Добавил:
ivanov666
Опубликованный материал нарушает ваши авторские права? Сообщите нам.
Вуз:
Предмет:
Файл:Проектирование экспертных систем. Учебное пособие
.pdf
Рисунок 1.6 – Этапы проектированияч экспертной системы
На этапе концептуализации проводится содержательный анализ проблемной области, выявляются совокупности основных понятий и их взаимосвязей, выбираются методы решения поставленных задач.
На этапе формализации определяются (формализуются) основные понятия,
выбираются средства создания экспертных систем и определяются методы представления всех видов знаний, определяются способы интерпретации знаний, моделируется работа системы, оценивается адекватность поставленной цели и выявленным задачам совокупности зафиксированных понятий, методов решений, средств
представления и манипулирования знаниями.
На этапе выполнения осуществляется окончательное наполнение экспертом
базы знаний. Поскольку основой экспертных систем являются знания, данный этап
наиболее важнен и наиболее трудоемок по сравнению с другими этапами разработки экспертных систем. Процесс приобретения знаний экспертной системой разделяют на получение знаний от эксперта, организацию полученных знаний, то есть
представление их в виде, понятном экспертной системе и обеспечивающем ее эффективную работу. Сам процесс приобретения знаний проводится инженером по
21
Машина ло-
вывода
База знаний
Компонента
знаний
пользователя
знаниям на основе анализа суждений и деятельности эксперта по решению реальных задач в заданной области приложения.
На этапе тестирования эксперт (и инженер по знаниям) в интерактивном
режиме с использованием диалоговых и объяснительных средств системы проверяет работоспособность созданной экспертной системы. Процесс тестирования
продолжается до такого состояния, когда эксперт определит, что система достигла
требуемого уровня правильности при решении задач в выбранной предметной области.
На этапе опытной эксплуатации проверяется пригодность экспертной системы для конкретного круга пользователей. Результаты этого этапа могут показать необходимость существенной модификации экспертной системы.
Процесс создания экспертной системы не сводится к строгой последовательности перечисленных этапов. В ходе разработки могут потребоваться неоднократные переходы на более ранние этапы и пересмотр принятых на этих этапах технических решений.
1.6 Архитектура экспертных систем
В общем случае экспертная система состоит из четырех компонент (см. рисунок 1.7).
гического
Интерфейс
Рисунок 1.7 – Состав экспертной системы
22
пополнения
База знаний содержит знания экспертов, структурированных в той или иной форме,
машина логического вывода осуществляет поиск решения задачи, а интерфейс
пользователя проводит общение с человеком. Мощность экспертной системы обусловлена объемом базы знаний. С другой стороны, пусть система имеет, например,
знания сформулированные в виде правил типа «если <условия>, то <заключение>»
в количестве – 1000. Понятно, что вставка 1001 правила станет непростой задачей.
При этом в зависимости от условий новое правило может стать «балластом», никогда не используемым в дальнейшем или, наоборот «перемкнуть», например 10 правил, которые в свою очередь станут не используемым «балластом». Поэтому и
нужна 4-ая компонента - компонента пополнения знаний, которая по своей сути
сама может быть экспертной системой. Кроме того, эксперт зачастую не осознает
тех правил, которыми он пользуется в своей области, тем более ему трудно их сформулировать в виде удобном программисту, поэтому между ними необходим когнитолог, то есть специалист по выявлению знаний.
Когнитолог в сотрудничестве с экспертами выявляет знания в некоторой области и пробует воплотить эти знания в компьютерной программе с тем, чтобы использовать их для решения некоторых задач. Как хорошо это работает, зависит от
того, насколько интеллектуальные механизмы, требуемые для решения задач,
представимы методами искусственного интеллекта.
Сегодня ЭС способны не только выдавать решения задач, но и пополнять собственную базу знаний, конструируя новые эвристики на основе имеющихся.
Именно алгоритм обработки знаний, а не алгоритм решения задачи закладывается
при создании ЭС, что в принципе, может привести к получению результата, не
предусмотренного экспертами.
Типовая статическая ЭС состоит из следующих основных компонентов (рисунок 1.8):
23
БД
БЗ
Рисунок 1.8 Структура статической ЭС - диалогового компонента.
- решателя (интерпретатора);
- рабочей памяти (РП), называемой также базой данных (БД);
- базы знаний (БЗ);
- компонента приобретения знаний;
- объяснительного компонента;
База данных (рабочая память) используется как хранилище исходных и
промежуточных данных выполняемой в данный работы системы задачи. Терминология совпадает по названию, но не по смыслу с терминологией, используемой в
информационно-поисковых системах (ИПС) и системах управления базами данных
(СУБД) для обозначения всех данных, хранимых в системе.
