Перспективная экспертная интеллектуальная система

В настоящее время наблюдается этап активного развития интегрированных интеллектуальных инструментальных средств. В такой системе объединяются возможности ключевых современных информационных технологий:

• методы искусственного интеллекта для полного и адекватного представления экспертных знаний о процессах на основе распределенной обработки знаний;

• графический объектно-ориентированный язык для описания моделей и проектов;

• средства анимации и имитационного моделирования исследуемых процессов.

Таким образом, перспективная экспертная система представляет собой интегрированное интеллектуальное средство. Это самодостаточная графическая среда для разработки, внедрения и сопровождения в широком диапазоне условий. Для этих систем характерны следующие требования:

• простота использования;

• полнота средств имитационного моделирования;

• возможность стыковки со средствами разработки приложений;

• ускоренная разработка;

• модульность построения;

• возможность использования концепции открытых систем.

Принципы эффективного использования ЭИС

Для эффективного использования ЭИС в системах управления при их разработке реализуются три основных принципа:

• простота и понятность моделей знаний, механизмов вывода и пользовательского интерфейса;

• наличие разделяемых компонентов работы со знаниями и с выводами;

• универсализм — возможность выбора различных моделей знаний, процедур вывода решений, методов накопления знаний, комбинации тех или иных методов и моделей при поиске решения конкретных задач. Достигнутый уровень использования ЭИС в системах управления позволил определить уровни сочетания эвристических форма лизованных способов представления инженерных знаний в зависимости от детализации описания объекта (системы). Чем выше уровень АСУ, тем в большей степени необходимо использовать экспертные системы. Если же объект проектирования не всегда имеет адекватное модельное представление на определенном иерархическом уровне (среднее звено АСУ), программное обеспечение должно разрабатываться в сочетании "жестких" и "мягких" алгоритмов. На уровнях, допускающих строгую формализацию процессов (нижний уровень АСУ), структура программного обеспечения выполняется на основе четких "жестких" алгоритмов, реализованных в традиционных системах.

Характеристики	ЭИС первого поколения	ЭИС второго поколения	Перспективные ЭИС
Способы извлечения знаний, структура баз знаний	"Инженер знаний", эмпирические знания эксперта	"Инженер знаний", исследования по автоматическому извлечению знаний из базы знаний	Автоматическое обнаружение из баз знаний (из текстов, руководств, инструкций, схем и т.д.)
Типы баз знаний	Отдельные формы — продукция, фреймы, семантические сети, решающие деревья	Работа с любыми формами знаний (библиотека знаний)	Библиотека форм знаний, имитационные модели, сценарии
Источник знаний	Эксперт	Эксперты, базы знаний	Базы знаний, данные, статистические или эмпирические таблицы триад объектов "объект — свойство — время"
Наличие базы данных	Отсутствует	Частично, базы данных из двух кодовых таблиц "объект — свойство"	БД из трех входовых таблиц "объект — свойство — время"
Логический вывод	Вывод по дедукции	Дедукция, нечеткие выводы, индукция, немонотонные рассуждения, частично рассуждения по аналогии	Дедукция, индукция, немонотонные рассуждения, методы близости в пространстве знаний, рассуждения по аналогии
Язык общения с пользователем	Фразы и термины жесткой конструкции прикладной области	Проблемно-ориентированный естественный язык	Сценарии диалога, формирование терминологии под прикладную область и форм сообщений, понимание смысла сообщений
Устный диалог	Отсутствует	Ограниченный словарь	Словари по определяющим терминам прикладных областей в процессе общения и использования
Проверка адекватности баз знаний	Отсутствует	Частичная проверка непроти воречивости и полноты баз знаний	Проверка непротиворечивости, полноты, работа с информацией с НЕ-факторами (неопределенность, неполнота, неточность)
Прогнозирование недостающих данных в базе данных	Отсутствует	Исследования по автоматическому прогнозированию величин, отсутствующих в базе данных	Автоматическое прогнозирование величин, отсутствующих в базе данных
Модель пользователя Средства автоматического обеспечения работоспособности системы	Отсутствует	Обучение систем по адаптации под конкретного пользователя Частично обеспечивают автоматизацию в некоторых областях	Программы адаптации под конкретных пользователей и интерфейс с АСУ Программы гомеостата для определения работоспособности системы, обнаружения новых закономерностей и индикации сведений для пользователя
Выдаваемые результаты	Числовые данные, стандартные рекомендации	Числовые данные, рекомендации с сопровождающим пояснением, обучение систем обнаружению новых закономерностей	Числовые данные, рекомендации с сопровождающим пояснением, формулирование обнаруженных новых закономерностей, тенденций, графика, анимация, диаграммы
Вид обрабатываемой информации	Статическая	Динамическая, статическая	Статическая, динамическая, потоковая, динамическая в АСУ
Объем эвристических знаний в базе знаний	Сотни правил	Тысячи правил	Десятки тысяч правил
Принцип построения и использования системы	Обособленное использование ЭИС для решения задачи	Гибридное построение ЭИС (эвристическая и имитационная компоненты)	Гибридные интеллектуальные нечеткие системы (интеллектуальные интегрированные комплексы моделирования), открытая система
Обработка распределенных знаний	Отсутствует	Исследования по построению распределенных ЭИС, разработка концепции	Распределение ЭИС, мультиагентные системы искусственного интеллекта
Функции системы	Пассивный помощник пользователя	Активный помощник пользователя, отработка на стендах функций ЭИС по управлению исполнительными механизмами в АСУ	Управляющий орган исполнительными механизмами в АСУ, активный помощник пользователя
Ввод новых знаний, модификация знаний	В режиме ввода информации	В рабочем режиме ЭИС	В рабочем режиме ЭИС и АСУ
Запуск механизма вывода решения	По требованию пользователя	По требованиям, автоматически при смене входных данных	Автоматически, при смене ситуационных исходных данных, в том числе в АСУ
Объективизация субъективных данных	Отсутствует	Частично (в стадии исследований)	Методы нечеткого адаптивного управления

