языке, приближенном к естественному). Параллельно такому "человеческому" представлению существует БЗ во внутреннем "машинном" представлении.

Решатель – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ. Синонимы: дедуктивная машина, машина вывода, блок логического вывода.

Подсистема объяснений – программа, позволяющая пользователю получить ответы на вопросы: "Как была получена та или иная рекомендация?" и "Почему система приняла такое решение?" Ответ на вопрос "как" − это трассировка всего процесса получения решения с указанием использованных фрагментов БЗ, т.е. всех шагов цепи умозаключений. Ответ на вопрос "почему" − ссылка на умозаключение, непосредственно предшествовавшее полученному решению, т.е. отход на один шаг назад. Развитые подсистемы объяснений поддерживают и другие типы вопросов.

Интеллектуальный редактор БЗ – программа, представляющая инженеру по знаниям возможность создавать БЗ в диалоговом режиме. Включает в себя систему вложенных меню, шаблонов языка представления знаний, подсказок (help-режим) и других сервисных средств, облегчающих работу с базой.

Лекция 4. Классификация прикладных интеллектуальных систем

4.1. Классификация экспертных систем

Рассмотрим классификацию прикладных интеллектуальных систем на примере наиболее широко применяемого класса экспертных систем. ЭС могут быть классифицированы по различным признакам (рис. 4.1) [6].

Рис. 4.1. Классификация экспертных систем

23

Классификация по решаемой задаче

Интерпретация данных. Это одна из традиционных задач для экспертных систем. Под интерпретацией понимается процесс определения смысла данных, результаты которого должны быть согласованными и корректными. Обычно предусматривается многовариантный анализ данных.

Диагностика. Под диагностикой понимается процесс соотнесения объекта с некоторым классом объектов и/или обнаружение неисправности в некоторой системе. Неисправность − это отклонение от нормы. Такая трактовка позволяет с единых теоретических позиций рассматривать и неисправность оборудования в технических системах, и заболевания живых организмов, и всевозможные природные аномалии. Важной спецификой является здесь необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Мониторинг. Основная задача мониторинга — непрерывная интерпретация данных в реальном масштабе времени и сигнализация о выходе тех или иных параметров за допустимые пределы. Главные проблемы − "пропуск" тревожной ситуации и инверсная задача "ложного" срабатывания. Сложность этих проблем в размытости симптомов тревожных ситуаций и необходимость учета временного контекста.

Проектирование. Проектирование состоит в подготовке спецификаций на создание "объектов" с заранее определенными свойствами. Под спецификацией понимается весь набор необходимых документов − чертеж, пояснительная записка и т. д. Основная проблема здесь − получение четкого структурного описания знаний об объекте. Для организации эффективного проектирования и в еще большей степени перепроектирования необходимо формировать не только сами проектные решения, но и мотивы их принятия. Таким образом, в задачах проектирования тесно связываются два основных процесса, выполняемых в рамках соответствующей ЭС: процесс вывода решения и процесс объяснения.

Прогнозирование. Прогнозирование позволяет предсказывать последствия некоторых событий или явлений на основании анализа имеющихся данных. Прогнозирующие системы логически выводят вероятные следствия из заданных ситуаций. В прогнозирующей системе обычно используется параметрическая динамическая модель, в которой значения параметров "подгоняются" под заданную ситуацию. Выводимые из этой модели следствия составляют основу для прогнозов с вероятностными оценками.

Планирование. Под планированием понимается нахождение планов действий, относящихся к объектам, способным выполнять некоторые функции. В таких ЭС используются модели поведения реальных объектов с тем, чтобы логически вывести последствия планируемой деятельности.

Обучение. Под обучением понимается использование компьютера для обучения какойто дисциплине или предмету. Системы обучения диагностируют ошибки при изучении какой-либо дисциплины с помощью ЭВМ и подсказывают правильные решения. Они аккумулируют знания о гипотетическом "ученике" и его характерных ошибках, затем в работе они способны диагностировать слабости в познаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью дальнейшей передачи более сложных знаний.

Поддержка принятия решений. Поддержка принятия решения — это совокупность процедур, обеспечивающая лицо, принимающее решения, необходимой информацией и рекомендациями, облегчающими процесс принятия решения. Эти ЭС помогают специалистам выбрать и/или сформировать нужную альтернативу среди множества выборов при принятии ответственных решений.

