Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Методы поддержки принятия решений. Учебное пособие (курс лекций)
.pdf
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
В силу этих и многих других причин методология деревьев
решений является важным инструментом в работе каждого специалиста, занимающегося анализом данных, вне зависимости от
того практик он или теоретик.
Области применения деревьев решений
Деревья решений являются прекрасным инструментом в
системах поддержки принятия решений, интеллектуального
анализа данных (data mining).
В состав многих пакетов, предназначенных для интеллектуального анализа данных, уже включены методы построения деревьев решений. В областях, где высока цена ошибки, они послужат отличным подспорьем аналитика или руководителя.
Деревья решений успешно применяются для решения практических задач в следующих областях:
банковское дело. Оценка кредитоспособности клиентов
банка при выдаче кредитов;
промышленность. Контроль за качеством продукции
(выявление дефектов), испытания без разрушений (например,
проверка качества сварки) и т. д.;
медицина. Диагностика различных заболеваний;
молекулярная биология. Анализ строения аминокислот.
Это далеко не полный список областей, где можно использовать деревья решений. Не исследованы еще многие потенциальные области применения.
Вывод. Своевременная разработка и принятие правильного
решения – главные задачи работы управленческого персонала
любой организации. Непродуманное решение может дорого
стоить компании. На практике результат одного решения заставляет нас принимать следующее решение и т. д. Когда нужно
принять несколько решений в условиях неопределенности, когда каждое решение зависит от исхода предыдущего решения
или исходов испытаний, то применяют схему, называемую деревом решений.
В данной лекции рассмотрены вопросы, связанные с рассмотрением инструментария «Дерево решений».
121
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
Вопросы для самопроверки
1. Сформулировать общие принципы работы деревьев ре-
шений.
2. Какие существуют области применения дерева решений?
3. Охарактеризуйте типы решаемых задач.
4. Охарактеризуйте критерии атрибута.
5. В чем смысл правила остановки и правила отсечения?
6. Рассмотрите этапы построения деревьев решений.
7. Преимущества использования деревьев решений.
8. Области применения деревьев решений.
Литература: 1, 3, 14, 15, 22, 26.
122
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
8. ЭКСПЕРТНЫЕ СИСТЕМЫ
План
8.1. Назначение экспертных систем.
8.2. Классы экспертных систем.
8.3. Структура экспертной системы.
8.1. Назначение экспертных систем
Назначение экспертных систем состоит в решении слож-
ных задач на основе накапливаемой базы знаний, отражающей
опыт работы экспертов в данной предметной области. Главная
отличительная черта и основное преимущество экспертных систем – способность принятия решений в ситуациях, для которых
алгоритм решения задачи заранее не известен. Он формируется
системой в виде цепочки правил принятия решений на основе
базы знаний и диалога с пользователем, зачастую в условиях
неполноты исходной информации и качественных оценок рассматриваемых процессов.
Работы в области создания экспертных систем ведутся в
двух направлениях. Одно направление – это разработка и внедрение компьютерных программ, способных воспроизводить области деятельности человека, требующие мышления, приобретенного мастерства и накопленного опыта и решений неформализованных задач, таких как задачи принятия решений, распознавания образов, понимания предложений на естественном
языке. Другое направление развития экспертных систем – это
интеграция приложений из готовых интеллектуальновзаимодействующих модулей в крупные специализированные
программные комплексы, позволяющие очень быстро принимать решения, по управлению сложными техническими объектами и технологическими процессами, как, например, при запуске космического корабля.
Основными категориями решаемых экспертными системами задач являются: диагностика, управление, интерпретация,
прогнозирование, проектирование, планирование, наблюдение
(мониторинг), отладка и ремонт, обучение. К типовым задачам,
123
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
решаемым экспертными системами, относят: извлечение информации из первичных данных; структурный анализ сложных
объектов; выбор конфигурации сложных многокомпонентных
систем; диагностика неисправностей в технических и живых
системах; планирование последовательности действий, приводящих к заданной цели.
Решения в технической или социальной области, основанные на результатах работы экспертной системы, могут быть
приняты как непосредственно лицом, принимающим решение,
так и с помощью специалиста, который ведет диалог с системой.
Лицо, принимающее решение, может быть экспертом в той же
предметной области, и в этом случае экспертная система повышает эффективность его работы.
Рис. 8.1. Распределение действующих экспертных систем
по областям применения
Альтернативный вариант – человек, не являющийся специалистом в данной предметной области, в сотрудничестве с экспертной системой может достичь принципиально новых для себя результатов и повысить качество своей работы. Рациональное
распределение функций между человеком и компьютером является одним из ключевых условий высокой эффективности внедрения экспертных систем.
124
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
Экспертные системы используются во многих областях, среди
которых лидирует сегмент приложений в бизнесе (рис. 8.1).
