Учебник Макаровой

Извлечение знаний – получение инженером по знаниям наиболее

полного представления о предметной области и способах принятия решения в ней.

Средняя продолжительность 1-3 месяца.

Структурирование или концептуализация знаний

Выявляется структура полученных знаний о предметной области, т.е. определяются: терминология; список основных понятий и их атрибутов;

отношения между понятиями; структура входной и выходной информации; стратегия принятия решений; ограничения стратегий и т.д.

Концептуализация знаний – разработка неформального описания знаний о предметной области в виде графа, таблицы, диаграммы или текста, которое отражает основные концепции и взаимосвязи между понятиями предметной области.

Такое описание называется полем знаний. Средняя продолжительность этапа 2-4 недели.

Формализация

Строится формализованное представление концепций предметной области на основе выбранного языка представления знаний (ЯПЗ). Традиционно на этом этапе используются:

логические методы (исчисления предикатов I порядка и др.); продукционные модели (с прямым и обратным выводом); семантические сети; фреймы;

объектно-ориентированные языки, основанные на иерархии классов, объектов и др.

Формализация знаний – разработка базы знаний на языке, который, с одной стороны, соответствует структуре поля знаний, а с другой – позволяет реализовать прототип системы на следующей стадии программной реализации.

Все чаще на этой стадии используется симбиоз языков представления знаний, например, в системе ОМЕГА [7] – фреймы + семантические сети + полный набор возможностей языка исчисления предикатов. Средняя продолжительность 1 - 2 месяца.

Реализация

Создается прототип экспертной системы, включающий базу знаний и остальные блоки, при помощи одного из следующих способов:

программирование на традиционных языках типа Паскаль, Си и др.; программирование на специализированных языках, применяемых в задачах искусственного интеллекта: LISP [14], FRL [1], SmallTalk [7] и др.;

использование инструментальных средств разработки ЭС типа СПЭИС [3], ПИЭС [11]; использование "пустых" ЭС или "оболочек" типа ЭКСПЕРТ [2], ФИАКР [7] и др.

Реализация - разработка программного комплекса, демонстрирующего жизнеспособность подхода в целом. Чаще

511

всего первый прототип отбрасывается на этапе реализации действующей ЭС.

Средняя продолжительность 1 - 2 месяца.

Тестирование

Оценивается и проверяется работа программ прототипа с целью приведения в соответствие с реальными запросами пользователей. Прототип проверяется на:

удобство и адекватность интерфейсов ввода-вывода (характер вопросов в диалоге, связность выводимого текста результата и др.); эффективность стратегии управления (порядок перебора, использование нечеткого вывода и др.);

качество проверочных примеров; корректность базы знаний (полнота и непротиворечивость правил).

Тестирование – выявление ошибок в подходе и реализации

прототипа и выработка рекомендаций по доводке системы до промышленного варианта.

Средняя продолжительность 1 - 2 недели.

ЭТАП 3: РАЗВИТИЕ ПРОТОТИПА ДО ПРОМЫШЛЕННОЙ ЭС

При неудовлетворительном функционировании прототипа эксперт и инженер по знаниям имеют возможность оценить, что именно будет включено в разработку окончательного варианта системы.

Если первоначально выбранные объекты или свойства оказываются неподходящими, их необходимо изменить. Можно сделать оценку общего числа эвристических правил, необходимых для создания окончательного варианта экспертной системы. Иногда [14] при разработке промышленной системы выделяют дополнительные этапы для перехода: демонстрационный прототип - исследовательский прототип – действующий прототип – промышленная система.

Однако чаще реализуется плавный переход от демонстрационного прототипа к промышленной системе, при этом, если программный инструментарий выбран удачно, необязательна перепись другими программными средствами.

Понятие же коммерческой системы в нашей стране входит в понятие промышленный программный продукт, или промышленной ЭС в этой работе (табл. 16.1).

Таблица 16.1. Переход от прототипа к промышленной экспертной системе

Основное на третьем этапе заключается в добавлении большого числа дополнительных эвристик. Эти

512

эвристики обычно увеличивают глубину системы, обеспечивая большее число правил для трудноуловимых аспектов отдельных случаев. В то же время эксперт и инженер по знаниям могут расширить охват системы, включая правила, управляющие дополнительными подзадачами или дополнительными аспектами экспертной задачи (метазнания).

