3. Понятие экспертной системы (эс). Системы, основанные на знаниях.

Экспе́ртная систе́ма (ЭС, англ. expert system) — компьютерная система, способная частично заменить специалиста-эксперта в разрешении проблемной ситуации. Современные ЭС начали разрабатываться исследователями искусственного интеллекта в 1970-х годах, а в 1980-х получили коммерческое подкрепление. Предтечи экспертных систем были предложены в 1832 году С. Н. Корсаковым, создавшим механические устройства, так называемые «интеллектуальные машины», позволявшие находить решения по заданным условиям, например определять наиболее подходящие лекарства по наблюдаемым у пациента симптомам заболевания^[1].

В информатике экспертные системы рассматриваются совместно с базами знаний как модели поведения экспертов в определенной области знаний с использованием процедур логического вывода и принятия решений, а базы знаний — как совокупность фактов и правил логического вывода в выбранной предметной области деятельности.

Похожие действия выполняет такой программный инструмент как «Мастер» (англ. Wizard). Мастера применяются как в системных программах так и в прикладных для упрощения интерактивного общения с пользователем (например, при установке ПО). Главное отличие мастеров от ЭС — отсутствие базы знаний — все действия жестко запрограммированы. Это просто набор форм для заполнения пользователем.

Другие подобные программы — поисковые или справочные (энциклопедические) системы. По запросу пользователя они предоставляют наиболее подходящие (релевантные) разделы базы статей (представления об объектах областей знаний, их виртуальную модель).

В настоящее время «классическая» концепция экспертных систем, сложившаяся в 70-80 годах прошлого века, переживает серьезный кризис, по всей видимости связанный с её глубокой ориентацией на общепринятый в те годы текстовый человеко-машинный интерфейс, который в настоящее время в пользовательских приложениях полностью вытеснен графическим (GUI). Кроме того, «классический» подход к построению экспертных систем плохо согласуется с реляционной моделью данных, что делает невозможным эффективное использование современных промышленных СУБД для организации баз знаний таких систем. Все приводимые в литературных и интернет-источниках примеры «известных» или «распространенных» экспертных систем на самом деле относятся к 80-м годам прошлого столетия и в настоящее время давно не существуют, либо безнадежно устарели и поддерживаются лишь немногочисленными энтузиастами. С другой стороны, нередко в качестве маркетингового хода экспертными системами объявляются современные программные продукты, в «классическом» понимании таковыми не являющиеся (например, компьютерные справочно-правовые системы). Предпринимаемые энтузиастами попытки объединить «классические» подходы к разработке экспертных систем с современными подходами к построению пользовательского интерфейса (проекты CLIPS Java Native Interface, CLIPS.NET и др.) не находят поддержки среди крупных компаний-производителей программного обеспечения и по этой причине остаются пока в экспериментальной стадии.

По определению Э.Фейгенбаума, система, основанная на знаниях (СОЗ) - это интеллектуальная компьютерная программа, использующая знания и процедуру вывода для решения проблем, которые настолько сложны, что требуют привлечения экспертов.

С точки зрения функционального назначения понятия СОЗ, ЭС и ИС можно рассматривать как синонимы. Однако в определении СОЗ явно прослеживается базовый принцип организации системы декларативного (не предписывающего) типа. Именно этот принцип, предполагающий чёткое отделение друг от друга базы знаний и механизма вывода, максимально обеспечивает модульный принцип построения, открытость системы, возможность построения оболочек (empty expert system), настраиваемых через формализм базы знаний на различные предметные области.

Во всём остальном СОЗ присущи все особенности, характерные для ИС и ЭС:

• Ограниченность определённой области экспертизы

• Качественный характер выходных результатов

• Способоность рассуждать при сомнительных, неполных данных

• Способность объяснить свой ход рассуждений («Мамой клянусь!» )

• Способность самообучаться и адаптироваться к конкретным условиям применения

Среди областей применения СОЗ можно выделить следующие:

• Диагностика - установление связи между нарушениями функционирования сложной системы и их возможными причинами

• Интерпретация - получения заключений на основе результатов наблюдений

• Мониторинг – непрерывная интерпретация данных наблюдения в реальном масштабе времени с информированием о внештатных ситуациях

• Прогнозирование – предсказание возможных результатов, событий, на основе данных о текущем состоянии объекта

• Планирование – достижение конкретных целей в задачах с большим числом переменных. В том числе и проектирование.

• Контроль и управление – принятие решений на основании анализа данных от нескольких источников.