В общем случае все системы, основанные на знаниях, можно подразделить на системы,

решающие задачи анализа, и на системы, решающие задачи синтеза. Основное отличие

24

задач анализа от задач синтеза заключается в том, что если в задачах анализа множество решений может быть перечислено и включено в систему, то в задачах синтеза множество решений потенциально не ограничено и строится из решений подпроблем. Задачами анализа являются: интерпретация данных, диагностика, поддержка принятия решения; к задачам синтеза относятся проектирование, планирование, управление. Комбинированные: обучение, мониторинг, прогнозирование.

Классификация по связи с реальным временем

Статические ЭС разрабатываются в предметных областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны.

Пример: диагностика неисправностей в реакторе атомной электростанции. Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым

фиксированным интервалом времени.

Пример: микробиологические ЭС для экологического мониторинга реки, в которых снимаются лабораторные измерения состояния воды один раз в 4-5 часов (например, на наличие тяжелых металлов в воде) и анализируется динамика полученных показателей по отношению к предыдущему измерению.

Динамические ЭС работают в сопряжении с датчиками объектов в режиме реального времени с непрерывной интерпретацией поступающих в систему данных.

Пример: мониторинг уровня радиоактивности на атомной электростанции.

Классификация по типу ЭВМ

На сегодняшний день существуют:

•ЭС для уникальных стратегически важных задач на суперЭВМ (Эльбрус, CRAY, CONVEX и др.);

•ЭС на ЭВМ средней производительности (типа ЕС ЭВМ, Mainframe);

•ЭС на символьных процессорах и рабочих станциях (SUN, Silicon Graphics, APOLLO);

•ЭС на мини- и супермини-ЭВМ (VAX, micro-VAX и др.);

•ЭС на персональных компьютерах (IBM PC, MAC II и т.п.).

Классификация по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфических "экспертных" задач, для решения которых не требуется привлекать традиционные методы обработки данных (расчеты, моделирование и т. д.).

Гибридные ЭС представляют программный комплекс, агрегирующий стандартные пакеты прикладных программ (например, математическую статистику, линейное программирование или системы управления базами данных) и средства манипулирования знаниями. Это может быть интеллектуальная надстройка над ППП (пакетами прикладных программ) или интегрированная среда для решения сложной задачи с элементами экспертных знаний.

Несмотря на внешнюю привлекательность гибридного подхода, следует отметить, что разработка таких систем являет собой задачу на порядок более сложную, чем разработка автономной ЭС. Стыковка не просто разных пакетов, а разных методологий (что происходит в гибридных системах) порождает целый комплекс теоретических и практических трудностей.

4.2. Примеры прикладных интеллектуальных систем

Геоинформационные системы. Геоинформационные системы являются хорошей средой для внедрения методов искусственного интеллекта и экспертных систем. Это вызвано, с одной стороны, разнообразием и сложностью данных в ГИС, с другой – наличием

25

большого числа экспертных задач при использовании ГИС. В частности, для ГИС созданы экспертные системы, применяемые для решения разных задач: получения композиции карт, выделения элементов нагрузки, получения тематических карт, поддержки принятия решений, построения оверлейных структур и др. [8].

Ввыделяют три типа экспертных систем для ГИС:

•на уровне сбора информации − самоокупающиеся системы автоматизированного распознавания образов при обработке снимков или сканированных картографических данных;

•на уровне моделирования или композиции карт − ЭС автоматизированного редактирования картографических данных, оценки качества редактирования. Для управления и принятия решений применяются также ЭС всестороннего анализа атрибутивных данных, данных о запросах пользователей, о посредниках и т.д.;

•на уровне представления данных − ЭС для генерализации карт, размещения названий, создания издательских оригиналов.

Разработан ряд производственных ЭС для решения задач ГИС:

PROSPECTOR – консультационная система для оказания помощи при разведке

полезных ископаемых − разработана компанией SRI [14]. Пользователями данной системы являются геологи и геологи-разведчики. В частности, она оказывает помощь при оценке местности, где производится разведка полезных ископаемых.

В системе PROSPECTOR база знаний о рудном месторождении представлена в виде сети выводов. Это сеть связей и отношений между реальными показаниями и гипотезами, касающимися топографии и геологии. Узлами сети представлены утверждения и факты, например "слюда − это силикат" т. д.

Истинность или ложность утверждения содержат неопределенности и в начальном состоянии считаются неизвестными. В процессе вывода с помощью различных показаний вычисляются их значения. Иначе говоря, множество дуг сети соответствует правилу вывода, определяющему, каким образом вероятность некоторого утверждения влияет на вероятность другого утверждения.

Каждое утверждение определяется как пространство семантической подсети и показывает предположительное существование вещества, имеющего специфические свойства, или вещества, состоящего в специфической связи. Отношение множеств терминов "элемент − часть", относящихся к веществам, описаны с помощью классификационной сети. Примером такого отношения является "биотит − это слюда", "слюда − это силикат", "силикат − это минерал".

