Лекции.Принят.Управ.Решений

92

описывающих целесообразные преобразования данных этой области.

Модуль создания системы существует для создания набора

(иерархии) правил. Содержит рабочую память (РП) для хранения исходных и промежуточных данных решаемой в данный момент задачи, компонентов: приобретения знаний и объяснительного.

Интерпретатор (решатель), используя исходные данные из РП и знания из БЗ, формирует такую последовательность правил,

которые, будучи применимыми к исходным данным, приводят к решению задачи.

Объяснительный компонент разъясняет, как система получила решение задачи (или почему не получила), и какие знания она при этом использовала.

Эксперт – определяет знания, характеризующие проблемную область.

Инженер по знаниям помогает эксперту выявить и структурировать знания, определяет способ представления знаний,

выделяет и программирует стандартные функции, которые затем будут использоваться в правилах, вводимых экспертами.

Знания – данные и правила, представляемые в специальной форме, имеющей ряд особенностей (внутренняя интерпретируемость, структурируемость, связность, семантическая матрица, активность).

В ЭС используются следующие модели представления знаний:

1)логические; 2) сетевые; 3) продукционные; 4) фреймовые.

Наиболее популярными являются продукционные и

фреймовые. Они обладают рядом преимуществ по сравнению с

логическими и сетевыми моделями.

Под продукцией понимается выражение следующего вида:

i ;Q; P; A B; N,

93

где i – имя продукции или ее порядковый номер; Q – элемент,

характеризующий сферу применения продукции; P – условие применимости ядра продукции; является логическим выражением

(предикатом), которое принимает значения «истинно» и «ложно».

Когда Р принимает значение «истинно», то ядро продукции активизируется; А В – ядро продукции (основной элемент); обычно прочтение ядра выглядит так: ЕСЛИ А, ТО В (возможны варианты:

ЕСЛИ А, ТО ВОЗМОЖНО В; ..., ТО ЧАЩЕ ДЕЛАТЬ В1, РЕЖЕ В2;...,

ТО С ВЕРОЯТНОСТЬЮ Р РЕАЛИЗОВАТЬ В ИНАЧЕ…, и т.д.);

знак секвенции: ; N – элемент, описывающий постусловие продукции, актуализируется только в том случае, если ядро продукции реализовалось.

Пример: i – «наличие денег у покупателя»; Q – приобретение книги в книжном магазине; Р – «есть деньги», «нет денег»; А В: «если хочешь купить книгу Х, то заплати в кассу ее стоимость и отдай чек продавцу»; N – «после покупки одной книги в магазине необходимо уменьшить количество книг этого наименования на единицу».

В фреймовых моделях фиксируется жесткая структура информации единиц; например, следующую таблицу

можно записать в форме следующего фрейма:

Имя фрейма: Список работников Слот 1: Фамилия (Попов – Сидоров – Иванов – Петров)

Слот 2: Год рождения (1965 – 1946 – 1940 – 1939)

94

Слот 3: Специальность (Слесарь – Токарь – Токарь – Сантехник)

Слот 4: Стаж (5 – 20 – 30 – 25)

Использование фреймов требует фиксации их статусов в модели проблемной области. Обычно применяются в рамках сетевых моделей.

9.3. Классификация экспертных систем

Ниже приводится классификация ЭС по основным признакам. 1. По назначению:

-для обучения специалистов;

-для решения задач;

-для автоматизации рутинных работ;

-для тиражирования знаний экспертов;

-для не специалистов в области экспертизы и т.п. 2. По проблемной области:

-статические (если исходные данные, описывающие предметную область, не изменяются за время решения задачи);

-динамические (в противном случае).

3. По степени сложности структуры:

-поверхностные, которые представляют знания в области экспертизы в виде правил: условие действие;

-глубинные, которые кроме возможностей поверхностных ЭС обладают способностью при возникновении неизвестной ситуации определять с помощью некоторых общих принципов,

справедливых для области экспертизы, какие действия следует

выполнять.

4. По типу используемых методов:

95

-традиционные, использующие в основном неформализованные методы инженерии знаний и неформализованные знания, полученные от экспертов;

-гибридные, использующие и методы инженерии знаний, и

формализованные методы, а также данные традиционного программирования и математики.

