Конспект лекций Белой / Разработка ИИ. Конспект лекции №3. Белая

Конспект лекции: Экспертные системы (ЭС)

1. Введение. Базовые понятия

Экспертные системы (ЭС) – это прикладные системы искусственного интеллекта, в которых база знаний представляет собой формализованные эмпирические знания высококвалифицированных специалистов (экспертов) в некоторой узкой предметной области.

ЭС предназначены для замены эксперта при решении задач в ситуациях, когда:

· экспертов недостаточно;

· требуется оперативность, недостижимая человеком;

· работа происходит в опасных или вредных для человека условиях.

Ключевые элементы:

· Знания – формализованный опыт экспертов.

· Эксперты – носители знаний.

· Экспертная система – программный инструмент, использующий эти знания.

2. Основные свойства ЭС

1. Решаемые задачи относятся к классу неформализованных или слабоформализованных.

2. В процессе решения используются априорные, экспериментальные, субъективные знания экспертов в конкретной предметной области.

3. ЭС способны объяснять свои решения и выдавать рекомендации на уровне эксперта.

4. Системы ориентированы на узкую область, что обеспечивает глубину и точность выводов.

3. Классификация экспертных систем

3.1 По назначению

· ЭС общего назначения – универсальные инструменты (обычно оболочки).

· Специализированные ЭС – для конкретных приложений.

· Проблемно-ориентированные – ориентированы на типовые задачи (диагностика, проектирование, прогнозирование и т.п.).

· Предметно-ориентированные – созданы для специфических задач (например, контроль ситуаций на атомных станциях).

3.2 По степени зависимости от внешней среды

· Статические ЭС – не учитывают изменения внешней среды; работают с неизменными данными.

· Динамические ЭС – работают в реальном времени, реагируют на изменения внешней среды. Время реакции может измеряться миллисекундами, такие системы часто реализуются на C++.

3.3 По типу использования

· Изолированные ЭС – функционируют автономно.

· ЭС на входе/выходе других систем – взаимодействуют с внешними программами как модули.

· Гибридные ЭС – интегрированы с базами данных и другими приложениями.

3.4 По сложности решаемых задач (по объёму базы знаний)

· Простые – до 1000 простых правил.

· Средние – от 1000 до 10 000 структурно-развитых правил.

· Сложные – более 10 000 структурно-развитых правил.

3.5 По стадии создания (эволюция прототипа)

· Исследовательский образец – разрабатывается за 1–2 месяца, минимальная база знаний.

· Демонстрационный образец – 2–4 месяца, реализуется на языках типа Prolog, CUPS (вероятно, имеется в виду CLIPS).

· Промышленный образец – 4–8 месяцев, полная база знаний, часто на CLIPS.

· Коммерческий образец – 1,5–2 года, полная база знаний на языках типа C++, Java, с развитым интерфейсом.

4. Состав и структура экспертной системы

Традиционно ЭС включает следующие компоненты:

· База знаний (БЗ) – формализованные знания экспертов (правила, факты, фреймы, семантические сети).

· Машина вывода (механизм логического вывода) – интерпретатор, применяющий правила к фактам для получения новых знаний.

· Подсистема объяснений – поясняет пользователю, как и почему получено данное решение.

· Интерфейс пользователя – обеспечивает диалог с системой (ввод данных, вывод результатов).

· Подсистема приобретения знаний – помогает инженеру по знаниям наполнять и редактировать базу знаний.

5. Пример работы ЭС: MYCIN

MYCIN – одна из первых экспертных систем, разработанная в Стэнфордском университете в начале 1970‑х годов (за 5–6 лет). Предназначалась для диагностики бактериальных инфекций (бактериемия, менингит) и рекомендации дозировок антибиотиков с учётом массы тела пациента.

Особенности MYCIN:

· База знаний содержала около 600 правил.

· Машина вывода была довольно простой, использовала обратную цепочку рассуждений.

· Диалог с врачом строился как серия вопросов с ответами «да/нет» или вводом текста.

· Результат: список подозреваемых бактерий, упорядоченный по вероятности, с указанием доверительных интервалов и обоснованием (перечень вопросов и правил, приведших к диагнозу).

· Также выдавалась рекомендация по курсу лечения.

MYCIN продемонстрировала эффективность продукционного подхода и стала основой для многих последующих разработок.

6. Технологии разработки ЭС

6.1 Этапы создания

1. Идентификация проблемы – выбор предметной области, определение задач, экспертов, источников знаний.

2. Извлечение знаний – интервью с экспертами, анализ документов, наблюдение.

3. Структурирование (концептуализация) – выявление основных понятий, отношений, стратегий решения.

4. Формализация – выбор модели представления знаний (правила, фреймы и т.д.) и наполнение базы.

5. Реализация – программирование прототипа (используются языки ИИ: Prolog, Lisp, CLIPS, а также C++, Java для коммерческих версий).

6. Тестирование – оценка правильности работы, проверка на тестовых примерах, выявление ошибок.

6.2 Тестирование ЭС

На этапе тестирования производится оценка выбранного способа представления знаний и работы системы в целом. Инженер по знаниям подбирает примеры, покрывающие все возможности системы.

Выделяют следующие источники неудач:

· некорректные тестовые примеры;

· ошибки ввода-вывода;

· недостатки правил вывода;

· неэффективные управляющие стратегии.

6.3 Методы извлечения знаний

В слайде упоминается, что для некоторых методов характерно наличие полной информации об объектах, их атрибутах и значениях. Используется метод реклассификации, основанный на предположении об объектной ориентированности задачи, где объекты хорошо известны эксперту. Это помогает строить тройки «объект – атрибут – значение».

7. Подходы к проектированию ЭС

7.1 Структурные и функциональные подходы

· Структурный – акцент на компоненты системы и их связи.

· Функциональный – акцент на процессы и преобразования данных.

7.2 Смешанный подход

Сочетает разнообразные структурные и функциональные методы. Перспективным считается использование методов, которые дают устойчивость к неточностям или возможность работы с приближёнными знаниями. Смешанный подход позволяет адаптироваться к слабоформализованным задачам и использовать эвристики экспертов.

8. Дополнительные сведения

8.1 Типы задач, решаемых ЭС

· Интерпретация – описание ситуаций по наблюдаемым данным.

· Прогнозирование – предсказание будущих событий.

· Диагностика – определение неисправностей/заболеваний.

· Проектирование – создание объектов с заданными свойствами.

· Планирование – построение последовательности действий.

· Мониторинг – наблюдение за процессами и сигнализация об отклонениях.

· Отладка – поиск и устранение ошибок.

· Управление – адаптивное управление сложными системами.

8.2 Известные ЭС (помимо MYCIN)

· DENDRAL – определение химической структуры по масс-спектрограммам.

· PROSPECTOR – помощь геологам в поиске месторождений.

· XCON (R1) – конфигурирование вычислительных систем (DEC).

· PUFF – интерпретация данных о дыхательных нарушениях.

Заключение

Экспертные системы остаются важным классом прикладного искусственного интеллекта, особенно в областях, где требуется формализация уникального опыта и принятие решений в условиях неполной информации. Знание классификации, структуры и этапов разработки ЭС необходимо для успешного проектирования и внедрения таких систем в практику.