ЧТО ЖЕ ТАКОЕ ЭКСПЕРТНЫЕ СИСТЕМЫ?

ЭКСПЕРТНЫЕ СИСТЕМЫ - это сложные программные комплексы, аккумулирующие знания специалистов в конкретных предметных областях.

Структура экспертной системы:

ЭКСПЕРТ - высококвалифицированный специалист предметной области, согласившийся поделиться своим опытом.


ИНЖЕНЕР ПО ЗНАНИЯМ - специалист по ИИ (инженер-интерпретатор, аналитик), выступающий в роли промежуточного буфера между экспертами и базой данных.


ПОЛЬЗОВАТЕЛЬ - работник недостаточно высокой квали-фикации, для которого предназначена ЭС.

РЕШАТЕЛЬ - комплекс программ, реализующих диалог пользователя с ЭС на стадиях ввода информации и получения результатов
.

ПОДСИСТЕМА ОБЪЯСНЕНИЙ - ядро ЭС, совокупность знаний предметной области, записанная на машинный носитель на языке представления знаний (приближенном к естественному)
.

ИНТЕРФЕЙС ПОЛЬЗОВАТЕЛЯ - блок логического вывода или программа, моделирующая ход рассуждений эксперта на основании знаний из БЗ
.

БАЗА ЗНАНИЙ (БЗ) - программа, позволяющая пользователю получать разъяснения о принятых рекомендациях и решения о принятых ЭС
.

ИНТЕЛЛЕКТУАЛЬНЫЙ РЕДАКТОР БЗ - программа, предоставляющая инженеру знаний возможность возможность создавать БЗ в диалоговом режиме.

КЛАССИФИКАЦИЯ ЭКСПЕРТНЫХ СИСТЕМ

Класс "экспертные системы" сегодня объединяет несколько тысяч различных программных комплексов, которые можно классифицировать по различным критериям. Полезными могут оказаться следующие классификации

Классификация по решаемой задаче

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

Пример:

• обнаружение и идентификация различных типов океанских судов - SIAP;

• определение основных свойств личности по результатам психодиагностического тестирования в системах АВТАНТЕСТ и МИКРОЛЮШЕР и др.

Диагностика. Под диагностикой понимается 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 необходимость понимания функциональной структуры ("анатомии") диагностирующей системы.

Пример:

• диагностика и терапия сужения коронарных сосудов - ANGY;

• диагностика ошибок в аппаратуре и математическом обеспечении ЭВМ - система CRIB и др.

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.

Пример:

• контроль за работой электростанций СПРИНТ, помощь диспетчерам атомного реактора - REACTOR:

• контроль аварийных датчиков на химическом заводе - FALCON и др.

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. Основные проблемы здесь - получение четкого структурного описания знаний об объекте и проблема "следа". 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.

Пример:

• проектирование конфигураций ЭВМ VAX ― 1/780 в системе XCON (или R1), проектирование БИС - CADHELP;

• синтез электрических цепей - SYN и др.

Прогнозирование. 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.

Пример:

• предсказание погоды - система WILLARD:

• оценки будущего урожая - PI.ANT;

• прогнозы в экономике - ЕСОN и др.

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.

Пример:

• планирование поведения робота - STRIPS,

• планирование промышленных заказов - 1SIS,

• планирование эксперимента - MOLGEN и др.

Обучение. 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 способны диагностировать слабости в знаниях обучаемых и находить соответствующие средства для их ликвидации. Кроме того, они планируют акт общения с учеником в зависимости от успехов ученика с целью передачи знаний.

Пример:

• обучение языку программирования Лисп в системе "Учитель Лиспа";

• система PROUST - обучение языку Паскаль и др.

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 автомобиле.

Квазидинамические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени.

Пример. Микробиологические ЭС, в которых снимаются лабораторные измерения с технологического процесса один раз в 4 - 5 (производство лизина, например) 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 поступаемых данных.

Пример. Управление гибкими производственными комплексами, мониторинга реанимационных палатах и т.д. Пример инструментария для разработки динамических систем - G2.

Классификация по типу ЭВМ

На сегодняшний день существуют:

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

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

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

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

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

Классификация по степени интеграции с другими программами

Автономные ЭС работают непосредственно в режиме консультаций с пользователем для специфически "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 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.