1. База знаний (бз)

2. Механизм вывода (мв)

3. С истема пользовательского интерфейса (спи) Обобщённая структурная схема (эс).

Реальные ЭС могут иметь более сложную структуру, однако блоки, изображённые на рисунке, непременно будут присутствовать в любой действительно ЭС.

Пользователь – специалист предметной области для которого предназначена система.

Инженер по знаниям – специалист по искусственному интеллекту, выступающий в роли буфера между экспертом и базой знаний.

Интерфейс пользователя – комплекс программ, реализующих диалог пользователя с ЭС.

База знаний (БЗ) – совокупность знаний предметной области, записанная на машинный носитель в форме, понятной эксперту и пользователю.

Блок логического вывода – программа, моделирующая ход рассуждений эксперта на основании знаний, имеющихся в БЗ.

Подсистема объяснений – программа, позволяющая

пользователю получать ответы на вопросы.

Интеллектуальный редактор – программа,

представляющая инженеру по знаниям возможность

создавать БЗ в диалоговом режиме. Включает в себя

сервисные средства, облегчающие работу с базой.

В коллектив разработчиков ЭС входят:

• э ксперт;

• инженер по знаниям;

• программист;

• пользователь.

Возглавляет коллектив инженер по знаниям.

• База знаний - центральная часть экспертной системы. Она содержит правила, описывающие отношения или явления, методы и знания для решения задач из области применения системы.

Можно представлять базу знаний состоящей из фактических знаний и знаний, которые используются для вывода других знаний. Утверждение "Джон Ф. Кеннеди был 35-м президентом Соединенных Штатов" - пример фактического знания. "Если у вас болит голова, то примите две таблетки цитрамона" - пример знания для вывода. Сама база знаний обычно располагается на диске или другом носителе.

• Механизм вывода содержит принципы и правила работы.

Механизм вывода "знает", как использовать базу знаний так, чтобы можно было получать разумно согласующиеся заключения (выводы) из информации, находящейся в ней. Когда экспертной системе задается вопрос, механизм вывода выбирает способ применения правил базы знаний для решения задачи, поставленной в вопросе. Фактически, механизм вывода запускает экспертную систему в работу, определяя какие правила нужно вызвать и организуя к ним доступ в базу знаний. Механизм вывода выполняет правила, определяет, когда найдено приемлемое решение и передает результаты программе интерфейса с пользователем.

Когда вопрос должен быть предварительно обработан, то доступ к базе знаний осуществляется через интерфейс с пользователем.

• Интерфейс - это часть экспертной системы, которая взаимодействует с пользователем.

Как правило, пользователи мало знают об организации базы знаний, поэтому интерфейс может помочь им работать с экспертной системой даже, если они не знают, как она организована. Интерфейс может также объяснить пользователю, каким образом экспертная система выводит результат.

Система интерфейса с пользователем принимает информацию от пользователя и передает ему информацию. Просто говоря, система интерфейса должна убедиться, что, после того как пользователь описал задачу, вся необходимая информация получена. Интерфейс, основываясь на виде и природе информации, введенной пользователем, передает необходимую информацию механизму вывода. Когда механизм вывода возвращает знания, выведенные из базы знаний, интерфейс передает их обратно пользователю в удобной форме. Интерфейс с пользователем и механизм вывода могут рассматриваться как "приложение" к базе знаний. Они вместе составляют оболочку экспертной системы. Для базы знаний, которая содержит обширную и разнообразную информацию, могут быть разработаны и реализованы несколько разных оболочек. Хорошо разработанные оболочки экспертных систем обычно содержат механизм для добавления и обновления информации в базе знаний.

Экспертная система состоит из трех основных частей. Взаимосвязь между частями может быть сложной, зависящей от природы и организации знаний, а также от методов и целей вывода.

Экспертные системы вместе с системами обработки естественных языков являются наиболее важными в коммерческом плане областями использования искусственного интеллекта.

Таблица 1. Критерий применимости ЭС.