8.2. Классы экспертных систем
Экспертные системы можно классифицировать по различным, учитывающим их особенности, основаниям: по назначению, по области применения, по типу используемой модели
представления знаний, по показателям эффективности и др.
С учетом степени сложности решаемых задач их можно классифицировать по четырем признакам.
Первый признак − способ формирования решения экспертной системой, он может быть аналитическим или синтетиче-
ским. Аналитические системы осуществляют выбор решений из
множества известных альтернатив или определение характеристик объектов, а синтетические системы – генерацию неизвестных решений или формирование объектов из множества потенциальных.
Второй признак – это способ учета времени. Экспертные
системы могут быть статическими или динамическими. Статические системы решают задачи при неизменяемых в процессе
решения данных и знаниях, динамические системы допускают
такие изменения. Статические системы обычно осуществляют
решение задачи от ввода исходных данных до конечного результата без перерывов, динамические системы имеют возможность пересмотра в процессе решения полученных ранее результатов, иногда в режиме реального времени с непрерывной интерпретацией поступающих данных.
Третий признак – вид используемых экспертной системой
данных и знаний, здесь системы могут быть с четко определенными детерминированными знаниями либо с неопределенными
знаниями. Под неопределенностью понимаются неполнота, недостоверность, многозначность, нечеткость знаний, а также неточность измерения, неполнота или отсутствие данных.
Наконец, четвертый признак классификации – число используемых источников знаний. Экспертные системы могут
быть построены с использованием одного или множества источников знаний, которые могут быть альтернативными или дополняющими друг друга.
125
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
В соответствии с перечисленными четырьмя признаками
классификации можно выделить четыре основных класса экспертных систем (рис. 8.2).
Рис. 8.2. Классы экспертных систем
Рассмотрим эти четыре класса экспертных систем подробнее.
Классифицирующие экспертные системы (аналитические, статические, с одним детерминированным источником
знаний). Основной тип решаемых такими системами задач – это
задачи распознавания ситуаций, когда по набору заданных признаков определяется принадлежность анализируемой ситуации к
некоторому классу и выбирается последовательность действий,
которая в соответствии с исходными условиями и ограничениями среди альтернативных решений находит решение, удовлетворяющее поставленной цели. Основным методом формирования решений выступает логический дедуктивный вывод «от общего к частному», когда путем подстановки исходных данных в
некоторую совокупность взаимосвязанных общих утверждений
получают частное заключение.
Доопределяющие экспертные системы (аналитические,
статические, с множеством неопределенных источников знаний). В этом более сложном типе аналитических задач экспертная система некоторым образом доопределяет недостающие
знания и в результате предлагает несколько возможных решений с различной вероятностью или уверенностью в необходимости их выполнения. В качестве методов работы с неопределенностями могут быть использованы байесовский вероятностный подход, коэффициенты уверенности, нечеткая логика.
Предметные области, характерные для аналитических статических экспертных систем первых двух классов:
126
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
интерпретация данных – выбор решения из фиксирован-
ного множества альтернатив на базе исходной информации о
текущей ситуации, например анализ финансового состояния
предприятия;
диагностика – выявление причин, приводящих к возник-
новению ситуации, например нахождение факторов снижения
эффективности производства;
коррекция – диагностика, дополненная требованиями
оценки ситуации и выбора решений по исправлению их отклонений от нормального состояния.
Трансформирующие экспертные системы (синтетические, динамические, с одним детерминированным источником
знаний). Отличительная особенность таких систем – повторяющееся преобразование знаний в процессе решения задачи, связанное с заранее не предопределяемым результатом и с динамичностью предметной области. Методами решения таких задач
являются разновидности гипотетического вывода: метод генерации и тестирования, когда по исходным данным осуществляются генерация гипотез, а затем их проверка на подтверждение
вновь поступающими фактами; метод предположений и умолчаний, когда по неполным данным подбираются знания об аналогичных классах объектов, которые в дальнейшем динамически адаптируются к конкретной ситуации; метод использования
более общих закономерностей в случае неизвестных ситуаций,
позволяющих генерировать недостающие знания.
Многоагентные системы (синтетические, динамические,
с множеством неопределенных источников знаний). Такие системы отличает интеграция в базе знаний разнородных источников, обменивающихся получаемыми результатами на динамической основе. Основные особенности: альтернативный вывод на
основе различных источников знаний с механизмом устранения
противоречий; распределенное решение проблем путем разбиения на параллельно решаемые проблемы, соответствующие самостоятельным источникам знаний; множество стратегий работы механизма вывода; обработка больших массивов данных;
использование разнородных математических моделей и внеш-
127
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
них процедур; способность прерывания решения задачи для получения дополнительных данных и знаний.
