимых документов в виде чертежей, пояснительных записок, электронных схем и т.д.

В процессе проектирования возникают проблемы получения четкого структурированного описания знаний об объекте. Необходимо знать сами проектные решения и мотивы их принятия.

Таким образом, тесно связываются два процесса в рамках экспертных систем: процесс вывода решения и процесс объяснения.

6. Мониторинг - процесс непрерывной интерпретации данных в масштабе реального времени и сигнализации о выходе тех или иных параметров за допустимый предел.

В процессе мониторинга возникают следующие проблемы:

• «пропуск» тревожной ситуации;

• ложное срабатывание.

Сложность реализации происходит из-за размытости (нечёткости) симптомов тревожных ситуаций и необходимости их учёта.

7. Прогнозирование - программа предсказания последствия некоторых событий или явлений на основании имеющихся данных.

Прогнозирующие системы логически выводят вероятное следствие из заданных ситуаций. Практически прогнозирование осуществляется на базе параметрической динамической модели, в которой значение параметра подгоняется под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогноза с вероятностной оценкой.

8. Планирование - программа нахождения плановых действий, относящихся к объектам, способным выполнять некоторые функции.

В таких экспертных системах используется модель поведения реальных объектов, чтобы логически вывести последствия планируемой деятельности.

9. Обучение - использование компьютера для изучения конкретной дисциплины или предмета.

Обучающие системы диагностируют ошибки и подсказывают правильные решения. В основе процесса обучения лежит аккумуляция знаний о гипотетическом ученике и его характерных ошибках.

Экспертная система должна быть способна:

• диагностировать слабости в познаниях обучаемого;

• находить соответствующие средства для их ликвидации;

• получать правильный ответ.

Экспертные системы по связи с реальным временем:

• статические экспертные системы разрабатываются в тех предметных областях, в которых база знаний и интерпретируемые данные не изменяются во времени (например, диагностика неисправностей автомобиля);

• квазидинамические экспертные системы интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени;

• динамические экспертные системы сопрягаются с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих данных.

Данная классификация условна, так как экспертная система одной категории может переходить в экспертную систему другой категории в зависимости от конкретных изменяющихся данных.

Экспертные системы по типу ЭВМ:

1. Супер ЭВМ.

2. Мощные вычислительные ЭВМ, предназначенные для разработки стратегических задач.

3. ЭВМ средней производительности.

4. Символьные процессоры и сервисы.

5. Рабочие станции.

6. Персональные компьютеры (Intel, Macintosh (Apple) и др.).

Экспертные системы по степени интеграции:

• автономные экспертные системы работают в режиме консультации с пользователем, решают специфические экспертные задачи, в которых не требуется привлекать традиционные методы обработки данных, расчета, моделирования и т.д.;

• гибридные (интегрированные) экспертные системы - программные комплексы, агрегирующие стандартные пакеты программ (в математической статистике, линейном программировании, динамическом программировании).

В качестве гибридных экспертных систем могут быть интеллектуальные надстройки над пакетами прикладных программ или интегрированные среды для решения сложных задач с элементами экспертных знаний.

Рассмотрим структуру экспертной системы (рис. 1).

Рис. 1. Структура экспертной системы

Пользователь - специалист предметной области, для которого предназначена система. Обычно его квалификация недостаточно высока, и поэтому он нуждается в помощи и поддержке со стороны экспертной системы.

Инженер по знаниям - специалист по искусственному интеллекту, выступающий в роли промежуточного звена между экспертом и базой знаний. Практически он является интерпретатором созданной базы знаний.

Интерфейс пользователя - комплекс программ, реализующий диалог пользователя с экспертной системой как на стадии ввода информации, так и получения результатов.

Эксперт - специалист в определенной предметной области.

База знаний - ядро экспертной системы - совокупность знаний предметной области, записанная на машинный носитель в форме, понятой как эксперту, так и пользователю (обычно не некотором языке, приближенном к естественному). Параллельно такому «человеческому» представлению существует база знаний во внутреннем «машинном» представлении.

Решатель - программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в базе знаний.

Подсистема объяснений - программа, позволяющая пользователю получить ответы на вопросы, как была получена та или иная информация, и почему система приняла такое решение. Ответ на первый вопрос - это трассировка всего процесса получения решения с указанием использованных фрагментов базы знаний, то есть всех шагов цепи умозаключения; на второй - ссылка на умозаключение, непосредственно предшествовавшее полученному решению, то есть отход на один шаг назад.

Интеллектуальный редактор базы знаний - программа, представляющая инженеру по знаниям возможность создавать базы знаний в диалоговом режиме:

• система вложенных меню;

• шаблон языка представления знаний;

• подсказки и другие сервисные средства, облегчающие работу с базой знаний.

Этапы разработки экспертных систем:

1. Идентификация.

Определение участников и их ролей в процессе создания и эксплуатации экспертной системы.

В процессе создания экспертной системы могут участвовать следующие специалисты: инженеры по знаниям, эксперты, программисты, руководитель проекта, заказчики (конечные пользователи). При реализации сравнительно простых экспертных систем программистов может и не быть. Роль инженера по знаниям - выуживание профессиональных знаний из экспертов и проектирование базы знаний экспертной системы и ее архитектуры. Программист необходим при разработке специализированного для данной экспертной системы программного обеспечения, когда подходящего стандартного (например, оболочки для создания экспертной системы) не существует или его возможностей не достаточно и требуются дополнительные модули.