5.По степени существования (степени проработанности и отлаженности ЭС):

- демонстрационные прототипы (решают часть требуемых задач, демонстрируя жизнеспособность метода инженерии знаний); - исследовательские прототипы (решают все требуемые

задачи, но неустойчивы в работе и не полностью проверены); - действующий прототип (надежно решает все задачи, но для

решения сложных задач может потребоваться чрезмерно много времени и(или) памяти);

- промышленные ЭС: обеспечивают высокое качество решения всех задач при min времени и памяти;

- коммерческие ЭС: пригодны не только для собственного использования, но и для продажи различным потребителям.

6.По способности к развитию:

-ЭС первого поколения, которые могут лишь повторить логический вывод эксперта;

-ЭС второго поколения, называемые также партнерскими или усилителями интеллектуальных способностей человека, которые умеют обучаться и развиваться.

В заключении следует отметить следующие положения:

1. Разработка ЭС представляет собою весьма длительный и трудоемкий процесс, вследствие чего ЭС имеют высокую стоимость

(это препятствует массовому распространению ЭС).

96

2. Большинство ЭС базируются на специальных программных средствах, трудно согласуемых с программами,

составленными на традиционных языках программирования. Это затрудняет создание гибридных систем на функциональных ПЭВМ.

3. Подавляющее большинство существующих ЭС решает статические задачи в статических предметных областях, хотя многие важные практические приложения являются динамическими.

Пример. Рассмотрим ЭС, предназначенную для работы в сфере финансов, для решения задачи о предоставлении кредита.

В табл.4 приведены пять информационных характеристик и весовые коэффициенты, характеризующие их важность для решения вопроса о предоставлении кредита определенного размера.

База знаний ЭС получения кредита состоит из двух компонент: 1) набора правил, олицетворяющих логику получения кредита; 2) математической модели, на основе которой рассчитывается предельная величина кредита.

В табл.5 приведен примерный набор правил для оценки характеристики «Финансовая стабильность» на «отлично». В

процессе обработки интерпретатором данного набора правил пользователь должен отвечать на различные вопросы, предлагаемые

97

ему ЭС. Например, какова сравнительная важность характеристик

«Кредитная история» и «Объем платежей», если целью является повышение размера кредита?

99

пояснений ЭС сообщает пользователю рассчитанные ею значения основных характеристик клиента, в числе которых низкая оценка его финансовой стабильности, которая и послужила причиной отказа в кредитовании. ЭС может предоставить пользователю дополнительные пояснения, показывающие логику рассуждений,

которые привели систему к данному решению.

9.4. Искусственная нервная система

Поскольку использование ЭС во многих сферах бизнеса сталкивается с рядом трудностей, сдерживающих их дальнейшее развитие и широкое использование, специалисты ищут нетрадиционные подходы для преодоления этих трудностей. Одним из таких подходов является использование биологических аналогий и создание ИНС.

ИНС, моделирующая информационные процессы,

происходящие в человеческом мозгу, реализует одну из технологий компьютерного самообучения, т.е. обучение решению проблем на собственном опыте. Хотя ИНС представляет собою далеко не полный функциональный аналог биологической системы человеческого мозга, она обладает такими интеллектуальными способностями как обобщение, абстракция и даже интуиция.

ИНС состоит из большого количества простых структур,

построенных на искусственных нейронах, представляющих собою информационные элементы системы. Искусственный нейрон (ИН)

имеет несколько входов и один выход (см. рис.15 ). На каждый вход подается значение некоторой характеристики решаемой проблемы.

Например, при решении вопроса о предоставлении кредита клиенту такими характеристиками могут быть уровень доходов клиента, его возраст, количество иждивенцев, наличие собственности для залога и т.п. Выход отражает принимаемое решение. Это может быть

101

1)вычисление результата;

2)сравнение результата с желаемым значением;

3)подстройка весовых коэффициентов и повторение расчета.

Способность к самообучению через адаптацию системы представляет собою важнейшее отличие ИНС от ЭС, т.е. ЭС программируется таким образом, чтобы придти к определенному решению, используя данные, описывающие рассматриваемую проблему, а ИНС адаптирует веса получаемых входных сигналов,

чтобы обеспечить приемлемый выход.