Экспертные системы. Учебное пособие по специальности 080801 «Прикладная информатика (в информационной сфере)»

На этапе концептуализации проводится содержательный анализ проблемной области, выявляются используемые понятия и их взаимосвязи, определяются методы решения задач. Результат концептуализации проблемной области обычно фиксируется в виде наглядных графических схем на объектном, функциональном и поведенческом уровнях моделирования:

объектная модель описывает структуру предметной области как совокупности взаимосвязанных объектов,

функциональная модель отражает действия и преобразования над объектами,

поведенческая модель рассматривает взаимодействия объектов во временном аспекте.

Первые две модели описывают статические аспекты функциониро-

вания проблемной области, а третья модель – динамику изменения ее состояний.

Обычно объектное знание представляется графически средствами ER-моделей (модель «Сущность – Связь»).

Функциональная модель строится путем последовательной композиции целей, а именно: для цели определяются подцели, для которых в свою очередь устанавливаются подцели и т. д., пока в качестве подцелей не окажутся исходные факты. Таким образом, функциональная модель отражает в обобщенной форме процесс решения характерных для нее задач.

Поведенческая модель отражает изменение состояний объектов в результате возникновения некоторых событий, влекущих за собой выполнение определенных действий.

На этапе формализации определяются методы представления знаний, формализуются основные понятия, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность целям системы зафиксированных понятий, методов решений, средств представления и манипулирования знаниями.

На этапе выполнения осуществляется наполнение экспертом базы знаний. В связи с тем, что основой ЭС являются знания, данный этап является наиболее важным и трудоемким в разработке ЭС. Процесс приобретения знаний разделяют на извлечение знаний из эксперта, организа-

21

цию знаний, обеспечивающую эффективную работу системы, и представление знаний в виде, понятном ЭС.

На этапе тестирования эксперт (и инженер по знаниям) в интерактивном режиме с использованием диалоговых и объяснительных средств системы проверяет компетентность ЭС. Процесс тестирования продолжается до тех пор, пока эксперт не решит, что система достигла требуемого уровня компетентности.

На этапе опытной эксплуатации проверяется пригодность ЭС для конечных пользователей. По результатам этого этапа может потребоваться существенная модификация ЭС.

После успешного завершения этапа опытной эксплуатации экспертная система классифицируется как коммерческая система, пригодная не только для собственного использования, но и для продажи различным потребителям.

На этапах идентификации и концептуализации, связанных с определением контуров будущей системы, инженер по знаниям выступает в роли ученика, а эксперт – в роли учителя, мастера. На этапах реализации и тестирования инженер по знаниям демонстрирует результаты разработки, адекватность которых проблемной области оценивает эксперт. На этапе тестирования это могут быть совершенно другие эксперты.

Процесс создания ЭС не сводится к строгой последовательности перечисленных выше этапов. В ходе разработки приходится неоднократно возвращаться на более ранние этапы и пересматривать принятые там решения.

1.3. Методы приобретения знаний

Приобретение знаний реализуется с помощью двух функций: получения информации извне и ее систематизации. При этом в зависимости от способности системы обучения к логическим выводам возможны различные формы приобретения знаний, а также различные формы получаемой информации.

Форма представления знаний для их использования определяется внутри системы, поэтому форма информации, которую она может принимать, зависит от того, какие способности имеет система для формализации информации до уровня знаний.

22

Методы приобретения знаний можно классифицировать следующим образом [1, с. 147]:

I. Получение информации без логических выводов.

II. Получение извне информации, уже представленной в виде знаний.

III.Приобретение знаний из примеров.

1.Параметрическое обучение.

2.Обучение на основе выводов по аналогии.

3.Обучение на основе выводов по индукции – эвристическое обучение.

IV. Приобретение знаний на метауровне. Рассмотрим каждый из этих методов подробнее.

Получение информации без логических выводов

Это простой процесс получения информации, при котором необязательны функции выводов, а полученная информация в виде программ или данных используется для решения задач в неизменном виде.

Таким образом, получение информации осуществляется следующим образом:

1)в виде программ;

2)ввод фактических данных.

Другими словами, это способ получения информации, характерный для существующих компьютеров.