В процессе эксплуатации могут принимать участие конечные пользователи, эксперты, администратор.

На этом этапе разработчик должен ответить на следующие вопросы:

• Какой класс задач должна решать экспертная система?

• Как эти задачи могут быть охарактеризованы или определены?

• Какие можно выделить подзадачи?

• Какие исходные данные должны использоваться для решения?

• Какие понятия и взаимосвязи между ними используются при решении задачи экспертами?

• Какой вид имеет решение, и какие концепции используются в нем?

• Какие аспекты опыта эксперта существенны для решения задачи?

• Какова природа и объем знаний, необходимых для решения задачи?

• Какие препятствия встречаются при решении задач?

• Как эти помехи могут влиять на решение задач?

2. Концептуализация.

На этом этапе разработчик должен ответить на следующие вопросы:

• Какие типы данных нужно использовать?

• Что из данных задано, а что должно быть выведено?

• Имеют ли подзадачи наименования?

• Имеют ли стратегии наименования?

• Имеются ли ясные частичные гипотезы, которые широко используются?

3. Формализация.

4. Реализация прототипной версии.

5. Тестирование.

6. Перепроектирование прототипной версии.

Назначение, возможности и принцип работы байесовской стратегии оценки выводов

Байесовская стратегия оценки выводов - одна из стратегий, применяемых для оценки достоверности выводов (например, заключений продукционных правил) в экспертных системах. Основная идея байесовской стратегии заключается в оценке вероятности некоторого вывода с учетом фактов, подтверждающих или опровергающих этот вывод.

Формулировка теоремы Байеса, известная из теории вероятностей, следующая.

Пусть имеется n несовместных событий H₁, Н₂, ..., Н_n. Несовместность событий означает, что никакие из событий H₁, Н₂, ..., Н_n не могут произойти вместе (другими словами, вероятности их совместного наступления равны нулю). Известны вероятности этих событий: Р(Н₁), Р(Н₂), ..., Р(Н_n), причем Р(Н₁)+Р(Н₂)+...+Р(Н_n)=1; это означает, что события H₁, Н₂, ..., Н_n образуют полную группу событий, то есть одно из них происходит обязательно. С событиями H₁, Н₂, ..., Н_n связано некоторое событие Е. Известны вероятности события Е при условиях того, что какое-либо из событий H₁, Н₂, ..., Н_n произошло: Р(Е/Н₁), Р(Е/Н₂), ..., Р(Е/Н_n). Пусть известно, что событие Е произошло. Тогда вероятность того, что какое-либо из событий Н_i (i=1, ..., n) произошло, можно найти по следующей формуле (формула Байеса):

События H₁, Н₂, ..., Н_n называются гипотезами, а событие Е - свидетельством. Вероятности гипотез Р(Н_i) без учета свидетельства (то есть без учета того, произошло событие Е или нет) называются доопытными (априорными), а вероятности Р(Н_i/Е) - послеопытными (апостериорными). Величина Р(ЕН_i) - совместная вероятность событий Е и Н_i, то есть вероятность того, что произойдут оба события вместе. Величина Р(Е) - полная (безусловная) вероятность события Е.

Формула Байеса позволяет уточнять вероятность гипотез с учетом новой информации, то есть данных о событиях (свидетельствах), подтверждающих или опровергающих гипотезу.

В экспертных системах формула Байеса может применяться для оценки вероятностей заключений продукционных правил на основе данных о достоверности их посылок. Заключения (выводы) в этом случае соответствуют гипотезам в теореме Байеса, а посылки - свидетельствам. Обычно посылка правила в экспертной системе содержит несколько условий. Вероятности Р(Н_i) и Р(Е/Н_i) определяются на основе статистических данных с использованием формул теории вероятностей. Основные из этих формул следующие.

Формула умножения вероятностей (вероятность того, что произойдет и событие А, и событие В):

Р(АВ) = Р(А)Р(В/А) = Р(В)Р(А/В), где Р(А), Р(В) - вероятности событий А и В; Р(В/А) - условная вероятность события В, то есть вероятность события В при условии, что произошло событие А; Р(А/В) - условная вероятность события А, то есть вероятность события А при условии, что произошло событие В. Если события А и В независимы (то есть вероятность одного события не зависит от того, произошло ли другое событие), то формула умножения вероятностей записывается следующим образом:

Р(АВ) = Р(А)Р(В).

Формула умножения вероятностей для нескольких событий (вероятность того, что произойдут все указанные события вместе):

Р(А₁, А₂, ..., А_n) = Р(А₁)Р(А₂/А₁) Р(А₃/А1, А₂) ... Р(А_n/А₁, А₂, ..., А_n-1).

Формула сложения вероятностей (вероятность того, что произойдет хотя бы одно из событий):

Р(А+В) = Р(А) + Р(В) - Р(АВ).

Если события А и В несовместны (то есть не могут произойти вместе), то Р(АВ)=0, и формула сложения вероятностей принимает следующий вид:

Р(А+В) = Р(А) + Р(В).

Формула сложения вероятностей для нескольких событий обычно записывается следующим образом:

Р(А₁ +А₂ + ... + А_n) = 1-Р( + + ... + ), где Р( + + ... + ) - вероятность того, что не произойдет ни одного из событий A₁, А₂, ..., А_n. Эту величину можно найти, например, по формуле умножения вероятностей.