Архитектура экспертной системы.

Схема обобщенной экспертной системы имеет вид:

где

1. Лингвистический процессор (интерфейс с пользователем) – осуществляет диалоговое взаимодействие с пользователем (экспертом) на естественном для него языке (естественный язык, профессиональный язык, язык графики и т. д.). В экспертных системах применяются различные варианты реализации интерфейса: меню-ориентированный. Графический, командный, речевой.

1. База знаний – обеспечивает хранение знаний, представленных с помощью одной из моделей: логической, продукционной, фреймовой, сетевой.

2. Рабочая память (база данных) – хранит данные, имеющие отношения к анализируемой системой ситуации.

3. Интерпретатор (машина вывода) – на основе входных данных, продукционных правил и общих фактов о проблемной области формирует решение задачи.

4. Компонента приобретения знаний используется как с целью автоматизации процесса наполнения ЭС знаниями, так и при корректировке базы знаний, при ее обновлении, пополнении или исключении элементов знаний.

5. Объяснительная компонента, дающая объяснение действий системы и отвечающая на вопросы о том, почему некоторые заключения были сделаны или отвергнуты.

Экспертная система работает в двух режимах: в режиме приобретения знаний и в режиме решения задач. В режиме приобретения знаний в общении с экспертной системой участвует эксперт (по определению - человек, который благодаря обучению и опыту может делать то, что остальные люди делать не умеют).

В этом режиме эксперт наполняет систему знаниями (правилами), которые позволят ей решать задачи в области экспертизы. Этому режиму соответствуют этапы алгоритмизации, программирования и отладки.

В режиме решения задач в общении с экспертной системой участвует пользователь, которого интересует результат и способ получения решения.

В зависимости от степени проработки и отлаженности ЭС выделяют следующие стадии существования: 1) демонстрационный прототип; 2) исследовательский прототип; 3) действующий прототип; 4) промышленная система; 5) коммерческая система.

Демонстрационным прототипом называют ЭС, которая решает часть требуемых задач, демонстрируя жизнеспособность метода экспертных систем. Для разработки демонстрационного прототипа требуется в среднем примерно 3 месяца. Демонстрационный прототип содержит примерно 50-100 правил в базе знаний. Следующей стадией ЭС является исследовательский прототип. Исследовательским прототипом называют ЭС, которая решает все требуемые задачи, но не устойчива в работе и не полностью проверена. На доведение ЭС до этой стадии уходит примерно 1-2 года и исследовательский прототип имеет в базе знаний 200-500 правил.

Следующей стадией существования ЭС является действующий прототип. Этот прототип надежно решает все задачи, но для решения сложных задач может требовать много времени и памяти. Доведение до стадии действующего прототипа требует примерно 2-3 года, при этом количество правил в базе знаний увеличивается до 500 – 1000 правил.

ЭС, достигшая стадии промышленной системы, обеспечивает высокое качество решений всех задач при минимуме времени и памяти. Доведение до данной стадии требует 2-4 года и кол-во правил увеличивается до 1000 –1500.

Обобщение задач, решаемых ЭС на стадии промышленной системы, позволяет перейти к стадии коммерческой системы, т. е. к системе пригодной не только для собственного использования, но и для продажи. Доведение ЭС до стадии коммерческой системы требует примерно 3-6 лет; при этом база знаний системы увеличивается до 3000 тысяч правил.

Как уже упоминалось выше, в состав экспертной системы входят знания специалистов о некоторой проблемной области. Не существует строгого определения «знания». Так в специальной литературе под знанием понимается правило, а определение знания, данное в энциклопедическом словаре таково: «знание – проверенный практикой результат познания действительности, верное ее отражение в мышлении человека». В области систем искусственного интеллекта знания – сложноорганизованные данные, хранимые в памяти СИИ и включающие в себя сведения об объектах и отношениях предметной области, процессах взаимодействия объектов во времени и в пространстве, правилах осуществления логического вывода.