После установления основной структуры ЭС инженер по знаниям приступает к разработке и адаптации интерфейсов, с помощью которых система будет общаться с пользователем и экспертом. Необходимо обратить особое внимание на языковые возможности интерфейсов, их простоту и удобство для управления работой ЭС. Система должна обеспечивать пользователю возможность легким и естественным образом спрашивать непонятное, приостанавливать работу и т.д. В частности, могут оказаться полезными графические представления.

На этом этапе разработки большинство экспертов узнают достаточно о вводе правил и могут сами вводить в систему новые правила. Таким образом начинается процесс, во время которого инженер по знаниям передает право собственности и контроля за системой эксперту для уточнения, детальной разработки и обслуживания.

ЭТАП 4: ОЦЕНКА СИСТЕМЫ

После завершения этапа разработки промышленной экспертной системы необходимо провести ее тестирование в отношении критериев эффективности. К тестированию широко привлекаются другие эксперты с целью апробирования работоспособности системы на различных примерах. Экспертные системы оцениваются главным образом для того, чтобы проверить точность работы программы и ее полезность. Оценку можно проводить, исходя из различных критериев, которые сгруппируем следующим образом:

критерии пользователей (понятность и "прозрачность" работы системы, удобство интерфейсов и др.); критерии приглашенных экспертов (оценка советов-решений, предлагаемых системой,

сравнение ее с собственными решениями, оценка подсистемы объяснений и др.); критерии коллектива разработчиков (эффективность реализации, производительность, время

отклика, дизайн, широта охвата предметной области, непротиворечивость БЗ, количество тупиковых ситуаций, когда система не может принять решение, анализ чувствительности программы к незначительным изменениям в представлении знаний, весовых коэффициентах, применяемых в механизмах логического вывода, данных и т.п.).

ЭТАП 5: СТЫКОВКА СИСТЕМЫ

На этом этапе осуществляется стыковка экспертной системы с другими программными средствами в среде, в которой она будет работать, и обучение людей, которых она будет обслуживать. Иногда это означает внесение существенных изменений. Такое изменение требует непременного вмешательства инженера по знаниям или какого-либо другого специалиста, который сможет модифицировать систему. Под стыковкой подразумевается также разработка связей между экспертной системой и средой, в которой она действует.

Когда экспертная система уже готова, инженер по знаниям должен убедиться в том, что эксперты, пользователи и персонал знают, как эксплуатировать и обслуживать ее. После передачи им своего опыта

в области информационной технологии инженер по знаниям может полностью предоставить ее в распоряжение пользователей.

Для подтверждения полезности системы важно предоставить каждому из пользователей возможность поставить перед ЭС реальные задачи, а затем проследить, как она выполняет эти задачи. Чтобы система была одобрена, необходимо представить ее как помощника, освобождающего пользователей от обременительных задач, а не как средство их замещения.

Стыковка включает обеспечение связи ЭС с существующими базами данных и другими системами на предприятии, а также улучшение системных факторов, зависящих от времени, чтобы можно было обеспечить ее более эффективную работу и улучшить характеристики ее технических средств, если система работает в необычной среде (например, связь с измерительными устройствами).

Пример 16.15. Успешно состыкована со своим окружением система PUFF –

513

экспертная система для диагностики заболеваний легких [10]. После того, как PUFF была закончена и все были удовлетворены ее работой, систему перекодировали с LISPa на Бейсик. Затем систему перенесли на ПК, которая уже работала в больнице. В свою очередь, эта ПК была связана с измерительными приборами. Данные с измерительных приборов сразу поступают в ПК. PUFF обрабатывает эти данные и печатает рекомендации для врача. Врач в принципе не взаимодействует с PUFF. Система полностью интегрирована со своим окружением – она представляет собой интеллектуальное расширение аппарата исследования легких, который врачи давно используют.

Пример 16.16. Другая система, которая хорошо функционирует в своем окружении, – САТ-1 [8] – экспертная система для диагностики неисправностей дизелей локомотивов.

