дб. Четвертое издание джозеф Джарратано Университет Хьюстон клиэрЛэйк Гари Райли People5oft, Издательский дом "Вильямс" Москва СанктПетербург Киев 2007 ббк 32. 973. 26 018 75 Д
 Скачать 3.73 Mb.
|
|
Эксперты часто не могут объяснить, как они решают ту или иную задачу — решение просто само Глава 1. Введение в экспертные системы приходит к ним в голову. Если эксперт не может объяснить, как он решает задачу, то невозможно представить знания эксперта в экспертной системе в форме явных знаний. В таком случае единственная возможность состоит в использовании программ, которые сами обучаются эмулировать действия эксперта. Таковыми являются программы, основанные на индукции, искусственных нейронных системах и других гибких вычислительных методах, которые будут обсуждаться позднее. Решение задач человеком и продукционные правила Таблица 1.2. Некоторые важные события и открытия, которые привели к появлению первого выпуска языка CLIPS Год События и открытия Порождающие правила Поста модель нейрона Маккаллоха и Питтса 1954 Управление выполнением правил с помощью марковского алгоритма 1956 Дартмутская конференция; программа Logic Theorist (Логик-теоретик); эвристический поиск; введение в научный обиход термина "искусственный интеллект Изобретение персептрона Розенблаттом; начало работ над программой GPS (General Problem Solver — универсальный решатель задач) (Ньюэлл, Шоу и Саймон) 1958 Язык искусственного интеллекта LISP (Маккарти) 1962 Выход из печати книги Розенблатта Principles of посвященной восприятию 1965 Применение метода резолюции для автоматического доказательства теорем (Робинсон); применение нечеткой логики для рассуждений о нечетко заданных объектах (Заде начало работ над первой экспертной системой DENDRAL (Фейгенбаум, Бьюкенен) Семантические сети, модель ассоциативной памяти (Квиллиан) 1969 Математическая экспертная система MACSYMA (Мартини Мозес) 1970 Начало работ над языком PROLOG (Колмероэ, Русселл) История разработки технологии экспертных систем является очень обширной. В табл. 1.2 представлены краткие сведения о некоторых важных достижениях, которые привели к созданию языка CLIPS; там, где это было возможно, показаны даты начала проектов. Разработка значительной части проектов продолжалась в течение многих лет. Открытия, сделанные входе этого, рассматриваются более подробно в настоящей главе и следующих главах. Целый ряд инструментальных средств экспертных система также современных экспертных систем описан в приложении Ж. Разработка технологии экспертных систем 49 Окончание табл. 1.2 События и открытия Год Разработка системы распознавания речи HEARSAY I; популярное изложение подхода на основе правил в книге Human Problem Solving (Ньюэлл и Саймон) 1971 Создание экспертной системы для медицинской диагностики MYCIN (Шортлифф), повлекшее за собой разработку системы GUIDON, концепции интеллектуального обучения (Клэнси) и системы TEIRESIAS, формулировка принципов применения средства объяснения (Дэвис) и создание, первого командного интерпретатора (Ван Мелле, Шортлифф и Бьюкенен); разработка системы HEARSAY применение модели классной доски для организации сотрудничества нескольких экспертов 1973 Фреймы, представление знаний (Минский) 1975 Создание программы АМ (Artificial Mathematician — автоматизированный математик), обеспечивающей творческое открытие математических понятий (Ленат); применение теории доказательств Демпстера — Шефера для проведения рассуждений в условиях неопределенности начало работ над экспертной системой, предназначенной для разведки полезных ископаемых (Дуда, Харт) 1976 Разработка командного интерпретатора экспертной системы OPS (Форги), предшественника Начало работ над системой XCON/R1 (Макдермотт, компания DEC), предназначенной для определения конфигураций компьютерных систем разработка системы Мета, формулировка понятия метаправил и обоснование принципа вывода правил по методу индукции (Бьюкенен) 1978 Применение алгоритма для быстрого сопоставления с шаблонами (Форги); начало коммерциализации искусственного интеллекта создание компании In- ference Corp. (эта компания выпустила инструментальные средства экспертных систем ART в году) 1979 Открытия в области символической логики основана компания LMI для промышленного производства машин LISP 1980 Разработка математической экспертной системы создание нейронной сети Хопфилда; начало работ в Японии над проектом создания компьютеров пятого поколения, целью которого явилась разработка интеллектуальных компьютеров Создание инструментального средства экспертных систем КЕЕ (компания In- telliCorp) 1983 1985 Выпуск версии инструментального средства экспертных систем CLIPS агентство. Эти программы свободно доступны для использования на всех компьютерах, а не только на имеющих