Наряду со знаниями существует понятие данные. Хотя четкую грань между данными и знаниями можно провести не всегда, тем не менее, между ними есть принципиальные отличия. Имеются четыре специфических признака, которые отличают знания от данных: структурируемость интерпретируемость, связность, активность. Структурируемость знаний означает, что знания имеют структуру, т.е. между элементами знаний существует классифицирующие связи, характеризующие степень осмысления и выявленности основных закономерностей и принципов, действующих в данной предметной области. Интерпретируемость знаний (интерпретировать – значит истолковывать, объяснять) обусловливается содержанием, или семантикой, знаний, а также тем, что элементы знаний связаны со способами их использования. Связность знаний обусловливается наличием ситуативных отношений между элементами знаний; эти элементы могут быть связаны между собой в отдельные блоки, например, тематически, семантически, функционально. Активность знаний означает их способность порождать новые знания и обусловливается побуждением человека быть познавательно активным.

Можно сказать, что данные – это изолированные факты, отношения которых с внешним миром и между собой в них самих не фиксированы. Знания же – это элементы информации, связанные между собой и с внешним миром (66).

Еще один аспект, отражающий различие данных и знаний, состоит в следующем (56, 126). Любое понятие, используемое человеком, имеет две стороны – экстенсионал и интенсионал. Под экстенсионалом понятия понимают набор конкретных фактов, соответствующих данному понятию. Под интенсионалом понимают определение или описание некоторого понятия через его свойства. Интенсионал выделяет знания и отделяет их от данных, которые всегда задаются экстенсионально.

Можно провести классификацию данных (Д) и знаний (З) по их материальному носителю, при этом выделяются пять форм как тех, так и других (56):

Д₁ – результат наблюдений над объектом или данные в памяти;

З₁ – знания в памяти человека;

Д₂ – фиксация данных на материальном носителе (таблицы, графики и т.д.);

З₂ – материализованные знания (монографии, учебники и др.);

Д₃ – модель данных – некоторая схема описания, связывающая несколько объектов;

З₃ – поле знаний (полуформализованное описание З₁ и З₂);

Д₄ – данные на языке описания данных;

З₄ – знания на языках представления знаний (формализация З₃);

Д₅ – база данных на машинных носителях информации;

З₅ – база знаний в ЭВМ.

Таким образом, у знаний и данных много общего, поэтому знания иногда называют хорошо структурированными данными, или метаданными (данными о данных).

Для представления знаний в экспертной системе используется та или иная модель знаний, зависящая от особенностей решаемой задачи. Модель является информационным эквивалентом части реального мира (предметной области) и лежит в основе процесса познания. В отличие от модели, знания включают в себя не только те или иные сведения об объектах реального мира, но и информацию о механизмах вывода новых знаний на основе имеющихся.

Центральным вопросом построения систем, основанных на знаниях, является выбор формы представления знаний. Представление знаний – это способ формального выражения знаний о предметной области в компьютерно-интерпретируемой форме. Соответствующие формализмы, обеспечивающие указанное представление, называют моделями представления знаний.

Наиболее распространенными являются следующие модели представления знаний:

• логические модели;

• продукционные модели;

• сетевые (семантические) модели;

• фреймовые модели.

Логическая модель представления знаний. В основе логических моделей лежит конечное или бесконечное множество отношений логики предикатов (предикат - выражение с неопределенными терминами (переменными), при выборе конкретных значений для этих терминов преобразующееся в осмысленное (истинное или ложное) высказывание) первого порядка, называемых просто логическими формулами формул. Каждая формула логической модели может иметь лишь два значения - истина или ложь.

Логические модели выступают в качестве теоретической основы описания самой системы представления знаний.

Продукционные модели. Данная модель представления знаний основывается на правилах вида «условиедействие», именуемых продукциями. Условие правила является утверждением о содержимом базы фактов, а действие говорит о том, что надо делать, когда данное продукционное правило активизированно.