применимы	неприменимы
Не могут быть построены строгие алгоритмы или процедуры, но существуют эвристические методы решения.	Имеются эффективные алгоритмические методы.
Есть эксперты, которые способны решить задачу.	Отсутствуют эксперты или их число недостаточно.
По своему характеру задачи относятся к области диагностики, интерпретации или прогнозирования.	Задачи носят вычислительный характер.
Доступные данные “зашумленны”.	Известны точные факты и строгие процедуры.
Задачи решаются методом формальных рассуждений.	Задачи решаются прецедурными методами, с помощью аналогии или интуитивно.
Знания статичны (неизменны).	Знания динамичны (меняются со временем).

В целом ЭС не рекомендуется применять для решения следующих типов задач:

- математических, решаемых обычным путем формальных преобразований и процедурного анализа;

- задач распознавания, поскольку в общем случае они решаются численными методами;

- задач, знания о методах, решения которых отсутствуют (невозможно построить базу знаний).

1.4. Области применения экспертных систем.

Медицинская диагностика. Прогнозирование. Планирование. Интерпретация. Контроль и управление Диагностика неисправностей в механических и электрических устройствах. Обучение.

Области применения систем, основанных на знаниях, могут быть сгруппированы в несколько основных классов: медицинская диагностика, контроль и управление, диагностика неисправностей в механических и электрических устройствах, обучение.

Классификация экспертных систем:

• по задаче;

• по связи с реальным временем;

• по типу ЭВМ;

• по степени интеграции.

Классификация по решаемой задаче

1. Интерпретация (трактовка) данных – определение смысла данных, результаты которого должны быть согласованными и корректными (определение свойств личности по результатам тестирования).

2. Диагностика – обнаружение неисправностей в некоторой системе (неисправность оборудования, линейного тракта, живых организмов).

3. Мониторинг – непрерывная интерпретация данных и сигнализация о выходе тех или иных параметров за допустимые пределы (контроль за работой электростанции, контроль аварийных датчиков).

4. Проектирование – подготовка спецификаций на создание «объектов» с заранее определёнными свойствами (проектирование конфигураций ЭВМ, проектирование БИС).

В процессе проектирования необходимо связать процесс вывода решения и процесс объяснения.

5. Прогнозирование – вывод вероятных следствий из заданных ситуаций (предсказание погоды, оценка будущего урожая, прогнозы в экономики).

6. Планирование – нахождение планов действий, к объектам, способным выполнять некоторые функции (планирование поведения робота, заказов, эксперимента)

7. Обучение – какой-либо дисциплины с помощью ЭВМ – диагностирование ошибок, подсказывание правильных решений (обучение языку программирования).

Все системы, основанные на знаниях, можно подразделить на:

• Системы, решающие задачи анализа (это интерпретация данных, диагностика),

• Системы, решающие задачи синтеза (это проектирование, планирование).

• Комбинированные задачи (обучение, мониторинг, прогнозирование)

Классификация по связи с реальным временем

1. Статистические ЭС разрабатываются в предметных

областях, в которых база знаний и интерпретируемые данные не меняются во времени. Они стабильны (диагностика неисправностей в автомобиле).

2. Квазигармонические ЭС интерпретируют ситуацию, которая меняется с некоторым фиксированным интервалом времени (измерение технологического процесса один раз в 4 – 5 ч и анализ динамики полученных показателей по отношению к предыдущему измерению).

3. Динамические ЭС работают в режиме реального времени с непрерывной интерпретацией поступаемых данных (управление производственными комплексами).

Классификация ЭС по типу ЭВМ:

• Для универсальных стратегически важных задач На суперЭВМ (Эльбрус, CRAY, CONVEX);

• На ЭВМ средней производительности (типа ЕС ЭВМ)

• На символьных процессорах и рабочих станциях (SUN, APOLLO);

• На мини- и супермини-ЭВМ (VAX, micro-VAX и др.);

• На персональных компьютерах (IBM PC, MAC II).

Классификация по степени интеграции с другими программами

1. Автономные ЭС – работают в режиме консультаций с пользователем.

2. Гибридные ЭС – программный комплекс объединяющий стандартные пакеты прикладных программ (математические статистику, программирование, СУБД) и средства манипулирования знаниями.

Инструментальные средства построения ЭС:

• Традиционные языки программирования;

• Языки искусственного интеллекта;

• Специальный программный инструментарий;

• «Оболочки».