Получение извне информации, уже представленной в виде знаний

Обучающейся системе необходимо иметь функцию преобразования входной информации в формат, удобный для дальнейшего использования и включения в базу знаний.

Приобретение знаний на этом этапе происходит в наиболее простой форме: это знания, предварительно подготовленные человеком во внутреннем формате, какими являются большинство специальных знаний, изначально заданных в экспертных системах.

В случае прикладных систем инженерии знаний необходимо преобразовать специальные знания из какой-либо области в машинный формат, но для этого нужен посредник, хорошо знающий как проблем-

23

ную область, так и инженерию знаний – инженер по знаниям. В общем случае для замены функции инженера по знаниям можно использовать и специальные подпрограммы, т. е. необходимо иметь функции выводов достаточно высокого уровня, но можно ограничиться и выводами на сравнительно низком уровне, а остальное доверить человеку – в этом и состоит приобретение знаний в диалоге.

Примером служит экспертная система TEIRESIAS. Это системаконсультант в области медицины, разработанная на базе системы MYCIN. Специалисты в проблемной области являются преподавателями обучающейся системы, а ученик – сама система – изучает ответы на поставленные задачи и корректирует те правила в базе знаний, которые ранее приводили к ошибкам. Для подготовки знаний в экспертной системе необходимы вспомогательные средства типа редактора знаний, причем в процессе приобретения знаний в диалоге не только редактируются отдельные правила и факты, но и восполняются недостатки существующих правил, т. е. ведется редактирование базы знаний.

Если знания заданы во внешнем формате, например, на естественном языке, то следует преобразовать их во внутренний формат. Для этого необходимо понимать внешнее представление, т. е. естественный язык, графические данные и т. п. Фактически приобретение знаний и их понимание тесно связаны. Проблема понимания сводится не только к преобразованию структуры предложений – необходимо получить формат, удобный для применения.

Аналогичная проблема – преобразование во внутренний формат советов, подсказок по решению задачи, что называется «операционализацией» знаний. В этом заключается центральная проблема искусственного интеллекта; она, в частности, касается преобразования советов, подсказок, представленных в терминах проблемной области, в процедуры. Например, экспертная система UNDERSTAND выполняет операционализацию представления задачи о ханойской башне на английском языке путем построения соответствующих состояний и операций, приводящих к этим состояниям.

Таким образом, получение извне информации, уже представленной

ввиде знаний, может осуществляться следующим образом [1, с. 147]:

1)получение готового набора знаний, представленных во внутреннем формате;

24

2)получение знаний, представленных во внутреннем формате, в режиме диалога;

3)получение знаний, представленных во внешнем формате, и их понимание.

Приобретение знаний из примеров

Этот метод приобретения знаний характеризуется сбором отдельных фактов, их преобразованием и обобщением и только тогда использованием в качестве знаний. При этом необходимо выявить общие понятия, вытекающие из примеров, и выбрать формат или структуру информации для их представления. В зависимости от уровня сложности системы вывода в экспертной системе будут возникать разные по степени общности и сложности знания. Необходимо также упомянуть о том, что этот метод приобретения знаний почти не нашел практического применения. Это может быть связано с тем, что входная информация представляет собой не систематизированный набор данных и для их обработки требуется наличие в системе обширных знаний по конкретной области.

По сравнению с предыдущим методом приобретения знаний, этот метод имеет большую степень свободы. Опишем его общие положения .

Языки представления

Приобретение знаний из примеров – это процесс сбора отдельных фактов, их обобщение и систематизация, поэтому необходим унифицированный язык представления примеров и общих правил. Эти правила, будучи результатом обучения, являются объектами для использования знаний, образуя язык представления знаний. И наоборот, язык представления знаний должен учитывать и определять указанные выше условия приобретения знаний.

Способы описания объектов

В случае приобретения знаний из примеров из описаний отдельных объектов создаются еще более общие описания объектов некоторого класса, при этом возникает важная проблема определения данного класс объектов. В полном классе некоторых объектов следует определить меньший класс объектов, обладающих общим свойством (объекты только в этом классе обладают заданным свойством) либо список объектов и убедиться, что все объекты в нем обладают общим свойством. Для не-

25

которого типа задач можно эффективно использовать ложные примеры или контрпримеры, убедительно показывающие, что данные объекты не входят в этот класс.