Эта система была разработана также на LISPe, а затем переведена на FORTH, чтобы ее можно было более эффективно использовать в различных локомотивных цехах. Мастер по ремонту запрашивает систему: определить возможные причины неисправности дизеля. Система связана с видеодиском,

с помощью которого мастеру дают визуальные объяснения и подсказки относительно более подробных проверок, которые ему нужно сделать. Кроме того, если оператор не уверен в том, как устранить неисправность, система предоставляет ему обучающие материалы, которые фирма подготовила предварительно, и показывает ему на видеотерминале. Таким образом, мастер по ремонту может с помощью экспертной системы диагностировать проблему, найти тестовую процедуру, которую он должен использовать, получить на дисплее объяснение, как провести тест, или получит инструкции о том, как справиться с возникшей проблемой.

ЭТАП 6: ПОДДЕРЖКА СИСТЕМЫ

При перекодировании системы на язык, подобный Си, повышается ее быстродействие и увеличивается переносимость, однако гибкость при этом уменьшается. Это приемлемо лишь в том случае, если система сохраняет все знания проблемной области и это знание не будет изменяться в ближайшем будущем. Однако, если экспертная система создана именно из-за того, что проблемная область изменяется, то необходимо поддерживать систему в инструментальной среде разработки.

514

ВОПРОСЫ ДЛЯ САМОПРОВЕРКИ

Перечислите основные направления искусственного интеллекта. Что такое нейросеть?

Где применяются нейрокомпьютеры? Что такое "эвристика"?

Что такое "ситуационное управление"?

Из каких этапов состоит анализ текста при переводе? Перечислите три поколения роботов.

Перечислите уровни обработки данных. Перечислите уровни обработки знаний.

Что является основой любой интеллектуальной системы? Чем отличаются глубинные знания от поверхностных? В чем выражаются процедурные знания?

Что такое продукционная модель? Какова цель обратного вывода?

Из чего состоит семантическая сеть? Какие бывают фреймы?

Что такое АКО-связь?

Что такое наследование свойств?

Что входит в состав экспертной системы? Кто такой инженер по знаниям?

Перечислите классификацию экспертных систем по типу решаемых задач. Что такое интегрированная экспертная система?

Что такое "стыковка экспертной системы"? Что происходит при извлечении знаний? Кто участвует в структурировании знаний?

Какие языки используются при формализации?

Чем отличается исследовательский прототип от действующего?

Как связаны универсальность программного средства и количество работы по созданию готовой экспертной системы?

ЛИТЕРАТУРА

1.Байдун В.В., Бунин А.И. Средства представления и обработки знаний в системе FRL/PS // Всесоюзная конференция по искусственному интеллекту: Тез. докл., т.1. - Минск, 1990.

2.Кирсанов Б.С., Попов Э.В. Отечественные оболочки экспертных систем для больших ЭВМ //

Справочник по искусственному интеллекту, т.1. - М.: Радио и связь, 1990.

3. Ковригин О.В., Перфильев К.Г. Гибридные средства представления знаний в системе СПЭИС // Всесоюзная конференция по искусственному интеллекту: Тез.докл. т.2. - Переславль-Залесский, 1988.

515

4.Николов С.А. и др. Анализ состояния и тенденции развития информатики. Проблемы создания экспертных систем // Исследовательский отчет под ред. С.А. Николова. - София: Интерпрограмма, 1991.

5.Попов Э.В. (ред). Динамические интеллектуальные системы в управлении и моделировании. - М.:

МИФИ, 1996.

6.Поспелов Д.А. Искусственный интеллект: фантазия или наука? - М.: Радио и связь, 1986.

7.Справочник по искусственному интеллекту в 3-х т. / Под ред. Попова Э.В. и Поспелова Д.А. - М.: Радио и связь, 1990.

8.Соловьев С.Ю., Соловьева Г.М. Вопросы организации баз знаний в системе ФИАКР // Экспертные системы: состояние и перспективы / Под ред. Д.А. Поспелова. - М.: Наука, 1989.

9.Уотермен Д. Руководство по экспертным системам: Пер. с англ. - М.: Мир, 1989.

10.Хейес-Рот и др. Построение экспертных систем / Под ред. Ф. Хейес-Рота, Д. Уотермена, Д.