Традиционные языки программирования

• С;

• С++;

• Basic;

• Fortran и т.п.

Достоинство языков – высокая эффективность, связанная с их близостью к традиционной машинной архитектуре.

Среди традиционных языков наиболее удобными считаются объектно-ориентированные (С++, Delphi).

Языки искусственного интеллекта

• Л

  Наиболее распространённые

  исп (LISP);

• Пролог (Prolog);

• РЕФАЛ (разработанный в России).

Эти языки позволяют работать с символьными и логическими данными. Универсальность их меньше, но они позволяют работать с символьными и логическими данными, что крайне важно для задач искусственного интеллекта.

Специальный программный инструментарий

Это библиотеки и надстройки над языком искусственного интеллекта Лисп: KEE, FRL, KRL, ARTS. Надстройки позволяющие пользователям работать с заготовками экспертных систем на более высоком уровне, нежели это возможно в обычных языках искусственного интеллекта.

• KEE (Knowledge Engineering Environment); -Знания в области инженерии

• FRL (Frame Representation Language); -Абстрактное представление система языка.

KRL (Knowledge Representation Language). -Знание о том, как язык представляется.

“Оболочки”

Это «пустые» версии существующих экспертных

систем, т.е. готовые ЭС без базы знаний:

• EMYCIN (Empty MYCIN – пустой MYCIN) – незаполненная экспертная система MYCIN.

Оболочки:

• не требуют работы программистов для создания ЭС;

• достаточно специалиста в предметной области для

заполнения оболочки.

Достоинство оболочек в том, что они вообще не требуют работы программистов для создания готовой экспертной системы. Достаточно специалиста в предметной области для заполнения оболочки.

а) Медицинская диагностика.

Диагностические системы используются для установления связи между нарушениями деятельности организма и их возможными причинами. Наиболее известна диагностическая система MYCIN, которая предназначена для диагностики и наблюдения за состоянием больного при менингите и бактериальных инфекциях. Ее первая версия была разработана в Стенфордском университете в середине 70-х годов. В настоящее время эта система ставит диагноз на уровне врача-специалиста. Она имеет расширенную базу знаний, благодаря чему может применяться и в других областях медицины.

б) Прогнозирование.

Прогнозирующие системы предсказывают возможные результаты или события на основе данных о текущем состоянии объекта. Программная система “Завоевание Уолл-стрита” может проанализировать конъюнктуру рынка и с помощью статистических методов алгоритмов разработать для вас план капиталовложений на перспективу. Она не относится к числу систем, основанных на знаниях, поскольку использует процедуры и алгоритмы традиционного программирования. Хотя пока еще отсутствуют ЭС, которые способны за счет своей информации о конъюнктуре рынка помочь вам увеличить капитал, прогнозирующие системы уже сегодня могут предсказывать погоду, урожайность и поток пассажиров. Даже на персональном компьютере, установив простую систему, основанную на знаниях, вы можете получить местный прогноз погоды.

в) Планирование.

Планирующие системы предназначены для достижения конкретных целей при решении задач с большим числом переменных. Дамасская фирма Informat впервые в торговой практике предоставляет в распоряжении покупателей 13 рабочих станций, установленных в холле своего офиса, на которых проводятся бесплатные 15-минутные консультации с целью помочь покупателям выбрать компьютер, в наибольшей степени отвечающий их потребностям и бюджету. Кроме того, компания Boeing применяет ЭС для проектирования космических станций, а также для выявления причин отказов самолетных двигателей и ремонта вертолетов. Экспертная система XCON, созданная фирмой DEC, служит для определения или изменения конфигурации компьютерных систем типа VAX и в соответствии с требованиями покупателя. Фирма DEC разрабатывает более мощную систему XSEL, включающую базу знаний системы XCON, с целью оказания помощи покупателям при выборе вычислительных систем с нужной конфигурацией. В отличие от XCON система XSEL является интерактивной.

г) Интерпретация.