специальное назначение и дорогостоящих компьютерах LISP 50 Глава 1. Введение в экспертные системы В конце 1950 начале х годов было разработано несколько программ в целях обеспечения возможности поиска универсального способа решения задач. Наиболее известной из них была программа, универсального решателя задач, созданная Ньюэллом (Newell) и Саймоном (Simon). Появление этой программы вызвало огромную сенсацию, поскольку в прессе за большими компьютерами, которые в то время занимали целую комнату, закрепилось название "гигантские мозги. Люди были охвачены страхом потерять свою работу. Это продолжалось до тех пор, пока крупные компании, подобные IBM, не объявили, что компьютеры будут заниматься только той работой, для выполнения которой тысячам математиков потребовались бы миллионы лет. В те дни, когда вычислительные машины стоили миллионы долларов, а машинное время продавалось по цене доллар за секунду, казалось невозможным то, что люди будут когда-то иметь недорогие персональные компьютеры у себя дома или на работе. Одним из наиболее значительных результатов, продемонстрированных Ньюэллом и Саймоном, оказалось то, что значительная часть человеческого понимания, или познания, можно представить в виде продукционных правил — THEN (ЕСЛИ — ТО. Например, IF "создается впечатление, что пойдет дождь" THEN "возьмите с собой зонтик" или IF "ваша супруга в плохоы настроении" THEN "не показывайте, что вы необычайно довольны жизнью. Правило соответствует небольшой, модульной коллекции знаний, называемой фрагментом. Фрагменты организованы в свободной форме и снабжены связями, которые ведут к относящимся к ним фрагментам знаний. Водной из теорий таки утверждается, что вся человеческая память организована в виде фрагментов. Ниже приведен пример правила, представляющего фрагмент знаний. IF двигатель автоыобиля не запускается и бензиноыер остановился на нуле THEN заполните бак бензином Ньюэлл и Саймон популяризировали использование правил для представления человеческих знаний и показали, как могут быть выполнены стандартные рассуждения с помощью правил. А психологи, специализирующиеся в области когнитивной психологии, использовали правила в качестве модели для объяснения процесса обработки информации человеком. Основная идея состоит в том, что мозг выделяет стимулы из сенсорной входной информации. Стимулы активизируют в долговременной памяти соответствующие правила, с помощью которых формируется соответствующий отклик. Долговременная память представляет собой место хранения постоянных знаний человека. Например, все люди усвоили примерно такие правила IF наблюдается пламя THEN происходит пожар наблюдается дым THEN где-то может происходить пожар IF THEN где-то может происходить пожар. Разработка технологии экспертных систем Обратите внимание на то, что последние два правила не выражены с полной определенностью. Огонь может потухнуть, а в воздухе еще останется дым. Аналогичным образом, вой пожарной сирены не означает, что где-то происходит пожар, поскольку тревога может оказаться ложной. Стимулы, возникающие, когда человек видит огонь, чувствует запах дыма и слышит вой сирены, могут активизировать эти и другие правила подобного типа. Долговременная память человека содержит много правил, имеющих простую структуру IF — THEN. В действительности шахматный гроссмейстер может хранить в своей памяти тысяч или больше фрагментов знаний о шаблонах шахматных позиций. В отличие от долговременной памяти, кратковременная память используется для временного хранения знаний в период решения задачи. Хотя долговременная память может хранить сотни тысяч или даже больше фрагментов, емкость кратковременной, или рабочей, памяти удивительно мала — от четырех до семи фрагментов. В качестве простого примера, подтверждающего этот факт, попытайтесь мысленно представить себе визуально несколько цифр. Большинство людей способны одновременно видеть внутренним взглядом от четырех до семи цифр. Безусловно, люди способны запоминать гораздо больше, чем только цифры в количестве от четырех до семи. Но эти цифры и многие другие сведения успешно хранятся в долговременной памяти, причем для обеспечения их записи на постоянное хранение требуется время. Водной из теорий предполагается, что кратковременная память представляет то количество фрагментов, которые могут быть активными одновременно в этой теории процесс решения задач человеком рассматривается как перераспределение таких активизированных фрагментов в мозгу. В конечном итоге фрагмент может быть активизирован с такой интенсивностью, что будет выработана сознательная мысль, и человек, сидящий слишком близко у камина, отметит про себя "Хм. что-то тлеет. Неужели задымились мои брюки" Еще одним элементом, необходимым для решения задач