Лената. - М.: Мир, 1987.

11.Хорошевский В.Ф. Управление проектами в интеллектуальной системе PIES Workbench // Изв. РАН, серия "Техническая кибернетика". - 1993. -№5.

12.Цейтин Г.С. Программирование на ассоциативных сетях // ЭВМ в проектировании и

производстве. - Л.: Машиностроение, 1985. Вып. 2.

13.Шенк Р., Бирнбаум Л., Мей Дж. К интеграции семантики и прагматики. Новое в зарубежной лингвистике: Вып. XXIV. Компьютерная лингвистика. - М.: Прогресс, 1989.

14.Хювянен Р., Сеппянен М. Мир ЛИСПА. В 2-х т. - М.: Мир, 1991.

ГЛАВА 17. ИНЖЕНЕРИЯ ЗНАНИЙ

17.1.ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПОЛУЧЕНИЯ ЗНАНИЙ

17.2.ПРАКТИЧЕСКИЕ МЕТОДЫ ИЗВЛЕЧЕНИЯ ЗНАНИЙ

17.3.СТРУКТУРИРОВАНИЕ ЗНАНИЙ

Центральной проблемой при создании интеллектуальных информационных технологий является адекватное отображение знаний специалиста в памяти компьютера. Это привело к развитию нового направления в информатике – инженерии знаний, где определяется соотношение человеческого знания и его формализованного (информационного) отображения в ЭВМ. Инженерия знаний изучает и разрабатывает вопросы, связанные с получением знаний, их анализом и формализацией для дальнейшей реализации в интеллектуальной системе.

Цель главы – дать обзор основных теоретических аспектов

инженерии знаний и познакомить с некоторыми практическими методами работы инженеров по знаниям.

ПОСЛЕ ИЗУЧЕНИЯ ГЛАВЫ ВЫ ДОЛЖНЫ ЗНАТЬ:

Подходы к получению знаний при разработке экспертных систем Теоретические проблемы, возникающие при извлечении знаний

Особенности психологических и лингвистических факторов, которые необходимо

учитывать инженеру по знаниям Влияние философии познания на работу инженера по знаниям

Методы инженера по знаниям при работе с источником знаний Методы извлечения знаний Суть экспертных игр

Методы извлечения знаний из текстов Структурирование полученных знаний

Формирование понятийной и функциональной структуры предметной области Каким образом формализуются знания и формируется база знаний

17.1. ТЕОРЕТИЧЕСКИЕ АСПЕКТЫ ПОЛУЧЕНИЯ ЗНАНИЙ

Стратегии получения знаний

516

Психологический аспект Лингвистический аспект Гносеологический аспект

СТРАТЕГИИ ПОЛУЧЕНИЯ ЗНАНИИ

Существует несколько стратегий получения знаний. Наиболее распространенные: приобретение; извлечение; формирование.

Под приобретением знаний понимается способ автоматизированного построения базы знаний посредством диалога эксперта и специальной программы (при этом структура знаний заранее закладывается в программу). Эта стратегия требует существенной предварительной проработки предметной области. Системы приобретения знаний действительно приобретают готовые фрагменты знаний в соответствии со структурами, заложенными разработчиками систем. Большинство этих

инструментальных средств специально ориентировано на конкретные экспертные системы с жестко обозначенной предметной областью и моделью представления знаний, т.е. не являются универсальными. Например, система TEIRESIAS [18], ставшая прародительницей всех инструментариев для приобретения знаний, предназначена для пополнения базы знаний системы MYCIN или ее дочерних ветвей, построенных на "оболочке" EMYCIN [10] в области медицинской диагностики с использованием продукционной модели представления знаний.

Термин извлечение знаний касается непосредственного живого контакта инженера по знаниям и источника знаний. Авторы склонны использовать этот термин как более емкий и более точно

выражающий смысл процедуры переноса компетентности эксперта через инженера по знаниям в базу знаний экспертной системы.

Термин формupование знаний традиционно закрепился за чрезвычайно перспективной и активно развивающейся областью инженерии знаний, которая занимается разработкой моделей, методов и алгоритмов анализа данных для получения знаний и обучения. Эта область включает индуктивные модели формирования гипотез на основе обучающих выборок, обучение по аналогии и другие методы.