Например:

ЕСЛИ Есть манипуляционный робот

И Есть Кинематическая схема манипулятора

ТО Построить преобразования Д-Х

Семантические сети. В основе этих моделей лежит понятие сети, образованной помеченными вершинами и дугами. Вершины сети представляют некоторые сущности (объекты, события, процессы, явления), а дуги – отношения между сущностями, которые они связывают.

Фреймы. Фрейм – структура данных, предназначенная для представления некоторой стереотипной ситуации, имеющая следующий вид:

.

В этой структуре f – имя фрейма, r_i – имя слота, а v_i – значение слота.

Например:

{<КНИГА>

<АВТОР> <Дюма А.>

<НАЗВАНИЕ> <Граф Монте Кристо>

<ЖАНР> <Роман>}

Совокупности фреймов образуют иерархические структуры, построенные по родовидовым признакам, что позволяет наследовать значения слотов. Такое свойство фреймов обеспечивает экономное размещение базы знаний в памяти. Кроме того, значения слотов могут вычисляться с помощью различных процедур, т.е. фреймы комбинируют в себе декларативные и процедурные представления знаний.

Продукционные экспертные системы

Продукционная система – это модель вычислений, обеспечивающая управление процессом решения задачи по образцу и состоит из набора продукционных правил, рабочей памяти и цикла управления «распознавание-действие».

1. Набор продукционных правил. Их часто просто называют продукциями. Продукция – это пара «условие-действие», «ситуация-действие», «причина-следствие», «условие-заключение» и т.п., которая определяет одну порцию знаний, необходимых для решения задачи. Условная часть правила – это образец (шаблон), который определяет, когда это правило может быть применено для решения какого-либо этапа задачи. Часть действия определяет соответствующий шаг в решении задачи.

Обычно, правило-продукцию записывают в обобщенной форме:

,

где - идентификатор -продукции в -наборе продукций; - приоритет правила продукции; - предусловие применимости ядра продукции, представляющее предикат, при выполнении которого активизируется ядро продукции; - ядро продукции; - постусловия продукции, определяющие действия и процедуры, которые необходимо выполнить после выполнения ядра продукции.

Ядра продукций можно классифицировать по различным основаниям. Прежде всего все ядра делятся на два больших типа: детерминированные и недетерминированные. В детерминированных ядрах при актуализации ядра и при выполнимости правая часть ядра выполняется обязательно; в недетерминированных ядрах может выполняться и не выполнятся. Таким образом, секвенция в детерминированных ядрах реализуется с необходимостью, а в недетерминированных – с возможностью. Интерпретация ядра в этом случае может, например, выглядеть так: ЕСЛИ А, ТО ВОЗМОЖНО В.

Возможность может определяться некоторыми оценками реализации ядра.

Например, если задана вероятность выполнения В при актуализации А, то продукция может быть такой: ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р РЕАЛИЗОВАТЬ В. Возможны иные способы задания оценки реализации ядра.

Детерминированные продукции могут быть однозначными и альтернативными. Во втором случае в правой части ядра указываются альтернативные возможности выбора, которые оцениваются специальными весами выбора. В качестве таких весов могут использоваться вероятностные оценки, лингвистические оценки, экспертные оценки и т.п. (например, ЕСЛИ А, ТО ЧАЩЕ ВСЕГО НАДО ДЕЛАТЬ В₁, РЕЖЕ В₂).

Особым типом являются прогнозирующие продукции, в которых описываются последствия, ожидаемые при актуализации А, например ЕСЛИ А, ТО С ВЕРОЯТНОСТЬЮ р МОЖНО ОЖИДАТЬ В.

В системе, базирующейся на правилах, количество продукционных правил определяет размер базы знаний. Некоторые наиболее сложные системы имеют базы знаний с более чем 5000 продукционных правил. Поэтому, при составлении правил, необходимо:

 1. Использовать минимально достаточное множество условий при определении продукционного правила.