Интерпретирующие системы обладают способностью получать определенные заключения на основе результатов наблюдения. Система PROSPECTOR, одна из наиболее известных систем интерпретирующего типа, объединяет знания девяти экспертов. Используя сочетания девяти методов экспертизы, системе удалось обнаружить залежи руды стоимостью в миллион долларов, причем наличие этих залежей не предполагал ни один из девяти экспертов. Другая интерпретирующая система- HASP/SIAP. Она определяет местоположение и типы судов в тихом океане по данным акустических систем слежения.

д) Контроль и управление.

Системы, основанные на знаниях, могут применятся в качестве интеллектуальных систем контроля и принимать решения, анализируя данные, поступающие от нескольких источников. Такие системы уже работают на атомных электростанциях, управляют воздушным движением и осуществляют медицинский контроль. Они могут быть также полезны при регулировании финансовой деятельности предприятия и оказывать помощь при выработке решений в критических ситуациях.

е) Диагностика неисправностей в механических и электрических устройствах.

В этой сфере системы, основанные на знаниях, незаменимы как при ремонте механических и электрических машин (автомобилей, дизельных локомотивов и т.д.), так и при устранении неисправностей и ошибок в аппаратном и программном обеспечении компьютеров.

ж) Обучение.

Системы, основанные на знаниях, могут входить составной частью в компьютерные системы обучения. Система получает информацию о деятельности некоторого объекта (например, студента) и анализирует его поведение. База знаний изменяется в соответствии с поведением объекта. Примером этого обучения может служить компьютерная игра, сложность которой увеличивается по мере возрастания степени квалификации играющего. Одной из наиболее интересных обучающих ЭС является разработанная Д.Ленатом система EURISCO, которая использует простые эвристики. Эта система была опробована в игре Т.Тревевеллера, имитирующая боевые действия. Суть игры состоит в том, чтобы определить состав флотилии, способной нанести поражение в условиях неизменяемого множества правил. Система EURISCO включила в состав флотилии небольшие, способные провести быструю атаку корабли и одно очень маленькое скоростное судно и постоянно выигрывала в течение трех лет, несмотря на то, что в стремлении воспрепятствовать этому правила игры меняли каждый год.

Большинство ЭС включают знания, по содержанию которых их можно отнести одновременно к нескольким типам. Например, обучающая система может также обладать знаниями, позволяющими выполнять диагностику и планирование. Она определяет способности обучаемого по основным направлениям курса, а затем с учетом полученных данных составляет учебный план. Управляющая система может применяться для целей контроля, диагностики, прогнозирования и планирования. Система, обеспечивающая сохранность жилища, может следить за окружающей обстановкой, распознавать происходящие события (например, открылось окно), выдавать прогноз (вор-взломщик намеревается проникнуть в дом) и составлять план действий (вызвать полицию).

Базы знаний и способы представления

Продукционная модель

Это один из наиболее часто используемых в экспертных системах способов представления знаний. Основная идея заключается в ассоциировании с соответствующими действиями набора условий в виде правил типа "если-то", называемых также продукциями:

ЕСЛИ условие ТО действия

"Если-то"-правила обычно оказываются весьма естественным выразительным средством представления знаний. Кроме того, они обладают следующими привлекательными свойствами:

- модульность: каждое правило описывает небольшой, относительно независимый фрагмент знаний;

- возможность инкрементного наращивания: добавление новых правил

в базу знаний происходит относительно независимо от других правил;

- удобство модификации (как следствии модульности): старые правила можно изменять и заменять на новые относительно независимо от других правил;

- применение правил способствует прозрачности системы, т.е. способности к объяснению принятых решений и полученных результатов.

Однако продукционные системы не свободны от недостатков:

- процесс вывода менее эффективен, чем в других системах, поскольку большая часть времени при выводе затрачивается на непроизводительную проверку применимости правил;

- этот процесс трудно поддается управлению;

- сложно представить родовидовую иерархию понятий.

Фреймы

Представление знаний, основанное на фреймах, является альтернативным по отношению к системам продукций: оно дает возможность хранить родовидовую иерархию понятий в базе знаний в явной форме. Фреймом называется структура для описания стереотипной ситуации, состоящая из характеристик этой ситуации и их значений, характеристики называются слотами, а значения - заполнителями слотов. Слот может содержать не только конкретное значение, но и имя процедуры, позволяющей вычислить его по заданному алгоритму, а также одну или несколько продукций (эвристик), с помощью которых это значение можно найти. В слот может входить не одно, а несколько значений. Иногда слот включает компонент, называемый фасетом, который задает диапазон или перечень его возможных значений. Фасет указывает также граничные значения заполнителя слота.