Таким образом, можно выделить три стратегии проведения стадии получения знаний при разработке экспертных систем (рис. 17.1).

Рис. 17.1. Три стратегии получения знаний

На современном этапе разработки экспертных систем в нашей стране стратегия извлечения знаний, по-видимому, является наиболее актуальной, поскольку промышленных систем приобретения и формирования знаний на отечественном рынке программных средств практически нет.

Извлечение знаний – это процедура взаимодействия эксперта с источником знаний, в результате которой становятся явными

517

процесс рассуждений специалистов при принятии решения и структура их представлений о предметной области.

В настоящее время большинство разработчиков экспертных систем отмечают, что процесс извлечения знаний остается самым "узким" местом при построении промышленных систем.

Процесс извлечения знаний – это длительная и трудоемкая процедура, в которой инженеру по знаниям, вооруженному специальными знаниями по когнитивной психологии [3], системному анализу, математической логике и пр., необходимо воссоздать модель предметной области, которой пользуются эксперты для принятия решения. Часто начинающие разработчики экспертных систем, желая избежать этой мучительной процедуры, задают вопрос: может ли эксперт сам извлечь из себя знания? По многим причинам это нежелательно.

Во-первых, большая часть знаний эксперта – это результат многочисленных наслоений, ступеней опыта. И часто зная, что из А следует В, эксперт не дает себе отчета, что цепочка его рассуждений была гораздо длиннее, например С → D, D → А, А → В, или А → Q, Q → R, R → B.

Во-вторых, как было известно еще древним (вспомним "Диалоги" Платона), мышление диалогично. И поэтому диалог инженера по знаниям и эксперта – наиболее естественная форма "раскручивания" лабиринтов памяти эксперта, в которых хранятся знания, частью носящие невербальный характер, т.е. выраженные не в форме слов, в форме наглядных образов, например. Именно в процессе объяснения

инженеру по знаниям эксперт на эти размытые ассоциативные образы надевает четкие словесные ярлыки, т.е. вербализует знания.

В-третьих, эксперту гораздо труднее создать модель предметной области вследствие той глубины и необозримости информации, которой он обладает. Многочисленные причинно-следственные связи реальной предметной области образуют сложную систему, из которой выделить "скелет", или главную структуру, иногда доступнее аналитику, владеющему к тому же системной методологией: Любая модель

– это упрощение, а упрощать легче с меньшим знанием деталей.

Чтобы разобраться в природе извлечения знаний, выделим три основных аспекта этой процедуры (рис. 17.2): психологический, лингвистический, гносеологический, которые подробно описаны в [4].

Рис. 17.2. Основные аспекты извлечения знаний

ПСИХОЛОГИЧЕСКИЙ АСПЕКТ

Модель общения при извлечении знаний

Из трех выделенных аспектов извлечения знаний психологический является, по-видимому, главным,

поскольку он определяет успешность и эффективность взаимодействия инженера по знаниям (аналитика) с основным источником знаний – экспертом-профессионалом. Мы выделяем психологический аспект еще и потому, что извлечение знаний происходит чаще всего в процессе непосредственного общения разработчиков системы.

Стремление и умение общаться могут характеризовать степень профессионализма инженера по знаниям.

518

Известно, что потери информации при разговорном общении велики [9] (рис. 17.3). В связи с этим

рассмотрим проблему увеличения информативности общения аналитика и эксперта за счет использования психологических знаний.

Рис. 17.3. Потери информации при общении

Мы можем предложить такую структурную модель общения при извлечении знаний: участники общения (партнеры); средства общения (процедура); предмет общения (знания).

В соответствии с этой структурой выделим три "слоя" психологических проблем, возникающих при извлечении знаний (рис. 17.4), и последовательно рассмотрим их.