База знаний (БЗ) разрабатывается для хранения долгосрочных
данных, описывающих область экспертизы, и совокупности правил, по которым
преобразуются данные в этой области.
24
Решатель, используя исходные данные из рабочей памяти и знания из базы
знаний, формирует последовательность таких правил, которые, будучи примененными к исходным данным, приводят к решению поставленной перед экспертной
системой задачи.
Компонент приобретения знаний является помощником в процессе попол-
нения экспертной системы новыми знаниями, осуществляемом пользователем-экспертом
Объяснительный компонент предназначена для объяснения того, как си-
стема получила решение задачи (или почему она не получила решение) и какие
знания она при этом использовала. Этот компонент облегчает эксперту тестирование готовой системы и повышает доверие пользователя к полученному результату.
Диалоговый компонент обеспечивает организацию дружественного обще-
ния с пользователем. Это дружественность должна распространяться как на процесс решения задач, так и на приобретение новых знаний, а так же на объяснения
результатов работы.
Экспертная система работает в двух режимах: режиме приобретения знании и в режиме решения задачи (называемом также режимом консультации или
режимом использования ЭС).
В режиме приобретения знаний общение на начальном этапе осуществляется
между когнитологом и экспертом. Когнитолог с помощью наводящих вопросов помогает эксперту выявить и правильно сформулировать скрытые правила и принципы, которые использует эксперт в своей профессиональной деятельности. Затем
когнитолог работает с программистом. Если же экспертная система уже имеет компоненту пополнения знаний, то эксперт осуществляет общение с ЭС через посредничество инженера по знаниям. В этом режиме эксперт, используя компонент приобретения знаний, наполняет систему знаниями, которые позволяют ЭС в режиме
самостоятельного решения (без эксперта) находить решение задач из проблемной
области. Эксперт вместе с когнитологом составляют для данной проблемной обла-
25
сти совокупность данных и правил. Данные определяют объекты, их характеристики и значения, существующие в области экспертизы. Правила задают способы
манипулирования с данными, характерные для рассматриваемой области.
Режим приобретения знаний, в традиционном подходе к разработке программ, аналогичен этапам алгоритмизации программирования и отладки программы, выполняемых программистом. Получается, что в отличие от традиционного подхода в случае создания экспертной системы разработку алгоритма и отладку программ осуществляет не программист, а эксперт с когнитологом (с помощью экспертной системы), не владеющие программированием.
В режиме консультации общение с экспертной системой осуществляет поль-
зователь, которого интересует результат и логика его получения. При этом возможны варианты. Пользователь может и не быть специалистом в данной проблемной области (в этом случае он обращается к экспертной системе за результатом, не
умея получить его сам), или быть специалистом (в этом случае пользователь может
сам получить результат, но он обращается к экспертной системе для ускорения процесса получения результата, либо для перекладывания на эксперную систему рутинной работы.
В режиме консультации данные о задаче поставленной пользователем после
обработки их диалоговым компонентом поступают в рабочую память. Решатель
пользуясь этими данными из рабочей памяти, а так же общими данными о проблемной области и правилами из БЗ проводит решение задачи. Если полученное экспертной системой решение непонятно пользователю, то он может потребовать объяснения логики вывода.
Структура, приведенная на рисунке 1.8, образует структуру статической
экспертной системы. Системы данного типа используются в тех приложениях, где
можно пренебречь изменениями окружающего мира, происходящими за время решения задачи.
Первые ЭС, оказавшиеся все же полезными на практике, все были статическими.
26
С другой стороны, существует огромный класс приложений, в которых требуется
учитывать динамику, т. е. изменения, происходящие в окружающем мире за время
исполнения приложения весьма существенны и могут изменить логику вывода принимаемого решения. На рисунке 1.9 показано, что в архитектуре динамической
экспертной системы отличается от статической двумя компонентами: подсистемой
моделирования внешнего мира и подсистемой связи с внешним окружением. Последняя образует интерфейс с внешним миром через систему датчиков и контроллеров. Традиционные же компоненты статической экспертной системы (база знаний и машина вывода) существенно изменяются для отражения временной логики
происходящих в реальном мире событий.
Рисунок 1.9 – Структура динамической экспертной системы
27
В основе динамической системы, так же как и статической, лежат объектноориентированная база знаний (ОО-технология БЗ) и механизм вывода, способный
оперировать с правилами, но в этих правилах явным образом отражено время. Во
внутреннем кольце структуры динамической экспертной системы расположены
компоненты, обеспечивающие моделирование объектов и событий, анимацию
(при необходимости), активную графику, механизм общих правил и т.д. Во внешнем кольце отражены технологии и требования, обязательные в современных информационных системах и используемые для создания экспертных систем.