• Обучение

Целесообразность создания и использования СОЗ в конкретной предметной области определяется критериями:

• Отсутствие строгих алгоритмов и существование эвристических методов решения задач

• Наличие эксперта, способного решать задачи и объяснять ход их решения

• Надёжность и статичность имеющихся знаний (статичность - есть основа базы знаний, на нее динамически наращиваем все остальное)

• Сомнительных характер доступных данных

• В основе решения задач лежит метод логических рассуждений

По степени интеграции с другими программными средствами СОЗ подрзаделяют на автономные и гибридные.

Автономные традиционно признаны оказывать консультации и используют в основном эвристические методы, не привлекая методы анализа и синтеза.

Гибридные СОЗ выступают как средства интеллектуальной поддержки процессов поиска и принятия решений в различных предметных областях, реализуемых с использованием пакетов прикладных программ различного назначения. Они могут быть организованы в виде интеллектуальной надстройки надо прикладными программами, а могут и интегрироваться с последними, придавая тем интеллектуальность.

Основой для создания как гибридной, так и автономной СОЗ, может служить оболочка, реализующая определённые формы представления знаний, механизмы их приобретения и интерпретации с использованием процедурного анализа и метапроцедур, лежащих в основе интеллектуальной деятельности человека (дедукции, индукции, абдукции). Последние 3 можно рассматривать как взаимодополняющие друг друга формы рассуждения (формы логического вывода), т.е. постороение последовательности аргументов, приводящих к некоторому утверждению, цели.

Дедукция - логический вывод, базирующийся на точных знаниях общего плана и позволяющий по исходным посылкам (аксиомам) получат достоверные заключения. При этом речь может идти как о формальных рассуждениях на уровне абстрактных законов так и об интерпретированных конкретных рассуждениях.

Индукция – механизм обобщения, реализующий построение некоторого общего правила на основании конечного множества наблюдаемых факторов (конкретных примеров). Эта форма правдоподобного вывода от частного к общему, используемая для формирования эмпирических знаний интеллектуальной системы.

Абдукция – другая форма правдоподобного вывода - механизм формирования гипотезы, объясняющий наблюдаемые факты на основе существующих теоретических положений. Это вывод от частного к частному, труднее всего поддающийся формализации и использующийся для верификации выдвигаемых гипотез методы индукции.

Традиционно в составе СОЗ представят 5 основных компонентов:

• Базы знаний

• Механизм вывода

• Подсистема объяснения

• Подсистема приобретения знаний

• Интеллектуальный интерфейс

Рис.2

База знаний – обычно включают 2 составляющие. Одна из них – долговременные знания о предметной области, которые могут быть представлены в виде набора продукционных правил, иерархических структур фреймов, семантических сетей или других информационных структур, комбинирующих упомянутые и, возможно, иные формы представления знаний.

Другая составляющая базы знаний представляет её динамическию часть, в которой хранятся факты (оперативные данные), описывающие текущую ситуацию, например состояние процессов проектирования. В системах продукционного типа эту составляющую называют рабочей памятью, а долговременные знания – базой правил.

Механизм интерпретации знаний. В общем случае объединяет в себе концептуальный анализатор и интерпретатор рабочего сценария поиска решения. Концептуальный анализатор по оперативным данным прогнозирует действия, востребованные текущей ситуацией, планируя шаг за шагом рабочий сценарий поиска решений.

Интерпретатор реализует выполнение действий и внесение в зависимости от их результатов изменений в информационные структуры, характеризующие состояние процесса поиска.

Подсистема объяснений призвана показать в понятной для пользователя форме ход рассуждений (рабочий сценарий) механизма вывода для обоснования принятого им решения.

Подсистема приобретения знаний предназначена для выявления долговременных знаний из возможных источников (у эксперта, из баз данных, хранящих готовые решения задач, из фоновых рассуждений системы на уровне знаний общего плана и т.п.). А также предназначена для приведения этих знаний к формату механизма вывода. Основные требования к этой подсистеме – в обеспечении открытости БД и максимальной комфортности с точки зрения ее модификации. Последнее должно осуществляться в оперативном режиме без глобальных изменений структуры БД.

Интеллектуальный интерфейс. Объединяет в себе лингвистические, информационные и программные средства взаимодействия пользователя, инженера по знаниям (аналитика) и эксперта с соответствующими компонентами системы. Эти средства должны быть ориентированы на неподготовленного пользователя, обладать способностью настраиваться на его терминологию и создавать комфортные условия для работы системы.

Конкретное содержание с точки зрения уточнения выполняемой функции, принципов реализации и методики использования рассмотренные компоненты приобретают после выбора модели и реализации знаний.