Рис. 17.4. Структура психологического аспекта извлечения знаний

Контактный слой

Практически все психологи отмечают, что на любой коллективный процесс влияет атмосфера, возникающая в группе участников. Существуют эксперименты, результаты которых неоспоримо говорят, что дружеская атмосфера в коллективе больше влияет на результат, чем индивидуальные способности отдельных членов группы. Особенно важно, чтобы в коллективе разработчиков складывались кооперативные, а не конкурентные отношения. Для кооперации характерна атмосфера сотрудничества, взаимопомощи, заинтересованности в успехах друг друга, т.е. уровень нравственного общения, а для отношений конкурентного типа – атмосфера индивидуализма и межличностного соперничества (более низкий уровень общения).

К сожалению, прогнозировать совместимость в общении со 100%-ной гарантией невозможно. Однако можно выделить ряд черт личности, характера и других особенностей участников общения, несомненно, оказывающих влияние на эффективность процедуры. Знание этих психологических закономерностей составляет часть багажа психологической культуры, которым должен обладать инженер по знаниям для успешного проведения стадии извлечения знаний:

доброжелательность и дружелюбие; чувство юмора; хорошая память и внимание;

519

наблюдательность; воображение и впечатлительность;

большая собранность и настойчивость; общительность и находчивость; аналитичность; располагающая внешность и манера одеваться; уверенность в себе.

Процедурный слой

Инженер по знаниям, успешно овладевший наукой доверия и взаимопонимания с экспертом (контактный слой), должен еще уметь воспользоваться благоприятным воздействием этой атмосферы. Проблемы процедурного слоя касаются проведения самой процедуры извлечения знаний. Здесь мало проницательности и обаяния, полезного для решения проблемы контакта, тут необходимы профессиональные знания.

Остановимся на общих закономерностях проведения процедуры.

Беседу с экспертом лучше всего проводить в небольшом помещении tête-à-tête. Освещение, тепло, уют влияют непосредственно на настроение. Чай или кофе создадут дружескую атмосферу. Американский психолог И. Атватер считает, что для делового общения наиболее благоприятная дистанция от 1,2 до 3 м. Минимальным "комфортным" расстоянием можно считать 0,7 - 0,8 м.

Реконструкция собственных рассуждений – нелегкий труд, и поэтому длительность одного сеанса обычно не превышает 1,5 - 2 ч. Эти два часа лучше выбрать в первой половине дня (например, с 10 до 12ч). Известно, что взаимная утомляемость партнеров при беседе наступает обычно через 20 - 25 мин, поэтому в сеансе нужны паузы.

Любой инженер по знаниям имеет свою уникальную манеру разговора. Одни говорят быстро, другие медленно; одни громко, другие тихо и т.д. Стиль разговора изменить практически невозможно – он закладывается в человеке в раннем детстве. Однако извлечение знаний – это профессиональный разговор, и на его успешность влияет также длина фраз, которые произносит инженер по знаниям.

Этот факт был установлен американскими учеными – лингвистом Ингве и психологом Миллером. Оказалось, что человек лучше всего воспринимает предложения глубиной (или длиной) 7 плюс-минус 2 слова. Это число (7+2) получило название число Ингве-Миллера. Можно считать его мерой "разговорности" речи.

Необходимость фиксации процедуры извлечения знаний ни у кого не вызывает сомнений. Встает вопрос: в какой форме это делать? Можно предложить три способа протоколирования результатов:

запись на бумагу непосредственно по ходу беседы (недостатки – это часто мешает беседе, кроме того, трудно успеть записать все, даже при наличии навыков стенографии); магнитофонная запись, помогающая аналитику проанализировать весь ход сеанса и свои ошибки (недостаток – может сковывать эксперта); запоминание с последующей записью после беседы (недостаток – годится только для аналитиков с блестящей памятью).

Когнитивный слой

Когнитивная психология (англ. cognition – познание) изучает механизмы, при помощи которых человек познает окружающий мир.

Предложим несколько советов инженеру по знаниям с позиций когнитивной психологии:

не навязывать эксперту ту модель представления, которая ему (аналитику) более понятна и естественна; использовать различные методы работы с экспертом исходя из условия, что метод должен

подходить к эксперту, как "ключ к замку"; четко осознавать цель процедуры извлечения или ее главную стратегию, которая может быть

определена как выявление основных понятий предметной области и связывающих их отношений; чаще рисовать схемы, отображающие рассуждения эксперта. Это связано с образной

репрезентацией информации в памяти человека.

520