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).

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.