1.7 Классификация экспертных систем
Выше уже была представлена классификация по двум классам: статические
и динамические экспертные системы. Другая классификация проводится по представлению знаний в базе знаний. Здесь выделяются четыре класса экспертных систем: продукционные, фреймовые, логические и сетевые.
1.7.1 Продукционные экспертные системы
Большинство используемых на практике экспертных систем базируется на
понятии «формальная продукционная система». Продукционные системы берут
свое начало с работ Е. Поста, который в 1943 г. ввел термины продукционная и ка-
ноническая (продукционная) система. Е. Пост показал, что продукционная система
является логической системой, эквивалентной машине Тьюринга. Другими словами, продукционные системы универсальны, т. е. любая формальная система, оперирующая символами, может быть реализована в виде одной из продукционных
систем Е. Поста.
«Система продукций Поста задается своим алфавитом C={c, …,c} и системой
базисных продукций
xi W → W y
(I =1,…,l), (1.1)
i
где xi, yi – слова в алфавите С.
28
Пусть некоторое слово Y начинается словом xi . применить к Y продукцию x
i
W → Wyi – это значит вычеркнуть из Y начальный отрезок x
и затем к оставшемуся
i
слову приписать слово yi.» В качестве примера преобразуем слово aba с помощью
продукции abW → Wc получим слово ac.
Каждую систему продукций можно представлять в качестве формальной системы с правилами вывода pi (i = 1,…,1), где pi (F, Y). Тогда она считается истинной
(применимой), если слово Y получается из F при помощи продукций этой системы
xi W → Wyi .
Как показали психологические исследования человек принимает решения, в
процессе рассуждений, используя определенные правила, аналогичные вышеописанным продукциям, т. е. правила вида «условие → действие». Первым использовать продукционные системы для моделирования на ЭВМ процесса принятия решений предложил А. Ньюэлл. Формализуя его предложения, можно определить
продукционную систему (PS) следующим образом:
PS = <R, B, I>, (1.2)
где R – содержимое рабочей памяти системы (база данных), отражает текущие актуальные данные;
B – база знаний, содержащая совокупность продукций (правил вида «условие
→ действие»);
I – машина логического вывода (интерпретатор, решатель), реализующая
процесс вывода, который в повторных циклах выполняет следующие действия:
«определяет множество означиваний, т. е. множество пар: {правило (pi), набор текущих данных (aj), на котором это правило удовлетворяется}; выполняет определенные означивания, производя изменения» в содержимом рабочей памяти.
В настоящее время доказано, что продукционные системы по Ньюэллу являются некоторым неформальным обобщением алгоритмов Маркова. В алгоритме
Маркова выполняются следующие процедуры: «упорядоченные продукции (формулы подстановок) применяются к некоторому заданному слову. Первая же из упо-
29
рядоченных продукций, которая может быть применена к слову, сразу применяется, изменяя слово. Затем процесс проверки применимости продукций продолжается, начиная с продукции, имеющей наивысший приоритет. Этот цикл - проверка
(выполнение в случае возможности применения) продолжается до тех пор, пока не
найдется ни одной применимой продукции либо не будет применена некая продукция, помеченная как заключительная».
1.7.2 Логические экспертные системы
Модели такого типа описываются формальной системой вида
M = T; P; A; B. (1.3)
Здесь множество T есть множество базовых элементов различной природы,
например слов из некоторого ограниченного словаря, деталей детского конструктора, входящих в состав некоторого набора, и т. п. Элементы объединяются в множество T на основе существования некоторого способа определения принадлежности к этому множеству. P в этой формуле представляет совокупность синтаксиче-
ских правил. С их помощью из элементов T можно образовывать синтаксически
правильные совокупности. В множестве синтаксически правильных совокупностей
выделяется некоторое подмножество A, элементы которого называют аксиомами.
Наконец, множество B есть множество правил вывода.
Проводя интерпретацию для знаний, входящих в базу знаний экспертной системы, можно считать, что множество Т образуют все информационные единицы,
которые введены в базу знаний извне, а с помощью правил вывода, аналогичных
множеству Р в формуле, из них выводятся новые производные знания. Это свойство логических моделей – экономия на базовой информации делает их притягательными для использования в построении баз знаний. Оно позволяет хранить в
базе лишь те знания, которые образуют множество аксиом и правил, а все остальные знания получать из них по этим правилам вывода.
Конечно, если будет использоваться лишь формальная логика, экспертная си-
30
Соседние файлы в предмете [НЕСОРТИРОВАННОЕ]