Совокупность фреймов, моделирующая какую-нибудь предметную область, представляет собой иерархическую структуру, в которую фреймы соединяются с помощью родовидовых связей. На верхнем уровне иерархии находится фрейм, содержащий наиболее полную информацию, истинную для всех остальных фреймов. Фреймы обладают способностью наследовать значения характеристик своих родителей, находящихся на более высоком уровне иерархии. Значения характеристик фреймов могут передаваться по умолчанию фреймам, находящимся ниже них в иерархии, но если последние содержат собственные значения данных характеристик, то в качестве истинных принимаются именно они.

Наиболее ярко достоинства фреймовых систем представления знаний проявляются в том случае, если родовидовые связи изменяются нечасто и предметная область насчитывает немного исключений. Во фреймовых системах данные о родовидовых связях хранятся явно, т.е. так же, как и значения всех других типов. Значения слотов представляются в системе в единственном экземпляре, поскольку включаются только в один фрейм, описывающий наиболее общее понятие из всех тех, которые содержат слот с данным именем. Такое свойство систем фреймов дает возможность уменьшить объем памяти, необходимый для их размещения в компьютере. Еще одно достоинство фреймов состоит в том, что значение любого слота при необходимости может быть вычислено с помощью соответствующих процедур или найдено эвристическими методами.

Как недостаток фреймовых систем следует отметить их относительно высокую сложность, что проявляется в снижении скорости работы механизма вывода и в увеличении трудоемкости внесения изменений в родовидовую иерархию. Кроме того, во фреймовых системах затруднена обработка исключений.

Семантические сети

Семантическая сеть, по мнению специалистов, - наиболее общий способ представления знаний, причем она появилась, по-видимому, ранее других. В ней понятия и классы, а также отношения и связи между ними представлены в виде сети. Семантическая сеть отображает совокупность объектов предметной области и отношений между ними, при этом объектам соответствуют вершины (или узлы) сети, а отношениям - соединяющие их дуги. В качестве объектов могут выступать события, действия, обобщенные понятия или свойства объектов. Свойства представляются в сети также в виде вершин и служат для описания классов объектов. Вершины сети соединяются дугой, если соответствующие объекты предметной области находятся в каком-либо отношении.

Как и в системе, основанной на фреймах, в семантической сети могут быть представлены родовидовые отношения, которые позволяют реализовать наследование свойств от объектов-родителей. Это обстоятельство приводит к тому, что семантические сети приобретают большинство недостатков и достоинств представления знаний в виде фреймов. Но основное преимущество семантических сетей заключается в их наглядности и непосредственной связанности понятий через сеть, которая позволяет быстро находить связи понятий и на этой основе управлять принимаемыми решениями. Именно этот формализм был использован в данной работе в качестве формализма для представления знаний в БЗ. Основной недостаток сетей - сложность обработки исключений. Таким образом, используя данные понятия, наша ПО на языке microLISP представляется следующим образом:

((1 "общее недомогание")

(2 "сухость, першение, саднение")

(3 "кашель сначала сухой, затем с мокротой")

(4 "голос хриплый или беззвучный")

(5 "иногда боль при глотании")

(6 "головная боль")

(7 "повышение температуры тела")

(8 "быстрая утомляемость голоса")

(9 "периодический кашель с мокротой")

(10 "охриплость с афонией")

(11 "ощущение неловкости")

(12 "жжение в горле")

(13 "кашель при обострении")

(14 "сухой кашель")

(15 "слизистая покрыта густой слизью ")

(16 "откашливание с прожилками крови"))

(("ларингит острый" (1 2 3 4 5 6 7))

("ларингит хронический катаральный" (1 2 4 8 9))

("ларингит хронический гипертрофический" (1 10 11 12 13))

("ларингит хронический атрофический" (1 2 4 14 15 16)))