человеком, является когнитивный процессор. Когнитивный процессор предпринимает попытки найти правила, которые должны быть активизированы с помощью соответствующих стимулов. Для этого недостаточно взять первое попавшееся правило. Например, одно правило указывает, когда следует заполнять бак бензином, а другоекак следует себя вести, услышав звук сирены, но вряд ли следует стремиться поскорее заполнить бак бензином, как только в воздухе раздастся звук сирены. Должно активизироваться только то правило, которое соответствует стимулу. Если имеется много правил, которые могут быть активизированы одновременно, то когнитивный процессор должен выполнить операцию разрешения конфликтов, чтобы определить, какое правило имеет наивысший приоритет. После этого должно быть выполнено соответствующее правило с наивысшим приоритетом. Например, предположим, что активизированы два следующих правила Глава 1. Введение в экспертные системы IF происходит пожар THEN покинуть поыещение IF одежда начала тлеть отодвинуться от огня В таком случае необходимо вначале выполнить действие одного правила, а затем — другого. В современных экспертных системах когнитивному процессору соответствует машина логического вывода. Модель решения задач человеком, предложенная Ньюэллом и Саймоном и состоящая из долговременной памяти (правил), кратковременной памяти (рабочей памяти) и когнитивного процессора (машины логического вывода, представляет собой фундамент современных экспертных систем, основанных на правилах. Правила, подобные этому, относятся к типу правил продукционных систем. В наши дни продукционные системы на основе правил представляют собой широко применяемый метод реализации экспертных систем. Отдельные правила, из которых состоит продукционная система, называются продукционными правилами. Важным фактором при проектировании экспертной системы является объем знаний, или степень детализации правил. Если степень детализации слишком мала, то понимание отдельного правила без изучения других правил становится затруднительным. Если же степень детализации слишком велика, то затрудняется модификация экспертной системы, поскольку водном правиле чаще всего смешивается несколько фрагментов знаний. Главной положительной особенностью языка CLIPS является возможность использовать не только правила, но и объекты. До середины х годов основные исследования в искусственном интеллекте сосредоточивались на создании интеллектуальных систем, которые мало полагались на знания в проблемной области ив основном опирались на мощные методы формирования рассуждений. Даже самоназвание универсального решателя задач характеризует концентрацию усилий на создании машин, не предназначенных для одной конкретной области, а нацеленных на решение задач многих типов. Безусловно, методы рассуждений, используемые в универсальных решателях задач, были очень мощными, носами эти машины таки не смогли выйти за пределы начального уровня компетентности. После предъявления новой проблемной области этим машинам приходилось заново открывать всезнания, начиная от исходных принципов, поэтому такие системы не могли сравниться по своей эффективности с экспертами-людьми, которые полагались на свои знания в проблемной области. Примером того, какой мощи позволяют достичь знания, является игра в шахматы. Безусловно, компьютеры в наши дни успешно соперничают с людьми, но люди все равно играют хорошо, несмотря на тот факт, что компьютеры выполняют вычисления в миллион раз быстрее. Исследования показали, что опытные игроки в шахматы не обладают чрезвычайными способностями к проведению рассуждений, но вместо этого полагаются на знания шаблонов расположения шахматных фигур, накопленные за многие годы игры. Как уже было сказано выше, согласно. Разработка технологии экспертных систем 53 одной из оценок, опытный шахматист обладает знаниями приблизительно о 50 тысячах шаблонов шахматных позиций. Люди очень успешно справляются с задачей распознавания шаблонов например, показывающих расположение фигур на шахматной доске. Лучшие шахматисты не пытаются рассуждать наперед, рассматривая 50, 100 или больше возможных ходов для каждой фигуры, а анализируют игру в терминах шаблонов, позволяющих обнаруживать долгосрочные угрозы ив тоже время оставаться способным заметить краткосрочные отвлекающие маневры. Именно эта стратегия, а не основанный на грубой силе метод опережающего прогнозирования ходов позволяет шахматным программам, таким как Big Blue компании, побеждать всех лучших чемпионов по шахматам среди людей. Безусловно, знания в проблемной области открывают очень большие возможности, но обычно они ограничиваются только данной конкретной областью. Например, человек, ставший ведущим игроком в шахматы, не становится автоматически экспертом в