 2. Избегать противоречащих продукционных правил.

 3. Конструировать правила, опираясь на структуру присущую предметной области.

2. Рабочая память содержит описание текущего состояния мира в процессе рассуждений. Это описание является образцом, который сопоставляется с условной частью продукции с целью выбора соответствующих действий при решении задачи. Если условие некоторого правила соответствует содержимому рабочей памяти, то может выполняться действие, связанное с этим условием. Действия продукционных правил предназначены для изменения содержания рабочей памяти.

3. Цикл «распознавание-действие» (поиск по образцу). Текущее состояние моделируемой предметной области отражается в рабочей памяти в виде совокупности образов, каждый из которых представляется посредством фактов. Затем выбираются те правила, для которых образцы, представляемые предпосылками правил, сопоставимы с образами в рабочей памяти. Если таких правил больше одного, то они образуют конфликтное множество, а продукции, содержащиеся в конфликтном множестве, называются допустимыми. В соответствии с выбранным механизмом разрешения конфликта выбирается и активизируется одна из продукций конфликтного множества. Активация правила означает выполнение его действия. При этом изменяется содержание рабочей памяти. После того, как выбранное правило сработало, цикл управления повторяется для модифицированной рабочей памяти. Процесс заканчивается, если содержимое рабочей памяти не соответствует никаким условиям.

Таким образом, процесс вывода, основанный на поиске по образцу, состоит из четырех шагов:

• выбор образа;

• сопоставление образа с образцом и формирование конфликтного набора правил;

• разрешение конфликтов;

• выполнение правила.

Стратегии разрешения конфликтов могут быть достаточно простыми, например, выбор первого правила, условие которого соответствует состоянию мира.

Главные преимущества продукционных систем:

Разделение знания и управления. Продукционная система – модель разделения знания и управления в компьютерной программе. Управление обеспечивается циклом «распознавание-действие» продукционной системы. При этом знания о методах решения задач сосредоточены непосредственно в правилах. Преимущество такого разделения заключается в простоте изменения базы знаний, при котором не требуется изменять код программы управления. И, наоборот, это позволяет изменять код управляющей части программы, не трогая набор правил вывода.

Естественное соответствие поиску в пространстве состояний. Компоненты продукционной системы естественно отображаются в логическую структуру поиска в пространстве состояний. Последовательные состояния рабочей памяти составляют вершины графа пространства состояний. Правила вывода – набор возможных переходов между состояниями. Разрешение конфликтов обеспечивает выбор перехода (ветви) в пространстве состояний. Эти правила упрощают выполнение, отладку и документирование алгоритмов поиска.

Модульность продукционных правил. Важный аспект в моделировании продукционных систем – это отсутствие синтаксического взаимодействия между продукционными правилами. Правила могут только влиять на активизацию других правил, изменяя образы в рабочей памяти. Правила не могут «вызывать» другие правила непосредственно, как подпрограммы. При этом они не могут устанавливать значения переменных в других продукционных правилах. Область действия этих правил ограничена отдельным правилом.

Управление на основе образцов. Описание задачи, представляющее текущее состояние мира, определяет конфликтное множество и, следовательно, конкретный путь поиска и решения.

Трассировка и трактовка. Модульность правил и итерационный характер их выполнения облегчают контроль за работой продукционной системы. На каждой стадии цикла «распознавание-действие» рассматривается некоторое правило. Поскольку каждое правило соответствует отдельной «порции» знаний о методах решения задач, содержание правила должно давать ясную интерпретацию текущего состояния системы и действия. Более того, цепочка правил, используемых в процессе решения, отражает как путь на графе, так и «цепочку рассуждений», приводящую к решению задачи человека-эксперта.

Правдоподобная модель решения задачи человеком. Среди первых моделей, использующих продукционные системы, были модели нахождения решения задач человеком. Эти системы, главным образом, использовались в качестве модели человеческой деятельности в различных областях научных исследований.