Правила обобщения

Для сбора отдельных примеров и создания общих правил необходимы правила обобщения. Предложено несколько способов их описания: замена постоянных атрибутов языка на переменные, исключение описаний с ограниченным применением и т. п. Очевидно, что эти способы тесно связаны с языком представления знаний.

Управление обучением

В процессе приобретения знаний из примеров можно применять различные стратегии структуризации информации и управлять этим процессом в ответ на входные данные. Существуют два классических метода: метод «сниз – вверх», при котором последовательно выбираются и структурируются отдельные сообщения, и метод «сверху – вниз», при котором сначала выдвигается гипотеза, а затем она корректируется по мере поступления информации. На практике эти методы комбинируются.

При изучении метода приобретения знаний по примерам можно выделить следующие его формы:

1.Параметрическое обучение.

2.Обучение на основе выводов по аналогии.

3.Обучение на основе выводов по индукции – эвристическое обучение.

Параметрическое обучение

Параметрическое обучение является наиболее простой формой данного метода и состоит в определении общего вида правила, которое должно стать результатом вывода, и последующей корректировки входящих в это правило параметров в зависимости от данных. При этом используются психологические модели обучения, системы управления обучением.

Примером обучающейся системы этой категории в области искусственного интеллекта является экспертная система Meta-Dentral. В ней выводятся новые правила путем коррекции правил продукций в процессе обучения или на основе исходных масс-спектральных данных.

26

Применением этой формы метода приобретения знаний по примерам также являются системы распознавания образов. В них ясно просматривается основной принцип этого метода – в ходе обучения нейронная сеть автоматически по определенным заранее законам корректирует веса связей между элементами и значения самих элементов.

Обучение на основе выводов по аналогии

Приобретение новых понятий возможно путем преобразования существующих знаний, похожих на те, которые собираются получить. В нашей жизни много примеров, когда новые понятия или технические приемы приобретаются с помощью аналогий.

Выводы по аналогии – один из важных объектов исследования искусственного интеллекта; наиболее интересные результаты здесь получены П. Уинстоном. Он использует выводы по аналогии, основываясь на следующей гипотезе: «Если две ситуации подобны по нескольким признакам, то они подобны и еще по одному признаку». Подобие двух ситуаций распознается путем обнаружения наилучших совпадений по наиболее важным признакам.

Аналогия – это метод выводов, при которых обнаруживается подобие между несколькими заданными объектами благодаря переносу фактов и знаний, справедливых для одних объектов, на основе этого подобия на совсем другие объекты либо определяется способ решения задач, предсказываются неизвестные факты и знания. Следовательно, когда человек сталкивается с неизвестной задачей, он на первых порах использует этот естественный метод вывода.

Таким образом, в процессе обучения путем обобщения совокупности имеющихся данных выводятся общие правила.

Обучение этой категории включает открытие новых правил, построение теорий, создание структур и другие действия, причем модель теории или структуры, которые следует создать, заранее не задаются, поэтому их необходимо разработать.

Выделяют два типа аналогии:

для решения задач;

для предсказаний.

Аналогия первого типа применяется, главным образом, для повышения эффективности решения задач, которые, вообще говоря, можно решить и без аналогии. Например, благодаря использованию решений

27

аналогичных задач в областях программирования и доказательства теорем можно прийти к выводам о программах или доказательствах.

С другой стороны, используя аналогию для предсказаний, благодаря преобразованию знаний на основе подобия между объектами можно сделать заключение о справедливости новых фактов.

Например, если объектом аналогии является некая система аксиом, то знаниями могут быть теоремы, справедливые в этой системе. При этом, используя схожесть между системами аксиом, можно преобразовать теорему в одной из систем в логическую формулу для другой системы и сделать вывод о том, что эта формула есть теорема.

Другими словами, аналогия используется и для решения некоторых строго сформулированных задач, и для предсказаний, а также для приобретения не заданной ранее информации.

Примером использования метода приобретений знаний по аналогии может служить система доказательства теорем.