решении математических задач или даже специалистом по игре в шашки. Хотя некоторые знания могут быть перенесены в другую проблемную область, например, если речь идет о тщательном планировании ходов, но такие знания скорее представляют собой навыки, а не подлинные экспертные знания. Вначале х годов стало очевидно, что ключом к созданию машинных решателей задач, способных функционировать на уровне эксперта-человека, являются знания в проблемной области. Безусловно, методы формирования рассуждений достаточно важны, но исследования показали, что эксперты при решении задач не опираются в основном на рассуждения. В действительности входе решения задач экспертом рассуждения могут играть незначительную роль. Вместо этого эксперты полагаются на огромные знания в части эвристических правили на опыт, приобретенный в течение многих лет. Если же эксперт не может решить задачу на основе своего опыта, то у него возникает необходимость провести рассуждения, начиная от исходных принципов и теоретических положений (или, что более вероятно, обратиться за помощью к другому эксперту. Способности эксперта к рассуждениям обычно не лучше по сравнению с обычным человеком, которому. приходится действовать в полностью незнакомой ситуации. Первые же попытки создания мощных решателей задач, основанных только на рассуждениях, показали, что работа решателя задач оканчивается неудачей, если он должен полагаться только на рассуждения. Понимание того, что ключом к созданию практически применимых решателей задач являются знания в проблемной области, привело к появлению успешно действующих экспертных систем. Таким образом, в наши дни успешно действующие экспертные системы представляют собой экспертные системы, основанные на знаниях, а не универсальные решатели задач. Причем та же технология, которая привела к разработке экспертных систем, позволила осуществить разработку систем, основанных на знаниях, которые необязательно содержат экспертные знания человека. Глава 1. Введение в экспертные системы 54 Экспертными знаниями считаются специализированные знания, известные лишь немногим, а обычными знаниями — знания, которые, как правило, можно найти в книгах, в Web, в периодических изданиях и других общедоступных информационных ресурсах. Например, широко доступны знания о том, как решать квадратные уравнения или осуществлять интегрирование и дифференцирование. Широко применяются такие компьютерные программы, основанные на знаниях, как и МАТЬАВ, позволяющие выполнять автоматически и эти, и многие другие математические операции как с числовыми, таки с символическими операндами. А другие программы, основанные на знаниях, могут осуществлять управление процессом в производственных установках. В наши дни термины система, основанная на знаниях, и экспертная система часто используются как синонимы. Фактически в последнее время экспертные системы стали рассматриваться как модель программирования, или подход к программированию, альтернативный по отношению к обычному алгоритмическому программированию. Широкое распространение систем, основанных на знаниях Подход, основанный на знаниях, был принят на вооружение в х годах, и с тех пор создано множество успешно действующих экспертных систем. Эти системы описаны в данной книге более подробно, поскольку все они снабжены качественной документацией, а также представлены во многих статьях и книгах с описанием их работы и организации базы знаний. Нов целом при изучении современных экспертных систем, с которыми чаще всего приходится сталкиваться, возникает такая проблема, что заложенные в них знания рассматриваются как частная собственность и являются секретными. Компании используют экспертные системы для переноса в них знаний экспертов- людей, которые работают на эти компании, поэтому стремятся скрыть полученные знания от конкурентов и особенно от представителей закона. Рассмотрим медицинскую экспертную систему, которая ставит такой диагноз, что пациент умирает или получает телесное повреждение, и этот случай становится предметом судебного иска. В действительности истец может даже не испытывать каких-либо отрицательных последствий лечения, а просто присоединиться к групповому иску, поданному теми, кто судится по поводу нанесенного им ущерба. В таком случае и программное обеспечение, и база знаний экспертной системы подлежат проверке другими экспертами. А как показывают многие судебные процессы, всегда приходится сталкиваться стем, что один эксперт опровергает мнение другого. К указанной выше категории относятся классические экспертные системы, которые могут интерпретировать масс- спектрограммы для идентификации химических компонентов, диагностировать заболевания (анализировать геологические данные в целях определения наличия нефти (DIPMETER) |