Система PROSPECTOR снабжена интерфейсом естественного языка и основана на ортодоксальном методе, который заключается в том, что входное предложение подвергается структурному анализу, строится семантическая подсеть и с помощью программы сопоставления производится сравнение ее пространства с пространством базы данных на основе отношений множеств "младший − старший" и отношения паритета.

Медицинские системы. В последние 10 – 15 лет для решения задач диагностики и систем принятия решений в медицине широко привлекаются методы искусственного интеллекта. Их компьютерная реализация осуществляется в виде экспертных систем (ЭС). Медицина относится к числу тех областей деятельности, где применение ЭС может дать существенный эффект. Большие диагностические и лечебные возможности экспертных систем связаны с тем, что их базы знаний могут включать знания большого числа специалистов о возможных диагностических признаках того или иного заболевания, видах его проявления, ходе его протекания, о взаимосвязях с факторами смежных областей; учитывать особенности конкретных пациентов, поддерживать принятие решений в критических точках лечебного процесса и т. д. и в итоге накапливать большой объем сведений о заболеваниях и их формах, превышающий знания одного человека (или одной

26

школы). Эти свойства экспертных систем делают их эффективным диагностическим средством, гарантирующим учет всех диагностических признаков и анализ влияния всех факторов, что практически исключает ошибки при построении диагноза [22].

Приведем примеры таких систем [24].

Система MYCIN была спроектирована для ассистирования врачам в диагностике и назначении курса лечения при инфекционных церебральных заболеваниях. Медицинские знания о заболеваниях представлялись в виде продукционных правил "ЕСЛИ – ТО" в сочетании с коэффициентами неопределенности. Всего в систему было включено около 500 правил.

В системе CASNET (диагноз и прогнозирование течения глаукомы) рассматриваются ассоциативные связи между булевыми комбинациями результатов различных исследований и единственным патофизиологическим состоянием, которое оценивается с некоторым коэффициентом доверия. В CASNET используются правила, связывающие с заданным правдоподобием эффект sj , следующий в результате появления причины si . Кроме того, были предложены правила классификации, позволяющие по булевым комбинациям подтверждения или неподтверждения состояний указать диагностическое утверждение.

Система EXPERT позволяет задать продукционные правила с определенным уровнем доверия и иерархию этих правил. Эта система используется в ревматологии, эндокринологии и офтальмологии.

Система INTERNIST предназначена для диагностики внутренних заболеваний (более 500 заболеваний). В этой системе используются взаимосвязи двух видов: симптом – заболевание (частота встречаемости) и заболевание – симптом (интенсивность проявления).

MYCIN, EXPERT, CASNET являются логическими системами в том смысле, что взаимосвязи между всеми видами наблюдений за пациентами формируют основу вывода "ЕСЛИ – ТО", но сам вывод не обязательно имеет строго определенный характер, который связан с коэффициентами доверия или коэффициентами неопределенности.

Перечисленные выше системы считаются в настоящее время классическими в своей области и применяются в учебных целях.

Интеллектуальные компоненты прикладных систем. Начиная с 80-х годов 20-го в.,

идеи, относимые традиционно к области ИИ, начинают использоваться в теории и практике различных областей знаний, например, в управлении, принятии решений. Соответствующие разработки, включаемые в состав прикладных систем, называются интеллектуальными компонентами.

Вкачестве первого типа интеллектуальных компонент выступают искусственные нейронные сети. Они применимы для решения целого класса задач, где используются не уравнения динамики, не правила, как в традиционных экспертных системах, а опыт. Нейронные сети на стыке с задачами управления используются в разных областях: в робототехнике, управлении технологическими процессами (особенно в химической промышленности), телекоммуникациях, системах искусственного зрения (обработка изображений), аэрокосмосе. Причиной этого в робототехнике является сложность традиционных моделей и неопределенность (неполнота информации), присущая постановкам задач управления; в технологических процессах – дороговизна адаптации традиционных моделей к условиям нового предприятия.

Внастоящее время область практических приложений нейронных сетей очень широка: от простых электромеханических систем до сложных плохо описываемых процессов. Например, в робототехнике нейронные сети используются для управления манипуляторами, скоординированного управления группой роботов, в автоматическом планировании действий и автоматической навигации. Весьма перспективной областью приложений являются авиация и космос. Технология нейросетей применяется для диагностики отказов и медленных деградаций, адаптивного управления космических аппаратов.

27