Предметные области, применимые для синтезирующих
динамических экспертных систем последних двух классов:
– проектирование – определение конфигурации объектов
для удовлетворения заданным критериям эффективности и
ограничениям, например проектирование бюджета предприятия
или портфеля инвестиций;
– прогнозирование – предсказание последствий развития
текущих ситуаций на основе математического и эвристического
моделирования, например прогнозирование трендов на биржевых торгах;
– диспетчеризация – распределение работ во времени, составление расписаний, например планирование графика освоения капиталовложений;
– планирование – выбор последовательности действии для
достижения поставленной цели, например планирование процессов поставки продукции;
– мониторинг слежение за текущей ситуацией с возможностью последующей коррекции, включающее диагностику, прогнозирование, планирование и коррекцию действий пользователей, например мониторинг сбыта готовой продукции.
8.3. Структура экспертной системы
На рис. 8.3 приведена общая схема структуры абстрактной
экспертной системы. Реальные системы содержат большое количество дополнительных блоков, специфичных для каждой
предметной области, тем не менее общую технологию работы и
назначение основных структурных элементов экспертной системы данная схема отражает.
База знаний – это центральный компонент экспертной системы, который определяет ее ценность и с которым связаны
основные затраты на разработку. Наличие базы знаний – это
главное структурное отличие экспертной системы от других видов программ, именно она предоставляет экспертной системе
возможность обучения и самообучения.
128
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
Рис. 8.3. Структура абстрактной экспертной системы
Конкретный вид базы знаний сильно зависит от выбранной
модели представления знаний, но в любом варианте она всегда
содержит фактуальную и алгоритмическую части. Для модели
представления знаний, основанной на правилах продукций, это
будут факты и правила логического вывода, для фреймовой модели представления знаний – факты и присоединенные процедуры, для сетевой модели состояние системы – активная подсеть и правила вывода, включающие описание отношений, присутствующих в сети.
Машина вывода, составляющая основу экспертной системы, – это программа, ответственная за порядок и способ актуализации алгоритмической части базы знаний. Часто в машину
вывода включают подсистему объяснений, как показано на рис.
8.3. Так же как и вид базы знаний, вид машины вывода определяется выбранной моделью представления знаний.
Для логической модели представления знаний, в которой
каждый раз происходит полный перебор всех логических уравнений, вне зависимости от уже имеющихся данных машина вывода имеет простейший вид последовательного автомата.
Для модели, основанной на правилах продукций, где выбор
правила, которое надо актуализировать следующим, неоднозначен, машина логического вывода имеет систему предпочтений,
основанную на некоторой детерминированной или вероятностной оценке, зависящей от ситуации.
Для фреймовой модели представления знаний машина вывода состоит из двух частей. Единая общая часть отвечает за то,
чтобы события, происходящие в системе фреймов, становились
129
М Е Т О Д Ы П О Д Д Е Р Ж К И П Р И Н Я Т И Я Р Е Ш Е Н И Й
известны всем фреймам одновременно или в некоторой последовательности. Вторая часть складывается из обработчиков событий самих фреймов, решающих, какой из методов следует
актуализировать в ответ на полученное сообщение о произошедшем событии.
Подсистема объяснений – это один из важнейших элементов экспертной системы, который в значительной мере определяет эффективность использования. Практическая реализация
подсистемы объяснений часто использует те же процедуры, что
и решатель, только в обратном порядке, поэтому и можно считать, что машина вывода состоит из решателя и подсистемы
объяснений. Специфика задач, решаемых интеллектуальными и,
в частности, экспертными системами, такова, что часто
наибольшую ценность имеет не само полученное системой решение, а процесс его получения в ходе диалога человека с машиной. Подсистема объяснений – это программный механизм,
позволяющий получить ответ на вопрос: почему так было выбрано решение в целом и его элементы по отдельности?
Не все экспертные системы имеют подсистему объяснений,
это может быть связано с трудностью программирования, но чаще с особенностями модели представления знаний. В классическом смысле подсистема объяснений существует только у систем,
основанных на правилах продукций, и семантических сетях.
Интеллектуальный редактор базы знаний – это про-
грамма, позволяющая добавлять, удалять, модифицировать факты и правила, содержащиеся в базе знаний. Под «интеллектом»
применительно к этому классу программ понимается способность обеспечить целостность, корректность и непротиворечивость базы знаний. Аналогичная проблема теории баз данных
решается при помощи ключей и нормализации, однако для концепции баз знаний такое решение не подходит потому, что знания представляют собой нечто единое, цельное и многозначное,
и отдельно вырванный из контекста элемент знаний не имеет
смысла. Поэтому, чтобы осуществить любую операцию над базой знаний (добавление, удаление, модификация записи), необходимо проверить соблюдение целостности, корректности и непротиворечивости всей базы знаний, причем на некоторую заданную глубину.
130
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]