Обучение на основе выводов по индукции – эвристическое обучение

Среди всех форм метода приобретения знаний по примерам необходимо особо выделить обучение на основе выводов по индукции.

В процессе этого обучения путем обобщения совокупности имеющихся данных выводятся общие правила. Такое обучение включает открытие новых правил, построение теорий, создание структур и другие действия, причем модель теории или структуры, которые следует создать, заранее не задаются, поэтому их необходимо разработать так, чтобы можно было объяснить все правильные данные и контрпримеры.

Индуктивные выводы возможны в случае, когда представление результата вывода частично определяется из представления входной информации. В последнее время обращают на себя внимание программы генерации программ по образцу с использованием индуктивных выводов.

Для точного определения индуктивного вывода необходимо уточ-

нить:

1)множество правил – объектов вывода;

2)метод представления правил;

3)способ показа примеров;

4)метод вывода;

5)критерий правильности вывода.

28

В качестве правил – объектов вывода можно рассматривать, главным образом, индуктивные функции, формальные языки, программы и т. п. Кроме того, эти правила могут быть представлены в виде машины Тьюринга для вычисления функций, грамматики языков, операторов Пролога и другим способом.

Машина Тьюринга – это математическая модель компьютера, ее, в принципе, можно считать программой. В случае, когда объектом вывода является формальный язык, он сам определяет правила, а его грамматика – метод представления правил, поэтому говорят о грамматическом выводе.

Приобретение знаний на метауровне

Рассмотренные методы приобретения знаний реализуются на объектном уровне, а еще более сложная проблема – приобретение знаний на метауровне, т. е. знаний, основой которых является информация по управлению решением задач с использованием знаний на объектном уровне. Для знаний на метауровне пока не установлены ни формы представления и использования, ни связь со знаниями на объектном уровне, ни другая техника их систематизации.

Поскольку не определена форма их представления с точки зрения использования, то трудно говорить о приобретении знаний на метауровне. Тем не менее, с этой проблемой связаны многие надежды в инженерии знаний.

1.4. Модели представления знаний

Все виды знаний могут быть представлены с помощью одной либо нескольких семантических моделей. К наиболее распространенным из них относятся логические, продукционные, фреймовые и семантические сети.

Логические модели

Для представления математического знания в математической логике пользуются логическими формализмами, которые имеют ясную формальную семантику. Поэтому исчисление предикатов было первым логическим языком, который применили для формального описания

29

предметных областей, связанных с решением прикладных задач. Описания предметных областей, выполненные в логических языках, называются (формальными) логическими моделями.

Логические модели являются формой представления знаний о проблемных областях с небольшим пространством поиска решений и определенными фактами и знаниями. Они удобны также для формального описания мышления человека, так как часто его рассуждения при решении задач носят дедуктивный характер.

Классическим механизмом представления знаний в системах является исчисление предикатов (использовалось уже в 50-х годах в исследованиях по ИИ). В системах, основанных на исчислении предикатов, знания представляются с помощью перевода утверждений об объектах некоторой предметной области в формулы логики предикатов и добавления их как аксиом в систему.

Высказывание есть утвердительное предложение, которое либо истинно (И), либо ложно (Л). Истинным значением высказывания называется И и Л, приписываемые ему.

Система представления знаний на основе исчисления предикатов имеет ряд достоинств:

1)они достаточно хорошо исследованы как формальная система;

2)существуют ясные правила, т. е. результаты операций над БЗ также достаточно ясно определены.

Недостаток – ограниченная выразимость, так как существует большое число факторов, которые сложно или даже невозможно выразить средствами исчисления предикатов. В настоящее время аппаратное исчисление предикатов в чистом виде используется редко, однако оно является основой большинства языков логического представления знаний, в частности, языка Пролог.

Существуют три основные вида логического вывода:

1.дедукция – аналитический процесс, основанный на применении общих правил к частным случаям, с выводом результата;

2.индукция – синтетические рассуждения, которые выводят правило, исходя из предпосылок и результата;

3.абдукция – форма синтетического вывода, выводящая предпосылки из предпосылок и результата. Она заключается в нахождении объяснений для наблюдаемых фактов.

30